智能家居设计论文：智能家居设计论文范例
2022年开始的一个新系列，主要是整理通信领域最近发表的提供开源代码和数据集的论文，这一期一共包含15篇论文，希望对相关领域的小伙伴有所帮助。
2022年开始的一个系列，主要是整理通信领域最近发表的提供开源代码和数据集的论文，这一期一共包含15篇论文，希望对相关领域的小伙伴有所帮助获取这些论文的全文可以在公众号回复20240211，仅供大家交流学习。
欢迎转发和关注！号外：我们有开源代码交流群啦，欢迎感兴趣的老师和同学在公众号回复开源代码交流群号外：我们开始招募内容编辑志愿者了，欢迎对文献整理、推文创作、科研分享与合作感兴趣的小朋友们在公众号回复志愿者，也欢迎有期刊和会议征稿公益宣传需求的老师们与我联系沟通。
[1] 1-D Convolutional Neural Network-Based Models for Cooperative Spectrum Sensing作者：Serghini O, Semlali H, Maali A, et al.
出处：Future Internet摘要：频谱感知是认知无线电技术的一项重要功能，它可以让所谓的次要用户重复使用可用的无线电资源，而不会对许可用户造成有害干扰机器学习技术在频谱感知中的应用引起了文献的极大兴趣。
在本文中，我们研究了认知无线电网络中的协作频谱感知，其中多个次要用户合作检测主要用户我们引入了基于深度神经网络的多种协作频谱感知方案，该方案结合了一维卷积神经网络和长短期记忆网络这些方案的主要目标是有效地了解主要用户的活动模式。
服务消息考虑了不完善的传输通道的情况，以证明所提出模型的鲁棒性所提出方法的性能通过接收机工作特性曲线、各种SNR水平的检测概率和计算时间来评估仿真结果证实了基于双向长短期记忆的方法的有效性，在检测概率方面超越了其他提出的方案和当前最先进的方法，同时保证了合理的在线检测时间。
链接：https://www.mdpi.com/1999-5903/16/1/14代码：https://github.com/Omaru8/DNN_CSS/[2] Controller placement with critical switch aware in software-defined network (CPCSA)
作者：Yusuf N M, Bakar K A, Isyaku B, et al.出处：PeerJ Computer Science摘要：软件定义网络(SDN)是一种网络架构，通过将网络决策从数据平面转移到控制平面来提供关键决策，从而提高了效率。
在传统的SDN中，通常使用单个控制器然而，现代网络由于其规模和高流量以及不同的服务质量要求而变得复杂，在控制器上引入了高控制消息通信开销同样，使用多个分布式控制器找到的解决方案带来了“控制器放置问题”(CPP)。
任何现有的CPP技术都没有充分考虑在网络分区期间将交换机角色合并到CPP建模中以进行控制器放置本文提出了基于关键交换机感知(CPCSA)的网络分区控制器放置算法CPCSA识别软件定义广域网(SDWAN)中的关键交换机，然后根据关键程度对网络进行分区。
随后，为每个分区分配一个控制器，以改善控制消息通信开销、丢失、吞吐量和流建立延迟CPSCSA使用从互联网拓扑动物园获得的真实网络拓扑进行了实验结果表明，与基准算法相比，CPCSA的控制器开销总体减少了73%，损耗减少了51%，延迟减少了16%，同时吞吐量提高了16%。
链接：https://peerj.com/articles/cs-1698/代码：http://dx.doi.org/10.7717/peerj-cs.1698#supplemental-information
[3] DENIS-SDN: Software-Defined Network Slicing Solution for Dense and Ultra-Dense IoT Networks作者：Theodorou T, Mamatas L.
出处：arXiv摘要：如今，物联网(IoTN)中使用的传统无线传感器网络协议面临着高密度和超密度网络拓扑条件的挑战软件定义网络(SDN)等新网络范式已成为一种新兴方法，通过实施全球协议策略和网络可编程性来满足物联网应用需求。
本文提出了一种分而治之的解决方案，旨在使用网络切片来改善超密集物联网(UDIoT)网络环境中的PDR因此，我们开发并评估了DENIS-SDN，这是一种适用于UDIoT网络环境的开源SDN解决方案，由模块化SDN控制器和类似OpenFlow的数据平面协议组成。
DENIS-SDN利用我们基于运营规范要求的网络密度控制机制，解决UDIoT网络部署带来的挑战，包括干扰、拥塞、资源管理、控制和服务质量(QoS)性能问题为了实现这一目标，它将密集的物联网网络划分为使用路由规则分隔节点的逻辑切片子网或将节点分隔到不同无线电信道的物理切片子网。
我们提供了针对实际场景的评估结果，证明逻辑切片网络场景的PDR性能提高了4.8%，物理切片网络场景的PDR性能提高了11.6%链接：https://arxiv.org/abs/2312.13662代码：
https://github.com/SWNRG/DENIS-SDN[4] EneA-FL: Energy-aware orchestration for serverless federated learning
作者：Agiollo A, Bellavista P, Mendula M, et al.出处：Future Generation Computer Systems摘要：联合学习(FL)代表了在现实场景中实现多个客户端分布式学习的事实上的标准范例。
尽管在准确性和隐私意识方面取得了巨大进步，但FL在现实场景中的真正采用，特别是在工业部署环境中，仍然是一个开放的话题这主要是由于隐私限制以及在带宽、计算和能量受限的节点上采用人工智能技术时需要调整的一组超参数带来的额外复杂性。
受这些问题的推动，我们重点关注参与客户具有高度异构计算能力和能源预算特点的场景，提出EneA-FL，这是一种无服务器智能能源管理的创新方案这种新颖的方法可以动态调整以优化训练过程，同时促进物联网(IoT)设备和边缘节点之间的无缝交互。
特别是，所提出的中间件提供了一个容器化软件模块，可以有效地管理每个工作节点与中央聚合器的交互通过监控本地能源预算、计算能力和目标精度，EneA-FL智能地做出有关后续训练轮次中特定节点包含的明智决策，有效平衡能耗、训练时间和最终精度之间的三方权衡。
最后，在一系列跨不同场景的广泛实验中，我们的解决方案展示了令人印象深刻的结果，与文献中流行的客户端选择方法相比，能耗降低了30%到60%，同时效率比标准FL解决方案高出3.5倍链接：https://www.sciencedirect.com/science/article/pii/S0167739X24000074
代码：https://github.com/AndAgio/EneA-FL[5] Cooperative Edge Caching Based on Elastic Federated and Multi-Agent Deep Reinforcement Learning in Next-Generation Networks
作者：Wu Q, Wang W, Fan P, et al.出处：arXiv摘要：边缘缓存是下一代网络的一种有前景的解决方案，它通过增强小型基站(SBS)中的缓存单元的能力，允许用户设备(UE)获取已在SBS中预先缓存的用户请求的内容。
在保护用户个人信息的同时，通过学习预测准确的热门内容对于SBS来说至关重要传统的联邦学习(FL)可以保护用户的隐私，但UE之间的数据差异可能导致模型质量下降因此，有必要为每个UE训练个性化的本地模型，以准确预测热门内容。
另外，缓存的内容可以在下一代网络中的相邻SBS之间共享，因此将预测的热门内容缓存在不同的SBS中可能会影响获取内容的成本因此，协同确定热门内容的缓存位置至关重要为了解决这些问题，我们提出了一种基于弹性联邦和多智能体深度强化学习(CEFMR)的协作边缘缓存方案，以优化网络成本。
我们首先提出一种弹性FL算法来训练每个UE的个性化模型，其中采用对抗性自动编码器(AAE)模型进行训练以提高预测精度，然后提出一种流行内容预测算法来预测每个UE的流行内容基于经过训练的AAE模型的SBS。
最后，我们提出了一种基于多智能体深度强化学习(MADRL)的算法来决定预测的流行内容在SBS之间协作缓存的位置我们的实验结果证明了我们提出的方案相对于现有基线缓存方案的优越性链接：https://arxiv.org/abs/2401.09886
代码：https://github.com/qiongwu86/Edge-Caching-Based-on-Multi-Agent-Deep-Reinforcement-Learning-and-Federated-Learning
[6] General System Architecture and COTS Prototyping of an AIoT-Enabled Sailboat for Autonomous Aquatic Ecosystem Monitoring
作者：Araújo A P D, Daniel D H J, Guerra R, et al.出处：IEEE Internet of Things Journal摘要：无人驾驶车辆不断受到越来越多的关注，因为它们促进了物联网(IoT)领域的创新商业和民用应用。
在这种背景下，自主帆船正在成为执行监视、水和环境监测等不同任务的重要海洋平台这些任务大多数都严重依赖人工智能(AI)技术，例如视觉导航和路径规划，并构成所谓的物联网(AIoT)在本文中，我们提出1)OpenBoat，一种用于支持AIoT的帆船的自动化系统架构，具有与应用程序无关的自主环境监控功能；2)F-Boat，使用商业现成的OpenBoat的全功能原型真实帆船上的(COTS)组件。
F-Boat包括用于自主路径跟踪的低级控制策略、用于远程操作和与其他系统协作的通信基础设施、带有人工智能加速器的边缘计算、针对特定应用监控系统的模块化支持以及导航方面F-Boat还针对稳健性情况进行设计和制造，以保证其在高温和恶劣天气等极端事件下长时间运行。
我们展示了在巴西重要水生生态系统瓜纳巴拉湾进行的现场实验结果，展示了原型的功能并展示了所提出架构的AIoT功能链接：https://ieeexplore.ieee.org/abstract/document/10285334/
代码：https://www.natalnet.br/nboat/https://github.com/medialab-fboat[7] Implementation and Experimental Validation of Data-Driven Predictive Control for Dissipating Stop-and-Go Waves in Mixed Traffic
作者：Wang J, Zheng Y, Dong J, et al.出处：IEEE Internet of Things Journal摘要：在本文中，我们展示了互联自动驾驶车辆(CAV)在消散交通波方面的数据驱动预测控制的第一个实验结果。
特别是，我们考虑了最近的一种数据支持的预测领先巡航控制(DeeP-LCC)策略，它绕过了识别周围车辆驾驶行为的需要，直接依赖可测量的交通数据来实现混合驾驶中安全和最佳的CAV控制我们介绍了DeeP-LCC的实现细节，包括数据收集、均衡估计和控制执行。
基于微型实验平台，我们重现了两种典型交通场景中的停走波现象：1)外部干扰下的开放直路场景和2)无瓶颈的封闭环路场景我们的实验清楚地表明，DeeP-LCC使一个或几个CAV能够消散两种交通场景中的交通波这些实验结果验证了DeeP-LCC在存在噪声数据、不确定的低级车辆动力学以及通信和计算延迟的情况下平滑实际交通流的巨大潜力。
链接：https://ieeexplore.ieee.org/abstract/document/10210648/代码：https://github.com/soc-ucsd/DeeP-LCC[8] Improving Transferability of Network Intrusion Detection in a Federated Learning Setup
作者：Ghosh S, Jameel A S M M, Gamal A E.出处：arXiv摘要：网络入侵检测系统(IDS)旨在通过分析到达互联网连接设备的网络数据包来检测入侵者的存在与传统IDS相比，数据驱动的深度学习系统因其卓越的性能而广受欢迎，它依赖于针对不同入侵类别的高质量训练数据的可用性。
克服这一限制的一种方法是通过可迁移学习，其中对一个入侵类的训练可以导致在部署后检测到看不见的入侵类在本文中，我们对入侵检测的可迁移性进行了详细的研究我们研究实用的联邦学习配置，以增强入侵检测的可迁移性我们提出了两种技术来显着提高联合入侵检测系统的可转移性。
链接：https://arxiv.org/abs/2401.03560代码：https://github.com/ghosh64/transferability[9] IoT-V2E: An Uncertainty-Aware Cross-Modal Hashing Retrieval Between Infrared-Videos and EEGs for Automated Sleep State Analysis
作者：Han J, Men A, Liu Y, et al.出处：IEEE Internet of Things Journal摘要：使用无处不在的红外(IR)视觉摄像头传感器估计和监控家中的睡眠状态是一个重要的医疗保健问题。
目前，使用物联网传感器预测睡眠阶段的共同挑战是物联网传感信号和医疗信号之间的“语义差距”，其中观察到物联网传感信号和睡眠阶段标签之间的相关性较少为了弥补这一差距，我们提出了一种新颖的系统和方法物联网设计(IoT-V2E)，以在给定红外视觉查询的情况下检索数据库中最相似的脑电图信号表示以进行睡眠相关分析。
具体来说，我们做出了以下具体贡献：1)我们收集了跨模态检索数据集，包括红外感觉信号和带有睡眠阶段真实注释的同步多导睡眠图信号；2)我们提出了一种新颖的不确定性感知哈希检索方法，具有优越的性能、足够的可解释性和高存储效率；3)我们的方法实现了最先进的睡眠阶段检索结果，并为推理中的每个查询提供了不确定性；4)最重要的是，我们的系统经过评估不仅能够帮助医生诊断与睡眠相关的疾病，还能找到睡眠模式最相似的受试者。
链接：https://ieeexplore.ieee.org/abstract/document/10198541/代码：https://github.com/SPIresearch/IoT-V2E[10] Multi-objective cost-aware bag-of-tasks scheduling optimization model for IoT applications running on heterogeneous fog environment
作者：Seifhosseini S, Shirvani M H, Ramzanpoor Y.出处：Computer Networks摘要：CISCO最近推出的雾计算范式将基于云的计算服务扩展到物联网(IoT)设备附近，为其应用程序提供服务，旨在提高性能。
这种新的计算范式试图满足新兴物联网应用的要求，这些应用大多是地理分布式、位置感知、低成本和延迟敏感的经常应用的应用程序之一是物联网应用程序的任务包(BoT)，每个任务包都包含多个独立的任务然而，并行执行的低效任务调度方法可能会降低向用户提供的服务质量(QoS)，并增加提供商的总拥有成本(TCO)。
与用户的服务水平协议(SLA)相称的可靠执行以及根据其预算量身定制的经济实惠的服务对用户和雾服务提供商都有利，因为高度可靠的执行是一种声誉指标，可以增加用户的信任和遵守为此，本文将物联网应用中BoT执行的任务调度制定为具有执行时间、成本和可靠性角度的多目标优化问题。
为了衡量总成本，提出了执行成本和货币成本模型为了衡量资源的可靠性，还提出了新的调度失败因子(SFF)度量，它是一种成本参数为了解决这个组合NP-Hard问题，提出了一种基于多目标成本感知的离散灰狼优化算法(MoDGWA)。
为了验证MoDGWA的性能，进行了不同的场景，并将所提出的算法的性能与其他最先进的算法进行了比较广泛的仿真结果证明了MoDGWA的平均主导地位，在完工时间、ToC、TSFF和成本得分方面，与其他最先进的技术相比，MoDGWA分别降低了0.55%、7.28%、10.20%和45.83%。
链接：https://www.sciencedirect.com/science/article/pii/S1389128623006060代码：https://github.com/mirsaeid123/Mirsaeid
[11] NetMind: Adaptive RAN Baseband Function Placement by GCN Encoding and Maze-solving DRL作者：Li H, Li P, Assis K D, et al.
出处：arXiv摘要：先进RAN的分解和分层架构在有效地将基带功能和用户平面功能与多接入边缘计算(MEC)结合起来以适应多样化的5G服务方面提出了重大挑战因此，本文提出了一种新方法NetMind，利用深度强化学习(DRL)来确定具有不同拓扑的RAN中的功能放置策略，旨在最大限度地降低功耗。
NetMind将函数布局问题表述为迷宫求解任务，从而在不同网络之间实现具有标准化动作空间尺度的马尔可夫决策过程此外，还引入了基于图卷积网络(GCN)的编码机制，允许将来自不同网络的特征聚合到单个强化学习代理中。
这有助于增强RL代理的泛化能力，并最大限度地减少重新训练对功耗的负面影响在具有三个子网络的示例中，NetMind实现了与每个网络需要专用DRL代理的传统方法相当的性能，从而使训练成本降低了70%此外，与现有文献的基准相比，它的节能显着提高了32.76%，服务稳定性提高了41.67%。
链接：https://arxiv.org/abs/2401.06722代码：https://github.com/OCEAN-98/NetMind[12] NetTiSA: Extended IP flow with time-series features for universal bandwidth-constrained high-speed network traffic classification
作者：Koumar J, Hynek K, Pešek J, et al.出处：Computer Networks摘要：基于IP流的网络流量监控是一种标准监控方法，可以部署到各种网络基础设施，甚至是连接数百万人的大型ISP网络。
由于流记录传统上只包含有限的信息(地址、传输端口和交换数据量)，因此它们通常还可以通过附加功能进行扩展，从而实现高精度的网络流量分析然而，这些流扩展通常太大或难以计算，因此只能进行离线分析或仅限于较小规模的网络部署。
本文基于分析数据包大小的时间序列，提出了一种新颖的扩展IP流，称为NetTiSA(网络时间序列分析)流通过彻底测试25种不同的网络流量分类任务，我们展示了NetTiSA流的广泛适用性和高可用性对于实际部署，我们还考虑NetTiSA功能扩展的流的大小，并评估其计算在流导出器中的性能影响。
事实证明，这些新颖的特征计算成本低廉，并且表现出出色的区分性能具有所提出的特征的经过训练的机器学习分类器大多优于最先进的方法NetTiSA最终弥补了这一差距，为流量分类带来了通用、小型且计算成本低廉的功能，这些功能可以扩展到广泛的监控基础设施，甚至将机器学习流量分类引入100Gbps主干线路。
链接：https://www.sciencedirect.com/science/article/pii/S1389128623005923代码：https://github.com/koumajos/Classification_by_NetTiSA_flow
[13] On-Device Indoor Positioning: A Federated Reinforcement Learning Approach With Heterogeneous Devices
作者：Dou F, Lu J, Zhu T, et al.出处：IEEE Internet of Things Journal摘要：机器学习技术在无处不在的计算环境中的广泛部署激发了人们对利用移动设备上存储的大量数据的兴趣。
为了保护数据隐私，联邦学习(FL)被提出通过在参与设备上本地执行分布式训练并将本地模型聚合成全局模型来学习共享模型强化学习(RL)可以通过考虑环境动态来改进室内定位，但它是在集中数据上进行训练的RL的FL版本可以帮助使用来自不同用户客户端的数据训练全球本地化模型，同时将数据保留在设备上而不需要集中化。
我们提出了一种用于室内定位的个性化联合强化学习，可以解决两个主要挑战由于移动设备的网络连接有限，在联邦计算设置下，在任何学习迭代中聚合来自所有客户端的更新是不切实际的不同设备上收集的数据是异构的，这给训练高精度模型带来了困难。
在我们的方法中，每个客户端执行RL来学习一个行动策略，该策略可以根据自己的数据(例如，个性化的)快速搜索目标，然后中央服务器仅与客户端通信以进行模型更新，并学习一个全局模型，该模型是靠近所有客户端模型(例如，联合)。
实证评估表明，该方法在定位精度和稳定性方面优于现有方法我们进一步将我们的方法扩展到小样本学习，可以使用稀疏注释的位置数据快速定位新用户链接：https://ieeexplore.ieee.org/abstract/document/10214616/
代码：https://github.com/FayeDou/IPOD[14] Orchestration and Management of Adaptive IoT-Centric Distributed Applications
作者：Amjad S, Akhtar A, Ali M, et al.出处：IEEE Internet of Things Journal摘要：当前的物联网(IoT)设备提供了多种功能，从传感数据观测的测量和传播，到实时数据流处理的计算服务。
在紧急情况等极端情况下，物联网设备的一个显着优势是它们可以帮助您更全面地了解环境情况然而，这需要能够利用物联网资源，同时考虑位置、电池寿命以及底层边缘和物联网设备的其他限制提出了一种动态方法，使用云数据中心中提供的服务、部署在服务器上或网络边缘的物联网设备来编排和管理分布式工作流应用程序。
我们提出的方法是专门为知识驱动的业务流程工作流程而设计的，这些工作流程是自适应的、交互式的、可进化的和紧急的全面的实证评估表明，所提出的方法是有效的并且能够适应情况变化链接：https://ieeexplore.ieee.org/abstract/document/10221766/
代码：https://github.com/aakhtar4/IoT-Centric-Workflows-Orchestration[15] Privacy‑Aware Anomaly Detection in IoT Environments using FedGroup: A Group‑Based Federated Learning Approach
作者：Zhang Y, Suleiman B, Alibasa M J, et al.出处：Journal of Network and Systems Management摘要：物联网(IoT)设备在智能家居中的普及引起了人们对数据安全和隐私的严重担忧。
用于异常检测的传统机器学习(ML)方法通常需要与中央服务器共享敏感的物联网数据，这带来了安全和效率挑战为此，本文介绍了FedGroup，这是一种受FedAvg启发的新型联邦学习(FL)方法FedGroup根据不同物联网设备组的学习模式进行更新，彻底改变了中央模型的学习过程。
我们的实验结果表明，与联邦和非联邦学习方法相比，FedGroup在异常检测方面始终达到相当或更高的准确性此外，集成学习(EL)从众多贡献模型中收集情报，从而提高预测性能此外，FedGroup显着改进了对攻击类型及其详细信息的检测，有助于为智能家居提供更强大的安全框架。
我们的方法展示了卓越的性能，在攻击类型检测中实现了99.64%的准确率，最小误报率(FPR)为0.02%，在攻击类型细节检测中实现了令人印象深刻的99.89%的准确率链接：https://link.springer.com/article/10.1007/s10922-023-09782-9
代码：https://github.com/BasemSuleiman/2023_Anomaly_Detection_IoT回顾ICC 2022的开源代码【论文推荐】ICC 2022 开源代码汇总回顾ICC 2023的开源代码
【论文推荐】ICC 2023开源代码汇总回顾GLOBECOM 2022的开源代码【论文推荐】GLOBECOM 2022 开源代码汇总回顾WCNC 2022的开源代码【论文推荐】WCNC 2022 开源代码汇总
回顾WCNC 2023的开源代码【论文推荐】WCNC 2023开源代码汇总回顾INFOCOM 2022的开源代码【论文推荐】INFOCOM 2022 开源代码汇总回顾INFOCOM 2023的开源代码【论文推荐】INFOCOM 2023开源代码汇总
查看原文可以获取最全最新的【论文推荐】卫星网络仿真工具和开源代码汇总
免责声明：本站所有信息均搜集自互联网，并不代表本站观点，本站不对其真实合法性负责。如有信息侵犯了您的权益，请告知，本站将立刻处理。联系QQ：1640731186
