计算机科学研究人员开发出一种新方法,能够在用户需求实际出现之前以无线方式预测他们需要哪些数据,借此提升无线网络的传输带宽和可靠性。这种新方法采用的正是数字孪生技术,能够有效克隆其负责支持的目标网络。
达成目标的关键,在于如何实现边缘缓存。
缓存是指将数据存储在系统或者网络认为用户将在短时间内使用的服务器上。如此一来,系统就能比从原始来源处检索数据更快地满足用户需求。而边缘缓存则强调系统将数据缓存在最靠近最终用户的服务器当中,例如集成至网络路由器中或者与这些路由器共置部署的计算设备。
这篇论文的通讯作者、北卡罗来纳州立大学计算机科学助理教授Yuchen Liu表示,“这项工作中的两大挑战,分别是确定哪些数据需要缓存,以及边缘服务器在任意给定时间点上应该存储多少数据。”
“系统不可能将所有内容都放入边缘缓存当中。如果数据占用了太多计算资源,那么在边缘服务器上存储过多的冗余数据就会降低服务器的速度。因此,系统需要不断决定存储哪些数据包,以及哪些数据包可以丢弃。”
刘教授解释称,“系统对于用户实际需要的数据内容以及边缘服务器应当存储多少数据的预测结果越准确,系统的整体性能就会越好。而我们在这里的工作重点,就在于如何改进这种预测效果。”
他们提出的新边缘缓存优化方法名为D-REC,其中利用了数字孪生技术,数字孪生是根据真实对象构建的虚拟模型。以D-REC为例,数字孪生负责在其中定义无线网络的虚拟模型——包括蜂窝网络以及Wi-Fi网络。
刘教授指出,“这种方法可以应用于任何无线网络,具体取决于系统管理员或者网络运营商的需求。D-REC还可根据用户的需求进行调整。”
在D-REC当中,数字孪生会从无线网络处获取实时数据,并利用这些数据进行模拟,预测用户最有可能请求哪些数据。之后,这些预测将会被发送回网络,以告知网络的边缘缓存决策。由于模拟是由网络外部的计算机所执行,因此整个过程不会降低网络性能。
研究人员使用开源数据集来确定无线网络在使用D-REC的情况下,是否能够运行得更加高效。研究人员为此开展了广泛实验,并在其中引入一系列变量,包括网络规模、网络上的用户数量等等。
刘教授表示,“D-REC的表现优于传统方法。我们的技术提高了网络准确预测哪些数据应当进入边缘缓存的能力。D-REC还能帮助系统更好地对整个网络中的数据存储加以平衡。”
此外,由于D-REC的数字孪生会专注于预测网络行为,因此也能提前识别出各种潜在问题。
“举例来说,如果数字孪生认为某个特定基站或者服务器很可能超载,则可以提前通知网络,并允许其在网络当中重新分配数据,借此保持网络具有良好的性能和可靠性。”
“目前我们正极寻求与网络运营商的合作,希望探索D-REC技术如何在现实场景下提高网络的性能与可靠性。”
他们的论文《数字孪生辅助的数据驱动优化:实现无线网络中的可靠边缘缓存》(Digital Twin-Assisted Data-Driven Optimization for Reliable Edge Caching in Wireless Networks)已经发表在《IEEE通讯选定领域杂志》上。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。