• 在能源互联网中，基于密码学的数据安全：确保数据的完整性、隐私性和可靠性

  摘要：能源互联网（IoE）将电力系统与数据网络紧密相连，网络安全事件可能转化为物理风险，这使得数据安全变得至关重要而不再是可有可无的。然而，IoE的独特需求超出了传统加密和哈希技术的应用范围，不仅要求保障数据的机密性、完整性和可用性，还需要实施细粒度的访问控制以及严格的最低披露原则，并且这一切都必须在资源受限的环境中高效实现。因此，我们提出了一种基于密码学的数据安全框架，作为实现异构实时能源资产之间可验证的完整性、隐私性和信任的基础。为了将这一框架应用于实际操作，我们提出了一种面向生命周期的IoE数据安全分类体系。该体系涵盖了数据接入时的访问控制、数据传输和存储安全、基于安全计算的保护隐私的数

  来源：IEEE Network

  时间：2025-11-25

• 6G网络中基于LLM（法律机器学习）的按需AI服务提供

  摘要：随着大型语言模型（LLMs）技术能力的持续突破，它们在多个应用领域展现了卓越的技术效能。特别是在任务规划领域，这一技术框架已被证明能够显著提升通信系统的性能。本文重点探讨了LLMs在6G网络系统中的集成应用，并采用了一种分层和渐进的研究范式进行讨论。首先，系统地阐述了LLMs的技术优势，并运用比较分析方法分析了6G通信网络中用户端与网络端在功能需求上的差异。随后，提出了一种创新的基于LLM的按需人工智能服务架构。在此基础上，通过仿真建模定量评估了该架构对通信网络关键性能指标的优化效果。最后，通过案例研究验证了该服务架构在满足多样化网络和用户需求方面的能力。

  来源：IEEE Network

  时间：2025-11-25

• 在多用户虚拟现实网络中，利用多智能体强化学习对网络资源进行联合优化

  摘要：多用户虚拟现实（VR）网络在无线环境中面临重大挑战，因为它们对低延迟、高带宽以及针对具有不同需求的并发用户进行高效资源分配有着严格的要求。在动态环境中，这些挑战变得更加复杂，因为用户会移动和互动，从而产生不同的负载模式和潜在的资源竞争。传统的优化方法往往难以在最大化用户体验（QoE）和有效利用有限的网络资源之间取得平衡。本文采用了一种基于近端策略优化（PPO-MAMDP）的多智能体马尔可夫决策过程框架，来共同优化多用户无线VR网络中的通信、计算和缓存资源。我们的方法将问题表述为一种社会福利最大化问题，通过多个智能体之间的协调决策，在VR用户QoE和小型基站（SBS）资源效率之间取得平衡。

  来源：IEEE Transactions on Network Science and Engineering

  时间：2025-11-25

• 迈向个性化量子联邦学习在异常检测中的应用

  摘要：异常检测在视频监控、医疗诊断和工业监测等应用中具有重要意义，但这些应用中的异常现象往往依赖于具体背景，且带有异常标签的数据非常有限。量子机器学习（QML）为高效处理高维数据提供了强大的工具，但集中式的QML系统面临诸多挑战，包括数据隐私问题以及单个节点需要大量量子资源的需求。量子联邦学习（QFL）通过将模型训练分散到多个量子客户端上来克服这些问题，从而消除了对集中式量子存储和处理的需求。然而，在实际的量子网络中，各个客户端在硬件能力、电路设计、噪声水平以及经典数据如何被编码或预处理成量子状态等方面存在差异。这些差异导致客户端之间存在固有的异质性——不仅体现在数据分布上，还体现在它们的量子

  来源：IEEE Transactions on Network Science and Engineering

  时间：2025-11-25

• 考虑异构分布式能源资源（DERs）差异化目标的电力与碳市场联合用户自主决策机制

  摘要：在电力和碳（E&C）市场的配电层面，如何在确保模型可扩展性的同时实现用户端的个性化目标设定和隐私保护是一个极具挑战性的问题。本文提出了一种用户端的E&C市场机制，该机制能够适配各种异构的分布式能源资源（DERs），并通过用户端的自主决策和隐私保护程序来实现这些资源的个性化目标。具体而言，构建了多种异构DERs的传输与主动运行模型，包括鲜有研究的地铁交通系统、电动汽车充电站、光伏发电单元、碳排放单元以及负载聚合器。为了符合用户端的实际碳排放情况，还单独提出了六家高碳企业的直接碳排放模型。此外，本文提出了一种基于随机控制变量的个性化联邦学习算法（pFedScv），用于优化E&C市场机制。该算

  来源：IEEE Transactions on Network Science and Engineering

  时间：2025-11-25

• 基于可移动天线的自主航空器（AAV），通过低空无线网络实现数据采集

  摘要：可移动天线（MAs）通过为下一代无线系统提供灵活的波束成形功能，正在彻底改变空间信号处理技术。本文研究了一种基于可移动天线的自主飞行器（AAV）系统，该系统应用于低空无线网络（LAWNs），用于从地面用户处收集上行数据。我们的目标是通过联合优化AAV的飞行轨迹、接收端波束成形以及可移动天线的位置来最大化总数据传输速率。为此，我们开发了一种高效的交替优化（AO）算法，该算法结合了连续凸逼近、加权最小均方误差和粒子群优化技术。文中对所提算法的计算复杂度和收敛性进行了分析。大量仿真结果表明，与几种基准方案相比，该方案在总数据传输速率和服务可靠性方面表现出更优的性能。这些结果凸显了所提方案的优势

  来源：IEEE Transactions on Network Science and Engineering

  时间：2025-11-25

• BufTune：通过寻求感知缓冲区调优减少交互式视频流中的流量浪费

  摘要：在现代的点播（VOD）服务中，诸如播放 Seek（定位）和跳过等非线性观看行为变得越来越普遍。然而，当前的流媒体系统通常依赖于激进的预取策略和较大的固定播放缓冲区来确保流畅的播放体验。当由于用户频繁的操作导致预取的数据段被丢弃时，这可能会导致大量的流量浪费。为了解决这种效率低下的问题，我们提出了 BufTune，这是一种基于用户 Seek 行为的客户端缓冲区调整策略。BufTune 根据用户的 Seek 行为动态调整播放缓冲区的大小：在用户频繁操作时缩小缓冲区，以避免下载那些不太可能被观看的数据段；在播放稳定时逐渐恢复缓冲区大小，以保持播放的稳定性，从而在减少流量浪费的同时，还能保持甚至

  来源：IEEE Transactions on Network Science and Engineering

  时间：2025-11-25

• 在具备可编程资源切片功能的集成5G-TSN网络中实现动态QoS映射

  摘要：将无处不在的5G蜂窝网络与确定性以太网（如时间敏感网络TSN）集成，对于未来的工业应用至关重要，因为它能够提供高灵活性和严格的确定性。这一集成过程中的一个关键挑战是将TSN流量动态映射到5G服务质量（QoS）配置文件中，尤其是考虑到不同流量类型之间存在多样化的QoS需求。虽然基于静态映射或近似方法的现有技术在稳定条件下可能有效，但它们无法适应网络负载的变化和不断发展的QoS需求，从而导致延迟和配置文件选择不准确。为了解决这些限制，我们提出了DQMARS（一种具有资源切片的动态QoS映射方法）。在DQMARS中，5G QoS资源被划分为与TSN流量类型相匹配的n个资源切片。每个资源切片与多

  来源：IEEE Transactions on Network Science and Engineering

  时间：2025-11-25

• 通过具有媒体和移动性效应的多路复用网络上的反应-扩散过程来建模耦合的流行病-信息动态

  摘要：为了更好地捕捉现实世界中的流行病动态，开发能够纳入多种现实因素的模型至关重要。在这项研究中，我们提出了一个基于多重网络的疾病信息传播模型，该模型同时考虑了三个关键维度：媒体影响、高阶交互作用以及人口流动性。这一综合框架使得在实际情况的约束下系统地分析协同传播机制成为可能，并有助于探索有效的流行病控制策略。研究结果表明，大众媒体传播和高阶网络结构都能通过提高公众意识来抑制疾病传播。然而，随着单纯形的阶数增加，高阶交互作用的控制效果会减弱。我们还探讨了亚群体特征的影响，发现在一个相互连接的集合种群网络中增加亚群体间的连通性可以在疾病传播率中等的情况下降低疾病流行程度。此外，引导个体迁移到较难

  来源：IEEE Transactions on Network Science and Engineering

  时间：2025-11-25

• RobustPPFL：一种安全且鲁棒的隐私保护联邦学习框架，能够抵御投毒攻击

  摘要：联邦学习（FL）通过允许参与实体在保留本地数据所有权的同时协作训练共享模型，促进了去中心化的机器学习。为了解决分布式训练中固有的隐私问题，联邦学习框架中融入了保护隐私的机制，以提高数据的保密性并保护敏感信息。然而，这些隐私保护技术的实施引入了遭受投毒攻击的脆弱性，恶意行为者会操纵训练过程，从而降低模型的完整性或性能。当前的防御策略依赖于统计方法来减轻此类攻击，但它们缺乏足够的鲁棒性，在面对多种攻击类型或恶意客户端占多数时效果有限。为了克服这些局限性，我们提出了RobustPPFL，这是一个旨在抵御多种投毒攻击的隐私保护联邦学习框架，即使在恶意参与者占多数时也能保持高韧性。我们的方法整合了

  来源：IEEE Transactions on Network Science and Engineering

  时间：2025-11-25

• 基于多智能体强化学习的动态车辆网络中任务卸载机制：考虑空闲资源及部分信息的影响

  摘要：边缘计算为车辆网络中的任务卸载提供了低延迟的计算服务。然而，动态传输速率、资源限制和信息共享约束等挑战阻碍了高效的任务卸载。很少有研究在设计动态卸载策略时同时考虑这些问题，这通常导致系统效用不佳。本文旨在从博弈论的角度出发，通过一个能够感知车辆空闲状态的边缘服务器（ES）来实现高效的车辆任务卸载。我们提出了一种带有注意力机制的门控循环单元（GRU）预测模型，以引导车辆前往最近的空闲ES。卸载决策过程被建模为一个随机博弈，并证明了纳什均衡（NE）的存在。此外，我们还将该过程建模为一个多智能体部分可观测马尔可夫决策过程（POMDP），以考虑车辆之间信息获取的局限性。为了解决POMDP问题并实

  来源：IEEE Transactions on Network Science and Engineering

  时间：2025-11-25

• DR-Store：一种动态且可靠的编码区块链架构

  摘要：近年来，编码区块链作为一种关键技术应运而生，旨在解决传统区块链全复制存储机制所带来的巨大存储需求问题。尽管纠删码可以有效降低单个节点的存储负担，但它们会提高数据读取和修复的成本。此外，大多数编码区块链在适应动态网络方面存在挑战，并且容易受到安全漏洞的攻击。在本文中，我们提出了一种名为DR-Store的新型编码区块链架构，该架构通过每个节点仅存储一个编码块，将每个区块的存储成本从O(n)降低到O(1)。DR-Store采用了一种重构编码方案，该方案将解码单个原始数据块所需的数据量降至接近原始块的大小，从而显著提高了读取效率。为了适应动态的区块链网络环境，我们引入了一个可靠的重新编码过程：该

  来源：IEEE Transactions on Network Science and Engineering

  时间：2025-11-25

• 在概念漂移情况下的联邦学习的信息论分析

  摘要：近期在联邦学习（FL）领域的研究通常使用静态数据集来训练模型。然而，现实世界中的数据往往以数据流的形式出现，且其分布会发生变化，从而导致性能下降，这种现象被称为“概念漂移”。本文利用信息论分析了联邦学习在概念漂移情况下的性能，并提出了一种算法来减轻性能下降。我们将概念漂移建模为马尔可夫链，并引入了“静态泛化误差”来评估模型捕捉未来未见数据特征的能力。该误差的上界是通过KL散度和互信息推导出来的。我们研究了三种漂移模式（周期性、渐进性和随机性）及其对联邦学习性能的影响。受此启发，我们提出了一种算法，该算法通过结合KL散度和互信息来规范经验风险最小化过程，从而提升模型的长期性能。此外，我们还

  来源：IEEE Transactions on Network Science and Engineering

  时间：2025-11-25

• 信任还是不信任：基于机器学习的无线网络资源分配中的校准问题

  摘要：在下一代通信和网络中，机器学习（ML）模型不仅需要提供高度准确的预测结果，还需要提供经过良好校准的置信度分数，以反映正确决策的真实可能性。在本文中，我们研究了基于机器学习的故障预测器在单用户多资源分配框架中的校准性能。首先，我们确定了该系统在完美校准条件下的故障概率（OP）的关键理论特性。重要的是，我们发现随着资源数量的增加，完美校准的预测器的故障概率趋近于在该预测器预测结果低于分类阈值时的预期输出。相反，当只有一种资源可用时，系统的故障概率等于模型的整体预期输出。随后，我们推导出了完美校准预测器的故障概率条件。这些发现有助于选择合适的分类阈值，以实现所需的故障概率，从而帮助系统设计者满

  来源：IEEE Transactions on Network Science and Engineering

  时间：2025-11-25

• 基于扩散强化学习的依赖感知计算机辅助验证（CAV）任务调度

  摘要：在本文中，我们研究了在连接式自动驾驶车辆（CAV）网络中一个考虑任务依赖性的调度问题。具体而言，每个CAV任务由多个相互依赖的子任务组成，这些子任务可以分配给附近的车辆或路边单元进行处理。由于频繁调度子任务可能会增加通信开销，因此我们设计了一种简化任务依赖性的调度方案，该方案采用了子任务合并机制来降低依赖性任务调度的复杂性。我们构建了一个长期联合子任务调度和资源分配优化问题，旨在在保证系统稳定性的同时最小化平均任务完成延迟。为此，我们利用李雅普诺夫优化方法将长期问题分解为多个瞬时确定性问题。为了捕捉车辆环境的动态性和任务到达的随机性，该问题被重新表述为一个参数化的动作马尔可夫决策过程。为

  来源：IEEE Transactions on Network Science and Engineering

  时间：2025-11-25

• Kubernetes中基于能效意识的调度多目标框架

  摘要：在Kubernetes中实现高效的工作负载调度对于优化大规模和异构集群中的能源消耗和资源利用至关重要。然而，现有的Kubernetes调度器要么忽略对功耗的考虑，要么依赖于简化的、静态的功耗模型，这限制了它们在动态工作负载下管理能源效率的能力。为了解决这些问题，我们提出了一个多目标调度框架，用于在线Kubernetes容器放置，该框架同时考虑了功耗、资源利用和负载均衡。该框架采用两阶段设计：(i) 节点功耗分析组件根据实际功耗测量数据训练机器学习模型，以预测不同利用率下的节点功耗；(ii) 在线调度器在多目标优化框架中使用这些预测结果。我们使用两种算法（TOPSIS和NSGA-II）来实

  来源：IEEE Transactions on Network and Service Management

  时间：2025-11-25

• 用于去中心化多址编码缓存系统的新型传输算法

  摘要：在本文中，我们提出了一种适用于内容分发网络（CDNs）的去中心化多接入编码缓存系统。在该系统中，一台中央服务器托管N个文件，每个文件的大小为F比特，并通过共享链接为K≤N个用户提供服务。网络中分布着c个缓存设备，每个缓存设备的容量为MF比特，每个K个用户都连接到随机选择的r≤c个缓存设备中。最初，我们考虑了一个每个缓存子集被相同数量的用户访问的模型。我们为中央服务器引入了一种新的内容分发算法，该算法使我们能够推导出每个用户传输率的封闭形式表达式。利用索引编码技术，我们证明了所提出分发方案的最优性。此外，我们扩展了该模型，允许每个缓存子集为任意数量的用户提供服务，从而大大提高了系统的灵活性

  来源：IEEE Transactions on Network and Service Management

  时间：2025-11-25

• 通过工作量证明（Proof-of-Work）区块链中的无效区块比例（Stale Block Ratio）准确估算自私挖矿率

  摘要：自私挖矿对工作量证明（Proof-of-Work）区块链构成了严重威胁，因为它破坏了矿工之间的公平性，并通过生成无效区块浪费了计算资源。检测和缓解自私挖矿攻击对于维护区块链的安全性和效率至关重要。虽然无效区块的存在通常被视为自私挖矿的迹象，但仅仅识别攻击者的存在是不够的。更重要的目标是估计攻击的规模，特别是自私挖矿的比率。在本文中，我们提出了两种分析模型，可以精确计算包含一个或两个自私矿工的区块链中的无效区块比率。这些模型提供了闭合形式的函数，可以根据自私挖矿比率计算无效区块比率。然后，我们推导出逆函数，根据观察到的无效区块比率来估计自私挖矿比率。仿真结果表明，我们的分析模型能够有效计算

  来源：IEEE Transactions on Network and Service Management

  时间：2025-11-25

• 建模移动即时通讯的网络负载：一种模块化的源流量生成器

  摘要：移动即时通讯（MIM）应用，如WhatsApp，通过实现各种消息类型（如文本、图片、视频或语音）的全球即时交换，彻底改变了人类的沟通方式。网络提供商面临着庞大的用户群体和巨大的网络负载，尤其是在群聊中，每条消息都需要发送给所有成员。由于采用了端到端加密技术，网络运营商必须通过其他方式来了解通信情况及其对网络造成的负担，因此对MIM的网络流量进行建模变得十分必要。在这项工作中，我们提出了一种用于MIM源流量建模的方法。在确定了MIM源流量模型（STM）的构建要素后，我们通过研究MIM通信网络、联系人之间的接近程度、媒体压缩和有效载荷大小以及媒体文件大小分布来填补现有研究的空白。结合现有文献

  来源：IEEE Transactions on Network and Service Management

  时间：2025-11-25

• MEC系统中用于分类智能任务的联合计算卸载与资源分配

  摘要：移动边缘计算（MEC）通过将计算和数据存储能力更接近终端用户，实现了高可靠性和低延迟的应用。智能计算是MEC的一个重要应用领域，其中计算资源被用来根据任务需求解决相关问题。然而，在MEC系统中高效地卸载计算任务并分配资源以支持智能任务是一个具有挑战性的问题，因为任务需求与MEC资源之间存在复杂的交互关系。为了解决这一挑战，我们研究了MEC系统中用于分类智能任务（CITs）的联合计算卸载和资源分配机制。我们的目标是通过综合考虑计算精度和任务延迟来优化系统效用，从而实现系统的最大价值。我们专注于CITs，并构建了一个优化模型，该模型考虑了任务特性，包括精度要求和MEC系统中的并行计算能力。为

  来源：IEEE Transactions on Network and Service Management

  时间：2025-11-25

知名企业招聘：