面向大规模反向散射通信的鲁棒图神经网络调度算法研究

《IEEE Transactions on Machine Learning in Communications and Networking》：Robust Generalization of Graph Neural Networks for Scheduling Backscatter Communications at Scale

本文针对大规模物联网中反向散射通信的NP-hard调度问题，提出了一种基于图神经网络（GNN）的鲁棒调度器RobustGANTT。该系统通过在小规模网络（10节点）最优解上训练，实现了对数百节点拓扑的零样本泛化，相比传统启发式算法TagAlong节能达2倍，且显著提升了现有学习型调度器DeepGANTT的泛化稳定性与计算效率。该研究为6G时代超大规模物联网的能效优化提供了创新解决方案。

　　

随着6G技术演进，物联网设备规模将突破千亿级别，能量受限问题日益凸显。反向散射通信技术通过电池自由的传感器标签与标准物联网设备协同工作，可大幅增强网络感知能力并降低维护成本。这类标签依赖邻近物联网设备提供的未调制载波进行通信，而协调全网载波供给的调度问题是一个NP-hard的组合优化难题。现有启发式算法TagAlong虽计算快速但资源利用率低，而基于学习的DeepGANTT调度器在扩展到百级节点时泛化性能急剧下降且不稳定。

为此，研究团队开发了RobustGANTT系统，其核心采用基于Transformer架构的图神经网络。该系统首先从物理层和路由协议收集网络拓扑信息，构建仅包含足够强度链路（如RSSI≥-75 dBm）的图结构。通过迭代式单次节点分类，模型逐步生成时隙调度方案：每个时隙为物联网节点分配载波提供（C）、标签询问（T）或空闲（O）三种角色。关键技术包括：引入节点度数的位置编码（PE）破解拓扑对称性；采用12头注意力机制捕获长程依赖；结合学习率预热策略提升训练稳定性。模型使用带F1加权的交叉熵损失函数，优先优化载波激活次数这一关键能耗指标。

泛化性能评估：在模拟拓扑测试中，RobustGANTT成功扩展到1000节点网络（训练规模的100倍），载波节省量Δ_C随规模增长而提升，99%情况优于TagAlong。相较之下，DeepGANTT在100节点时性能已接近启发式算法，且八次独立训练结果差异显著（图2）。真实物联网测试床（23节点本地网络、140节点Lille测试床、300节点Grenoble测试床）实验表明，新调度器平均节能12.6%-22.3%，最高达53%，且调度长度与TagAlong相当（Ω_L≈0），而DeepGANTT会产生最高32倍的时隙开销。

模型架构优化：消融实验验证了三大关键设计的贡献（表2）：学习率预热将大规模拓扑调度成功率S_corr提升至100%；节点度数PE在避免O(N³)特征值分解开销的同时，较光谱PE提升26%载波节省量；12头注意力机制通过注入性聚合突破局部对称性，使100节点拓扑的载波节省量从-8.3反转为+16.8。

计算效率分析：RobustGANTT在300节点拓扑上的平均计算时间为10.8秒，95分位运行时较DeepGANTT降低3.3倍，其O(T·(N+|E|))多项式复杂度支持动态拓扑的快速重调度。

该研究首次实现了学习型调度器在百倍规模差异下的稳定泛化，通过图神经网络的结构感知能力解决了载波复用与干扰约束的平衡难题。系统已开源所有代码与预训练模型，为未来智能网络资源分配提供了可复现的基准框架。Daniel F. Pérez-Ramírez等作者强调，该方法论可扩展至其他时序分配问题（如TDMA调度），对构建可持续的超大规模物联网具有重要意义。