AI Empowered Computing Resource Allocation in Vehicular Ad-hoc NETworks
Notice bibliographique
Résumé
The vehicular ad hoc network (VANET) has emerged as a heterogeneous network with no fixed infrastructure. This paper proposes an AI-empowered task offloading and computing resource allocation model which can manage the computing resources in VANET dynamically. The model is divided into two layers. First, the task offloading layer, where the Random Forest (RF) algorithm is used to determine offloading the vehicle’s computing tasks whether to the Cloud Computing (CC) server or Mobile Edge Computing (MEC) server or to be processed locally (in-vehicle computing). Second, the resource allocation layer, where the Deep Deterministic Policy Gradient (DDPG) algorithm is used to determine the computing platform again when the task is determined to be offloaded to either MEC servers or the cloud servers. To evaluate the performance of the RF classifier, we applied the model to a real-world driving trajectory dataset, and then compared the results with a different set of Machine Learning (ML) algorithms namely, K-nearest neighbour (KNN), Multilayer Perceptron (MLP) and Support Vector Machine (SVM). The results show the RF model outperformed other models in classification accuracy score of 99.83% for task offloading decision, where the KNN, MLP and SVM achieved 9S%, 94.Sl% and 90.94%, respectively. Moreover, the DDPG based resource allocation scheme converges within 150 episodes and reduced the latency cost by 85%.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».