利用反馈信号和强化学习，利用可用资源最小化碰撞次数的 DISNETS 分布式调度框架在产业物联网中展示了超高可靠低时延通信的卓越性能。

Nov, 2023

支持工业物联网用户设备（IIoT UEs）根据所需服务质量（QoS）和随机流量到达的问题进行调查，提出了一种基于深度强化学习（DRL）的集中式动态调度器，用于学习如何在可用通信资源之间安排 IIoT UEs 的通信资源，通过图形化的简化方案以实现快速收敛和更好的学习策略，模拟结果证明了所提出的智能调度器在保证 IIoT UEs 的期望意图方面的有效性，并与传统调度方案（如轮询、半静态和启发式方法）以及无冲突和基于竞争的方案相比具有更好的性能，可以最大化成功计算任务的数量。

Mar, 2024

本文综述了 IEEE TSN 和 IETF DetNet 标准和相关研究，主要涉及流概念、流同步、流管理、流控制和流完整性等内容，并针对 5G 网络中的前传、回传和网络管理方面的 Ultra-Low Latency 进行了研究，同时，文章指出现有标准和研究的缺陷和局限性，为未来的大数据研究工作提供了基础。

Mar, 2018

通过人工智能和机器学习模型来研发时间敏感网络系统的方法，需要大量有效的 Time-sensitive Networking 数据集。本文总结了对于以人工智能和机器学习为基础的时间敏感网络系统技术研究，演练制作仿真真实数据集的主要需求和备选设计。

Aug, 2023

该论文提出了用于工业物联网中机器类型通信的媒体访问控制设计，其中包括集中式报文传输调度方案和基于深度神经网络的协议参数确定方法，以满足服务质量要求并避免处理大量设备引起的复杂性。

Nov, 2020

本文提出了一种新的数字孪生网络（DTN）模型来帮助 IIoT 系统中的网络拓扑和随机任务到达模型，进而将随机计算卸载和资源分配问题转化为 Lyapunov 优化问题，并使用异步 Actor-Critic 算法来找到最优的随机计算卸载策略和提高能源效率。研究结果表明，该方案显著优于基准。

Nov, 2020

使用数据驱动的方法，预测网络参数条件下稀有延迟的概率分布尾部，以实现对无线传输中的网络延迟的更精确控制。

Jul, 2023

本文提出了一种基于机器学习的分布式可见光通信物联网网络的时分多址（TDMA）算法，该算法基于强化学习算法 Q-learning，并考虑了分布式环境中的同步和数据传输时隙分配问题。结果表明，该算法相较于 CSMA/CA 算法，在网络中能够提供高达 61% 的更高吞吐量和高达 49% 的较低平均延迟。

Nov, 2023

本文提出了一种基于任务导向的通信方案以减少多设备合作边缘推理中的通信开销与延迟，并通过信息瓶颈原理提取与任务相关的特征并采用分布式信息瓶颈框架来对分散的特征进行编码。通过对多个设备传输的信息进行冗余性分析并采用可变近似来解决计算的复杂性问题，该方案比基线方法更好地平衡了传输效率与推理能力的关系。

Sep, 2021

本文提出了一种基于信息论的独立集的概念，称为信息理论独立集，用于定义同时通信和将彼此之间的干扰视为噪声在信息论上的最优性，提出了一种新的频谱共享机制，称为信息理论链路调度 (ITLinQ)，通过遵循信息理论独立集原则，在每个时刻调度那些形成独立集的链路，在此基础上我们提供了 ITLinQ 的性能保证，并展示了 ITLinQ 是如何可以以分布式的方式实现的，并最终评估了其性能。

Nov, 2013