Today’s networks are filled with a massive and ever-growing variety of network functions that coupled with proprietary devices, which leads to network ossification and difficulty in network management and service provision. Network Function Virtualization (NFV) is a promising paradigm to change such situation by decoupling network functions from the underlying dedicated hardware and realizing them in the form of software, which are referred to as Virtual Network Functions (VNFs). Such decoupling introduces many benefits which include reduction of Capital Expenditure (CAPEX) and Operation Expense (OPEX), improved flexibility of service provision, etc. In this paper, we intend to present a comprehensive survey on NFV, which starts from the introduction of NFV motivations. Then, we explain the main concepts of NFV in terms of terminology, standardization and history, and how NFV differs from traditional middle-box based network. After that, the standard NFV architecture is introduced using a bottom up approach, based on which the corresponding use cases and solutions are also illustrated. In addition, due to the decoupling of network functionalities and hardware, people’s attention is gradually shifted to the VNFs. Next, we provide an extensive and in-depth discussion on state-of-the-art VNF algorithms including VNF placement, scheduling, migration, chaining and multicast. Finally, to accelerate the NFV deployment and avoid pitfalls as far as possible, we survey the challenges faced by NFV and the trend for future directions. In particular, the challenges are discussed from bottom up, which include hardware design, VNF deployment, VNF life cycle control, service chaining, performance evaluation, policy enforcement, energy efficiency, reliability and security, and the future directions are discussed around the current trend towards network softwarization.

Since a large scale Wireless Sensor Network (WSN) is to be completely integrated into Internet as a core part of Internet of Things (IoT) or Cyber Physical System (CPS), it is necessary to consider various security challenges that come with IoT/CPS, such as the detection of malicious attacks. Sensors or sensor embedded things may establish direct communication between each other using 6LoWPAN protocol. A trust and reputation model is recognized as an important approach to defend a large distributed sensor networks in IoT/CPS against malicious node attacks, since trust establishment mechanisms can stimulate collaboration among distributed computing and communication entities, facilitate the detection of untrustworthy entities, and assist decision-making process of various protocols. In this paper, based on in-depth understanding of trust establishment process and quantitative comparison among trust establishment methods, we present a trust and reputation model TRM-IoT to enforce the cooperation between things in a network of IoT/CPS based on their behaviors. The accuracy, robustness and lightness of the proposed model is validated through a wide set of simulations.

This article proposes an adaptive localized decision variable analysis approach under the decomposition-based framework to solve the large-scale multiobjective and many-objective optimization problems (MaOPs). Its main idea is to incorporate the guidance of reference vectors into the control variable analysis and optimize the decision variables using an adaptive strategy. Especially, in the control variable analysis, for each search direction, the convergence relevance degree of each decision variable is measured by a projection-based detection method. In the decision variable optimization, the grouped decision variables are optimized with an adaptive scalarization strategy, which is able to adaptively balance the convergence and diversity of the solutions in the objective space. The proposed algorithm is evaluated with a suite of test problems with 2-10 objectives and 200-1000 variables. Experimental results validate the effectiveness and efficiency of the proposed algorithm on the large-scale multiobjective and MaOPs.

Unmanned aerial vehicles (UAVs) have been envisioned as essential technology to enhance the service quality of wireless systems, whereas the security issue is unavoidable. In this paper, a reconfigurable intelligent surfaces (RIS)-aided air-to-ground secure communication paradigm is conceived, where the RIS is used to boost the security of confidential signals from UAVs to ground users. However, robust trajectory and beamforming designs are required to fully reap the secure enhancement capabilities of RIS for UAV links under imperfect channel state information (CSI) of eavesdroppers. Therefore, we formulate a robust minimum multicast rate maximization problem for jointly optimizing the UAVs' trajectories, the active and passive beamforming. The problem is also constrained by the maximum flight duration and the secrecy outage probability (SOP). After an approximate transformation of SOP, we provide an online decision-making framework that combines multi-agent reinforcement learning (MARL) methods with conventional optimization algorithms. To overcome the insufficient learning caused by random rewards and uncertain environments, we propose a novel regularized softmax risk-sensitive QMIX (RES-RMIX) algorithm to guide the UAVs' flight. Simulation results demonstrate that: 1) the proposed RES-RMIX algorithm outperforms the state-of-the-art MARL algorithms; 2) the RIS-aided multi-UAVs system attains significant rate gain over the cases of single UAV and no RIS.

Harmful algal blooms (HABs), caused by the rapid proliferation or aggregation of microorganisms, are catastrophic for the environment. The Prymnesium parvum is a haptophyte algal species that is found worldwide and is responsible for extensive blooms and death of larval amphibians and bivalves, causing serious negative impacts on the ecological environment. For the prevention and management of environmental pollution, it is crucial to explore and develop early detection strategies for HABs on-site using simple methods. The major challenge related to early detection is the accurate and sensitive detection of algae present in low abundance. Herein, recombinase polymerase amplification (RPA) was combined with clustered regularly interspaced short palindromic repeats and Cas12a protein (CRISPR-LbaCas12a) systems, and the lateral flow dipstick (LFD) was used for the first time for early detection of P. parvum. The internal transcribed spacer (ITS) of P. parvum was selected as the target sequence, and the concentration of single-strand DNA reporters, buffer liquid system, reaction time, and amount of gold particles were optimized. The RPA-CRISPR-LbaCas12a-LFD approach demonstrated highly specificity during experimental testing, with no cross-reaction against different microalgae used as controls. In addition, the lowest detection limit was 10,000 times better than the lowest detection limit of the standalone RPA approach. The feasibility and robustness of this approach were further verified by using the different environmental samples. It also observed that P. parvum are widely distributed in Chinese Sea, but the cell density of P. parvum is relatively low (<0.1 cells/mL). The developed approach has an excellent specificity and offers 10,000 times better sensitivity than the standalone RPA approach. These advantages make this approach suitable for early warning detection and prevention of HAB events in environmental water. Also, the outcomes of this study could promote a shift from traditional laboratory-based detection to on-site monitoring, facilitating early warning against HABs.

Recommendation unlearning is an emerging task to erase the influences of user-specified data from a trained recommendation model. Most existing research follows the paradigm of partitioning the original dataset into multi-fold and then retraining corresponding sub-models while those influences are totally removed. Despite the effectiveness, two key problems remain unexplored: i) Existing work becomes inefficient and computationally expensive to retrain all sub-models, especially when facing large amounts of unlearning data. ii) User preferences are dynamically changing. If users express negative opinions on some interacted items they used to prefer, how can we adaptively erase the outdated preferences behind such transformation from the trained model? Although these unlearning data contain outdated information, there is still a lot of helpful knowledge worth preserving. Existing methods ignore this preservation during unlearning and may remove all the knowledge in the interactions, compromising the final performance. In light of these limitations, we propose a novel unlearning framework called GFEraser, which transforms the unlearning into an efficient guided filtering process to avoid time-consuming retraining and retain beneficial knowledge. Specifically, we develop an intra-user negative sampling strategy to learn the outdated preferences that need to be erased. Under the guidance of differential maximization agreement and attention-based fusion module, the original representations are adaptively filtered and aggregated based on the learned preferences. Besides, we leverage contrastive learning to preserve the invariant user preferences, maintaining the final performance. Finally, we devise a new metric called Ranking Decrease Rate to evaluate the unlearning effect. Experimental results demonstrate that GFEraser can maintain reliable recommendation performance while achieving efficient outdated preferences unlearning, up to 37x acceleration.