适用于边缘计算场景的物联网无线通信协议选择模型研究

物联网在城市管理、工业控制和农业监测等领域的广泛应用，对通信的稳定性、实时性及能耗控制提出了更高要求。边缘计算通过将数据处理下沉至终端，有效缓解了中心服务器压力，提升了系统响应效率。但在实际部署中，由于节点分布广、资源受限且网络环境复杂，通信环节常成为性能瓶颈。当前无线通信协议类型多样，传输能力、功耗和部署复杂度各不相同，实际应用中面临明显的选型难题。尤其在 Mesh 网络结构中，协议选择需综合考虑节点属性、拓扑结构和通信任务等因素，传统静态配置方法难以应对动态环境。因此，亟需一种系统化、可智能感知网络状态的协议选择机制，以实现高效、可靠的边缘通信支持。

一、边缘计算场景下的通信需求与协议特性分析

（一）边缘计算环境特点分析

边缘计算作为支撑物联网大规模落地的关键架构，在系统部署中承担了数据预处理、智能分析与本地响应等功能，其场景通常面对复杂且资源受限的通信环境 [1]。边缘节点大多为低功耗设备，如嵌入式处理器、工业网关或单片系统（MCU），其 CPU 频率多为几百 MHz，内存容量通常小于 512MB，电源多依赖电池或能量收集装置。此类节点需完成本地实时数据传输，对通信协议在低功耗、低延迟方面的性能提出明确要求。在实际应用中，边缘设备往往部署于工业现场、农业田间、城市基础设施等环境，对环境适应性和通信鲁棒性要求高，常规云中心式调度难以满足。因此，边缘计算场景下的通信协议不仅要兼顾数据速率与功耗控制，还需支持动态拓扑管理、多跳中继与本地协同能力，以满足实时性、稳定性和资源敏感等多维需求。

（二）典型无线通信协议特性比较

目前适用于物联网的主流无线通信协议包括 Wi-Fi、Zigbee、LoRa、NB-IoT、BLE、6LoWPAN 等，它们在实际应用中根据传输距离、能耗等级、协议复杂度和网络结构等因素发挥着不同作用。例如，Wi-Fi 虽然具备高吞吐率优势，但其功耗较高，适用于对传输速率要求高但供电充足的场景，如智能摄像头；Zigbee 则以低功耗、支持 Mesh组网而广泛用于智能家居与工业现场控制；LoRa 在低速率、长距离传输方面表现优异，适配农业监测、远程抄表等场景；NB-IoT 依托蜂窝网络，适合城市级部署。各通信协议存在明显的适配差异，在边缘计算中并无“一刀切”的通用协议，需依据具体场景进行定制化选择。以智慧工业车间为例，节点间既要求毫秒级响应，又需多跳稳定性与低能耗能力，Zigbee 加 Mesh 结构成为常见选型。而远程农业应用中，长距离与极低功耗需求决定了 LoRa 更具适用性。因此，深入理解各协议在边缘部署条件下的性能边界与限制，是进行协议选择建模的前提。

（三）边缘节点间通信结构分析

边缘计算环境中，通信网络通常采用 Mesh 拓扑结构以提升可靠性与覆盖范围。Mesh 网络具备自组网与多跳转发能力，支持节点间直接通信及路由重构，能够有效应对节点故障、链路变化等问题。每个节点既是数据终端又是路由中继，构成的网络可通过最短路径、最小功耗等策略进行路由优化[2]。在无线Mesh 网络（WMN）中，节点的相对位置、连接质量（如RSSI、LQI）及网络角色对通信协议的适应性有显著影响。尤其在密集部署区域，协议需兼顾信道干扰、网络拥塞与路由重叠等问题。由于 Mesh 结构本质上具备图结构特征，节点为图的顶点，通信链路为边，极其适合采用图神经网络（GNN）进行状态建模和协议推断使得节点在复杂网络中实现自适应选择最优通信策略。例如，在智能楼宇系统中，通过 GNN 分析不同楼层间节点连接状态，可动态优化选用Zigbee 或BLE 通信协议，实现信号覆盖最大化与功耗最小化的平衡。

二、协议选择模型设计与图神经网络集成方法

（一）通信协议评估指标体系构建

为了支撑边缘计算场景下的通信协议智能选择，需要构建覆盖网络、能耗与应用层的多维评估指标体系。其中网络层关注延迟、吞吐率、抖动与重传率，衡量协议在高并发与复杂环境下的稳定性；能耗层聚焦节点平均功耗、单位数据能耗、空闲态能耗，反映协议对电池寿命与资源消耗的影响；通信质量层涉及 RSSI、SNR、LQI 等物理参数，作为链路质量的重要评价标准；应用层指标则涵盖部署复杂度、平台兼容性、安全机制等方面。这些指标可通过实际设备监测、协议分析器及仿真工具获得，结合层次分析法（AHP）进行权重设定，使得不同场景下的协议评估具有针对性与灵活性，从而为模型输入提供准确、可靠的决策依据。

（二）模型架构概述

协议选择模型采用三层结构：底层为数据采集与指标评分层，负责收集节点状态与通信参数并进行量化评估；中间层为基于图神经网络的学习与推理层，用于提取网络拓扑中的关键特征并输出协议选择结果；顶层为策略推荐与反馈层，结合任务需求输出最优协议或协议组合。该模型将整个边缘通信网络建模为带权图结构，节点代表设备实体，边表示通信关系，节点特征向量包括剩余电量、历史协议性能、任务类型等。通过图结构编码与嵌入，模型能够捕捉节点之间的依赖关系与局部网络状态变化，实现对不同通信协议适配能力的动态评估与实时推荐。

（三）图神经网络在模型中的应用方法

模型中引入的图神经网络采用图注意力机制（GAT），用于提升节点间特征聚合的选择性与灵活性，增强模型对异质网络环境的适应能力。网络拓扑被表示为图G=（V，E），其中每个节点 v∈V 包含特征向量 ，边e ∈E 表示节点之间可达的通信路径或信道连接。GAT 模型通过引入可学习的注意力系数，自动分配邻接节点在信息传递中的影响权重，实现对节点状态的上下文感知增强与特征强化。通过多层消息传递、非线性激活函数及图卷积操作，模型能有效提取网络结构中对协议性能影响显著的局部与全局特征模式 [3]。输出层结合 softmax 分类器或线性回归函数，根据设定目标函数（如通信延迟最小、能耗最优、丢包率最低等）实现协议标签预测或评分排序。该方法具备良好的泛化能力、拓扑不变性与动态适配性，特别适合部署于节点角色多样、状态频繁变化的边缘计算通信网络中。

（四）训练与优化策略

模型训练采用监督学习方式，基于历史部署数据与仿真环境生成的标签数据进行端到端训练。输入样本为带有协议性能标签的节点图结构，输出为协议选择结果，支持多类别分类与评分排序，并可根据不同业务场景灵活调整目标输出。训练过程中采用交叉熵与均方误差联合损失函数，以兼顾分类精度与预测性能的连续误差，同时引入 L2 正则化项以增强模型的泛化能力与稳定性。优化器选择 Adam，初始学习率设为 0.001，训练轮数设定为 200 轮，训练过程中引入早停机制（EarlyStopping），在验证集性能不再提升时自动中断，以防止过拟合并提升训练效率与收敛速度。训练数据来源涵盖真实部署网络的监控日志、设备运行状态、协议选择记录及通信性能反馈，同时辅以仿真平台（如NS-3、OMNeT++）在不同环境参数下生成的多场景链路性能数据。模型在多种节点密度、业务负载类型、拓扑变化频率与能耗条件下进行充分验证，确保其在多样化、动态化的边缘计算环境中具备良好的鲁棒性、可扩展性与部署实用性。

三、模型实验验证与应用案例分析

（一）实验环境与数据集构建

本研究在 NS-3 仿真平台上构建了一个包含 30 个节点的无线 Mesh网络，用于模拟典型的边缘计算物联网场景。各节点采用工业级传感终端模型，分别集成 Zigbee 与 LoRa 通信模块，具备双协议通信能力。网络部署模拟“智能园区环境监控系统”，涉及的终端设备包括温湿度传感器、烟雾报警器、照明控制器与安防终端等，覆盖典型的环境感知与联动控制应用。仿真中设定多种通信业务类型，包括周期性数据上报（如每 5 分钟上传一次环境数据）与基于事件触发的紧急上报（如烟雾超标报警），形成混合通信负载。节点能耗模型按照实际硬件功耗参数设定，例如 LoRa 模块功耗约为 50mW ，Zigbee 模块空闲功耗约为 3mW，并考虑节点电池剩余电量动态变化。通信流量采用泊松分布建模事件发生频率，反映真实应用中的不确定性与突发性。实验持续仿真时间设定为 24 小时，记录节点间超过 20 万条通信记录及对应的性能数据，用于后续模型的训练、验证与测试，确保数据具有代表性与广泛适应性。

（二）模型性能评估指标

模型性能评估从五个核心维度展开：协议选择准确率、通信延迟、数据丢包率、系统能耗以及网络稳定性。准确率是指模型所推荐的协议在实际通信中表现优于其他协议的概率，经实验测算可达到 93.2% ；通信延迟为端到端平均延迟，使用图神经网络模型后较传统静态评分机制降低约 18% ，在高频交互场景中具有明显优势。丢包率通过比对发送与接收数据包数量计算，控制在 2% 以内，满足多数边缘计算场景对通信稳定性的基本要求。系统能耗方面，通过动态协议调整与节点功耗均衡，整体能耗降低超过 20% ，其中中继节点平均运行时间延长了 15% 以上。模型还在网络部分节点失联、链路干扰增强等非理想条件下进行了鲁棒性测试，结果显示即便在 20% 的节点异常情况下，推荐协议的有效性保持稳定，系统通信仍具备较强恢复能力与冗余性。

（三）在无线Mesh 网络中的具体应用

在构建的 Mesh 网络架构中，不同节点在网络中的角色差异显著，例如边缘网关通常需集中处理大量数据，具备较强的计算、缓存与调度能力；而终端节点则更注重低功耗运行和短距离通信，以延长设备寿命；中继节点则主要承担多跳转发任务，面临较高的路由压力与能耗挑战[4]。因此，协议选择模型需具备对节点角色的识别与自适应调整能力。模型能够根据节点的功能定位、物理位置及实时状态特征，动态推荐最适配的通信协议。例如在数据密集型区域，网关节点优先选用 NB-IoT 或Wi-Fi 以保障数据带宽与传输速率；在中继密集区域，为降低整体网络功耗与拥塞程度，推荐使用 Zigbee 作为主干通信协议；而终端节点在电量较低或传输频度不高的场景下，则优先采用 LoRa 协议以延长运行周期。在多协议并存的复杂环境中，模型还支持节点间的异构协议协同通信，推动协议之间的无缝对接，显著提升了网络的适应能力、可扩展性与整体通信效率。同时，系统支持定期更新网络状态图并结合实时监测数据进行动态优化，确保协议选择策略能够及时响应拓扑变化与业务负载波动。

（四）AI 集成带来的优化收益

将图神经网络引入协议选择模型不仅提升了系统的智能化水平，更实现了在动态网络环境下的自适应协议优化。GNN 模型通过拓扑学习与节点状态建模，能实时识别节点的功能属性与连接关系，在不同网络状态下进行策略切换。例如，当部分中继节点出现故障，网络拓扑发生变化时，模型能自动调整通信路径并推荐功耗更优或信道更稳定的协议，减少通信中断风险。在能耗控制方面，通过动态协议分配与通信频率调整，实现关键节点优先供电与非关键节点进入低功耗模式，显著延长了整体网络运行时间 [5]。相比传统的基于经验规则的配置方式，该模型减少了人工干预，提升了配置效率与系统可靠性。实验结果表明，AI集成使边缘计算系统在面对复杂、多变的应用需求时具备了更强的应对能力，特别适用于工业互联网、智慧城市与远程监测等需要高可用性、高自愈能力的物联网场景，具备良好的推广价值与发展前景。

总结：

本研究针对边缘计算环境下物联网通信协议选择难题，提出了一个融合图神经网络的协议选择模型。通过分析主流协议性能指标，结合网络拓扑与节点状态建模，实现了协议的智能推荐与动态优化。实验验证表明，该模型在选择准确率、通信效率与能耗控制方面表现优异，特别适用于多协议共存的无线 Mesh 网络。模型显著提升了系统的自适应能力与通信稳定性，为构建高效、低功耗的物联网系统提供了有效路径。

未来可进一步拓展模型对异构协议及多业务融合场景的支持能力，结合实际部署实现在线优化，同时与边缘智能推理框架深度集成，增强其实时性与迁移能力，推动智能物联网通信体系的持续发展。

参考文献

[1] 易正皓 . 蜂窝物联网中边缘计算节点部署方案的研究 [D]. 北京交通大学 ，2021.001787.

[2] 王颖. 面向边缘计算的DDS 轻量级安全通信关键机制研究[D].东南大学 ，2023.001282.

[3] 刘娇 ， 杜梦杰 ， 于雍 ， 等 .OSPFv2 路由协议在无线通信系统中的应用 [J]. 计算机与网络 ，2024，50（01）：53-57.

[4] 张伟仁 ， 黄旭兴 . 基于 Mesh 网络多源异构混合信息一体融合技术研究 [J]. 指挥控制与仿真 ，2025，47（02）：50-53.

[5] 王钊 . 边缘计算在 5G 通信网络中的技术应用与优化策略 [J].信息记录材料 ，2024，25（09）：117-119.