Internet of Things
PulseAugur coverage of Internet of Things — every cluster mentioning Internet of Things across labs, papers, and developer communities, ranked by signal.
- used by alphaXiv 70%
- used by federated learning 70%
- uses edge computing 70%
- instance of Gotit.pub 70%
- instance of alphaXiv 70%
- used by MQTT 70%
- used by edge computing 70%
- instance of 6G 60%
- affiliated with cloud computing 60%
- affiliated with federated learning 60%
- developed federated learning 50%
- affiliated with edge computing 50%
20 天有情绪数据
-
新AI框架使用受物理启发的能量模型来解释物联网系统
一个受统计力学启发的全新框架，为解释网络物理物联网系统的行为提供了一种新颖的方法。与侧重于相关性或需要显式因果图的传统方法不同，该方法使用无向的、基于能量的表示来模拟变量依赖性。通过分析能量景观的影响，可以实现依赖感知归因，为异常行为提供稳健的解释，并支持下游任务。在工业物联网测试台的模拟中，与现有的基于图的方法相比，该框架在准确性、稳健性和可扩展性方面均表现出更高的性能。
-
TopoBrick框架实现了建筑物联网的零样本预测
研究人员推出TopoBrick，一个专为建筑物联网（IoT）环境零样本预测设计的新型框架。该无训练系统利用建筑知识图谱创建结构骨架，并使用代理拓扑采样器识别相关的内生变量。TopoBrick根据部署时可用性组织这些变量，区分过去传感器状态和未来已知数据（如天气和日程）。在三个真实建筑的测试中，TopoBrick的表现优于现有的零样本基础模型，并可与完全训练的、特定于建筑的模型相媲美。
-
新研究探索先进的空中联邦学习技术
两篇新研究论文探讨了空中联邦学习（AirFL）的进展，AirFL 是一种利用无线信道进行高效数据聚合的技术。第一篇论文介绍了 AirPASS，一个采用多波导捏合天线系统来优化设备选择、波束成形和天线布局以提高学习性能的框架。第二篇论文提出了 CHARGE-FL，它根据信道动态和客户端异构性自适应地调度聚合，以提高准确性和稳定性，尤其是在具有挑战性的无线环境中。
-
新的F-ACVAE框架增强了物联网网络中隐私保护的入侵检测能力
研究人员开发了F-ACVAE，这是一种新颖的联邦自适应条件变分自编码器，专为物联网（IoT）网络中的隐私保护入侵检测而设计。该框架能够在不共享原始数据的情况下，在分布式设备之间进行协作模型训练，并结合选择性参数聚合来维护隐私，同时同步共享组件。在N-BaIoT数据集上的实验表明，F-ACVAE的准确率和宏F1分数达到99%，优于现有方法，并将通信开销减少了约62%。
-
新型PAIR-Agent旨在实现弹性的分布式AI系统
一篇新研究论文介绍了一种概率主动推理弹性代理（PAIR-Agent），旨在提高分布式计算连续体（DCC）系统的可靠性。该代理通过构建因果故障图、利用主动推理原理识别故障以及自主修复问题，来应对物联网和边缘节点等复杂异构环境中的挑战。该框架旨在通过持续监控和自适应重新配置来维持服务连续性和稳定性，理论验证支持其有效性。
-
新的 SKGFusionKAN 方法使用 GNN 和 KAN 增强物联网网络入侵检测
研究人员开发了一种名为 SKGFusionKAN 的新方法，以改进物联网（IoT）网络中的入侵检测。该方法结合了图神经网络（GNN），特别是 GraphSage，以及 Kolmogorov-Arnold 网络（KAN），以更好地处理物联网环境的动态和异构特性。该系统使用多尺度选择性核注意力机制和门控融合过程来有效提取节点和边缘特征，在多个基准测试中优于现有方法。
-
混合架构成为物联网的关键，超越纯粹的云解决方案
纯粹的云解决方案无法满足物联网（IoT）的需求，因此需要混合架构。该方法结合了云能力与设备端或边缘处理，以克服延迟、带宽和可靠性方面的限制。这种混合模型对于高效的信号处理和加速物联网运营至关重要。
-
JCON2026 会议将涵盖使用无服务器 Java 实现 PB 级 AI 内存
Markus Kett 将在 JCON2026 上就“使用无服务器 Java 实现 PB 级 AI 内存”进行演讲。会议将讨论由 IoT、Big Data 和 AI 驱动的数据量呈指数级增长，以及企业如何日益应对 PB 级挑战。
-
综述探讨生成式人工智能和联邦学习在入侵检测中的应用
一篇新发表在arXiv上的综述文章探讨了将生成式人工智能（AI）和联邦学习（FL）相结合以增强入侵检测系统（IDS）的应用。文章强调了生成模型如何通过支持异常检测、合成数据生成和警报解释来应对不断变化的攻击行为和数据稀缺等挑战。联邦学习被提出作为一种在不共享敏感本地网络流量的情况下协同训练IDS模型的方法，使其适用于注重隐私和分布式环境。该综述对生成式AI在IDS中的应用进行了分类，包括自编码器、生成对抗网络（GANs）、扩散模型和大…
-
SORACOM推出集成IoT设备和长期记忆的AI Agent
SORACOM推出了一款名为“SORACOM Agent”的新AI Agent，旨在与IoT设备集成并提供长期记忆功能。该Agent旨在作为企业的内部知识库，利用连接的IoT设备存储和检索信息。该服务面向企业客户，以增强内部信息管理和可访问性。
-
AI框架利用DRL和FL增强物联网安全性
研究人员开发了一个新颖的AI框架，通过智能选择合适的智能对象进行服务供应来增强物联网（IoT）的安全性。该系统利用深度强化学习（DRL）在安全约束下进行自适应服务选择，并利用联邦学习（FL）进行分布式行为监控。这种方法计算服务提供商的可靠性得分，确保选择同时考虑功能适用性和对安全协议的遵守情况，实验结果表明即使在资源受限的IoT设备上也能有效。
-
半导体行业面临危机，转向Chiplet架构
由于传统晶体管设计的物理和经济限制，半导体行业正面临严峻危机。量子隧穿效应、Landauer热力学极限以及光刻成本的不断攀升，使得进一步小型化变得不切实际。因此，行业正转向Chiplet（芯粒）模式，将处理器分解为更小的独立芯片，然后集成到基板上，这提供了一条更可行的前进道路。
-
随机森林分类器在物联网入侵检测研究中领先 · arXiv论文
一项新的研究论文通过比较五种机器学习算法在入侵检测方面的有效性，分析了物联网（IoT）网络的安全性。该研究使用了Gotham2025数据集，该数据集模拟了一个拥有78个设备以及MQTT、CoAP和RTSP等协议的真实物联网环境。结果表明，随机森林分类器表现最佳，在识别攻击时达到了0.99的F1分数，凸显了其在保护资源受限的物联网设备方面的潜力。
-
新框架为通用边缘任务采集闲置的AI芯片
研究人员开发了一个新框架，通过利用未充分利用的AI芯片执行通用任务来优化边缘的人工智能计算。该方法使用神经架构搜索将传统计算任务转换为神经网络模型。然后，在AI引擎空闲时运行这些近似模型，由运行时调度器管理，确保不影响主要的AI工作负载。实验证明，在AIoT处理器上，边缘处理任务的性能显著提升。
-
新框架采用多智能体深度强化学习优化工业6G网络
研究人员开发了一个面向工业6G网络的新型框架，该框架整合了地面和非地面组件，包括无人机挂载的可重构智能表面（RIS）、地面无线电单元和高空平台（HAP）。该系统旨在改善在复杂环境中密集工业物联网设备的连接性。为应对优化数据速率、延迟和能耗的复杂性，采用了多智能体深度强化学习方法，并展示了相较于现有方法的显著改进。
-
非技术因素对于物联网从试点项目扩展至关重要
尽管物联网（IoT）试点项目取得了成功，但其扩展常常因非技术因素而受阻。关键挑战包括需要重新设计流程、建立利益相关者对平台可靠性的信任，以及实施清晰的行动治理以解读和响应数据。此外，使激励措施与物联网驱动的行动保持一致、明确维护和数据质量的运营所有权，以及获得现场运营和一线用户的支持，对于持续采用至关重要。
-
新架构赋能流式AI和物联网的去中心化编排
一篇新论文提出了一种面向流式计算环境的去中心化编排架构，旨在改善跨异构设备（如终端设备、边缘基础设施和云平台）的资源管理。该架构使自主域能够协调并满足部署请求，同时保持本地控制。作为实际演示，该系统应用于一个多域去中心化联邦学习用例，并整合了一个名为FU-HST的SDN赋能的异常检测机制，以增强对拜占庭威胁的安全性。
-
新框架为边缘任务采集闲置的AI芯片计算能力
研究人员开发了一个框架，用于利用边缘地区未充分使用的AI计算资源。该方法使用神经架构搜索方法将传统计算任务转换为神经网络模型。然后，在AI芯片空闲期间运行这些近似模型，并通过运行时调度程序进行管理，以确保主要AI工作负载不受影响。实验表明，该策略显著提高了各种边缘处理任务的性能。
-
Arduino UNO Q 将 Linux 和 AI 带入边缘物联网设备
配备 4GB RAM 的 Arduino UNO Q 被定位为边缘 AI 应用的强大工具。这款紧凑型设备旨在为物联网 (IoT) 项目带来 Linux 和人工智能功能，能够实现本地实时处理，用于面部识别、物体检测、语音处理（无需云依赖）以及高级机器人控制等任务。
-
物联网项目因过度依赖云而失败，专家建议边缘计算
许多物联网（IoT）项目因过度依赖基于云的解决方案而失败。开发人员应考虑整合边缘计算和本地处理，以提高可靠性和性能。这种方法可以缓解因网络连接问题而出现的问题，并减少延迟，从而构建更强大的物联网系统。