在节点发生故障的情况下，基于风险意识的强化学习方法能够实现无线边缘网络中可靠且高效的人工智能应用

《Computer Communications》：Risk-aware reinforcement learning for reliable and efficient AI in wireless edge networks under node failures

　　

向伟|童丁

摘要

随着无线边缘网络的迅速发展，它们越来越多地支持在网络边缘进行智能感知和决策，从而为对延迟敏感且数据密集型应用（如灾害监测、环境感知和智能交通）提供支持。然而，由于节点故障、动态网络拓扑结构和严格的能量限制，边缘智能仍然面临关键挑战，这些因素可能会严重削弱传输的可靠性和AI驱动的边缘操作的效果。为了解决这些问题，本文提出了一种基于风险意识的学习型数据传输路径规划（RLRA-DTP）框架，该框架将强化学习与风险管理理论相结合，以实现无线边缘网络中可靠且节能的AI驱动数据传输。具体而言，RLRA-DTP将数据传输路径规划问题表述为一个马尔可夫决策过程（MDP），并采用风险敏感的学习方法在不确定的网络条件下平衡能耗和可靠性。该方法还结合了概率节点故障模型和鲁棒表示技术，以动态适应拓扑变化和时变无线信道条件。仿真结果表明，与传统方法相比，RLRA-DTP在能效、传输可靠性和整体网络稳定性方面都有显著提升，展示了其在无线边缘网络中实现高效和弹性AI的潜力。