liuxixi920的博客

无线分布式微传感器系统将为民用和军事应用提供各种环境的可靠监测。在这篇论文中，我们研究了通信协议，它对这些网络的整体能量消耗有重要的影响。基于我们发现传统的直接传输,协议minimum-transmission-energy,多次反射路由和静态传感器网络集群可能不是最优的,我们建议LEACH(低能自适应聚类层次结构),clustering-based协议,利用随机旋转本地集群基站(变),负载的能量被均匀地分布在网络中传感器。LEACH使用本地化协调来支持动态网络的可伸缩性和健壮性，并将数据融合合并到路由协议中以减少必须传输到基站的信息量。仿真结果表明，与传统的路由协议相比，LEACH可以减少8倍的能量损耗。此外，LEACH能够在传感器中均匀分布能量损耗，使我们模拟的网络的有用系统寿命增加一倍。

现代移动设备可以访问大量适合学习模型的数据，这反过来又可以极大地改善设备上的用户体验。例如，语言模型可以提高语音识别和文本输入，图像模型可以自动选择好的照片。然而，这种丰富的数据通常是隐私敏感的，数量大，或者两者兼备，这可能会妨碍使用常规方法登录到数据中心并在那里进行培训。我们提倡将训练数据分布在移动设备上，并通过聚合本地计算的更新来学习共享模型。我们称这种分散的方法为联合学习。

一种合适的传感器节点聚类算法可以提高传感器网络的能效。然而，集群需要额外的开销，比如集群头的选择和分配，以及集群的构建。摘要提出了一种基于孤立节点的无线传感器网络区域能量感知聚类方法，称为孤立节点区域能量感知聚类。在reacin中，CHs是根据权重来选择的。根据每个传感器的剩余能量和每个簇中所有传感器的区域平均能量确定权重。不适当地设计分布式集群算法会导致节点与CHs隔离。这些孤立的节点通过消耗过多的能量与外界进行通信。为了延长网络的生存期，利用区域平均能量和传感器与汇聚点之间的距离来确定孤立节点是将数据发送到前一轮的CH节点，还是发送到汇聚点。仿真结果表明，该算法的性能优于其他聚类算法。

针对日益严格的数据隐私立法和日益增长的隐私关注，联邦学习(FL)的概念被引入。在FL中，终端设备使用它们的本地数据来训练服务器所需的ML模型。然后，终端设备将模型更新而不是原始数据发送到服务器进行聚合。FL可以作为移动边缘网络的一种使能技术，因为它可以实现ML模型的协同训练，也可以使DL用于移动边缘网络的优化。