AEC-IoT TaskNet

AEC-IoT TaskNet是一个专为物联网-无人机协同计算、移动边缘智能和多智能体决策系统研究设计的综合基准数据集。它集成了真实世界城市拓扑、城市无线通信模型、物联网硬件约束和环境动态，为下一代空中边缘计算研究提供了统一的测试平台。数据集包含5000个由526个物联网设备在10个真实达卡空间集群中生成的任务，每个任务包括任务大小、CPU周期、信噪比、上行链路速率、无人机能量和环境属性等。数据生成使用固定种子以确保完全可重复性，并包括最终的CSV数据集和完整的Python生成管道。

AEC-IoT TaskNet is a comprehensive benchmark dataset specifically tailored for research on Internet of Things (IoT)-unmanned aerial vehicle (UAV) collaborative computing, mobile edge intelligence, and multi-agent decision-making systems. It integrates real-world urban topology, urban wireless communication models, IoT hardware constraints, and environmental dynamics, serving as a unified testbed for next-generation aerial edge computing research. The dataset comprises 5000 tasks generated by 526 IoT devices across 10 real-world spatial clusters in Dhaka, where each task encompasses task size, CPU cycles, signal-to-noise ratio (SNR), uplink rate, UAV energy, environmental attributes, and other related metrics. The data generation process employs a fixed seed to guarantee full reproducibility, and the released package includes the final CSV dataset as well as the complete Python data generation pipeline.

原始信息汇总

AEC-IoT TaskNet 数据集概述

数据集基本信息

• 数据集名称：AEC-IoT TaskNet
• 核心用途：为物联网-无人机协同计算、移动边缘智能和多智能体决策系统研究提供综合基准数据集。
• 设计目标：集成真实城市拓扑、城市无线通信模型、物联网硬件约束和环境动态，为下一代空中边缘计算研究提供统一的测试平台。
• 主要研究领域：任务卸载、无人机辅助的多接入边缘计算、基于GTrXL的任务优先级排序、多智能体强化学习、延迟-能量-吞吐量优化。

数据集内容与规模

• 数据文件：GLEMETA_clustered_iot_dataset.csv
• 任务样本：5000个物联网任务
• 物联网设备：526个
• 空间集群：10个达卡地区
• 特征数量：30多个
• 随机种子：numpy.seed(42)，random.seed(42)
• 代码提供：完整的数据集生成脚本

数据生成与建模细节

1. 空间建模

• 地理基础：基于孟加拉国达卡市10个真实区域。
• 区域列表：Jatrabari, Dhanmondi, Gulshan, Azimpur, Uttara, Mirpur, Motijheel, Lalmatia, Banani, Mohammadpur。
• 生成方法：使用真实GPS坐标作为聚类中心，采用高斯分布（σ = 0.0015°）生成设备位置，每个区域包含40-60个物联网设备。

2. 任务生成

• 每个物联网设备生成7-10个任务，总计5000个任务。
• 采样基于LTE/5G物联网工作负载研究。

3. 计算建模

• 关键参数：CPU频率（0.1–2.0 GHz）、每比特CPU周期数、IPC（0.5–2.5）、动态计算的MIPS。
• 硬件匹配：数值与真实物联网硬件（如ESP32, ARM-Cortex, Raspberry Pi Zero）相匹配。

4. 通信与信道建模

• 距离计算：Haversine公式。
• 路径损耗：对数距离模型，n = 3.5。
• 信道增益：路径损耗 + 高斯衰落。
• 带宽：5–20 MHz（LTE/5G）。
• 信噪比：从增益推导得出。
• 上行链路速率：香农容量公式。
• 环境模拟：通过对数正态衰落反映城市非视距行为。

5. 能量与电池建模

• 电池健康度：20–100%。
• 剩余能量：200–3000 mAh。
• 能量约束：包含CPU能量截止时间和传输能量。

6. 任务优先级评分

• 评分范围：task_priority_score ∈ [0.1, 1.0]。
• 用途：适用于基于GTrXL的优先级排序、多智能体调度和时间关键型卸载决策。

7. 环境因素

• 包含变量：障碍物距离、风速、天气类别（晴朗/多云/雨天）、能见度、降水、湿度、温度。

数据验证与质量

1. 统计验证

• 任务大小符合物联网工作负载分布。
• CPU值符合物联网硬件规格。
• 带宽与LTE-M/NR物联网标准一致。

2. 空间验证

• 集群互不重叠。
• 设备密度匹配达卡大都市布局。

3. 异常注入

• 目的：提高强化学习模型的鲁棒性。
• 比例：5%的任务。
• 类型：信噪比骤降（±10–20 dB）、CPU峰值（0.01或5 GHz）、任务大小极端值（0.05倍或3倍）、截止时间异常（50 ms或10 s）。

4. 完全可复现性

• 提供完整的Python生成流程。
• 使用固定随机种子可生成完全相同的输出。

预期应用场景

• 边缘计算与任务卸载
• 强化学习（MADDPG/PPO/DDPG）
• 无人机辅助的空中边缘计算系统
• 基于GTrXL的动态任务优先级排序
• 延迟-能量-吞吐量优化研究

特征概览

特征	描述
iot_id	物联网设备标识符
cluster_id	达卡区域
task_type	任务类型（传感器/视频/AI）
task_size_MB	任务大小
cpu_frequency_GHz	设备CPU频率
cpu_cycles_per_bit	每比特CPU周期数
delay_deadline_ms	任务截止时间
Location_Lat/Lon	GPS坐标
distance_m	到无人机的距离
channel_gain_dB	基于路径损耗的信道增益
uplink_data_rate_Mbps	香农速率
Battery_Level_%	电池健康度
task_priority_score	任务优先级评分
offload_ratio	卸载任务比例
energy_deadline_mJ	所需能量
mec_uav_cpu_GHz	无人机CPU频率
mec_uav_remaining_energy	无人机剩余能量
weather, wind, visibility	环境变量

文件结构

AEC-IoT-TaskNet/ │── GLEMETA_clustered_iot_dataset.csv # 最终数据集 │── generate_dataset.py # 完整的可复现生成器 │── README.md # 项目文档

搜集汇总

数据集介绍

构建方式

在物联网与无人机协同计算领域，AEC-IoT TaskNet数据集的构建过程体现了高度的系统性与真实性。该数据集以孟加拉国达卡市的真实城市拓扑为基础，通过高斯空间聚类方法，在十个实际地理区域中模拟了526个物联网设备的分布，每个区域包含40至60台设备，以反映真实世界中的热点密度。任务生成过程借鉴了LTE/5G物联网工作负载研究，共产生5000个任务，每个任务涵盖任务大小、CPU周期、信噪比、上行链路速率及无人机能量等30余项特征。数据生成采用固定随机种子确保完全可复现性，并整合了香农无线速率建模、对数距离路径损耗与瑞利衰落等通信模型，同时注入了5%的异常数据以增强强化学习模型的鲁棒性。

使用方法

该数据集为边缘计算与无人机辅助计算研究提供了标准化的实验平台。研究人员可直接加载CSV格式的数据文件，利用Pandas等工具进行数据读取与初步分析。数据集适用于任务卸载策略的评估，支持对延迟、能量与吞吐量等多目标优化问题的建模。在强化学习领域，其丰富的状态与动作空间适合训练MADDPG、PPO、DDPG等多智能体或单智能体算法，并通过任务优先级分数与环境变量实现精细的奖励塑形。对于深度学习应用，数据中的序列特征可用于GTrXL等注意力机制的任务队列建模。此外，完整的数据生成代码允许用户调整参数或扩展场景，为数字孪生与网络仿真研究提供灵活的基础。

背景与挑战

背景概述

在无人机辅助边缘计算与物联网技术深度融合的背景下，AEC-IoT TaskNet数据集应运而生，旨在为空中边缘计算领域提供一套标准化的评估基准。该数据集由专注于智能边缘系统与多智能体决策的研究团队构建，其核心研究问题聚焦于物联网任务在异构网络环境中的高效卸载与资源协同优化。通过整合真实城市拓扑、无线通信模型及设备约束，该数据集为无人机协同计算、移动边缘智能等前沿方向提供了高度仿真的实验平台，显著推动了相关算法在延迟、能耗与吞吐量等多目标权衡方面的研究进展。

当前挑战

该数据集致力于解决物联网任务向移动边缘计算无人机卸载过程中的核心挑战，包括在动态城市环境中实现低延迟、高能效的分布式决策，以及应对信道波动、设备异构性和任务紧急性的多重约束。在构建过程中，研究团队面临诸多挑战：需精确模拟达卡城市区域的物联网设备空间分布与通信行为，确保高斯聚类与真实热点密度一致；同时，在任务生成中需融合符合实际硬件规格的CPU与电池模型，并注入可控异常以增强强化学习算法的鲁棒性。此外，保持无线信道建模的物理真实性以及全流程数据生成的可复现性，亦是数据集构建的关键难点。

常用场景

经典使用场景

在无人机辅助的边缘计算领域，AEC-IoT TaskNet数据集常被用于模拟物联网设备与移动边缘服务器之间的任务卸载过程。该数据集整合了真实城市拓扑与无线通信模型，为研究者提供了评估多智能体强化学习算法在动态环境中的性能基准。通过包含任务优先级评分与环境变量，它能够支持复杂的决策系统设计，优化延迟、能耗与吞吐量之间的权衡。

解决学术问题

该数据集有效应对了物联网与无人机协同计算中缺乏标准化测试环境的挑战。它通过合成数据生成方法，解决了真实实验成本高昂且难以复现的问题，为任务卸载、资源分配和多智能体强化学习提供了可重复的验证平台。其引入的空间聚类与异常注入机制，进一步推动了算法在复杂城市场景中的鲁棒性研究。

实际应用

在实际应用中，AEC-IoT TaskNet能够支撑智慧城市中无人机边缘计算系统的仿真与优化。例如，在应急响应或环境监测场景中，无人机可作为移动边缘节点处理物联网设备产生的实时数据。该数据集帮助设计高效的任务调度策略，确保关键任务在有限网络与能源约束下及时完成，提升整体系统的可靠性与响应速度。

数据集最近研究

最新研究方向

在无人机辅助的边缘计算领域，AEC-IoT TaskNet数据集正推动着多智能体强化学习与注意力机制融合的前沿探索。该数据集通过整合真实城市拓扑与动态环境因素，为研究异构物联网任务卸载提供了高保真仿真环境。当前热点聚焦于利用GTrXL等变换器架构进行任务优先级动态预测，并结合MADDPG算法实现无人机集群的协同资源调度，以优化延迟-能耗-吞吐量这一多维约束问题。这类研究显著提升了城市空中边缘计算系统在复杂场景下的决策智能性，为构建下一代自主化物联网基础设施奠定了关键数据基石。