.png){kind=icon}
返回
Learning-Based Cost-Minimization Task Offloading and Resource Allocation for Multi-Tier Vehicular Computing
.png){kind=icon}
PRE
AI
DOI：10.3390/math14020291.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着5G技术和车联网的快速发展，车辆已成为具备通信、计算和存储能力的智能设备。然而，车载存储和计算资源的有限性常导致任务处理延迟增大，并造成系统服务质量（QoS）和用户体验质量（QoE）的下降。与此同时，为构建与环境和谐的交通系统及绿色城市，数据处理能耗已成为车辆领域的新关注点。此外，由于车联网的高速移动性，传统的基于GSI的方法面临信息不确定性困境，不再适用。为解决这些挑战，我们提出了T2VC模型。为应对信息不确定性及车辆移动性带来的动态卸载问题，我们提出了一种基于多臂赌博机（MAB）的QEVA-UCB解决方案，旨在最小化以加权延迟和能耗总和表示的系统成本。QEVA-UCB考虑了任务属性、任务到达队列、卸载决策以及车辆移动性等多重相关因素，并选择最优卸载位置，在延迟能耗感知和冲突感知的前提下最小化系统成本。大量仿真验证表明，相比其他基准方法，本方法能够更快、更准确地学习并做出任务卸载决策，适用于延迟敏感型和能耗敏感型车辆用户。此外，在系统成本和学习遗憾方面表现更优。
Keyword:
multi-tier vehicular computing
cost minimization
queue of energy volatility-awareness
reinforcement learning
MAB
期刊
IF:
2.2
论文数:
3.1K
被引数:
3.6W
机构
引用论文
.png){kind=icon}
分享收藏
Learning Based Energy Efficient Task Offloading for Vehicular Collaborative Edge Computing基于学习的车载协同边缘计算节能任务卸载
PREAI
分享收藏
查看更多内容