Towards intelligent and scalable routing in cloud-based smart agriculture: a hybrid deep learning approach in big data era

方法

AlexNet预测流量与资源需求，ACO寻优路径，用Danmini Doorbe

发现

相比ACO、GA、PSO，该框架延迟更低、能耗更少、收敛更快，差异统计显著。

机会点

可探索真实农田异构物联网数据下的轻量化混合路由，并验证多目标能耗与实时性权衡。

智慧农业日益依赖云计算、物联网和大数据分析来支持实时决策与高效资源管理。随着数据量和计算需求的增长，智能路由与资源分配成为基于云的农业系统中的关键挑战。本研究提出了一种面向云智慧农业的混合路由框架，将AlexNet深度学习与蚁群优化（ACO）相结合，用于智能路由和资源分配。AlexNet用于分析流量模式并预测资源需求，ACO则基于这些预测识别高效的路由路径。所提模型使用Danmini Doorbell数据集进行评估，该数据集包含90,000条网络流量记录和115个特征。实验结果表明，在不同任务负载和网络规模下，所提方法相比ACO、GA和PSO实现了更低的延迟、更少的能耗和更快的收敛速度。此外，Friedman统计检验证实，所比较算法之间的性能差异具有统计学显著性（p = 0.003）。结果表明，将深度学习与自然启发式优化相结合，为基于云的智慧农业环境中的路由与资源管理提供了一种有效、可扩展且经统计验证的解决方案。