针对算力网络（CNC, computing and network convergence）中的新型业务场景和网络高度智能化的需求，阐述了自智算力网络（Auto-CNC, autonomous CNC）的技术发展理念，即通过将智能引入算网全生命流程的方式实现资源一体化、流程自动化、系统智能化，简要分析了算力网络的研究现状和现存问题，总结了自智算力网络应具备意图驱动的算网融合、算网闭环自治、网-算-智协同自适演进的关键特征，设计了自智算力网络的参考架构，分析了其关键技术，介绍了相关的初阶探索工作，并对自智算力网络的未来发展进行了展望。

随着物联网的发展，蜂窝网络中接入了大量的用户设备。由于用户设备空间分布和应用需求的变化，需要对用户设备卸载决策进行动态调整。综合考虑网络中用户设备空间分布、应用需求、基站侧边缘服务器的处理能力等参数信息，从分布角度出发，优化用户设备的卸载决策。基于最优运输理论，提出一种时延优化算法。通过合理规划网络中用户设备的卸载基站，降低用户设备计算任务卸载过程的平均时延。仿真结果表明，所提基于时延优化的卸载机制能使平均时延降低81.06%，并能均衡各基站之间处理的业务量。

针对超大规模多输入多输出（MIMO, multiple-input multiple-output）正交时频空间（OTFS, orthogonal time frequency space）系统，提出了一种适用于高速移动场景的低复杂度下行信道估计方法。不同于现有研究，该方法考虑了超大规模MIMO-OTFS系统显著的空间非平稳特性，基于可视路径区域提出了一种低复杂度的增强型稀疏正交匹配追踪算法，利用频分双工（FDD, frequency-division duplex）模式中上下行信道的映射关系实现上行辅助的下行信道估计。仿真结果表明，所提上行辅助的下行信道估计方法能够充分考虑信道非平稳特性，在降低计算复杂度的同时显著提高信道估计性能，并且在高速移动物联网场景下表现良好。

面向车联网多用户通感一体系统，提出了一种感知辅助通信的大规模多输入多输出正交时频空鲁棒传输方案。由于实际雷达感知精度有限，基于感知参数重构的信道状态信息（CSI, channel state information）存在误差，系统的传输性能也会随之下降。对此，所提方案首先在发射端基于感知参数在时延多普勒域重构CSI，并考虑CSI误差设计鲁棒波束成形方案。其次，在接收端利用感知参数觉知用户间干扰及信道估计误差，并将所觉知的干扰误差以解析式的方式融入接收机中完成鲁棒设计。仿真结果表明，所提方案可以在CSI非理想情况下有效降低系统误码率，增加用户的数据接收速率，提升系统的整体性能。

时间敏感网络（TSN, time-sensitive networking）是由IEEE TSN工作组制定的以太网通信标准，致力于在以太网底层实现统一的确定性网络通信。由于 TSN 没有定义流量调度的具体实现方法，路由与调度算法研究仍然是TSN研究领域的一个开放问题。面向工业应用中的TSN建立路由与调度联合优化问题模型，并提出一个在线启发式算法求解动态流量的路由与调度方案。算法同时考虑传输时延和网络负载因素确定路由路径，并利用两次剪裁操作快速确定调度时间。最后基于OMNeT的NeSTiNg框架实现TSN仿真环境。仿真结果表明，所提算法与参考算法相比，随着网络规模和网络流量增加始终可以在较短时间内完成增量流量的调度，保证了动态变化网络环境下实时流量的传输性能。

超宽带（UWB, ultrawideband）技术带宽大、抗干扰能力强、多径分辨率高，是室内定位的热点技术。然而由于室内环境复杂，UWB 信号传播不可避免会受到遮挡，产生非视距（NLOS, non-line-of-sight）传播，极大降低了UWB定位的精度。因此，准确识别出NLOS数据，将其进行剔除或矫正，对缓解定位精度下降问题有重要的作用。现有NLOS识别工作多数聚焦于墙体等建筑结构遮挡的场景，行人遮挡的场景需要进一步讨论。由于人体遮挡对信号的影响复杂且不可忽略，针对行人遮挡下的UWB非视距传播识别问题进行研究。综合比较多种机器学习方法和信号特征组合，提出了一种基于第一路径信号功率、总接收信号功率和测量距离三维特征的随机森林方法，使用较少维度的特征达到了良好的NLOS识别效果。基于不同实测数据的实验结果表明，采用所提三维特征的随机森林方法在3组不同数据集上的NLOS识别准确率分别达到了99.05%、99.32%和98.81%。

针对仅能保证设备间频率同步的大规模时间敏感网络（TSN, time-sensitive networking）场景，提出一种时间感知整形（TAS, time-aware shaper）结合指定周期的排队和转发（CSQF, cycle specified queuing and forwarding）的混合流量调度机制。首先，研究位于不同时间域内的两个相邻节点间实现周期循环映射对齐的方案；其次，结合段路由技术，提出一种基于CSQF机制的联合路由和调度的启发式算法，完成对大带宽流量的资源分配。实验结果表明，相较于现有方案，所提方案大幅度提升了系统资源利用率及调度成功率，实现了广域网场景下的TSN高效流量调度。

边缘计算的数据安全性低和隐私性差等问题制约了边缘计算的发展，区块链可以利用自身的难以篡改性为边缘计算场景中的数据提供安全保障，同时利用可追溯性保护隐私，但是区块链的扩展性瓶颈成为其应用于边缘计算领域的障碍。针对区块链应用于边缘计算时无法满足大量节点同时处理数据的需求的问题，提出了一种符合边缘计算场景需求的双层分片方案，用改进的K-means算法实现节点基于地理位置的分片，并结合权益委托证明（DPoS, delegated proof of stake）与实用拜占庭容错（PBFT, practical Byzantine fault tolerance）的思想设计了一种局部区块链网络共识（LBNC, local blockchain network consensus）算法达成片内共识，通过多分片并行处理交易的方式提高系统能容纳的节点数量。仿真结果表明，所提方案比PBFT有更低的时延和更高的吞吐量，并且总吞吐量随分片数量增加。

针对 ZigBee 网络信任中心不完全可靠、入网时缺乏身份认证等问题，提出了一种基于 Chebyshev 混沌映射和中国剩余定理（CRT, Chinese remainder theorem）的ZigBee网络匿名认证方案。该方案不仅能实现匿名身份的双向认证，还可以保障ZigBee网络结构动态变化时密钥分发的安全；其主要基于一个ZigBee与NB-IoT的无线异构网关，使服务器能够通过该网关对网络中的节点进行有效的管理。从安全性分析以及与其他相关文献对比结果可以看出，所提方案具有更高的安全性，还具有匿名性、不可链接性。此外，实验结果表明所提方案在计算开销上较其他方案有更大的优势。

无线能量传输技术能够有效缓解无线传感器网络中传感器节点的能量供给瓶颈问题，延长网络寿命甚至实现网络的永久可持续性运转。已有工作大多针对静态无线传感器网络（传感器节点位置固定）研究静态充电器的部署问题或是移动充电器的充电路径优化问题，而忽略了传感器节点移动的场景。因此，针对动态无线传感器网络（传感器节点可以移动），设计并优化了移动充电器在网络中的充电路径，使得在有限的时间内最大化移动充电器的充电效用，即充电器在有限的时间内遇到尽可能多的传感器节点并为它们充电。注意，移动充电器在移动的过程中可以选择停下来，为其当前位置充电范围内所遇到的多个节点同时进行无线充电。首先证明该问题是一个 APX-hard 问题。其次，基于离散化构造的有向无环图，提出一种基于回溯思想的分层剪枝算法，该算法以贪婪算法的解作为基准，逐层剪枝，从而得到固定时隙划分下的最优充电路径。仿真结果表明，所提算法能够有效地提升充电效用。

研究了在无人机（UAV, unmanned aerial vehicle）辅助移动边缘计算（MEC, mobile edge computing）网络中，单个UAV可以作为移动基站接收网络中多个用户设备卸载的数据场景。由于需要满足UAV的机动性、系统的计算时延和通信时延等要求，以最小化网络能耗为目标，提出了联合优化 UAV 三维飞行轨迹和用户设备带宽分配的方法。对应的非凸不易求解的优化问题转换为两个子优化问题，即在给定带宽的条件下 UAV 三维飞行轨迹优化的问题以及给定 UAV 三维飞行轨迹的条件下用户设备带宽分配策略的优化问题。仿真结果表明，所提算法的能耗明显低于另外两种典型算法。更进一步，本文为解决UAV辅助MEC网络中资源和能耗受限的问题提供了有力的理论依据。

在现代农业物联网系统中，边缘计算是不可或缺的组成部分。在此背景下，可将轻量级病虫害图像识别任务置于边缘设备上，然而受限于设备计算和存储能力，该任务面临着不小的挑战。为了解决这些问题，提出了一种以经济实用的STM32为边缘设备进行病虫害图像识别的方法。该方法针对STM32的特点，基于MobileNetv2结构做出改进，并应用量化感知训练技术对神经网络模型进行压缩，提高了模型的可移植性。同时，模型使用X-CUBE-AI部署并进行了性能评估。实验结果表明，改进模型不仅保证了图像分类准确率，而且相较于其他轻量级神经网络，该模型对STM32的Flash与RAM资源的占用有所减小。

针对零售商品包装变形和重叠使得难以有效捕捉显著且多样化的特征信息，导致检测精度不高的问题，设计了位置可学习视觉中心（LLVC, location learnable visual center）机制，对YOLOX-s进行改进，取得了更高的检测精度。为有效应对商品包装变形和重叠现象，首先，通过轻量级多层感知机融合不同特征通道上的信息，以充分捕获全局上下文信息；接着，通过设计的LLVC增强局部特征表示能力，并利用空间信息为局部特征分配可学习的权重，提高辨别性局部特征的关注程度；最后，将交并比（IoU, intersection over union）损失函数替换为中心交并比（CIoU, centered intersection over union），并在此基础上引入功率参数α，有效降低了漏检率。实验结果表明，所提方法在零售商品识别（RPC, retail product checkout）数据集上取得91.3%的准确率，相比YOLOX-s提高了2.2%，并优于目前主流的轻量级目标检测算法；同时每秒帧率（FPS, frame per second）为97 frame/s，模型大小为9.48 MB，能够在计算资源受限的场景下，准确且实时地进行零售商品检测。

基于Wi-Fi信道状态信息（CSI, channel state information）的人体活动感知在虚拟现实、智能游戏、元宇宙等未来智能交互场景具有重要的应用前景，复杂连续人体活动的精准感知是Wi-Fi感知的重要挑战。卷积神经网络（CNN, convolutional neural network）具备空间特征提取能力，但对数据的时序特征建模能力差。而适用于时间序列数据建模的长短期记忆（LSTM, long short-term memory）网络或门控循环单元（GRU, gated recurrent unit）网络忽视了对数据空间特征的学习。针对此问题，提出了一种融合双向门控循环单元（BiGRU, bidirectional gated recurrent unit）网络的改进型 CNN。所提网络利用 BiGRU的双向特征提取能力捕捉时序数据前后信息的关联和依赖性，实现时序CSI数据的时空特征提取，进而呈现动作与CSI数据的映射关系，从而提高对复杂连续动作的识别精度。以篮球动作为场景对所提网络结构进行了实验，结果表明，该方法在多种条件下识别准确率均高于95%，与传统多层感知机（MLP, multi-layer perceptron）、CNN、LSTM、GRU、具有注意力机制的双向长短期记忆（ABLSTM, attention based bidirectional long short-term memory）网络等基线方法相比，识别准确率提升了1％～20％。

物联网已被广泛应用于各行各业，该项技术的赋能使得行业应用更好地向数字化、智能化方向发展。在一些行业应用中，物联网设备采集的数据与用户隐私和财产安全关系密切。为了保护数据安全，基于国产认证加密算法SM4-GCM（Galois/Counter Mode），提出一种低成本、多功能的硬件架构设计。设计兼顾性能、成本和硬件级的数据机密性和完整性保障，同时也支持3种工作模式：SM4-CTR、SM4-ECB和SM4-GCM。在现场可编程门阵列（FPGA, field programmable gate array）开发板上的实现结果显示，该设计仅需1 761个查找表和1 825个寄存器，占用的资源片仅为604，而吞吐率达到39.78 Mbit/s@100 MHz，能够满足物联网数据安全应用需求。