EdgeAgentX-DT：将数字孪生与生成式AI结合用于战术网络中的弹性边缘智能

核心观点： 该研报提出了 EdgeAgentX-DT 框架，通过整合数字孪生技术和生成式 AI 场景训练，增强了军事网络边缘智能的性能和鲁棒性。

关键数据和研究结论：

• 性能提升： 与原始 EdgeAgentX 相比，EdgeAgentX-DT 在模拟实验中实现了更快的收敛速度（训练轮次减少 30-35%）、更高的吞吐量（提升约 25%）和更低的延迟（降低约 12%）。
• 抗干扰能力增强： 在模拟的干扰攻击下，EdgeAgentX-DT 的吞吐量下降幅度仅为原始 EdgeAgentX 的 15%，延迟增加 20%，展现出更强的抗干扰能力。
• 复杂场景应对： 在一个包含干扰攻击、节点故障和网络流量激增的复杂战术场景中，EdgeAgentX-DT 表现出比传统路由协议和原始 EdgeAgentX 更强的适应性和性能维持能力，在 30 秒的应激期内传输的数据量比原始 EdgeAgentX 高 50%，比传统路由协议高 3 倍。

技术架构： EdgeAgentX-DT 采用三层架构：

1. 物理边缘网络（边缘智能层）： 由多个边缘设备及其上的智能代理组成，负责与真实环境和其它代理交互，执行网络控制动作。
2. 数字孪生环境（虚拟同步层）： 作为边缘网络的虚拟副本，实时同步真实网络的状态，为代理训练和策略评估提供安全的测试环境。
3. 生成式场景训练层： 利用生成式 AI 技术（如扩散模型和 Transformer）生成多样化的训练场景，包括常规变化和最坏情况下的对抗性事件，扩展代理的训练数据范围。

训练过程： EdgeAgentX-DT 的训练过程交替进行真实数据收集和模拟训练。代理在真实环境中收集经验数据，并通过联邦学习机制上传到协调器。协调器利用这些数据以及数字孪生环境中生成的模拟经验数据，进行集中式多智能体强化学习更新，并使用对抗性防御机制确保模型的安全性。

讨论： 研报还讨论了 EdgeAgentX-DT 的局限性，例如时间同步问题、模拟奖励与现实奖励的差异、生成式模型训练数据的可用性以及数字孪生的安全性等。并提出了未来研究方向，包括在真实测试床上进行实验、提高数字孪生的保真度、探索更复杂的生成式模型以及研究人机协同等方面。