数字孪生知多少？

non co-evolution:强调物理实体的镜像 物理实体和镜像之间没有数据通信

强调 computerized model计算机模型使用计算机建模物理实体 进而进行 理解 预测 优化 以增强性能

unidirectional：单向的 物理实体的变化会影响虚拟模型 反之亦然。

integrated system：物理实体，虚拟模型 、数据、服务和它们之间的联系形成了一个完整的系统

DT

a physical object ：a device, machine, a robot, or an industrial process or a complex physical system.

its virtual twin;

a mapping between the physical object and its virtual twin that enables the co-evolution of both physical and virtual sides

DTN

a many-to-many mapping network constructed by multiple one-to-one DTs. physical object and its virtual twin、 physical object2 、virtual twin2

In DTN, physical objects and virtual twins can communicate, collaborate, share information, complete tasks with each other, and form an information sharing network by connecting multiple DT nodes to realize the dynamic interaction and synchronized evolution of the multiple physical objects and virtual twins。

physical-to-physical (P2P)

physical-to-virtual (P2V)

virtual-to-virtual (V2V)

物理实体作为无线终端，通过通信基站连接到无线网络DT连接，

物理实体产生的数据大多是multisource、 multiscale, and high noise，如果所有的大量数据都涌入通信网络，必然会导致信道congestion，

因此，需要预处理deal with数据缺失、数据冗余、数据冲突、数据错误等。

1. Data Fusion for Dimensionality Reduction

   例如，降维图片和视频数据，保留关键信息

2. Data Fusion for Matching

   物理实体 of high similarity 产生的数据非常相似，通过识别算法进行实体匹配，然后进行数据聚合，实体间共享特征参数相互学习，可以提高数据的利用率。

3. Data Fusion for Expansion

   多实体之间的数据集成可以提高有效的数据容量。例如，在交通系统中，无人驾驶汽车可能存在视觉盲点，不能感知盲点车辆，然后带来安全风险，警察视野分布广泛，开放视野可以将盲点数据传输给无人驾驶汽车。

相应的数据处理挑战：

1. Data Uncertainty： 不同的海量数据源(数据异构)non i.i.d(于实体硬件的性能差异，数据传输速率可能会有所不同，等等。
2. Data Visualization：可视化技术是处理海量数据的重要组成部分，但数据量大、异构、多维等特性给数据可视化带来了相应的挑战。

数字双胞胎模型的建立应该随时而变，随时而变。根据不同应用领域的相应需求，可分为两种模型：

1. Specific Model

   适应于特定应用领域，要对给定的复杂物理系统的特殊需求提供定制化服务

2. General Model

   一般模型通常适用于满足大多数需求的一般领域。通过制定相关标准和协议，这种模型将不可避免地成为日常生活的主流。

1.模型交互性（interoperability of multiple models）：DTN网络包括大量的子系统，每个子系统都需要完成不同的功能 然后构建不同的模型（如几何模型、模拟模型、业务模型、数据模型等）。目前，该技术无法很好地实现各种模型之间的互动和合作。

2.高精度模型（High-Precision Model）：目前DT模型主要由传统编程语言和模拟软件构建。对多级和多维高级建模技术的讨论仍然有限。传统建模太简单，无法实现DTN大多数建模方法都有缺点，如灵活性差、配置复杂、容易出错等。为了构建高精度、可靠性，需要进一步开发建模和仿真技术DTN。

3.实时更新（Model Continues Updating）：DT建模的目的是实现物理对象的全面建模。虚拟模型可以根据物理数据同步更新来诊断、预测和决定物理空间。但大多数物理对象的原理尚不清楚，也无法获得物理对象的高保真模型。因此，基于不完整信息和不确定性原理的诊断和预测是非常具有挑战性的。同时DTN模型的持续更新需要准确的数据和足够的计算和通信资源来支持，这也是DT建模的痛点。

云有一个非常强大的数据中心，负责数据处理，网络端负责数据传输，物联网节点端负责收集数据，通过网络交付给云，然后根据数据分析和决策将结果返回到终端。

集中式云计算中心拥有大量的计算和存储资源DTN网络部署，实现快速计算、集中管理等

Edge Computing

工作原始时，传统的云计算和技术发展方面的局限性使其无法满足5G时代的网络需求，计算中心从云端下沉至边缘是大势所趋。

分布式自治

边缘计算是指将计算资源部署在用户和数据源的网络边缘附近，通过距离数据源更近的位置(如路由器、基站)进行计算，为用户提供高带宽、低延迟、低能耗、高安全的计算服务。数据源和云计算中心之间的任何计算机和网络资源都被称为“边缘计算”中的边缘。

边缘计算的边缘服务器和云中心服务器可以为DTN模型的部署创造条件，边缘节点靠近用户端，可以很好地应用于延迟敏感，需要及时反馈的领域例如医疗，智慧交通等等。更进一步，对于大规模DTN网络，云边端三者协同进行DT相关服务的数据处理、缓存、存储、计算、传输将跟有利于DTN的建模、通信与更新。

mart manufacturing to achieve high efficiency production and precision manufacturing

调度优化： DTN统筹规划 原材料投入 部件投产 产品产出 销售经营

生产仿真：发现产品设计瑕疵 风险评估

故障预测： 设备故障预测

data genetation： DTN和PhyO 同时产生数据 数据是工业生命之源

1. aircraft structuring for risk prediction to realize maintenance aircraft ahead of time

​ 航空体系整体路由优化 route planning and 飞行状态调整

2. example：

   建造了飞机的DT使用自动图像跟踪方法预测铝合金和钢的裂纹尖端变形和裂纹生长

   一种通过构造飞机翼的元模型来检测疲劳裂纹的方法。

3. challenges：

   移动性强： 移动预测 模型迁移技术

   high accuracy： little error leads to disaster aircraft（卫星 航天器 飞机） 结构复杂 工作依赖于全部件的整体协作 closely related

predict disease ： 生理数据、药用量数据、情感数据 collected by wearable devices

remote TD surgery：基于实体生理数据进行孪生体手术、模拟用药、风险探测（预案）

medical devices： 故障检测 设备管理

Health code is a person’s DT

一/异地多码之日久，民众苦不堪言。但是当政府或企业将来实现“全国一码通”时，该健康码网络就相当于是现实世界在数字空间中的一个数字孪生网络Digital Twin Network,孪生网络中的每个二维码唯一对应于现实世界中的某个体（我的二维码就是我的数字孪生体），它实时记录着该个体健康状况、行为轨迹等信息。现实世界中个体的实时数据为健康码网络构建泵入血液，健康码网络的动态运作为个体提供相关健康服务。

6G网络旨在实现超大容量和超短距离通信，高效和高精度的通信以及融合的多元通信

故而面临 challenges： security, spectral efficiency, intelligence, energy efficiency, and affordability

network security：6G network uses the information fed back from the virtualized network to make preparations in advance to improve network security、 guarantee resources allocation

tower planning： 信号塔合理放置 效用最大化

1. traffic information reporting： parallel transportation system to model the real road situation

   transportation facilities maintain

   vehicles data sharing

2. challenge：

   数据传输的实时性

   动态车辆的移动性

   车辆数据、服务器网络的安全性

1. municipal planning

   ecological environment management

   traffic control

   energy use management

   DT城市利用DT技术创建虚拟城市，可以模拟和分析各种城市建设规划和城市应用解决方案

2. example：

   Amaravati, the new capital of the Indian state of Andhra Pradesh, is thought to be the first DT city.the city uses ubiquitous multinode IoT sensors to monitor real-time construction progress, environment and health monitoring,

   Singapore has built a city operation simulation system CityScope to realize functions, such as city simulation optimization, planning, and decision making.

   The Dutch city of Rotterdam The virtual Rotterdam is used to improve infrastructure maintenance, energy efficiency, road and water transportation, and help fire-fighters travel tasks in emergency situations.

联邦学习消除DTN网络数据隐私安全的顾虑

DTN帮助联邦学习产生数据、collaboratively训练模型

联合学习是一种分布式的机器学习方法，近年来是由分散的计算和隐私问题引起的。它是在2016年首次提出的，以解决Android移动终端本地更新的问题。目的是在信息安全性，个人隐私保护和法律合规性的前提下在多个参与者或多个计算节点之间实施有效的机器学习。

联邦学习可以应用到相关领域： 保证隐私、low-cost机器学习模型可部署

集成DTN和区块链带来安全保证，可信赖的可及性，可访问性和DTN交易的不变性。

Edge Intelligence为DTN提供了低延迟和高安全性计算服务，能够快速处理数据并帮助物理对象做出高质量决策。

在智能运输系统中，边缘服务器可以实时感知信息，例如人口分布，交通流量，湿度，温度，压力和空气质量。这些信息具备实时性，而在边缘上部署的人工智能可以在短时间内快速处理实时数据并给予反馈。这对于公共交通规划，交通管制和推动时间敏感的智能运输系统的警报至关重要。

DNT网络节点众多 对虚拟对象的attck会带来灾难性的后果

数据是DT的根基 对人DT的建模需要大量人体生理数据、周遭环境数据。 边缘、云计算提供商不可信

硬件资源消耗、部署

通信资源

计算资源

存储资源

DTN的灵魂所在：real-time two-way communication.

DTN网络 海量数据传输和计算存储对带宽、cache、computing性能有很高要求。 硬件提升 资源调度最优 负载均衡等技术亟需发展

概念由美国教授Michael W. Grieves在2002年最早提出，他认为物理设备的数据，可以在虚拟空间中构建该物理设备的虚拟实体和子系统，并且这种联系不是单向和静态的，而是反映了整个产品的生命周期。因此，此种孪生概念，更多适用于工业领域的信息物理系统（CPS），后来逐渐在数字城市等领域发挥模拟、预测等作用。

数字孪生的闭环属性可以帮助制造业实时收集产品的性能数据，在虚拟模型中完成验证产品设计、流程设计、生产排期、故障监测等环节，大幅提升生产效率，降低维修成本、人力成本。

简单总结为：数字孪生是通过数字技术对某个物理进程进行模拟仿真，观察其数据分析后的变化与趋势，发现问题并优化，为精准决策提供预测分析。