Real-Time Search-Driven Caching for Sensing Data in Vehicular Networks
Notice bibliographique
Résumé
Real-time search is essential for accessing specific sensing data (SD) in vehicular networks to support safe, efficient, and intelligent road services. Considering the tremendous data volume, the SD search process should be carefully devised to avoid excessive retrieval and transmission delay. To alleviate the communication and computational burden for sensing devices and the cloud server, roadside edges are adopted to cache the SD in advance. Given a short lifetime of SD, the caching scheme is required to be efficient in facilitating both the search process and uplink/downlink transmission, which is quite challenging due to the coupling of resource allocation decisions. To guarantee the search efficacy and enhance the caching resource utilization, we propose a real-time search-driven caching (RSC) paradigm to enable the cooperation among storage-constrained edges. A hierarchical indexing framework is first introduced for cached data, based on which we then devise a search utility model to quantify the expected data freshness and response delay. With the objective of maximizing the long-term search reward, the RSC problem is formulated by jointly considering the search requests and utility model. A deep-reinforcement-learning-based caching (DRLC) method is proposed to solve the problem. Specifically, an action transition module is introduced to lower the computational complexity via reducing the selection space of caching actions. Extensive simulations are carried out based on the real trace data in Creteil, France, and results show that the intelligent DRLC method can improve the real-time search performance significantly comparing to the benchmark methods.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».