Reverse Offloading for Latency Minimization in Vehicular Edge Computing
Notice bibliographique
Résumé
The safety of autonomous driving can be improved with the support of Cooperative Vehicle-Infrastructure System (CVIS) and Vehicular Edge Computing (VEC), which benefit greatly from crowdsensing of CVIS and accurate decision in a short deadline of VEC. In the CVIS, the vehicles will upload the crowdsensing data to the VEC server for data fusion and tasks generating. However, with the ever-increasing number of vehicles, the VEC server cannot undertake massive computation-intensive tasks due to the limited edge computing capabilities. In this paper, we propose a reverse offloading framework to fully utilize the computation resource of vehicles to relieve the burden of the VEC server in a multi-vehicle mobile edge network. First, the system latency minimization problem is formulated as a mixed integer nonlinear programming problem by optimizing reverse offloading decisions and the communication and computation resources allocation. Next, the original problem is transformed into an equivalent weighted-sum optimization problem, which can be decoupled as two subproblems, i.e., resource allocation and decision selection subproblems. The closed-form expressions for the optimal resource allocation are derived by the dual decomposition method in a distributed fashion. Moreover, a low complexity greedy based efficient searching (GES) algorithm is proposed to obtain the reverse offloading decision strategies. Simulation results show that the proposed algorithm can significantly improve the performance compared with other baseline schemes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».