《Electronics》：A Hybrid Quantum–Siamese Framework with Congestion-Aware Contrastive Learning for Explainable Routing in MANETs and WSNs
编辑推荐：
在移动自组网（MANETs）与无线传感器网络（WSNs）中实施拥塞感知路由面临动态拓扑、不可预测流量、不可靠连接、移动节点及能量资源受限等因素的挑战。本研究引入可解释混合量子–孪生学习框架（EHQ-SLF），该框架融合关系型孪生表示学习与变分量子特征变换，用于
在移动自组网（MANETs）与无线传感器网络（WSNs）中实施拥塞感知路由面临动态拓扑、不可预测流量、不可靠连接、移动节点及能量资源受限等因素的挑战。本研究引入可解释混合量子–孪生学习框架（EHQ-SLF），该框架融合关系型孪生表示学习与变分量子特征变换，用于自适应下一跳选择。系统采用拥塞感知对比路由损失（CACRL），其边界基于拥塞程度、连接可靠性与移动性动态更新，以表示当前节点与未来节点以及联合的节点状态与链路状态属性。此外，域条件路由针对MANET与WSN环境调整决策过程，变分量子电路对学习到的关系表示进行变换。为在多种网络场景中识别可信下一跳候选，该方法度量转发质量并预测拥塞。为提升决策透明度，量子–孪生路由解释（QSRE）采用反事实推理、特征归因与量子敏感性分析来识别路由决策因素。研究在多个指标上评估所提架构，包括分组投递率、时延、能量效率、拥塞预测、移动鲁棒性与解释保真度。
**研究背景与问题**：MANETs与WSNs在无基础设施或资源受限环境中提供通信便利，但其动态多变的运行条件使路由成为难题。WSNs受处理能力、能量与流量分布约束，MANETs的节点移动性改变网络结构与链路可用性。流量增长导致拥塞，进而因信道竞争、队列累积、丢包、时延与链路不稳定等因素缩短网络寿命并降低分组投递率。传统路由协议依赖跳数、链路质量或剩余能量等人工设计度量，难以联合捕捉这些网络状态变量间的非线性关系。近期基于学习的路由方法提升了复杂模式提取能力，但常规深度模型计算资源需求大且对单次转发决策的可解释性有限，且现有方法多聚焦MANET或WSN单一环境，缺乏统一的路由表示。因此，研究人员需要一种能学习转发节点与候选邻居关系、显式考虑拥塞与链路可靠性、适应异构MANET与WSN特性并解释下一跳选择的路由框架，由此开展本项研究并提出EHQ-SLF。
**关键技术方法**：研究采用拓扑感知特征构建、共享孪生编码器学习当前节点与候选邻居的关系表示、变分量子电路（VQC）进行非线性特征变换、拥塞感知对比路由损失（CACRL）动态调整对比边界、域条件路由适配MANET与WSN，以及基于SHAP归因、量子敏感性分析与反事实推理的量子–孪生路由解释（QSRE）机制。实验数据由NS-3仿真生成，覆盖MANET与WSN异构场景，量子学习组件在量子模拟器上评估，并按仿真拓扑与随机种子划分训练、验证与测试集以避免数据泄漏。
**研究结果**：
- **仿真与实现细节**：MANET配置25–150节点、移动速度1–20 m/s，WSN配置50–200节点、速度0–2 m/s，流量速率1–40 packets/s，分别采用IEEE 802.11与IEEE 802.15.4。节点级特征含剩余能量、队列占用、信道忙比、接收信号强度、节点可靠性、移动性、分组生成率与节点度；链路级特征含RSSI、ETX、丢包率、端到端时延、相对速度与节点间距离。
- **拥塞标签构建与预测**：基于队列状态、丢包、端到端时延、RSSI与信道利用率将观测划分为低、中、高、危急四类拥塞，输入特征与预测目标区分明确，目标标签由未来数据确定。
- **与参数匹配的经典特征变换比较**：将VQC替换为可训练经典特征变换模块，其余组件保持一致，在端到端时延、推理时延、分组投递率、路由开销与拥塞宏F1等指标上比较，并报告计算成本与模型规模，以判断VQC的计算价值。
- **统计评估与可复现性**：各配置在独立随机种子下多次仿真，报告均值与标准差，采用配对统计比较并报告效应量，测试场景与模型选择分离。
- **拥塞预测性能**：EHQ-SLF在不同流量强度下评估准确率、精确率、召回率、F1与宏F1，混淆矩阵用于分析误分类是否集中于相邻拥塞类别，表明学习表示捕捉了拥塞强度的序数性。
- **流量强度对路由性能的影响**：流量从1增至40 packets/s时，EHQ-SLF的PDR由97.8%降至80.2%，经典孪生模型由92.1%降至71.9%，AODV由88.4%降至59.6%，DSR由84.7%降至54.8%，OLSR、GNN路由与Q-learning进一步降低；在40 packets/s时EHQ-SLF达80.2%，优于经典孪生（71.9%）、AODV（59.6%）、DSR（54.8%）、OLSR（48.1%）、GNN（44.7%）与Q-learning（39.5%）。端到端时延与归一化路由开销随流量与网络规模的变化同步分析，表明学习模型依赖本地可获取信息，开销源于路由状态获取而非传输大型神经表示。
- **移动鲁棒性**：PDR随节点速度（1–20 m/s）变化，CACRL的动态边界与关系表示纳入相对速度，增大了稳定与不稳定候选间的分离度。
- **能量效率**：转发得分包含剩余能量，评估剩余能量与网络寿命随流量的变化，讨论拥塞感知路由是否会导致转发流量过度集中。
- **消融分析**：完整EHQ-SLF在三类场景下拥塞宏F1最高。高流量下移除CACRL使宏F1由87.6%降至81.3%，移除VQC降至83.2%，移除域条件降至85.0%，组合消融退化更大，表明各组件贡献互补。量子噪声下评估VQC性能，报告拥塞宏F1、PDR、端到端时延与下一跳一致性。
- **与基线比较**：在相同网络条件、流量负载、仿真时长与随机种子策略下，与AODV、DSR、OLSR及经典孪生模型比较拥塞F1、时延、吞吐量、路由开销、剩余能量与PDR，并给出准确率–复杂度权衡，含可训练参数与推理时间。
- **解释保真度与可行反事实**：解释保真度以局部代理与原始模型下一跳决策一致比例度量，特征敏感性以遮蔽最高归因三特征后的决策翻转率度量，二者分开报告；反事实受限于可行网络状态，须满足特征有效范围、非负队列与剩余能量及决策反转条件，以归一化距离度量最小反事实变化。图16显示中、高、危急拥塞下正对潜距离递减、负对距离增大，表明动态对比边界有效组织潜空间。离散类别与连续拥塞指数的三种表示比较显示连续信息对下游路由的影响。
**讨论与结论翻译**：本研究提出用于MANETs与WSNs拥塞感知路由的可解释混合量子–孪生学习框架（EHQ-SLF）。该框架将拓扑感知的节点与链路表示与共享孪生学习、拥塞感知对比优化、变分量子特征变换及域条件路由相集成。通过将当前节点与候选下一跳节点表示为关系对，EHQ-SLF能够在变化的拥塞、移动性、链路质量与能量条件下更有效地区分转发候选。所提出的拥塞感知对比路由损失（CACRL）学习目标考虑移动性、连接可靠性与拥塞，以根据转发条件区分路由选项。混合经典–量子表示使拥塞预测与下一跳选择更为容易，而变分量子电路增加了额外的非线性特征变换阶段。通过域条件化，该框架能够协同管理MANET与WSN特性。新颖的量子–孪生路由解释将特征归因、量子敏感性分析与反事实推理相结合。结合网络当前状态，路由系统可选择转发数据的节点。评估标准包括能量效率、分组投递率、端到端时延、拥塞预测、路由开销、移动鲁棒性与解释保真度。EHQ-SLF通过可解释、自适应、拥塞感知与量子增强的路由整合多种无线网络拓扑。未来研究将聚焦真实测试床验证、量子硬件实现、可扩展性、计算开销以及对快速变化网络条件的在线响应。消融与噪声敏感性分析为VQC在所提混合架构中的贡献及其对模拟量子噪声的敏感性提供了证据。然而，量子特征变换的贡献应与已证明优于经典非线性表示的优势相区分，后者需要与适当匹配的经典替代方案进行受控比较，并度量预测性能与计算成本。由于当前评估使用量子模拟，研究发现被解释为关于模拟混合架构的证据，而非在物理量子硬件上展示量子加速。
