【论文推荐】通信相关论文开源代码本周推荐20250622

2022年开始的一个系列，主要是整理通信领域最近发表的提供开源代码和数据集的论文，这一期一共包含15篇论文，希望对相关领域的小伙伴有所帮助。获取这些论文的全文可以在公众号回复 20250622 ，仅供大家交流学习。欢迎转发和关注！

[1] Aeacus: QUIC-Powered Low-Latency and Strong-Consistency Name Resolution in 5G

作者：Li X, Cho B, Katta S, et al.

出处：IEEE Transactions on Mobile Computing

摘要：域名系统(DNS)是基础网络服务，但其固有的基于生存时间(TTL)的缓存机制却带来了难题——同时实现低查询延迟和强大的缓存一致性极具挑战性。为了解决这一问题，我们推出了Aeacus：一款无缝集成到5G核心网的中间件，旨在优化QUIC的名称解析。Aeacus巧妙地利用QUIC握手状态来检测缓存不一致，从而增强DNS的缓存一致性，同时又不影响查询延迟。此外，Aeacus还能协调DNS查询和QUIC握手消息的融合，有效地缩短一次消息交换的往返时间，并恢复过期的DNS缓存，从而提高缓存命中率。我们双管齐下的部署，涵盖商用和测试5G网络，彰显了Aeacus的卓越性能。与DNS直接比较，Aeacus成功将连接建立延迟显著缩短了8.9%至71.8%，同时仅引入了5.9%的额外数据包处理和转发开销。重要的是，现有的基于DNS的系统无需修改即可享受Aeacus的优势。我们展示了Aeacus对基于DNS的负载均衡器的无缝增强，扩展了QUIC的0-RTT握手，使其能够支持0-RTT连接建立和服务迁移。

代码：

[2] Build Yourself Before Collaboration: Vertical Federated Learning with Limited Aligned Samples

作者：Shen W, Ye M, Yu W, et al.

出处：IEEE Transactions on Mobile Computing

摘要：垂直联邦学习(VFL)已成为一种重要的隐私保护学习范式，其使用来自共享样本的分布式特征来训练模型。然而，当共享或对齐样本数量有限时，VFL的性能可能会受到影响，这在移动环境中是一个常见问题，因为用户数据在多个设备上呈现多样性且不对齐。现有方法使用特征生成和伪标签估计来解决这个问题，但这不可避免地会在生成过程中引入噪声。在本研究中，我们提出了局部增强有效垂直联邦学习(LEEF-VFL)，它在协作之前充分利用未对齐的样本进行局部学习。与以往忽略每个客户端拥有的私有标签的方法不同，我们利用这些私有标签从所有本地样本中学习，构建稳健的本地模型，为协作学习奠定坚实的基础。此外，我们还发现，对齐样本数量有限会引入全局数据分布的分布偏差。在这种情况下，我们建议最小化对齐样本与全局数据分布之间的分布差异，以增强协作。大量实验证明了LEEF-VFL在解决有限对齐样本挑战方面的有效性，使其适用于移动计算环境中的VFL。

代码：

[3] Enhanced VR Experience With Edge Computing: The Impact of Decoding Latency

作者：Huang L, Li Y, Liang H, et al.

出处：IEEE Transactions on Mobile Computing

摘要：虚拟现实(VR)应用通过提供沉浸式体验彻底改变了数字交互方式。360度VR视频流作为关键的VR应用，经历了显著的增长和普及。然而，有限的网络带宽和对高质量视频的需求常常阻碍获得令人满意的体验质量(QoE)。尽管先前的方法已经提升了QoE，但对解码延迟的影响的研究却很少。设计一种能够在追求高质量视频和有限带宽资源之间取得平衡的质量自适应算法是一项技术挑战。为了应对这一挑战，我们提出了一种用于360度VR视频流的边缘端架构，旨在通过解决性能优化问题来提升整体QoE。具体而言，我们在实际场景中对商用移动设备进行的实验表明，解码延迟显著影响QoE。首先，解码延迟在端到端延迟中起着重要作用，其影响超过了传输延迟。其次，不同计算能力的设备之间的解码延迟可能存在显著差异。基于此，我们提出了一种新颖的延迟感知质量自适应(LAQA)算法。LAQA致力于开发一种能够实时分配视频质量并提升整体QoE的解决方案。LAQA不仅考虑接收内容的质量、传输延迟和质量差异，还考虑解码延迟和用户质量的公平性。随后，我们构建了一个组合优化问题，以最大化整体QoE。通过使用来自真实场景的实验数据进行大量验证，LAQA提供了一种有效方法，能够在不同设备上提升QoE并确保公平性。具体而言，在4K分辨率下，LAQA的QoE性能分别比最先进的组合优化算法和强化学习算法提高了16.77%和10.66%。此外，LAQA通过模拟15到60个用户的数量确保了出色的可扩展性，使其成为能够应对多样化且不断增长的用户规模的稳健解决方案。

代码：

[4] Federated Learning Based on Model Discrepancy and Variance Reduction

作者：Zhang H, Li C, Dai W, et al.

出处：IEEE Transactions on Neural Networks and Learning Systems

摘要：在联邦学习(FL)中，数据的异质性和客户端的异步参与已被观察到会导致本地客户端模型差异较大且方差较大，从而导致服务器端全局收敛缓慢且不稳定。本文中，基于过时客户端更新的实用性，我们首先提出了一个名为FedVR的通用框架来解决这个问题。在FedVR中，我们设计了一个包含新旧本地模型更新的聚合体，无需额外的通信开销，并在服务器端将其作为控制变量进行计算，以减少由数据异质性和客户端采样引起的客户端方差。为了进一步减少本地客户端之间的模型差异，我们提出了FedMDVR，它将设计的控制变量广播给所有活跃客户端，以帮助它们将本地更新方向修正为全局最优，即全局目标函数的驻点。同时，在服务器端的全局更新中，客户端方差也会降低，这得益于FedVR的方差降低特性。我们从理论上证明了FedVR和FedMDVR在一般非凸设置下的收敛性。通过在多个基准数据集上进行大量实验评估，我们还证明，我们提出的FedVR和FedMDVR不仅通过减少达到特定目标精度所需的通信轮数来加速收敛，更重要的是，它们能够收敛到比基线算法更高的精度。

代码：

[5] Hierarchical Learning and Computing over Space-Ground Integrated Networks

作者：Zhu J, Shi Y, Zhou Y, et al.

出处：IEEE Transactions on Mobile Computing

摘要：天地一体化网络在提供全球连通性方面前景广阔，尤其是在物联网(IoT)设备产生大量宝贵数据但缺乏地面通信基础设施的偏远地区。这些海量数据通常被传输到云服务器进行集中式人工智能(AI)模型训练，这带来了巨大的通信开销和隐私问题。为了解决这个问题，我们提出了一个分层学习和计算框架，该框架利用低地球轨道(LEO)卫星的低延迟特性和地球静止轨道(GEO)卫星的全球覆盖范围，为地面物联网设备上本地训练的模型提供全球聚合服务。由于卫星网络拓扑的时变特性和LEO卫星的能量限制，有效地将从地面设备接收到的本地模型聚合到LEO卫星上极具挑战性。利用星间连接的可预测性，我们将空间网络建模为有向图，从而构建了一个用于模型聚合的网络能量最小化问题，该问题最终转化为有向斯坦纳树(DST)问题。我们提出了一种拓扑感知的节能路由(TAEER)算法，通过在替代有向图上寻找最小生成树来解决DST问题。在真实的天地一体化网络环境下进行的大量仿真表明，所提出的TAEER算法显著降低了能耗，并优于基准测试。

代码：

[6] Improved salp swarm algorithm based optimization of mobile task offloading

作者：Aishwarya R, Mathivanan G.

出处：PeerJ Computer Science

摘要：

背景

随着通信技术的最新进展，移动设备上实现实时视频处理、虚拟/增强现实和人脸识别等计算密集型应用成为可能。这类应用需要进行复杂的计算，以提升用户体验并进行实时决策。然而，物联网(IoT)和移动设备的计算能力有限，能耗却有限。在边缘设备上执行这些计算密集型任务可能会导致高能耗或高计算延迟。近年来，移动边缘计算(MEC)已被用于卸载此类复杂任务，并进行了现代化升级。在MEC中，物联网设备将其任务传输到边缘服务器，边缘服务器随后执行更快的计算。

方法

然而，许多物联网设备和边缘服务器对并发任务的执行设置了上限。此外，在边缘服务器上执行较小规模的任务(1KB)会导致能耗增加。因此，需要确定任务卸载的最佳范围，以最大限度地降低能耗和响应时间。进化算法是解决多目标任务的最佳方法。降低能耗、内存和延迟，并检测卸载任务，是需要实现的多目标任务。因此，本研究提出了一种基于改进的瓶虱群算法的移动应用卸载算法(ISSA-MAOA)，用于MEC。

结果

该技术利用改进的瓶虱群算法(ISSA)的优化能力，在移动设备和云端之间智能地分配计算任务，旨在同时最大限度地降低能耗和内存使用量，并减少任务完成延迟。通过提出的ISSA-MAOA，本研究致力于增强移动云计算(MCC)框架，为移动应用中的卸载任务提供更高效、更可持续的解决方案。本研究的成果有助于改进资源管理、改善用户交互并提高MCC环境中的效率。

代码：

http://dx.doi.org/10.7717/peerj-cs.2818#supplemental-information

[7] Joint Class-Balanced Client Selection and Bandwidth Allocation for Cost-Efficient Federated Learning in Mobile Edge Computing Networks

作者：Tang J, Li X, Li H, et al.

出处：IEEE Transactions on Mobile Computing

摘要：联邦学习(FL)在移动边缘计算(MEC)网络中保护数据隐私和减轻网络负担方面具有巨大潜力。然而，由于移动客户端(MC)的系统和数据的异构性，客户端选择和带宽分配是在带宽有限的MEC网络中实现经济高效的FL的关键。为了应对这些挑战，我们研究了联合客户端选择和带宽分配问题，以降低FL训练的成本(即延迟和能耗)。我们将问题公式化并将其分解为一个整体子问题以减少轮数和一个部分子问题以降低每轮FL的成本。我们提出了一个联合类平衡客户端选择和带宽分配(CBCSBA)框架来解决整个问题。具体而言，对于整体子问题，CBCSBA将MC组合成组，每个组的数据分布尽可能接近类平衡分布；对于部分子问题，CBCSBA通过探索性地选择一个组并依次优化组内MC的延迟和能耗来降低成本。实验结果表明，在考虑的四个数据集中，CBCSBA的表现优于基线框架，平均延迟降低了28.2%，能耗降低了25.3%。

代码：

[8] Joint Frame Drop and Object Detection Task Offloading for Mobile Devices via RL With Lyapunov Optimization

作者：Sohn V, Kim S, Lee H W.

出处：IEEE Transactions on Mobile Computing

摘要：物体检测已成为移动设备日益重要的应用。然而，最先进的物体检测技术严重依赖于深度神经网络，而深度神经网络在移动设备上的计算负担通常非常沉重。为此，我们开发了一个分层框架，用于联合解决视频丢帧和物体检测任务卸载的问题。在底层，我们通过调用李雅普诺夫优化算法，设计了一种算法来划分和卸载深度神经网络的计算任务。该算法还指定了允许应用程序流量进入网络的流量控制。在上层，我们将流量控制作为动作空间中的一种指导，以开发一种强化学习(RL)算法，该算法在考虑物体检测性能的情况下选择性地丢弃视频帧。从设计本质上讲，这种李雅普诺夫引导的强化学习能够保证网络的稳定性。我们通过仿真表明，我们的李雅普诺夫引导的强化学习能够在保持网络稳定的同时，以合理的物体检测性能和较低的延迟丢弃视频帧。我们还在配备微处理器和GPU的遥控(RC)车上实现了我们的算法，并证明了我们的算法对遥控车移动时产生的视频流中的实时物体检测任务的适用性。

代码：

[9] Machine learning for Internet of Things (IoT) device identification: a comparative study

作者：Tahaei H, Liu A, Forooghikian H, et al.

出处：PeerJ Computer Science

摘要：数百万台联网设备的快速部署给物联网(IoT)带来了重大的安全挑战。物联网设备通常资源受限且专为特定任务而设计，这带来了新的安全挑战。因此，物联网设备识别已获得广泛关注，并被视为网络安全的基石。识别物联网设备的主要步骤之一是利用机器学习(ML)技术对设备网络流进行处理，即设备指纹识别。许多研究提出了各种解决方案，这些解决方案结合了不同准确度的机器学习和特征选择(FS)算法。然而，该领域需要对不同分类器和特征选择算法的准确度进行比较分析，以了解它们在不同数据集中的真正性能。本文对文献中几种常用的分类器进行了全面的性能评估。本研究评估了基于过滤器和包装器的FS方法在各种机器学习分类器中的有效性。此外，我们实现了一个二元Green Wolf优化器(BGWO)，并将其性能与传统机器学习分类器的性能进行比较，以评估这种二元元启发式算法的潜力。为了确保研究结果的稳健性，我们使用两个广泛使用的数据集评估了每个分类器和FS方法的有效性。实验表明，对于数据集1和数据集2，BGWO分别有效地将特征集缩减了85.11%和73.33%，同时分别达到了98.51%和99.8%的分类准确率。本研究结果突显了BGWO在降低特征维数和提高分类准确率方面的强大能力。此外，它还证明了包装器方法在特征集缩减方面的有效性。

代码：

http://dx.doi.org/10.7717/peerj-cs.2873#supplemental-information

[10] Mobility-Aware Seamless Service Migration and Resource Allocation in Multi-Edge IoV Systems

作者：Chen Z, Huang S, Min G, et al.

出处：IEEE Transactions on Mobile Computing

摘要：移动边缘计算(MEC)为车联网(IoV)应用提供低延迟和高带宽支持。然而，由于车辆的高移动性以及基站有限的通信覆盖范围，如果无法在MEC服务器之间进行合理的服务迁移，则很难维持不间断的高质量服务。现有的解决方案通常依赖于先验知识，很少考虑服务迁移过程中的高效资源分配，这使得其难以在动态的车联网环境中达到最佳性能。为了应对这些重大挑战，我们提出了SR-CL，这是一种基于凸优化深度强化学习的新型移动感知无缝服务迁移和资源分配框架，适用于多边缘车联网系统。首先，我们将服务迁移和资源分配的混合整数非线性规划(MINLP)问题分解为两个子问题。接下来，我们设计了一种新的基于参与者-评论家的异步更新深度强化学习方法来处理服务迁移，其中延迟更新参与者做出迁移决策，而一步更新评论家评估这些决策以指导策略更新。值得一提的是，我们从理论上推导出每个MEC服务器的凸优化最优资源分配方案，从而进一步提升系统性能。基于真实的车辆轨迹数据集和测试平台，我们进行了大量的实验，以验证所提出的SR-CL的有效性。与基准方法相比，SR-CL在各种场景下均实现了卓越的收敛性和延迟性能。

代码：

[11] Multi-Dimensional Training Optimization for Efficient Federated Synergy Learning

作者：Fu S, Dong F, Chen R, et al.

出处：IEEE Transactions on Mobile Computing

摘要：边缘学习(EL)是一种端到边缘的协作学习范式，使设备能够参与模型训练和数据分析，为边缘智能开辟了无数机会。作为一种有前途的EL框架，联邦协同学习(FSyL)通过将部分模型层卸载到边缘服务器进行协同训练，减轻了资源受限设备上的计算和通信开销。然而，由于系统和统计的异质性，单纯使用现有的FSyL方法非常耗时并导致准确率下降。针对这一问题，本文提出了一种新颖的FSyL框架，该框架集成了多维训练优化并公式化了边缘学习成本最小化(ELCM)问题。为了有效地解决ELCM，我们设计了OL-MG，一种在线模型拆分和资源配置游戏。具体而言，我们首先基于数据质量评估重新制定和分解原始ELCM。然后，给定一个模型拆分决策，我们确定子问题1中的最优资源配置，并在此基础上将子问题2中的最优模型拆分建模为一个潜在博弈。随后，我们引入一个去中心化算法来寻找纳什均衡(NE)解。此外，我们进一步扩展了OL-MG，使其支持预算感知的多边场景。大量实验表明，该机制在成本节约和准确率提升方面显著优于当前最佳方法。

代码：

[12] Token Communication-Driven Multimodal Large Models in Resource-Constrained Multiuser Networks

作者：Zhang J, Ni W, Wang P, et al.

出处：arXiv

摘要：无线边缘智能应用的激增，以及多模态数据的指数级增长，对在资源受限的网络中部署多模态大型模型(MLM)提出了挑战。这些限制体现在有限的带宽、计算能力和严格的延迟要求，尤其是在低信噪比(SNR)条件下。为了克服这些限制，我们提出了一种令牌通信范式，以促进MLM在用户设备和边缘基础设施(例如基站)之间的去中心化部署。在该范式中，从多模态输入中提取与任务相关的令牌，并将其作为分布式模型组件之间通信的主要媒介。为了协调语义并优化传输效率，我们提出了一种双管齐下的方法：1)我们设计了一种对比分割微调方法，将异构模态投影到共享特征空间中，从而实现模型组件之间的无缝交互，同时保留特定于模态的语义。2)我们采用轻量级压缩技术来减小传输令牌的大小，从而在不牺牲任务关键信息的情况下最大限度地降低带宽消耗。所提出的框架集成了基础模型和多模态收发器的协同微调，确保令牌的生成和使用能够根据特定的下游任务进行定制。在不同信噪比条件下进行的仿真实验表明，我们的方法可将测试准确率提高13.7%。此外，即使在缩短令牌长度的情况下，我们的方法也表现出更快的收敛速度，这凸显了令牌通信在实际多用户网络中促进更具可扩展性和弹性的MLM实现的潜力。

代码：

[13] Toward Optimal Broadcast Mode in Offline Finding Network

作者：Li T, Ding Y, Liang J, et al.

出处：IEEE Transactions on Mobile Computing

摘要：本文提出了一种新颖的蓝牙低功耗(BLE)广播模式ElastiCast，旨在降低离线搜索网络(OFN)中的邻居发现延迟。ElastiCast会根据搜索设备的扫描模式调整丢失设备的广播模式，并考虑到它们的多样性。我们首先概述了OFN，然后详细分析了现有解决方案面临的问题和挑战，并以此作为ElastiCast设计的动机。之后，我们提供了Blender，这是一个模拟器，可以模拟不同广播器和扫描器的邻居发现行为。通过采用Blender，ElastiCast可以实现三个组件：局部最优估计、共同兴趣提取和区间复用。我们利用Blender捕捉BLE邻居发现的关键特性，并全局优化与多种扫描模式交互的广播模式。实验评估结果和商业产品部署经验表明，ElastiCast能够在功耗预算内有效实现稳定且有界的邻居发现延迟。

代码：

[14] UNSW-MG24: A Heterogeneous Dataset for Cybersecurity Analysis in Realistic Microgrid Systems

作者：Zhang Z, Turnbull B, Kermanshahi S K, et al.

出处：IEEE Open Journal of the Computer Society

摘要：微电网系统面临的主要挑战之一是缺乏专门针对实际微电网系统通信的全面入侵检测系统(IDS)数据集。为了解决实际微电网系统缺乏全面IDS数据集的问题，本文基于实际微电网测试平台，提出了一个UNSW-MG24数据集。该数据集包含来自校园不同部门的合成良性网络流量、攻击活动的网络流、系统调用轨迹以及来自集成Festo LabVolt微电网系统的微电网特定数据。此外，我们还实施了枢轴攻击和拟态攻击，以增强该数据集的异质性，从而用于入侵检测。从生成的数据集中提取了网络流属性、系统调用参数和功率测量指标等综合特征。最后，本文对UNSW-MG24数据集进行了初步分析。该数据集可在UNSW-MG24数据集公开获取，供研究使用。

数据：

[15] XG-NID: Dual-modality network intrusion detection using a heterogeneous graph neural network and large language model

作者：Farrukh Y A, Wali S, Khan I, et al.

出处：Expert Systems with Applications

摘要：

代码：