《Electronics》：Energy-Efficient AI-Enabled Wireless Sensor Networks for Mission-Critical Environments: A Systematic Review Across Smart Grid, AI, and Urban Infrastructure Applications
编辑推荐：
由人工智能驱动的高级无线传感器网络（WSNs）越来越需要用于需要连续监测、自主运行、可靠通信和快速决策支持的应用。本系统综述研究了2023年至2026年间关于关键任务环境中节能、AI赋能的无线传感器网络（WSNs）的最新工作，特别关注电力电子和城市基础设施系统
由人工智能驱动的高级无线传感器网络（WSNs）越来越需要用于需要连续监测、自主运行、可靠通信和快速决策支持的应用。本系统综述研究了2023年至2026年间关于关键任务环境中节能、AI赋能的无线传感器网络（WSNs）的最新工作，特别关注电力电子和城市基础设施系统。研究人员综合了50篇符合纳入标准的、具有DOI索引的研究，这些研究接受了定性主题编码和比较分析。其他参考文献仅用于提供历史、方法或技术背景，并未纳入系统综述语料库。因此，研究人员的结果表明，AI可以通过路由和聚类、边缘AI、强化学习、模糊逻辑、元启发式优化和基于AI的安全性来改善WSN的能量行为。同时，能效不能被视为孤立的性能目标。在关键任务系统中，安全性、延迟和可靠性是紧密相连的需求。该综述得出结论，未来的工作应避免孤立地优化协议，而应专注于构建轻量级、可解释、安全且经过现场测试的AI驱动的WSN架构，以适应实际运行环境。
1. 引言（Introduction）
无线传感器网络（WSNs）用于需要实时监测和控制的场景，收集、传输和处理数据。在关键任务环境中，WSN的角色更为苛刻，故障可能导致态势感知降低、关键服务中断、安全风险或决策延迟。能量是WSN的主要技术约束，节点通常具有有限的处理能力、内存、无线电资源和电池电量，尤其在维护成本高或危险的位置（如远程传感区域、电力线监测系统、地下和户外城市设施、工业设施和受灾区域）部署时更为突出。延长网络寿命不仅需要降低整体能耗，还需防止节点过早失效和平衡网络能量使用。然而，在关键任务应用中，低能耗本身不足，因为丢包、延迟响应或安全漏洞直接影响运行连续性。人工智能（AI）提供了更适应性的手段来处理这些相互关联的需求，包括机器学习、强化学习（RL）、模糊逻辑、元启发式优化、神经网络、图模型和边缘AI，以支持路由、簇头选择、资源分配、异常检测和自适应网络控制。能量效率应被理解为系统级协调问题，涉及传感、计算、通信和安全，而非单纯减少无线电使用。本文评估的应用领域包括：监测和监控场景（如入侵检测、环境监测、资产跟踪和战术数据收集，要求运行节能）、智能电网（如电力线监测（PLM）、智能计量和网络物理安全，需防御窃听、选择性转发或数据伪造攻击）以及城市基础设施（如污染监测、交通管理、智能照明、废物管理、预警服务和公共安全，要求低成本、可扩展性和长期节能）。关键任务传感已扩展到异构和高度移动的通信环境，如混合卫星网络和无人机（UAV）自组网，需要在设计阶段考虑安全聚合、认证、延迟、可靠性和弹性的交互。
2. 文献综述（Literature Review）
近期研究围绕四个重叠主题：路由优化、能量感知聚类、边缘智能以及关键或半关键环境中的安全。路由是最成熟的领域，因为无线电通信是传感器节点最昂贵的操作。基于AI的路由根据剩余能量、链路质量、距离、流量负载和网络密度做出决策，模糊启发式、元启发式和机器学习模型可限制不均匀能耗，这在关键系统中尤为重要，因为节点故障可能造成盲点或过早断开。2026年的研究提出了基于粒子群优化（PSO）的模糊自适应聚类路由策略，以及基于混沌和生物启发原理的路由器设计（用于无线体域网（WBSNs））。强化学习（RL）因其基于过去状态适应未来决策的能力而日益突出，但训练开销、奖励设计和执行成本仍是限制。边缘AI（Edge AI）允许在源端处理数据，减少延迟、带宽消耗和隐私风险，通过网关、簇头或边缘节点过滤数据并检测异常，尽管计算成本部分转移。城市基础设施应用中，低成本的AI-IoT污染监测传感器支持居民健康，WSNs用于交通管理、灾害管理和监控。智能电网环境中，广义回归神经网络（GRNN）用于检测窃听攻击，网络安全挑战被强调，AI实现智能电网与绿色氢能的集成，WSN拓扑与电力系统稳定性相关。安全方面，基于注意力的选择性转发攻击检测、安全最优路由和信任感知路由被研究，强调能量和安全性需联合设计。文献还指出从传统WSN向多层AIoT架构的转变，能量效率依赖于任务分配方式，如传感器本地过滤、簇头聚合、边缘异常检测和云分析。能量优化技术应被视为架构选择而非单一算法，如强化学习适用于状态信息充足且稳定的系统，图神经网络（GNNs）需谨慎计算预算。不同应用领域优先级不同：智能电网优先测量可靠性和安全性，城市基础设施强调可扩展性、成本和长期维护，监控场景需能量效率与隐蔽、自主、弹性运行结合。
3. 研究问题与范围（Research Question and Scope）
核心研究问题：AI赋能的WSNs必须在关键任务环境中实现高能效，同时不牺牲可靠性、安全性、低延迟和运行连续性。三个关联层面：技术层面（AI算法、网络架构、路由、聚类、传感操作）、应用层面（监测系统、智能电网、城市基础设施的运营需求）和评估层面（能效、可靠性、延迟、安全性、覆盖等性能评估）。五个子问题：哪些AI增强技术用于能量优化（如机器学习、RL、模糊逻辑、神经网络、元启发式优化、GNNs、混合聚类-路由方法）？能量指标关注什么（如总能耗、网络寿命、节点首次死亡时间、剩余能量、存活节点数、每包能量、负载均衡、包交付率，但在关键任务中还需考虑延迟、可靠性、覆盖、弹性和安全）？应用领域差异（监测和监控需要安全路由、信任感知路由和攻击检测；智能电网需要连续监测、技术准确性、网络物理稳定性和抗攻击性；城市基础设施受可扩展性、成本、互操作性和长期可维护性约束）？近期趋势如边缘AI（减少重传和延迟但增加计算负载）？研究空白（多数研究基于仿真而非现场部署，缺乏统一基准测试）。范围界定：时间2023-2026年，关注AIoT、边缘AI、智能电网和智能传感器网络；排除与传感器网络、通信、能耗或关键基础设施无关的AI通用论文。
4. 方法论（Methodology）
采用系统综述方法，聚焦节能AI赋能的WSNs在关键任务环境中的应用。搜索策略覆盖IEEE Xplore、ScienceDirect、SpringerLink、MDPI、arXiv、TechRxiv、Wiley Online Library和ACM Digital Library。搜索词分为四组：网络技术术语（wireless sensor networks, WSN, IoT-based WSN等）、能量相关术语（energy efficient, energy aware, network lifetime等）、AI技术术语（artificial intelligence, machine learning, reinforcement learning等）和应用环境术语（mission critical, surveillance, smart grid等）。布尔查询用于检索，共50篇研究满足DOI、时间、主题和技术相关性标准。采用提取-转换-加载（ETL）逻辑进行信息提取，包括基本书目元数据、技术方法、能量贡献、应用领域和指标。遵循PRISMA风格流程，质量评估采用针对WSN文献制定的技术质量评估框架，包括研究目标清晰度、技术贡献描述、实验配置透明度、性能指标合适性、结果一致性、书目可靠性等。评分标准：每一项充分得1分，部分得0.5分，不适用则排除，归一化后≥75%为高质量，50-74%为中质量，<50%为低质量（排除）。排除标准包括不清晰、不一致、撤回或不可验证的研究。主题编码分为四类：技术方法（路由、聚类、RL、模糊逻辑、深度学习、GNNs、元启发式优化、边缘AI或混合方法）、能量贡献（降低通信成本、延长网络寿命、负载均衡、减少控制开销、改善簇头选择、支持自适应资源管理）、应用领域（监控/关键任务系统、智能电网、城市基础设施或通用WSN设计）和指标（网络寿命、延迟、吞吐量、包交付率、剩余能量、存活节点数、覆盖、可扩展性、安全检测精度）。方法旨在提供实用价值，而非数值排名。
5. 结果（Results）
五个主要发现：路由和聚类是最频繁出现的主题，AI驱动的路由考虑剩余能量、距离、链路质量等因素，近期工作倾向混合模型（如PSO、模糊逻辑和自组织映射）。边缘AI成为重要架构组成部分，通过本地数据处理降低传输成本并加速事件响应，但增加计算负载。应用领域差异显著：监控环境需自主性和安全路由，智能电网需准确性和网络安全，城市基础设施需可扩展性和可维护性。安全不能事后添加，信任感知和攻击感知路由至关重要，但安全本身消耗能量，需联合优化。评估方法不统一，不同研究在网络规模、能量模型、仿真工具和基线协议上差异大，常用指标（网络寿命、剩余能量、包交付率等）常不一起报告，安全论文可能忽略能量成本，能量论文可能不报告抗攻击性能。因此，直接比较困难。AI赋能的WSNs在关键任务环境中有潜力，但路由和聚类技术最成熟，智能电网安全研究增长快，城市基础设施更接近实际部署，监控导向工作常以安全路由或极端环境术语间接出现。下一步需在更真实条件下进行联合测试。
6. 讨论（Discussion）
能量指标不应是唯一关注点，需平衡能量与运行需求。路由方面，AI驱动路由通过纳入更多信息提供更好性能，但需确保节省的能量超过决策机制消耗的能量。聚类方面，基于簇的设计适合大规模稳定拓扑，但在移动、敌对或不稳定网络中，频繁重聚类可能导致过度开销。边缘AI有前景但需谨慎，其能量节省取决于边缘设备资源分配。安全是另一关键因素，在智能电网和监控系统中不可容忍数据丢失，安全机制的能量成本需仔细评估。三个应用领域代表不同优先级：监控需自主、鲁棒和安全且无需传统维护；智能电网需精度、可用性、抗攻击和网络物理稳定性；城市基础设施受限于规模化、成本、互操作性和可维护性。需要改进评估实践，单纯仿真不足以证明关键任务适用性，应使用通用基准测试。可解释性（explainable AI）对关键基础设施至关重要，工程师需理解路径选择、节点隔离和恶意行为标记的原因。未来系统可能结合轻量级AI、边缘处理、安全路由、自适应聚类和可解释决策，研究应转向鲁棒、完整的架构并在真实关键任务环境中验证。
7. 结论（Conclusions）
评估了近期关于节能AI赋能WSNs的文献，聚焦监控、智能电网和城市基础设施应用。核心结论：AI赋能WSNs是适应性的网络物理传感系统，能基于能量、拓扑、流量、安全和应用需求自主决策。路由和聚类仍是核心问题，能效主要通过减少冗余传输、平衡节点负载、改善簇头选择和避免重复路径实现，AI增强这些过程但需考虑开销。应用环境至关重要：监控需自主、安全、弹性和耐受敌对条件；智能电网需精度、可用性、网络安全和与能量管理系统（EMSs）的可靠集成；城市基础设施需低成本、可扩展性、互操作性和易维护性。边缘AI是重要方向，但需动态决定任务运行位置。能量和安全需联合优化，未来研究应关注轻量级AI和TinyML模型、自适应边缘/云任务划分、通用基准测试和多样化测试平台，以及在智能电网监测、城市感知和战术/极端环境中的更多现场试验。总之，AI赋能WSNs只有在作为完整系统的一部分时才能提高能效，研究应转向轻量级、可解释、安全且经过现场测试的WSN架构。
