本研究提出了一种基于微服务的物联网数据分析系统的方法，通过将实体组织成细粒度、松散连接和可重用的集合，满足隐私和性能要求。我们的方法依赖于联邦学习，可以提高疾病诊断的准确性同时保护数据隐私。此外，我们采用迁移学习来获得更高效的模型。通过使用超过 5800 个公开可用数据集中的肺部 X 光图像进行肺炎检测的实验，我们评估了我们方法的有效性。实验证明，相较于其他先进技术，我们的方法在肺炎识别上表现更好，展示了我们方法优秀的潜在检测性能。

Aug, 2023

本研究采用基于离散事件系统规范的 IoT 模型，包括 IoT 设备到边缘数据中心的处理单元的 entire architecture 描述，并考虑用户设备、网络和计算基础设施的定位感知，以优化管理 IoT 数据流分析应用程序的联合资源，提高其时延和能源效率，通过真实痕迹和数据的驾驶辅助用例证明了我们的贡献。

May, 2023

本文提出了一种智能信任云管理方法，以确保 5G 边缘计算和 D2D 启用 IoMT 系统中的安全和可靠通信，并能有效解决信任不确定性问题和提高恶意设备检测准确性。

Jul, 2022

本论文提出了一种考虑到异构的移动云计算 / 移动边缘计算环境的数字孪生系统模型以及一个新的基于分布式深度学习的卸载方案，并通过实验结果证明了该算法相对于动态数字孪生系统中的基线具有较好的降低系统平均延迟和能耗的效果。

Jul, 2023

通过使用物联网的 Web 模式和复杂事件处理技术，本文提出了一种完全可重用的微服务架构，用于智能港口空气质量监测和警报部署，并展示了该架构的出色性能评估结果。

Jan, 2024

本文综述了利用 MEC 技术实现 IoT 应用及其协同作用的整体概述，探讨了实现 IoT 中 MEC 的技术方面，并提供了其他整合技术的一些见解。

May, 2018

通过低成本边缘物联网架构，提出了实现轻量级机器学习模型估计室内环境质量参数的两种方法，采用神经网络和分布式并行物联网架构，以减少数据处理负载和能源消耗。实验表明，在温度和照度小数据集上进行的训练和测试中，估计性能接近 0.95 的 F 分数和准确度，并且在分布式并行方法中，功耗降低了将近 37%。与相关研究的等效物联网架构相比，达到了相似或稍微更好的性能，并实现了 35% 至 76% 的误差减少，从而在性能和能源效率之间取得了恰到好处的平衡。

Feb, 2024

移动设备上的用户体验受到有限的电池容量和处理能力的限制，但 6G 技术的进步正在迅速促使移动技术的演进。移动边缘计算（MEC）提供了一种解决方案，将计算密集型任务卸载到边缘云服务器，与本地处理相比减少了电池消耗。即将到来的移动通信的集成感知与通信可能改善轨迹预测和处理延迟。本研究提出了一种贪婪资源分配优化策略，用于多用户网络以最小化聚合能量使用。数值结果显示，每 1000 次迭代，潜在改进可达 33％。解决预测模型划分和速度精确性问题对于获得更好的结果至关重要。为即将到来的工作阶段详述了进一步改进和实现目标的计划。

Jun, 2024

本论文旨在为大规模物联网网络设计高效的数据聚合框架，以支持物联网分析层的正确运行，研究内容包括非凸优化、机器学习、随机矩阵扰动理论和联邦滤波等现代算法框架，以及雾计算和云计算等现代计算基础架构。本研究提出了三种独立的新方法，分别解决了 IoT 数据聚合中的三个主要挑战：能源效率路由、处理不确定的原始 IoT 数据、预测基于丢失的通信开销和隐私问题的医疗 IoT 设备的数据聚合框架。

Jul, 2019

本研究基于生物医学工程的医疗互联网事物（IoMT）技术，提出了一种基于区块链的非侵入式远程神经刺激系统，通过可穿戴 IoMT 设备实时收集和分析患者的传感数据，并解决了集中式系统可能遇到的单点故障、数据操纵和隐私等问题。

Aug, 2023