本次组会将介绍新的研究工作进展情况。本次研究基于数字孪生技术背景下，研究用于无线网状网络的通信流控制的自适应DRL方法，并通过联邦学习技术实现不同地理位置模型的数据共享，优化全局模型。本次汇报主要介绍研究的第一部分《WMN中通信流控制的自适应DRL方法研究》。

科研背景

数字孪生简单来说就是对物理模型的仿真，这个仿真包括实质的动态的变化。数字孪生模型体内通过各种有线和无线网络与传感器连接来获取和传输数据，实现对物理模型的预测和优化。比如在一个城市中，数字孪生可以通过对互联系统进行虚拟复制，例如路灯、停车场、垃圾收集等，最终使地方当局和政府可以运行更顺畅、更高效、更智能的公共服务。
无线网状网络（WMN）是一种新型的网络连接技术，又称“多跳”网络。具有自配置、自适应以及成本效益高等特点，成为企业、社区以及物联网领域中通信网络的理想选择。

科研问题

通信流控制问题：尽管WMN可以动态配置路由，但随着底层网络结构特性的不断变化，网络通信性能会受到很严重的影响，很难找到最佳的流量控制策略来提高通信效率。目前已有人将DRL模型应用于WMN的通信流控制问题中，并训练了高效的模型。但是，目前已有的模型大都基于静态的网络结构，将预设好的属性特征值传送到DRL模型中，很难实现模型的最佳性能。

科研目的

提出一种用于WMN中通信流控制的自适应DRL方法，充分发挥WMN网络的自适应特性，为DRL模型提供更多的属性特征值，提高通信效率。

研究内容

• 基于集群的WMN：划分集群是WMN中最常见的流量控制策略，每个集群会这是一个头结点用来接收子节点的数据并发送到sink节点中，实现数据通信。

• WMN的自适应聚类：对于给定的网络拓扑结构，动态划分集群，有效的减少空闲或拥塞。

• 基于自适应DRL的通信流控制方法：设置两个模型，一个是DRL模型，另一个是WMN网络的自适应模型，通过DRL模型优化WMN簇之间的流控制，再使用自适应模型动态改变网络簇模式的方式相互调整两个模型，挖掘WMN网络自适应特性的同时，提高DRL模型的性能。

个人思考

不同地理位置分布着不同的WMN网络拓扑结构图，也就对应有不同的训练模型。对于不同地理位置的模型，我们需要在保护其数据隐私的基础上进行模型之间的参数整合，由中心服务器统一调度，共同提高每一个模型的性能。因此下一步，我们将使用联邦学习技术整合不同地理位置的模型，实现全局优化。