以物联网、移动互联网为核心的服务平台加速发展，数以亿计的终端用户通过实时视频进行通信，实时视频已成为人们数字化生活中不可替代的核心工具。然而，互联网络呈现高动态、强异构的特性，对实时视频的流控技术提出了严格要求，用户体验质量仍然不佳。设计了适用于异构网络环境的强化学习驱动的自适应流控算法、研发了移动终端训练技术以降低服务端开销，并对算法的设计及结构进行了深入的评测研究。实验表明，所设计的自适应流控算法可以有效地预测网络带宽，相较于国际代表性的流控算法，将预测带宽误差降低了48.48%。有效的带宽预测进一步提升了视频用户体验质量，如视频流畅度提升了 60.65%、视频清晰度提升了 16.52%。此外，测评分析可为实时视频流优化方案提供经验性指导，有力推动智能视频应用的发展。

为解决分布式网络中多用户竞争与信道时变性导致的频谱利用效率低的问题，对基于多播通信的分布式无线信道接入问题进行了研究。基于最优停止理论，建立了多个多播组分布式无线信道接入过程统计学模型，提出了一种基于可靠多播通信的分布式无线信道接入方法。各信源以分布方式竞争信道，获胜信源通过对比可靠多播接入速率与固定阈值，动态决定是否接入信道，完成信源对所有信宿的可靠多播传输。理论分析证明，该方法可实现可靠多播通信下系统吞吐量的统计值最优。设计了相应低复杂度信道接入算法，算法具有纯阈值结构，该方法有良好的工程可实现性。数值结果表明，所提出的信道接入方法可有效提升系统平均吞吐量。

线性传感器网络（LSN, linear sensor network）中的传感器节点因监测区域的线性拓扑而呈线性部署。目前用于 LSN 的基于占空比和流水线调度（DCPF, duty-cycling and pipelined-forwarding）的介质访问控制（MAC, medium access control）协议虽然能缩减数据包的传播时延并降低网络能耗，但还存在数据包传输时的竞争、干扰以及能量空洞问题。为此，针对LSN提出基于多信道和冗余节点部署的改进型DCPF协议。基于OPNET的仿真结果表明，相较于现有协议，所提协议在能量使用效率、包到达率、吞吐率、包传输时延等方面具有更好的表现。

为了解决移动边缘计算网络中计算资源日益紧缺的问题，设计了一种基于用户协作的边缘计算资源分配机制，充分利用用户之间的空闲计算资源，有效提升系统整体的数据处理性能。以最大化用户的效用函数为目标，将目标优化问题建模为一个关于用户任务卸载决策和本地计算通信资源的联合优化问题，并结合深度学习技术和凸优化理论，提出了一种混合深度学习-优化算法对目标问题进行求解。仿真结果表明，相较于对比算法，所提算法能使用户的效用提升至少85.4%，并能在亚秒级的时间内实现用户效用的近似最优化。

近年来，我国积极参与全球气候治理进程。碳排放的精准、快速与可靠监测是实现碳排放态势感知、整体布局优化的核心基础，目前该方向的研究仍缺乏系统性梳理。首先，调研了碳排放监测的发展进程，归纳了国内外的现行标准。然后，分别探究了基于终端设备与基于物联网的碳排放监测方法，总结出基于物联网的监测方法具有结构清晰、设计灵活、传输可靠等优势。最后，基于“云-管-边-端”物联网架构提出一种工业碳排放监测体系，并总结了实现“云-管-边-端”4 个方面的潜在关键技术，旨在对未来碳排放监测的相关研究提供一定参考。

光开关是时分复用光纤检波器阵列的重要器件，对阵列串扰有着不可忽视的影响。在基于差分延时外差的解调方案下，分析了光纤检波器阵列中串扰的来源，推导了有限消光比下检波器所受串扰的表达式。通过仿真得到了在不同的阵列规模下，光开关消光比与检波器串扰之间的关系，即串扰基本随着光开关消光比增大而线性减小，随着阵列规模增大而线性增大。实验中搭建了8基元的检波器阵列，采用具有不同消光比的光开关（声光调制器和电光调制器）产生脉冲光信号，验证了理论推导以及仿真结果的正确性。

随着智能芯片在边缘终端设备的普及，未来大量的AI应用将部署在更靠近数据源的网络边缘。基于DNN的分割方法可以实现深度学习模型在资源受限的终端设备上训练和部署，解决边缘 AI 算力瓶颈问题。在传统基于工作负载的分割方案（WPM, workload based partition method）的基础上，提出基于卷积核的分割方案（KPM, kernel based partition method），分别从计算量、内存占用、通信开销3个方面进行推理性能的定量分析，并从推理过程灵活性、鲁棒性、隐私性角度进行定性分析。最后搭建软硬件实验平台，使用PyTorch实现AlexNet和VGG11网络进一步验证所提方案在时延和能耗方面的性能优势，相比于传统工作负载分割方案，所提卷积核分割方案在大规模计算场景下有更好的DNN推理加速效果，且具有更低的内存占用和能量消耗。

联邦学习（FL, federated learning）是一种新兴的机器学习范式，它可以充分利用移动众包资源进行去中心化数据训练。然而，在无线网络中部署 FL 面临网络带宽有限、移动用户自私等挑战。为了应对这些挑战，提出了一种基于带宽分配的激励机制（IMBA, incentive mechanism with bandwidth allocation）。IMBA考虑用户数据质量和计算能力的不同设计支付方案，以激励高数据质量用户贡献其计算资源，进而提升模型训练精度。通过最小化训练时间和支付成本权重和确定最佳支付与带宽分配方案，通过优化带宽分配降低训练时延。实验表明， IMBA能够有效提高训练精度，降低训练时间，并帮助服务器灵活权衡训练时间和支付报酬。

面向工业应用，5G 接入网需要同时支持时敏与非时敏业务。两类业务共享无线资源和缓冲队列，常导致时延的复杂耦合与不确定。针对ON-OFF时敏业务与非时敏业务共存场景，基于二阶级联排队模型，建立包含排队时延的随机时延特性计算方法，得到时敏业务的时延均值、标准差、越界概率与概率分布。在此基础上，分析非时敏业务对时敏业务随机时延特性的影响。实验表明，非时敏业务对ON-OFF时敏业务随机时延特性的影响与ON-OFF阶段的轮换频率相关；ON-OFF时敏业务时延的概率分布与伽马分布的右拖尾长度近似相等。

动态的传输需求和有限的缓存空间给恶意干扰环境下的无线数据传输带来巨大挑战。针对上述问题，从频域和时域的角度出发，研究了面向分布式物联网的协同抗干扰信道选择和数据调度联合决策方法，构建了基于多用户马尔可夫决策过程的数据传输模型，提出了基于多智能体深度强化学习的协同抗干扰信道和数据联合决策算法。仿真表明，所提算法可有效避开恶意干扰并避免同频互扰。相较于对比算法，网络吞吐量显著提高，丢包数量明显降低。

时间敏感网络（TSN, time-sensitive network）中混合流量调度的研究目前主要关注如何保证流预留（SR, stream reservation）流的有界低时延传输，然而SR流长时间阻塞尽力而为（BE, best-effort）流，易导致BE流时延过大，影响网络的状态维护及系统管理。为了减小BE类消息的最大端到端时延，提出了一种结合入队整形的流量调度算法，通过减少SR流的预留带宽降低了它对BE流的阻塞程度。首先，在SR队列前增加入队缓存区；然后，通过设置入队整形时每个入队缓存区中数据帧进入SR队列的数目调整相同优先级流量间的预留带宽比；最后，联合出口整形为每条SR流预留与其时延要求相匹配的带宽资源。实验结果表明，结合入队整形可以将BE类消息的最大端到端时延减小9.66%～75.76%。

针对动态衰落时变的信道状态信息，为解决多用户的任务卸载和资源优化问题，将无线电能传输（WPT, wireless power transmission）技术和移动边缘计算（MEC, mobile edge computing）结合，提出一种基于WPT-MEC的动态自适应卸载（RLDO）方法。无线电能传输技术可为无线终端用户（WEU, wireless end-user）提供能量，有效缓解传统电池供能有限的问题。为使资源利用最大化，设计一个无线电能的 MEC 网络模型，无线终端用户从无线接入点（AP, access point）收集的能量存储至可充电电池内，再利用此能量进行任务计算或任务卸载。该方法通过部署在MEC服务器的全连接深度神经网络（DNN, deep neural network）进行实时的卸载决策。采用完全的二元制卸载策略进行卸载决策。仿真结果表明，在面向多用户时变的无线信道环境下，该方法的计算速率仍可以保持在92%以上。与基本方法相比，在提高计算速率、降低时延和能耗方面具有较大优越性，有效降低了计算复杂度。

ASCON是2021年在NIST轻量级认证加密征集方案中最有希望成为国际标准的算法，该算法旨在物联网资源受限环境中获得最佳性能，在公开文献中还未见基于该算法的硬件IP核实现。提出了一种ASCON的软硬件协同实现方法，该方法通过S盒优化、先验计算和先进的流水线设计等硬件手段提升了ASCON在物联网安全认证应用中的速度，同时降低了内存占用。作为对比，在常见的物联网嵌入式处理器平台上软件移植了ASCON，结果显示所述方法的速度提升了7.9倍以上，而存储器的占用则降低了至少90%。所述方法可用于物联网安全专用集成电路或片上系统（SoC, system on a chip）的设计和实现。

离散制造业的发展呈现智能、开放和协同的趋势，大量异构设备接入工业互联网，给安全带来了严重挑战，因此，引入信任管理和对设备进行可信度量的初始接入显得尤为重要。为了更加及时准确地评估初始接入系统的边缘终端的可信程度，创新性地提出了一种基于设备漏洞数据库的可信度量方法。该方法采用云边协同的架构，在中央云端建立设备信息库和漏洞数据库，然后在边缘端计算终端风险因子，最后完成对接入终端的信任初始化。仿真结果表明，该方法很好地兼顾了系统的性能和安全。

近年来，为了打破数据“壁垒”，联邦学习被广泛关注。联邦学习不需要客户端上传原始数据就能完成模型训练，保护了用户的隐私。针对客户端设备具有异构性的问题，考虑各个客户端对加速全局模型收敛的贡献程度和系统的通信开销，以最大化客户端在本地训练模型的权重变化量为优化目标，解决在一定系统训练周期下的联邦学习中的客户端选择优化问题。由此，提出了两个基于背包模型的联邦学习协议，分别是OfflineKP-FL协议和OnlineKP-FL协议。OfflineKP-FL协议基于离线背包模型选择合适的客户端参与全局模型的聚合更新。为了降低OfflineKP-FL协议的复杂度，进一步基于在线背包模型选择用户提出了OnlineKP-FL协议。通过仿真发现，在特定情况下OfflineKP-FL协议有更高的收敛速度，优于之前提出的方法。而与OfflineKP-FL协议和FedCS协议相比，OnlineKP-FL协议下，系统不仅每轮选择更少的用户，而且能够在FedCS协议所需时间的64.1%内完成模型训练，使全局模型达到相同精度。

基于传统“中心化”的访问控制技术已经无法保证当前物联网环境中私有数据访问控制的安全性问题。以基于属性的访问控制（ABAC, attribute-based access control）模型为基础，提出了一种基于区块链的物联网访问控制框架和私有数据访问控制模型。首先，对访问控制的基本框架与流程进行了详细的阐述与分析，并提出了可审计的访问控制模型，通过存储在区块链网络中的请求、响应和访问记录，对私有数据的访问控制策略进行系统管理；接着，提出了一种基于区块链技术的可审计访问控制系统，可以在物联网中提供分布式、细粒度和动态性的访问控制管理，实现了对数据的有效管理和可审计访问，并采用基于智能合约的访问控制方法实现对物联网资源全程透明、可追溯、自动化的访问控制。最后，通过仿真实验和性能测试验证了该访问控制模型和系统的有效性和安全性。

随着区块链技术的深入发展和持续创新，适用于不同应用场景和设计需求的区块链网络应运而生，区块链的相互独立性，不可避免地形成了区块链的价值“孤岛”效应。跨链技术是实现不同区块链之间业务协同和价值流通、提高其互操作性和可扩展性的重要技术手段。首先对跨链的基本概念进行了介绍，然后对跨链的技术难点、跨链主要机制的技术特点以及跨链的安全性问题进行了详细分析，最后引出了当前跨链技术所面临的挑战，并对未来跨链技术的发展进行了展望。