基于自适应Dzip变压器的数据压缩技术在数字孪生系统中的应用

《IEEE Internet of Things Journal》：Adaptive Dzip Transformer-based Data Compression Technology for Digital Twin Systems

　　本文提出ADTCT技术，结合深度神经网络与算术编码，采用双流架构和混合训练策略，实现30%压缩比提升，适用于实时低资源IoT场景，支持多模态数据处理。

　　

摘要：

随着物联网（IoT）系统复杂性的不断增加，尤其是在数字孪生（DT）应用中，数据压缩方法变得尤为重要，因为这些系统需要确保数据的实时传输和处理。传统的压缩技术往往难以满足IoT环境中的异构性、低延迟和资源限制等要求。在本文中，我们提出了自适应Dzip变压器压缩技术（ADTCT），这是一种旨在应对这些挑战的新框架。ADTCT将深度神经网络与算术编码相结合，在保持低延迟和最小内存使用量的同时显著提高了压缩效率——这对于资源受限的IoT设备至关重要。ADTCT的核心创新在于其双流神经网络架构，该架构结合了自举神经网络（BNN）和支持神经网络（SNN），并通过混合训练策略实现了实时适应性，而无需依赖外部训练数据。实验结果表明，与传统方法（如Gzip）相比，ADTCT的压缩比率提高了30%，且处理时间与现有算法相当。这些成果表明，ADTCT是一种可扩展、可靠的实时数据压缩解决方案，适用于包括文本、图像和传感器数据在内的多种多模态数据集，因此非常适合各种IoT应用。