近日，中国地质大学（武汉）beat365官方网站李莹玉副教授团队与华中科技大学、鹏城实验室、西安电子科技大学、上海华为技术有限公司、琶洲实验室(黄埔)以及美国弗吉尼亚理工大学等开展合作研究，在IEEE旗下国际权威期刊《IEEE Internet of Things Journal》（T1期刊，影响因子：8.9）发表了题为“Distributed Network Slicing for Time-Sensitive Edge Learning in Edge Computing-supported IoT Networks”（ 面向边缘计算支持的物联网中时间敏感型边缘学习的分布式网络切片）的论文。
随着工业物联网、自动驾驶等技术的飞速发展，海量物联网设备产生的数据对实时处理和智能化分析提出了严苛要求。传统的云计算架构由于传输延迟大、带宽成本高，难以满足时间敏感型边缘学习（Time-Sensitive Edge Learning）的需求。针对这一挑战，该论文提出了一种创新的分布式网络切片框架。
论文提出了一种基于全新控制平面实体“D-orchestrator”的分布式网络切片框架，旨在解决大规模物联网网络中支持时间敏感型边缘学习的资源优化难题。传统的集中式网络切片方法往往面临通信开销大、协调延迟高以及可扩展性受限的挑战，且难以在不同的网络服务提供商和边缘计算服务提供商之间共享隐私数据。为此，该研究实现了通信资源（基站带宽）和边缘计算资源（边缘服务器处理能力）的联合分配与编排优化。在该创新框架下，基站和边缘服务器无需相互交换本地的流量数据或资源状态信息，仅需向D-orchestrator报告一个中间结果，从而极大地降低了系统通信开销，并有效保护了各服务提供商的隐私。
在算法落地层面，研究团队首先开发了一种基于部分变量分裂的分布式交替方向乘子法（DistADMM-PVS）。该算法将最小化平均服务响应时间的全局优化问题巧妙地分解为多个子问题，使各基站能够仅利用本地信息进行求解，并在同步协调下以线性收敛速度达到全局最优的资源分配方案。然而，考虑到在庞大且异构的实际物联网系统中，同步协调会引入较大的等待延迟，研究团队进一步提出了一种创新的异步ADMM（AsyncADMM）算法。该算法引入了Douglas-Rachford分裂方法（DSRM），将原网络切片问题转化为可通过异步并行方式迭代求解的不动点问题。AsyncADMM允许D-orchestrator、基站和边缘服务器之间进行无缝的异步协调，在有效消除同步延迟的同时，依然被严格证明能够收敛于全局最优解，显著提升了算法在海量设备接入时的可扩展性与鲁棒性。
为验证所提架构与方法的有效性，研究团队利用部署在大学校园内的5G智能交通系统所采集的两个月真实流量数据，针对行人和车辆相关的决策服务进行了广泛的仿真评估。仿真结果明确表明，与单一的带宽切片或计算资源切片基准方案相比，该分布式联合网络切片框架在系统流量的高峰与非高峰时段，均能显著降低这两类时间敏感型应用的总服务响应时间。
图1 基于分布式编排器（D-orchestrator）的分布式网络切片架构
论文研究成果有望为未来边缘计算支持下的大规模物联网智能化应用提供坚实且高效的网络基座。论文第一作者为中国地质大学（武汉）beat365官方网站副教授李莹玉，通讯作者为华中科技大学电子信息与通信学院葛晓虎教授。
论文引用：
Y. Li, A. Huang, Y. Xiao, X. Ge, G. Shi and W. Saad, "Distributed Network Slicing for Time-Sensitive Edge Learning in Edge Computing-Supported IoT Networks," in IEEE Internet of Things Journal, vol. 12, no. 24, pp. 53593-53609, 15 Dec.15, 2025, doi: 10.1109/JIOT.2025.3621568.
