在物联网感测中启用大型语言模型的自适应调度以优化网络性能

更智能的传感器为何重要

数十亿个微小的传感器正监测我们的家庭、城市、农场、工厂，甚至我们的身体。它们在后台静静地通过无线网络传送温度读数、运动报警、心率等数据。但这种不间断的信息流很容易使系统不堪重负：链路拥塞、电池快速耗尽，重要信息可能被延迟或丢失。本文探讨了一种基于大型语言模型（LLM）的新型人工智能，如何作为这些传感器的智能交通指挥，决定何时、以何种功率发送哪些数据，从而使整个网络运行更平稳、更高效。

总是在线感测的问题

当今的物联网（IoT）常常以一种非常简单的方式工作：传感器不断采集数据并持续发送，无论信息是否是新的、紧急的或有用的。当成千上万个此类设备共享同一网络时，重复和冗余的消息会堵塞无线信道，导致延迟、数据包丢失以及电池能量浪费，尤其是在偏远或电池供电的设备中。依赖固定规则或基础统计的传统控制方法，在网络拓扑、流量负载和无线条件持续变化时常常难以应对。因此，重要事件可能被延迟，而不重要的数据却消耗大量有限的能量和带宽。

将语言模型作为传感器调度器

作者提出了一种称为 LLM-AS（启用大型语言模型的自适应调度）的方案，将物联网网络视为可以用类自然语言方式进行推理的对象。传感器读数、电池电量、信号质量和最近历史被转换为结构化描述并提供给运行在附近边缘计算节点上的 LLM（GPT-J-6B）。传感器不再盲目地按固定规则决策，LLM 会分析上下文并输出某个传感器现在应否发送的概率。随后，独立的调度算法将该建议转化为实际的是/否决策，同时遵循基本规则：重要数据必须最终被发送，信号强度需足以保证可靠传输，并且不得将电池耗尽到零。

网络中的多层智能控制

LLM-AS 由四层结构组成。最底层的“认知传感器”层采集温度、运动和位置等数据。其上，网关设备对这些读数进行分组并转发到边缘节点。边缘节点承载基于 LLM 的逻辑，负责清洗并解释输入数据，学习哪些情形是正常的，哪些可能预示着拥塞、故障或异常行为。在最顶层，5G 边缘层运行优化例程，同时在降低能耗、减少延迟和限制数据丢失这三方面进行权衡。通过持续调整传感器的发送时机和发送功率，系统减少了重复信息的传输，同时仍能捕捉到对智能家居和远程健康监测等应用至关重要的关键事件。

系统如何被测试

为测试 LLM-AS，研究人员使用了一个著名的真实传感器数据集 CASAS，该数据集包含智能家居及类似环境的读数。他们构建了仿真，其中模型的上下文感知能力可以从非常低到非常高进行调节。随着模型变得更具上下文感知能力，它学会了避免发送不必要的数据包，从而缩减了平均传输能耗并缩短了延迟。研究报告称，与未采用 LLM 优化的基线方案相比，中位发射功率近似改善了 60%，中位延迟最多降低了 60%。该系统在区分健康与问题网络状态方面也取得了良好的统计指标，具有较高的精确率和召回率以及较低的错误率，表明其决策在多种场景下是一致且可靠的。

对日常互联生活的意义

简单来说，这项工作展示了先进的语言模型如何像一个聪明的调度员一样管理大量传感器，决定每个传感器何时应该发声、何时可以保持沉默。通过在保持重要信号及时且准确的前提下减少冗余通信，LLM-AS 有助于延长电池寿命、降低拥塞并更有效地利用无线容量。如果在更多数据集和真实部署中得到进一步完善与验证，此类方法可能使未来的智能家居、医院、农场和城市更具响应性和可靠性——而无需对网络设置进行持续的人为调整。

引用: 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

关键词: 物联网, 传感器调度, 节能网络, 边缘人工智能, 大型语言模型