《Sustainable Computing: Informatics and Systems》：AI-Driven Energy-Efficient Routing Framework for Large-Scale IoT Networks in 6 G Wireless Environments
编辑推荐：
•开发了一种基于人工智能的寻路框架，集成了GNN、LOA和D3QN，用于大规模6G使能的物联网网络。•通过拓扑感知优化，提高了能效、寻路智能和负载均衡通信能力。•实现了42.5 J的能耗和1850轮的网络寿命。•达到了98.6%的包投递率、452 kbps的吞吐量和12.4
- •
开发了一种基于人工智能的寻路框架，集成了GNN、LOA和D3QN，用于大规模6G使能的物联网网络。
- •
通过拓扑感知优化，提高了能效、寻路智能和负载均衡通信能力。
- •
实现了42.5 J的能耗和1850轮的网络寿命。
- •
达到了98.6%的包投递率、452 kbps的吞吐量和12.4 ms的端到端延迟。
- •
在整体网络性能上优于现有的DQN、DDQN和LSTM寻路方法。
引言
物联网的爆发式使用使得数十亿物联网设备得以应用于工业自动化、智慧城市、医疗、智能交通系统和环境监测等领域[1]。预计6G无线网络的发展将为物联网带来大规模可靠性、超低延迟、高连接性和智能组网[2]。然而，物联网设备的大规模部署带来了能耗、寻路效率、可扩展性和网络寿命方面的重大问题[3]。鉴于许多物联网设备依靠低能量供应的电池运行，能效寻路方法在未来6G网络中是必不可少的[4]。
多种因素降低了大规模物联网网络寻路的路由性能和能效[5]。首先，高节点密度增加了数据包碰撞和拥塞，以及路由开销，而流量变化的特性和节点移动性往往会改变网络拓扑[6]。此外，残余能量水平、流量负载、队列大小、链路质量、信道条件和干扰也影响路由的稳定性[7]。节点间能耗的不均匀可能导致节点过早失效和网络寿命的降低[8]。
文献中已提出多种传统和智能路由方案来提升物联网网络的能效[9]。这些方案包括最短路径路由、基于簇的路由方案、优化算法以及使用深度学习（DL）技术的路由方法，包括DQN、LSTM和DDQN[10]。虽然这些方案在一定程度上提高了路由效率，但存在某些缺陷，如可扩展性问题、特征表示不佳、缺乏适当的负载均衡、收敛速度慢以及在动态环境中适应性降低[11]。此外，许多现有解决方案无法捕获网络中各个节点和链路之间的相互依赖关系[12]。这些局限性揭示了一个研究空白：即在动态6G物联网条件下联合建模网络拓扑、优化簇头选择和自适应路由决策。现有的基于AI的方法通常将这些方面分别处理，限制了其在大规模网络中实现可靠且节能路由的能力。所提出的GNN–LOA–D3QN框架通过拓扑感知特征学习、多目标簇头优化和自适应路由策略学习来解决这一空白。
为了应对这些挑战，本研究提出了一种面向6G无线通信环境下大规模物联网系统的节能AI路由架构。当前框架采用GNN进行智能特征提取，LOA进行节能的簇头节点选择，D3QN进行最优路由路径选择。通过考虑关键网络指标，包括残余能量、流量负载、移动性、队列长度、链路质量和干扰条件，所提出的系统在负载均衡和能效、网络寿命、降低路由开销方面表现更优，并优于使用DQN、LSTM和DDQN的现有路由方法。本文的主要贡献如下：
- ?
开发了一个基于AI的路由系统，可在拥有大量物联网节点的6G无线网络中增加网络寿命并保障通信可靠性。
- ?
实现了一种新颖的拓扑感知特征学习方法，包含物联网节点之间关系的结构和通信方面，以促进在自适应6G物联网网络中的高效路由。
- ?
提出了一种基于LOA的簇头选择算法，考虑残余能量、连通性、通信成本和负载均衡，以确保高簇稳定性并增加网络寿命。
- ?
设计并测试了用于最优路径选择的D3QN，发现其在能耗、路由成本、包投递率和网络寿命方面较DQN和LSTM等其他方法有所提升。
本文其余部分结构如下。第2节总结了AI节能路由技术在物联网和6G无线通信网络领域的研究现状。第3节提出了涉及网络初始化、图构建、GNN特征学习、LOA簇头选择、D3QN路径优化和数据传输的GNN–LOA–D3QN算法。第4节提供了关于实验环境、软硬件详情、仿真设置和性能评估指标的信息。第5节包含基于比较分析、GNN分析、LOA分析、训练性能和消融研究的实验结果讨论。第6节最后对本研究进行了总结。
各节摘要
文献综述
6G通信技术和AI的发展为使用更低能耗的物联网和无线传感器网络（WSN）路由带来了许多改进。近期研究已将机器学习（ML）、深度学习（DL）和优化算法整合其中，以提升网络寿命、路由效率和通信效率。Mishra等人[13]在6G WSN智能路由领域进行了研究，以实现节能感知从而增强网络的可持续性。研究者
所提方法
该方法描述了一种智能节能路由方案，集成了GNN、LOA和D3QN，为6G无线环境下的物联网网络构建稳健的路由方案。首先建立物联网网络，采集当前网络信息（即节点能量、流量负载、移动性、队列长度和链路质量），创建基于图的网状网络表示。GNN生成拓扑感知的节点嵌入和预测，
软硬件配置
本节提供了用于评估和执行所提出的GNN–LOA–D3QN框架的软硬件配置描述。实验环境确保了足够的计算资源和软件支持，以实现模型的有效训练和评估。
表4展示了实现和验证所提出的GNN-LOA-D3QN算法所采用的软硬件环境。该算法通过Python 3.11.8实现，
实验结果
本节探讨了所提出的GNN-LOA-D3QN方法在大规模6G-IoT网络中节能路由的性能分析。利用常用的路由性能指标，对所提出方法的性能分析通过训练性能分析、GNN分析、LOA分析、比较分析和消融分析来完成。
结论
本研究通过集成GNN、LOA和D3QN，开发了一种面向大规模6G物联网网络的AI辅助节能路由框架。GNN提取拓扑感知的节点表示，LOA执行节能的簇头选择，D3QN寻找最佳路由策略以降低能耗和通信延迟，同时提高包投递率和网络寿命。实验结果表明，所提出的框架优于基于LSTM、DQN和DDQN的
伦理审查
本研究不涉及人类参与者、动物或可识别的个人数据；因此，无需伦理审查批准。
资助
作者感谢沙特阿拉伯卡西姆大学研究生与科学研究处提供的资金支持，资助编号为QU-APC-2026。
作者声明
Jamal Alotaibi和Faisal AlWikem参与了研究的概念和设计。Jamal Alotaibi开发了研究方法，进行了实验，完成了数据分析，并撰写了原稿。Faisal AlWikem监督了研究，验证了结果，审阅和编辑了稿件，并管理了项目。两位作者均阅读并批准了最终稿件。
CRediT作者贡献声明
Faisal AlWikem：撰写 – 原稿。Jamal Alotaibi：概念构思。
利益冲突声明
作者声明不存在已知的竞争性经济利益或个人关系，这些可能影响本文报告的工作。
Jamal Alotaibi|Faisal AlWikem
