Dual Mind World Model Inspired Network Digital Twin for Access Scheduling
作者: Hrishikesh Dutta, Roberto Minerva, Noel Crespi
分类: cs.NI, cs.AI, cs.MA
发布日期: 2026-02-04
💡 一句话要点
提出基于双心智世界模型的数字孪生网络接入调度框架
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 数字孪生 网络调度 双心智世界模型 强化学习 工业物联网
📋 核心要点
- 现有网络调度策略难以适应工业物联网等动态、高约束的网络环境。
- 论文提出基于双心智世界模型的数字孪生框架，结合预测规划和符号模型展开。
- 实验表明，该框架在突发流量、干扰受限和截止时间敏感的环境中表现优异。
📝 摘要（中文）
本文提出了一种受双心智世界模型（DMWM）架构启发的、基于数字孪生的新型调度框架，用于学习驱动和想象驱动的网络控制，以应对工业物联网和实时物理信息基础设施等新兴网络系统对智能调度策略的需求，这些策略需要能够适应动态流量、截止时间和干扰约束。与传统的基于规则或纯数据驱动的策略不同，所提出的DMWM结合了短时预测规划和基于符号模型的展开，使调度器能够预测未来的网络状态并相应地调整传输决策。我们在可配置的仿真测试平台中实现了该框架，并在不同的流量条件下，将其性能与传统启发式算法和强化学习基线进行了比较。结果表明，DMWM在突发、干扰受限和截止时间敏感的环境中实现了卓越的性能，同时保持了可解释性和样本效率。该设计弥合了网络级推理和低开销学习之间的差距，标志着朝着可扩展和自适应的基于NDT的网络优化迈出了一步。
🔬 方法详解
问题定义：论文旨在解决新兴网络系统（如工业物联网和实时物理信息基础设施）中，传统网络调度策略难以适应动态流量、截止时间和干扰约束的问题。现有方法，如基于规则的策略缺乏灵活性，而纯数据驱动的策略（如强化学习）则需要大量样本进行训练，且缺乏可解释性。
核心思路：论文的核心思路是借鉴双心智世界模型（DMWM）架构，将短时预测规划与基于符号模型的展开相结合。DMWM模拟了人类的两种认知模式：一种是快速、直觉式的反应（预测规划），另一种是慢速、深思熟虑的推理（符号模型展开）。通过这种结合，调度器能够预测未来网络状态，并做出更明智的传输决策。
技术框架：该框架包含以下主要模块：1) 数字孪生环境，用于模拟真实网络环境；2) 短时预测规划模块，利用学习算法（如强化学习）预测未来网络状态；3) 符号模型展开模块，利用网络拓扑、协议规则等先验知识进行推理；4) 决策模块，综合两个模块的输出，生成调度策略。整体流程是：数字孪生环境提供网络状态信息，短时预测规划模块和符号模型展开模块并行工作，决策模块根据两者的输出调整传输决策，并将结果反馈回数字孪生环境。
关键创新：论文的关键创新在于将双心智世界模型（DMWM）架构应用于网络调度问题，并结合数字孪生技术。与传统的单一心智模型相比，DMWM能够更好地平衡学习效率和推理能力。与纯数据驱动的方法相比，DMWM利用了先验知识，提高了样本效率和可解释性。
关键设计：论文中可能涉及的关键设计包括：1) 短时预测规划模块所使用的强化学习算法（例如，Q-learning、Actor-Critic等）及其参数设置；2) 符号模型展开模块所使用的推理规则和算法；3) 决策模块的融合策略（例如，加权平均、投票等）；4) 数字孪生环境的建模精度和仿真粒度；5) 损失函数的设计，用于指导强化学习算法的训练。
🖼️ 关键图片
📊 实验亮点
实验结果表明，在突发流量、干扰受限和截止时间敏感的环境中，DMWM框架的性能优于传统的启发式算法和强化学习基线。具体而言，DMWM在满足截止时间要求方面表现出显著优势，并且在样本效率方面也优于纯强化学习方法。虽然论文中没有给出具体的性能提升百分比，但强调了DMWM在复杂网络环境下的优越性。
🎯 应用场景
该研究成果可应用于工业物联网、智能交通、智慧城市等领域，实现对网络资源的智能调度和优化。通过提高网络性能、降低延迟、保障服务质量，可以提升生产效率、改善用户体验，并为未来的智能化应用提供更可靠的网络基础设施。该框架的数字孪生特性也使其易于部署和维护，具有良好的应用前景。
📄 摘要（原文）
Emerging networked systems such as industrial IoT and real-time cyber-physical infrastructures demand intelligent scheduling strategies capable of adapting to dynamic traffic, deadlines, and interference constraints. In this work, we present a novel Digital Twin-enabled scheduling framework inspired by Dual Mind World Model (DMWM) architecture, for learning-informed and imagination-driven network control. Unlike conventional rule-based or purely data-driven policies, the proposed DMWM combines short-horizon predictive planning with symbolic model-based rollout, enabling the scheduler to anticipate future network states and adjust transmission decisions accordingly. We implement the framework in a configurable simulation testbed and benchmark its performance against traditional heuristics and reinforcement learning baselines under varied traffic conditions. Our results show that DMWM achieves superior performance in bursty, interference-limited, and deadline-sensitive environments, while maintaining interpretability and sample efficiency. The proposed design bridges the gap between network-level reasoning and low-overhead learning, marking a step toward scalable and adaptive NDT-based network optimization.