基于联邦学习的低功耗有损网络父节点选择策略：提升物联网能效的新途径

《IEEE Open Journal of the Communications Society》：Federated Learning Based Parent Selection in Low Power and Lossy Networks to Enhance Energy Efficiency

　　本文针对物联网低功耗有损网络RPL路由协议中父节点选择能耗高、适应性差的问题，提出了一种基于联邦学习的FedPS-RPL算法。研究人员通过Contiki-NG仿真平台构建数据集，设计分布式学习框架实现能耗预测，实验表明该方法将能效提升27.68%，设备寿命延长38%，为动态物联网环境提供了隐私保护的智能路由解决方案。

　　

在智能家居、工业自动化和医疗监测等领域，物联网设备正以前所未有的速度增长。然而这些资源受限的设备通常依靠低功耗有损网络进行通信，其中IPv6路由协议RPL通过构建树状拓扑结构来实现数据传输。但传统的父节点选择方法依赖静态指标，难以适应动态网络环境，导致能量消耗不平衡、网络寿命缩短。

为了解决这一难题，研究人员开展了一项创新性研究，提出将联邦学习应用于RPL网络的父节点选择过程。该方法通过在本地预测潜在父节点的能量消耗，实现更智能的路由决策，同时保护数据隐私。研究成果发表在《IEEE Open Journal of the Communications Society》上，为物联网通信协议优化提供了新思路。

研究人员采用了几项关键技术方法：首先通过修改Contiki-NG平台的日志记录机制，构建包含ETX、跳数、能量消耗等关键指标的数据集；其次设计FedPS-RPL算法，将联邦学习框架嵌入RPL控制平面，实现分布式模型训练；最后通过Cooja仿真器验证算法性能，比较其与传统方法的能效差异。

数据集生成流程

研究团队对Contiki-NG的日志记录系统进行了重要改进，扩展了RadioLogger.java和ICMPv6Analyser.java模块的功能，使其能够记录ETX、跳数、能量消耗和延迟等关键参数。通过设置包含根路由器、服务器节点和50个客户端节点的标准RPL拓扑，在随机移动模型下进行长时间仿真，最终生成包含41,050个样本的数据集。

FedPS-RPL算法设计

该算法的核心是将联邦学习过程与RPL路由协议有机结合。每个节点接收来自候选父节点的DIO消息，提取其中的路由指标，使用本地机器学习模型预测各候选父节点的能量消耗。选择预测能耗最低的父节点后，通过DAO消息建立路由路径。节点定期将更新的模型权重发送至根节点，通过联邦平均算法进行聚合，实现全局模型优化。

实验验证结果

在能量效率方面，FedPS-RPL表现出显著优势。总能量消耗降至433.946毫焦耳，比标准OF0方法降低27.68%，比MRHOF降低21.10%。设备预计寿命达到54.1天，比OF0延长38%，比MRHOF延长26.4%。

通信成本分析

FedPS-RPL通过将轻量级摘要信息嵌入现有RPL控制消息，避免了额外的通信开销。每个节点每周期传输的数据量不超过16字节，通信带宽开销低于3.1%，在5%数据包丢失率下仍能达到98%的聚合成功率。

模型性能比较

联邦学习结合人工神经网络的方法实现了99.23%的预测准确率，均方误差和平均绝对误差均显著低于传统机器学习模型。联邦学习框架在10轮通信后实现收敛，总训练时间约188秒，满足物联网实时性要求。

研究结论表明，基于联邦学习的父节点选择方法在保持RPL协议兼容性的同时，显著提升了网络能量效率和设备寿命。该方法通过分布式学习实现了对动态网络环境的自适应，减少了通信开销，保护了数据隐私。与现有的Q-RPL和QUERA等强化学习方法相比，FedPS-RPL在移动场景下表现出更稳定的包交付率和更低的端到端延迟。

这项研究为物联网低功耗通信协议优化提供了新范式，通过联邦学习实现智能路由决策，解决了传统方法在动态环境中的适应性不足问题。未来工作将集中于硬件平台部署和先进联邦学习技术探索，进一步提升系统在真实场景中的性能表现。