An energy-aware federated intelligence framework for sustainable WSN-IoT ecosystems
G Elumalai · Dhanalakshmi Gopal · Jayaprakash Chinnadurai 等 4 人
提出EcoSense-AI联邦智能框架，解决WSN-IoT能耗、隐私与通信瓶颈。
能量加权联邦学习、自适应差分隐私、能量感知GNN与多目标优化仿真。
准确率98.56%、能效93.2%、隐私0.97，网络寿命延长58.9%。
可将该框架迁移至农田异构传感网，验证真实农业场景下的能效与隐私权衡。
提出面向WSN-IoT的联邦能效智能框架EcoSense-AI，在精度、能效、隐私与网络寿命上均有量化提升，对农业环境监测与精准农业的可持续感知具有参考价值。
随着物联网（IoT）的快速发展，无线传感器网络（WSN）作为环境监测、工业自动化、精准农业和智慧城市应用的重要基础设施，其部署规模显著增长。尽管如此，WSN-IoT生态系统仍然受到能量受限、通信开销、可扩展性、隐私保护以及智能去中心化学习等问题的制约。为克服这些挑战，本研究提出了一种面向可持续WSN-IoT生态系统的联邦能量感知智能框架，即EcoSense-AI。该框架融合了能量加权联邦学习、自适应差分隐私、基于能量感知图神经网络（EA-GNN）的拓扑建模以及多目标资源优化，以实现安全、高效且自适应的边云协同智能。EcoSense-AI的有效性通过一个模拟WSN-IoT网络进行了验证，该网络由具有不同剩余能量水平、通信范围和动态网络条件的异构传感器节点组成。对设备层、边缘层和云层中的分布式环境感知数据进行了实验分析。在相同训练轮次、通信设置和能量受限部署条件下，将所提框架与FedAvg和FedProx进行了对比。采用准确率、能量效率、隐私评分、通信成本降低和网络寿命延长作为评价指标来衡量性能。实验结果表明，所提方法EcoSense-AI优于基线方法，准确率达到98.56%，能量效率为93.2%，隐私评分为0.97，网络寿命延长了58.9%，并降低了通信成本。实验结果证明了该框架在下一代WSN-IoT应用中实现可持续智能感知和去中心化学习的有效性。