.png){kind=icon}
返回
Trajectory prediction-based migration target selection method for vehicular network services
.png){kind=icon}
PRE
AI
DOI：10.1016/j.pmcj.2025.102062.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在移动车联网中，当边缘服务器（ES）为高速移动车辆提供服务时，由于服务覆盖范围的限制，服务中断问题尤为突出，这严重影响了服务的连续性和服务质量。为解决此问题，本文提出了一种基于轨迹预测的服务迁移目标选择方法。该方法首先通过TS-LSTM轨迹预测模型预测车辆的 future movement trajectories，以识别潜在活动区域及其关联的边缘服务器；然后利用深度Q网络（DQN）优化目标服务器选择，将延迟和负载公平性共同纳入优化目标函数。此外，在服务迁移过程中引入预复制技术，以确保在服务切换期间原服务器能够继续提供服务，使目标服务器能够无缝接收任务，有效保障服务连续性。实验结果表明，相较于当前最优方法，所提出的方法在收敛速度、服务延迟和服务稳定性方面具有显著优势：平均端到端服务延迟降低了32%，服务拒绝率降低了28%。
Keyword:
Edge computing
Trajectory prediction
Service migration
DQN
期刊
IF:
3.5
论文数:
1.5K
被引数:
2.2K
机构
引用论文
A recurrent neural network based microscopic car following model to predict traffic oscillation基于递归神经网络的微观跟车模型预测交通振荡
PREAI
分享收藏
Delay-Aware Microservice Coordination in Mobile Edge Computing: A Reinforcement Learning Approach移动边缘计算中的延迟感知微服务协调: 一种强化学习方法
PREAI
分享收藏A car-following model considering asymmetric driving behavior based on long short-term memory neural networks考虑非对称驾驶行为的长短期记忆神经网络跟车模型
PREAI
分享收藏分享收藏Computation Offloading Based on Cooperations of Mobile Edge Computing-Enabled Base Stations.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏 没有更多内容
没有更多内容