基于因果的自适应如何提升自主物联网系统性能？

被动自适应要等 QoS 失效才行动

智能空间中的物联网应用必须维持严格的服务质量（QoS）目标，例如低延迟、高可用性和准确性，而环境却在不断变化：设备数量改变、网络状况波动、计算资源起伏。论文的动机案例是大型智慧城市在演唱会或体育赛事期间，数千名访客导致实时交通管理、公共安全监控和智能停车的需求激增，在边缘服务器上造成网络拥塞和资源瓶颈。

论文认为，现有的物联网自适应方案大多依赖被动措施，只监控网络拥塞和资源利用率等 QoS 指标。由于自适应决策往往仅基于 QoS 指标的变化，这些系统倾向于在违规出现之后才行动，而不是提前预判。论文还指出，多数既有自适应逻辑是为特定应用领域量身定制的，限制了复用，并且需要领域专业知识。

因果图界定需要观测哪些变量

CRAFTER 把因果性作为分析物联网系统性能的形式化框架。在设计阶段，它接收一个物联网指标数据集，该数据集可以是真实的历史监控数据，也可以是用数字孪生或基于机器学习的技术生成的合成数据，然后运行因果发现生成因果图。论文使用 Causal-Learn Python 库，采用 Peter-Clark（PC）算法和基于核的条件独立性检验，以 DOT 格式生成图。

该图区分了两组变量。论文将 mu_context 定义为星期几、一天中的时段和访客数量，将 mu_qos 定义为带宽、资源分配和资源消耗。在智能博物馆的因果图中，带宽分配、资源分配和资源消耗是响应时间的直接原因，而日期和时段也是响应时间的直接原因，因为它们同时驱动访客数量的波动。位置则是间接原因，因为各展厅的访客分布随艺术品和画作的受欢迎程度而变化。

上下文变量支持提前自适应

因果图改变了自适应智能体所观测的内容。在既有方法中，状态空间通常基于 mu_qos 建模，例如网络链路拥塞、数据流量和资源消耗。CRAFTER 则用 mu_context 定义强化学习状态集，包括位置、占用人数、日期和时段，而动作集涵盖带宽和资源分配等可用的自适应操作。

这让智能体可以依据先行指标而非滞后症状行动。在卢浮宫场景中，占用人数增加会提高处理节点的负载。一旦学到这种关系，智能体就能监控占用人数并在其上升时重新配置资源，而不必等到处理节点过载、产生更高延迟或数据丢失。论文将这种提前自适应描述为降低 QoS 违规的可能性。

奖励函数惩罚资源过度分配

CRAFTER 的奖励函数旨在最小化每个应用的 QoS 要求与其实际经历延迟之间的偏差。公式用优先级项 phi_i 为每个应用加权，并加入针对系统中已分配带宽和资源的惩罚项 c1 和 c2，使智能体不会单纯靠过度供给来满足延迟。

这一点很重要，因为论文把自适应框定为一种权衡，而非纯粹的延迟最小化问题。奖励定义在 A 中的应用集合上，偏差项比较应用 QoS 要求所定义的延迟与该应用实际感知到的延迟。论文的博物馆设置包含五种代表性应用类型，其延迟 QoS 要求从 Metaverse 应用的 20 毫秒到文物维护的 2 秒不等。

因果状态提升相对 SOTA-RL 的学习效率

论文的核心量化结果是，CRAFTER 相比最先进的基于强化学习的方法，将自适应性能提升了 25%。论文中的训练曲线比较了 SOTA-RL、CRAFTER-Context Only 和 CRAFTER-Mixed 在不同回合下的表现，纵轴为奖励值，横轴为回合数。

论文将这一增益归因于因果图缩小了状态空间并改善了收敛。论文还指出，因果图让智能体能够识别并作用于导致退化的关键因素，而不是只在 QoS 指标变化时才做出反应。25% 这一数字被报告为相对用于自适应的最先进强化学习方法的性能提升，论文的讨论部分也重复了这一数字作为主要实验结果。

因果图可迁移到三个物联网领域

为检验该方法能否超越博物馆场景，论文在三个不同的真实数据集上评估 CRAFTER，覆盖不同的物联网用例：一个具有网络吞吐量和延迟要求的自主移动机器人（AMR）场景，一个涉及铜生产制造厂、具有能耗要求的智能工厂场景，以及一个异常检测场景。

论文以此作为证据，表明 CRAFTER 能以最少的领域专业知识在多样的物联网用例中推导出因果图。设计阶段流水线接受从监控平台收集的常规 CSV 数据集，不需要额外处理或标注，不过论文指出，用日期、时间、设备位置和占用人数等上下文信息丰富数据集，可以生成更丰富的因果图和更好的自适应动作。

数据质量与仿真限制结论边界

论文的局限性部分指出，CRAFTER 依赖物联网性能指标数据集进行因果发现，因此所收集数据的质量、多样性和代表性会直接影响生成因果图的准确性。如果重要变量缺失、测量不佳或变化不足，因果模型可能不完整或有偏，而在复杂的真实部署中，完全缓解数据稀疏和隐藏混杂因素仍然困难。

还有两项限制约束着结果。随着变量数量和数据集规模增长，因果发现算法已知会面临可扩展性问题，拥有数千台设备的大规模智能环境可能需要降维、分层因果建模或增量因果发现，而这些尚未集成到 CRAFTER 中。评估也主要依赖仿真环境和真实数据集，因此在生产物联网系统中可能存在仿真到现实的差距，对安全关键或延迟敏感的应用尤其如此。论文还指出，当前实现并未在探索过程中显式施加安全约束。

25% 增益究竟衡量了什么

这篇论文中最具决策相关性的数字是相比最先进强化学习自适应方法的 25% 提升，但其含义取决于产生它的实验设置。博物馆评估通过将每个位置的带宽从 20 Mbps 变化到 500 Mbps、将分配给虚拟传感器的资源比例从 10% 变化到 100%，覆盖除周二外的每一天以及上午和晚间时段，其中周末最为拥挤，共生成 1,560 种不同的系统配置。

对于比较自适应方法的读者来说，论文的具体主张比关于物联网因果性的一般性陈述要窄。该增益是在仿真环境中相对基于强化学习的自适应基线测得的，而因果图的价值在于用上下文变量而非仅用 QoS 指标来定义强化学习状态集。论文自己的表述是，这是首个通过自动化流水线利用因果强化学习来分析动态物联网系统中 QoS 违规的关键原因并采取定制自适应动作的工作，这使比较对象被设定为既有的基于强化学习的自适应，而非一般意义上的自适应。

本文引用的文献