随着自动机器人解决方案无处不在的越来越多，对它们的连通性和多机器人系统中的合作的兴趣正在上升。当前研究问题的两个方面是机器人安全性和对拜占庭代理商的确保多机器人协作。已提出了区块链和其他分布式分类帐技术（DLT）来应对两个领域的挑战。但是，一些关键挑战包括现实世界网络中的可扩展性和部署。本文提出了一种集成IOTA和ROS 2的方法，以实现更可扩展的基于DLT的机器人系统，同时允许部署后进行网络分区耐受性。据我们所知，这是机器人系统IOTA智能合约的首次实施，以及与ROS2的首次集成设计，这与依赖以太坊的绝大多数文献相比。我们提出了一般的IOTA+ROS 2体系结构，导致耐隔离的决策过程，该过程也从嵌入式区块链结构中继承了拜占庭式公差属性。我们证明了在具有间歇性网络连接的系统中进行合作映射应用程序的拟议框架的有效性。在存在网络分区的情况下，我们在以太坊方面表现出了卓越的性能，在计算资源利用方面的影响很小。这些结果为分布式机器人系统中的区块链解决方案更广泛地集成开辟了道路，其连接性和计算要求较少。

在工业应用中，对系统的安全和信任是广泛采用的要求。区块链技术已成为解决身份管理并保护数据聚合和控制的潜在解决方案。但是，迄今为止的绝大多数作品都利用以太坊和智能合约，这些合同不可扩展或适合工业应用。据我们所知，本文介绍了ROS 2与Hyperledger织物区块链的首次集成。通过通过GO应用程序利用面料智能合约和ROS 2的框架，我们深入研究了使用区块链控制机器人，收集和处理其数据的潜力。我们证明了拟议框架对库存管理用例的适用性，其中使用不同的机器人检测给定区域中感兴趣的对象。旨在满足分布式机器人系统的要求，我们表明机器人的性能不会受到区块链层的显着影响。同时，我们提供了开发其他应用程序的示例，这些应用程序将面料智能合约与ROS 2集成在一起。我们的结果为在自主机器人系统中进一步采用区块链技术铺平了道路，以构建可信赖的数据共享。

近年来，多机器人系统已受到行业和学术界的越来越多的关注。除了需要对相对本地化的准确和强大的估计，对系统的安全性和信任对于实现更广泛的采用至关重要。在本文中，我们提出了一个使用HyperLeDger Fabric在工业应用中进行多机器人协作的框架。我们依靠区块链身份来进行地面和空中机器人的相互作用，并使用智能合约进行协作决策。使用超宽带（UWB）本地化进行自动导航和机器人协作，这扩展了我们以前在基于面料的车队管理方面的工作。我们专注于使用地面机器人和空中机器人检查仓库般的环境，并存储有关区块链中发现的对象的信息。我们衡量添加区块链层，分析交易延迟的影响，并将与区块链相关过程的资源利用与已经运行的数据处理模块进行比较。

基于超宽带（UWB）范围的多机器人系统中相对定位的系统最近已成为GNSS贬低环境的强大解决方案。可伸缩性仍然是主要挑战之一，尤其是在临时部署中。最近的解决方案包括系统中不同机器人或节点的主动和被动定位模式的动态分配。随着较大规模的系统的分布越来越多，关键的研究问题出现在此类本地化系统的安全性和可信度领域。本文研究了协作决策过程与分布式分类帐技术的潜在整合。具体而言，我们研究了一种方法，用于在区块链中智能合约中运行UWB角色分配算法的方法。在以前的作品中，我们分别研究了ROS2与HyperLeDger织物区块链的集成，并引入了一种用于基于UWB的本地化的新算法。在本文中，我们通过（i）运行实验扩展了这些工作移动机器人。这使我们能够通过增强的身份和数据访问管理在安全且可信赖的过程中提供相同的功能。我们的结果表明，UWB角色分配对六个自动移动机器人的连续变化空间形成的有效性，同时证明对添加不影响本地化过程的区块链层的潜伏期和计算资源的影响很小。

机器人操作系统（ROS）为涉及生产任务，提高生产力和简化人类运营的各个领域的自动化带来了极大的自动化潜力。但是，ROS高度依赖交流，但缺乏安全的数据共享机制。确保多机器人之间的机密数据交换在多机器人交互中提出了重大挑战。在本文中，我们介绍了Authros，这是一个安全且方便的授权框架，用于ROS节点，具有绝对安全性和基于私人以太坊网络和SM算法的高可用性。据我们所知，Authros是装有ROS的机器人的第一个安全数据共享框架。该框架可以满足ROS节点之间交换机密数据的不可变性和安全性的要求。此外，提出了授权和身份验证的机制，以在没有第三方的情况下进行原子执行以确保值得信赖的数据交换。 SM2密钥交换和SM4授权加密机制均已提出用于数据传输安全性。还实施了数据摘要上传方案，以提高以太坊网络上数据查询和上传的效率。实验结果表明，它可以从6.34ms的800KB加密数据中生成摘要。通过安全分析，Authros实现了安全的数据交换，数据操作检测和节点锻造攻击保护。

推荐系统已广泛应用于不同的应用领域，包括能量保存，电子商务，医疗保健，社交媒体等。此类应用需要分析和挖掘大量各种类型的用户数据，包括人口统计，偏好，社会互动等，以便开发准确和精确的推荐系统。此类数据集通常包括敏感信息，但大多数推荐系统专注于模型的准确性和忽略与安全性和用户隐私相关的问题。尽管使用不同的风险减少技术克服这些问题，但它们都没有完全成功，确保了对用户的私人信息的密码安全和保护。为了弥合这一差距，区块链技术作为推动推荐系统中的安全和隐私保存的有希望的策略，不仅是因为其安全性和隐私性突出特征，而且由于其恢复力，适应性，容错和信任特性。本文介绍了涵盖挑战，开放问题和解决方案的基于区块链的推荐系统的整体综述。因此，引入了精心设计的分类，以描述安全和隐私挑战，概述现有框架并在使用区块链之前讨论其应用程序和利益，以指示未来的研究机会。

Explainable Artificial Intelligence (XAI) is transforming the field of Artificial Intelligence (AI) by enhancing the trust of end-users in machines. As the number of connected devices keeps on growing, the Internet of Things (IoT) market needs to be trustworthy for the end-users. However, existing literature still lacks a systematic and comprehensive survey work on the use of XAI for IoT. To bridge this lacking, in this paper, we address the XAI frameworks with a focus on their characteristics and support for IoT. We illustrate the widely-used XAI services for IoT applications, such as security enhancement, Internet of Medical Things (IoMT), Industrial IoT (IIoT), and Internet of City Things (IoCT). We also suggest the implementation choice of XAI models over IoT systems in these applications with appropriate examples and summarize the key inferences for future works. Moreover, we present the cutting-edge development in edge XAI structures and the support of sixth-generation (6G) communication services for IoT applications, along with key inferences. In a nutshell, this paper constitutes the first holistic compilation on the development of XAI-based frameworks tailored for the demands of future IoT use cases.

使用人工智能（AI）赋予无线网络中数据量的前所未有的数据量激增，为提供无处不在的数据驱动智能服务而开辟了新的视野。通过集中收集数据集和培训模型来实现传统的云彩中心学习（ML）基础的服务。然而，这种传统的训练技术包括两个挑战：（i）由于数据通信增加而导致的高通信和能源成本，（ii）通过允许不受信任的各方利用这些信息来威胁数据隐私。最近，鉴于这些限制，一种新兴的新兴技术，包括联合学习（FL），以使ML带到无线网络的边缘。通过以分布式方式培训全局模型，可以通过FL Server策划的全局模型来提取数据孤岛的好处。 FL利用分散的数据集和参与客户的计算资源，在不影响数据隐私的情况下开发广义ML模型。在本文中，我们介绍了对FL的基本面和能够实现技术的全面调查。此外，提出了一个广泛的研究，详细说明了无线网络中的流体的各种应用，并突出了他们的挑战和局限性。进一步探索了FL的疗效，其新兴的前瞻性超出了第五代（B5G）和第六代（6G）通信系统。本调查的目的是在关键的无线技术中概述了流动的技术，这些技术将作为建立对该主题的坚定了解的基础。最后，我们向未来的研究方向提供前进的道路。

In recent years, the exponential proliferation of smart devices with their intelligent applications poses severe challenges on conventional cellular networks. Such challenges can be potentially overcome by integrating communication, computing, caching, and control (i4C) technologies. In this survey, we first give a snapshot of different aspects of the i4C, comprising background, motivation, leading technological enablers, potential applications, and use cases. Next, we describe different models of communication, computing, caching, and control (4C) to lay the foundation of the integration approach. We review current state-of-the-art research efforts related to the i4C, focusing on recent trends of both conventional and artificial intelligence (AI)-based integration approaches. We also highlight the need for intelligence in resources integration. Then, we discuss integration of sensing and communication (ISAC) and classify the integration approaches into various classes. Finally, we propose open challenges and present future research directions for beyond 5G networks, such as 6G.

本文介绍了Cerberus机器人系统系统，该系统赢得了DARPA Subterranean挑战最终活动。出席机器人自主权。由于其几何复杂性，降解的感知条件以及缺乏GPS支持，严峻的导航条件和拒绝通信，地下设置使自动操作变得特别要求。为了应对这一挑战，我们开发了Cerberus系统，该系统利用了腿部和飞行机器人的协同作用，再加上可靠的控制，尤其是为了克服危险的地形，多模式和多机器人感知，以在传感器退化，以及在传感器退化的条件下进行映射以及映射通过统一的探索路径计划和本地运动计划，反映机器人特定限制的弹性自主权。 Cerberus基于其探索各种地下环境及其高级指挥和控制的能力，表现出有效的探索，对感兴趣的对象的可靠检测以及准确的映射。在本文中，我们报告了DARPA地下挑战赛的初步奔跑和最终奖项的结果，并讨论了为社区带来利益的教训所面临的亮点和挑战。

智能物联网环境（iiote）由可以协作执行半自动的IOT应用的异构装置，其示例包括高度自动化的制造单元或自主交互收获机器。能量效率是这种边缘环境中的关键，因为它们通常基于由无线和电池运行设备组成的基础设施，例如电子拖拉机，无人机，自动引导车辆（AGV）S和机器人。总能源消耗从多种技术技术汲取贡献，使得能够实现边缘计算和通信，分布式学习以及分布式分区和智能合同。本文提供了本技术的最先进的概述，并说明了它们的功能和性能，特别关注资源，延迟，隐私和能源消耗之间的权衡。最后，本文提供了一种在节能IIOTE和路线图中集成这些能力技术的愿景，以解决开放的研究挑战

边缘计算是一项有前途的技术，可以在需要瞬时数据处理的技术领域提供新功能。机器和深度学习等领域的研究人员对其应用程序进行了广泛的边缘和云计算，这主要是由于他们提供的大量计算和存储资源。目前，机器人技术也正在寻求利用这些功能，并且随着5G网络的开发，可以克服该领域的一些现有限制。在这种情况下，重要的是要知道如何利用新兴的边缘体系结构，当今存在哪些类型的边缘体系结构和平台，以及哪些可以并且应该基于每个机器人应用程序使用。一般而言，边缘平台可以以不同的方式实现和使用，尤其是因为有几个提供商提供或多或少提供的一组服务以及一些基本差异。因此，本研究针对那些从事下一代机器人系统开发的人解决了这些讨论，并将有助于理解每个边缘计算体系结构的优势和缺点，以便明智地选择适合每个应用程序的功能。

物联网的最新研究已被广泛应用于工业实践，促进了数据和连接设备的指数增长。此后，各方通过某些数据共享策略将访问数据驱动的AI模型。但是，当前大多数培训程序都依赖于集中式数据收集策略和单个计算服务器。但是，这样的集中计划可能会导致许多问题。存储在集中数据库中的客户数据可能会被篡改，因此数据的出处和真实性是不能合理的。一旦出现上述安全问题，训练有素的AI模型的可信度将是值得怀疑的，甚至在测试阶段也可能产生不利的结果。最近，已经探索了行业4.0和Web 3.0的两种核心技术区块链和AI，以促进分散的AI培训策略。为了实现这一目的，我们提出了一种称为Appflchain的新系统体系结构，即基于Hyperledger织物的区块链和联合学习范式的集成体系结构。我们提出的新系统允许不同的各方共同培训AI模型，其客户或利益相关者由基于联盟区块链的网络连接。由于用户不需要向服务器共享敏感的个人信息，因此我们的新系统可以保持高度的安全性和隐私性。为了进行数值评估，我们模拟了现实世界的场景，以说明Appflchain的整个操作过程。仿真结果表明，利用联盟区块链和联邦学习的特征，Appflchain可以证明有利的特性，包括不可耐受性，可追溯性，隐私保护和可靠的决策。

近年来，物联网设备的数量越来越快，这导致了用于管理，存储，分析和从不同物联网设备的原始数据做出决定的具有挑战性的任务，尤其是对于延时敏感的应用程序。在车辆网络（VANET）环境中，由于常见的拓扑变化，车辆的动态性质使当前的开放研究发出更具挑战性，这可能导致车辆之间断开连接。为此，已经在5G基础设施上计算了云和雾化的背景下提出了许多研究工作。另一方面，有多种研究提案旨在延长车辆之间的连接时间。已经定义了车辆社交网络（VSN）以减少车辆之间的连接时间的负担。本调查纸首先提供了关于雾，云和相关范例，如5G和SDN的必要背景信息和定义。然后，它将读者介绍给车辆社交网络，不同的指标和VSN和在线社交网络之间的主要差异。最后，本调查调查了在展示不同架构的VANET背景下的相关工作，以解决雾计算中的不同问题。此外，它提供了不同方法的分类，并在雾和云的上下文中讨论所需的指标，并将其与车辆社交网络进行比较。与VSN和雾计算领域的新研究挑战和趋势一起讨论了相关相关工程的比较。

In this tutorial paper, we look into the evolution and prospect of network architecture and propose a novel conceptual architecture for the 6th generation (6G) networks. The proposed architecture has two key elements, i.e., holistic network virtualization and pervasive artificial intelligence (AI). The holistic network virtualization consists of network slicing and digital twin, from the aspects of service provision and service demand, respectively, to incorporate service-centric and user-centric networking. The pervasive network intelligence integrates AI into future networks from the perspectives of networking for AI and AI for networking, respectively. Building on holistic network virtualization and pervasive network intelligence, the proposed architecture can facilitate three types of interplay, i.e., the interplay between digital twin and network slicing paradigms, between model-driven and data-driven methods for network management, and between virtualization and AI, to maximize the flexibility, scalability, adaptivity, and intelligence for 6G networks. We also identify challenges and open issues related to the proposed architecture. By providing our vision, we aim to inspire further discussions and developments on the potential architecture of 6G.

随着智能机器人的广泛渗透，在多种领域，机器人中的同时定位和映射（SLAM）技术在社区中引起了不断的关注。然而，由于机器人的密集图形计算和机器人的有限计算能力之间的性能矛盾，在多个机器人上的合作仍然仍然具有挑战性。虽然传统的解决方案来到功能作为外部计算提供商的强大云服务器，但我们通过实际测量显示数据卸载中的显着通信开销可以防止其实际部署。为了解决这些挑战，本文将新兴边缘计算范例促进到多机器人SLAM中，提出了一种多机器人激光器SLAM系统，该系统专注于在机器人边缘云架构下加速映射施工过程。与传统的多机器人SLAM相比，在机器人上生成图形地图并完全合并它们在云上，recslam开发了一个分层地图融合技术，将机器人的原始数据指向用于实时融合的边缘服务器，然后发送到云端全球合并。为了优化整体管道，引入了一种有效的多机器人SLAM协作处理框架，以便自适应地优化针对异构边缘资源条件的机器人到边缘卸载，同时确保边缘服务器之间的工作量平衡。广泛的评估表明康复伍列可以通过最先进的延迟减少达到39％的处理延迟。此外，在真实场景中开发并部署了概念验证原型，以展示其有效性。

The advent of Federated Learning (FL) has ignited a new paradigm for parallel and confidential decentralized Machine Learning (ML) with the potential of utilizing the computational power of a vast number of IoT, mobile and edge devices without data leaving the respective device, ensuring privacy by design. Yet, in order to scale this new paradigm beyond small groups of already entrusted entities towards mass adoption, the Federated Learning Framework (FLF) has to become (i) truly decentralized and (ii) participants have to be incentivized. This is the first systematic literature review analyzing holistic FLFs in the domain of both, decentralized and incentivized federated learning. 422 publications were retrieved, by querying 12 major scientific databases. Finally, 40 articles remained after a systematic review and filtering process for in-depth examination. Although having massive potential to direct the future of a more distributed and secure AI, none of the analyzed FLF is production-ready. The approaches vary heavily in terms of use-cases, system design, solved issues and thoroughness. We are the first to provide a systematic approach to classify and quantify differences between FLF, exposing limitations of current works and derive future directions for research in this novel domain.

数字化和自动化方面的快速进步导致医疗保健的加速增长，从而产生了新型模型，这些模型正在创造新的渠道，以降低成本。 Metaverse是一项在数字空间中的新兴技术，在医疗保健方面具有巨大的潜力，为患者和医生带来了现实的经验。荟萃分析是多种促成技术的汇合，例如人工智能，虚拟现实，增强现实，医疗设备，机器人技术，量子计算等。通过哪些方向可以探索提供优质医疗保健治疗和服务的新方向。这些技术的合并确保了身临其境，亲密和个性化的患者护理。它还提供自适应智能解决方案，以消除医疗保健提供者和接收器之间的障碍。本文对医疗保健的荟萃分析提供了全面的综述，强调了最新技术的状态，即采用医疗保健元元的能力技术，潜在的应用程序和相关项目。还确定了用于医疗保健应用的元元改编的问题，并强调了合理的解决方案作为未来研究方向的一部分。

联合学习（FL）已成为工业物联网（IIOT）网络中数字双胞胎的必不可少的技术。但是，由于FL的主/奴隶结构，抵制主聚合器的单点失败以及恶意IIOT设备的攻击是非常具有挑战性的，同时保证了模型收敛速度和准确性。最近，区块链已进入FL系统，将范式转换为分散的方式，从而进一步提高了系统的安全性和学习可靠性。不幸的是，由于资源消耗庞大，交易量有限和高度沟通复杂性，区块链系统的传统共识机制和架构几乎无法处理大规模的FL任务并在IIT设备上运行。为了解决这些问题，本文提出了一个两层区块链驱动的FL系统，称为Chainfl，该系统将IIOT网络分为多个碎片，作为限制信息交换的标准层，并采用直接的无循环图（DAG） - 基于主链作为主链层，以实现平行和异步的横断面验证。此外，FL程序是定制的，以与区块链深入集成，并提出了修改的DAG共识机制来减轻由异常模型引起的失真。为了提供概念验证的实施和评估，部署了基于HyperLeDger面料和基于自发DAG的Mainchain的多个子链。广泛的实验结果表明，我们提出的链条系统以可接受和快速的训练效率（最高14％）和更强的鲁棒性（最多3次）优于现有的主要FL系统。

在该立场论文中，我们讨论将零信任（ZT）原理集成到下一代通信网络（5G/6G）中的关键需求。我们强调了挑战，并介绍了智能零信任体系结构（I-ZTA）作为具有不受信任组件的5G/6G网络中的安全框架的概念。尽管网络虚拟化，软件定义的网络（SDN）和基于服务的体系结构（SBA）是5G网络的关键推动者，但在不信任的环境中运行也已成为网络的关键功能。此外，与大量设备的无缝连通性扩大了信息基础设施的攻击表面。在动态不信任的环境中，网络保证要求超出现有静态安全框架以外的革命性体系结构。据我们所知，这是第一张呈现I-ZTA的建筑概念设计的立场论文，可以在其上开发现代人工智能（AI）算法以在不信任的网络中提供信息安全性。我们将关键的ZT原理作为对网络资产安全状态的实时监视，评估单个访问请求的风险以及使用动态信任算法（称为MED组件）决定访问授权的。为了确保易于集成，设想的体系结构采用了基于SBA的设计，类似于5G网络的3GPP规范，通过利用开放无线电访问网络（O-RAN）体系结构具有适当的实时引擎和网络接口来收集必要机器学习数据。因此，这项工作为设计基于机器学习的组件提供了新的研究方向，这些组件为未来的5G/6G网络有助于I-ZTA。