Адаптивное планирование в датчиках IoT с помощью больших языковых моделей для оптимизации производительности сети

Почему умные датчики важны

Миллиарды крошечных датчиков сейчас следят за нашими домами, городами, фермами, заводами и даже за телом человека. Они бесшумно пересылают показания температуры, сигналы движения, частоту сердечных сокращений и многое другое по беспроводным сетям. Но этот непрерывный поток информации легко может перегрузить систему: каналы связи забиваются, батареи быстро разряжаются, а важные сообщения могут задерживаться или теряться. В статье рассматривается, как новый вид искусственного интеллекта на базе больших языковых моделей (LLM) может выступать в роли интеллектуального диспетчера трафика для этих датчиков, решая, что и когда отправлять и с какой мощностью, чтобы вся сеть работала плавнее и эффективнее.

Проблема постоянного сбора данных

Современный Интернет вещей (IoT) часто работает весьма просто: датчики непрерывно собирают данные и отправляют их, независимо от того, являются ли они новыми, срочными или полезными. Когда тысячи таких устройств делят одну сеть, повторяющиеся и избыточные сообщения загромождают эфир. Это приводит к задержкам, потере пакетов и напрасному расходу батарей, особенно в удалённых или питающихся от батарей устройствах. Традиционные методы управления, основанные на жёстких правилах или простых статистиках, испытывают трудности, когда форма сети, нагрузка и радиоусловия постоянно меняются. В результате важные события могут задерживаться, в то время как несущественные данные потребляют значительную часть ограниченной энергии и пропускной способности.

Языковая модель как планировщик датчиков

Авторы предлагают схему под названием LLM-AS (LLM-Enabled Adaptive Scheduling), которая рассматривает сеть IoT как объект, о котором можно рассуждать в стиле простого языка. Показания датчиков, уровень их батареи, качество сигнала и недавняя история преобразуются в структурированные описания и передаются LLM (GPT-J-6B), работающей на ближайшем edge‑компьютере. Вместо того чтобы датчики принимали слепые фиксированные решения, LLM анализирует контекст и выдаёт вероятность того, должен ли конкретный датчик передать данные сейчас или подождать. Отдельный алгоритм планирования затем превращает это рекомендательное значение в фактическое решение «да» или «нет», соблюдая базовые правила: важные данные в конечном счёте должны быть отправлены, сила сигнала должна быть достаточной для надёжной передачи, а батареи не должны разряжаться до нуля.

Уровни интеллектуального управления в сети

LLM-AS организована в четыре уровня. Внизу находится слой «когнитивных датчиков», собирающий данные, такие как температура, движение и положение. Выше — шлюзовые устройства, которые группируют и пересылают эти показания на edge‑узлы. На edge‑узлах размещается логика на базе LLM, которая очищает и интерпретирует входящие данные, обучаясь отличать нормальные ситуации от тех, которые сигнализируют о проблемах вроде перегрузки, сбоев или аномального поведения. На верхнем уровне 5G‑edge запускает оптимизационные процедуры, которые одновременно балансируют три цели: снижение энергопотребления, уменьшение задержек и ограничение потерь данных. Путём непрерывной корректировки времени передачи датчиков и их мощности система сокращает повторяющиеся сообщения, при этом фиксируя ключевые события, важные для приложений вроде умных домов и удалённого мониторинга здоровья.

Как проверяли систему

Для тестирования LLM-AS исследователи использовали известный набор реальных данных с датчиков под названием CASAS, который включает показания из умных домов и аналогичных окружений. Они построили симуляции, в которых чувствительность модели к контексту — её способность реагировать на изменения условий — могла настраиваться от очень низкой до очень высокой. По мере того как модель становилась более контекстно‑осведомлённой, она научилась избегать отправки лишних пакетов, снижая среднее энергопотребление при передаче и сокращая задержки. В работе сообщается, что медианная мощность передачи улучшилась почти на 60 процентов, а медианная задержка снизилась до 60 процентов по сравнению с базовым вариантом без оптимизации на основе LLM. Система также показала высокие статистические показатели при различении здоровых и проблемных сетевых состояний: высокая точность и полнота и низкая ошибка, что указывает на согласованность и надёжность её решений в различных сценариях.

Что это значит для повседневной связанной жизни

Проще говоря, эта работа показывает, как продвинутая языковая модель может выступать в роли умного диспетчера для огромных флотилий датчиков, решая, когда каждому из них следует «заговорить», а когда безопаснее молчать. Сокращая избыточный шум при сохранении своевременности и точности важных сигналов, LLM-AS помогает экономить заряд батарей, уменьшать перегрузки и эффективнее использовать радиоресурсы. Если подход доработать и проверить на больших наборах данных и в реальных развёртываниях, такие решения могут сделать будущие умные дома, больницы, фермы и города более отзывчивыми и надёжными — без необходимости постоянной ручной настройки параметров сети.

Цитирование: Khan, M.N., Lee, S., Lee, S.S. et al. LLM-enabled adaptive scheduling in IoT sensing for optimized network performance. Sci Rep 16, 13007 (2026). https://doi.org/10.1038/s41598-025-32660-0

Ключевые слова: Интернет вещей, планирование датчиков, энергоэффективные сети, edge AI, большие языковые модели