该研究旨在改善异构特征表征原则下基于数字孪生的复杂网络系统中节点特征的表达能力，并通过对真实节点特征分布的各种表征原则和优化特征偏好建立数字孪生系统，以重新创建不同国家的真实物理接触网络，并在最流行的节点开始的疫情爆发中调查其各自的抗灾能力。结果表明，使用模糊集增强特征表达的灵活性可提高表达能力并实现更准确的建模，异构特征影响网络结构和疫情爆发速度，需要针对不同的人群采取各种缓解政策。

Sep, 2023

本文旨在提供关于如何对复杂网络系统中的实体和交互进行建模的综述，以达到创建完美匹配现实的数字孪生的最终目标。我们提出了一个新的框架来比较不同学科中现有的建模范例，并创建统一的评估标准，以评估它们各自达到终极目标的能力。使用所提出的标准，我们还评估了当前最先进方法距离理想数字孪生的距离。我们还鉴定和提出了构建基于 CNS 和 DT 汇聚和融合的 DT 导向的 CNS 的潜在方向和方法，利用各种跨学科技术。

Feb, 2022

基于实际网络数据，本文提出了一种基于自动编码器的跳连接消息传递神经网络（AE-SMPN）作为网络评估模型，通过利用图神经网络（GNN）与循环神经网络（RNN）模型捕捉网络数据的时空特征，并且使用自动编码器（AE）提取初始特征。该神经网络是使用巴塞罗那神经网络中心（BNN-UPC）提供的真实 DTN 数据集进行训练的，本文还提供了模型结构的分析和实验结果。

May, 2024

本文提出了一种基于数字孪生和元学习的网络规划方案来支持有状态应用程序，通过多层计算范例和不同组的资源预留，可以最小化计算、存储和通信资源的使用和重新配置资源预留的成本。

Oct, 2022

提出了一种大型语言模型（LLM）驱动的数字孪生网络框架（LLM-Twin），通过远程合作方案实现了 LLM 在数字孪生网络中的高效部署，并为数字孪生网络设计了语义级高效和安全的通信模型，经过数值实验和案例研究验证了 LLM-Twin 的可行性，这是第一个提出 LLM 驱动的语义级数字孪生网络框架。

Dec, 2023

本文提出了一种动态层次结构框架，其中一组物联网设备被激励相互感应和收集物理对象的状态信息，并协助虚拟服务提供商同步数字孪生，以最大化其利润。通过理论和实验分析，证明了该框架的有效性及其优于基准线的性能。

Mar, 2022

该研究介绍了数字孪生技术在智能制造业中的功能方面和创新应用，并对 NextG 无线技术、数据分析和边缘云计算等进行了全面的综述和反思，同时讨论数字孪生在不同工业通信层的部署策略，总结了相关的关键问题和未来研究方向。

Aug, 2021

VH-Twin 是一个基于时间序列数据驱动的框架，通过竖直同构和水平同构阶段，以及基于地理和无线特性的网络区域的周期性聚类机制，有效地将无线网络映射到数字现实中。通过使用实际的无线网络流量数据，在细胞无线网络中进行综合实验，验证了 VH-Twin 构建、部署和维护网络数字孪生的有效性。参数分析还提供了在规模上在孪生效率和模型准确性之间取得平衡的见解。

Apr, 2024

互联需求的剧增导致物联网（IoT）传感器过量。为了满足大规模网络的管理需求，如准确的监测和学习能力，数字孪生是关键驱动因素。然而，由于物联网网络的连续连接要求，目前对数字孪生的实施尝试仍然不足。为了应对这些挑战，我们提出了一种数字孪生本地 AI 驱动的服务架构，以支持物联网网络概念。在提出的数字孪生本地架构中，我们实现了基于 TCP 的数据流水线和基于强化学习的学习模型。我们将该架构应用于物联网网络的一个广泛概念，即车联网。我们测量了我们提出的架构的效率，并注意到由于基于 TCP 的数据流水线而节约了约 30％的处理时间。此外，我们通过应用多种学习速率组合来测试学习模型的性能，并强调最成功的模型。

Nov, 2023

该研究提出了一个数字孪生框架，应用于石油和天然气工业中的气举过程，旨在提高数字孪生系统的稳健性和适应性。该框架结合了贝叶斯推断、蒙特卡罗模拟、迁移学习和不确定性管理等技术，为数字孪生系统提供高效、可靠、值得信赖的识别，并致力于改进复杂实际场景中的决策过程。

Nov, 2023