Latency Minimization of Reverse Offloading in Vehicular Edge Computing
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Cooperative Vehicle-Infrastructure System (CVIS) can provide innovative services for traffic management and enable trips to be safer, more coordinated, and smarter. In the CVIS, the vehicles upload crowd sensing data to the Vehicular Edge Computing (VEC) server for quick data fusion and informed decision-making. 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 that can fully utilize the vehicular computation resource to relieve the burden of the VEC server and further reduce the system latency. Under the proposed offloading framework, the binary reverse offloading (BRO) and partial reverse offloading (PRO) strategies are designed for two types of tasks, i.e., non-partitioned tasks and partitioned tasks. We formulate the system latency minimization problem by optimizing reverse offloading decisions, and the communication and computation resources allocation. Due to the non-convex and existing variables coupling, the original problem is transformed into the equivalent weighted-sum optimization problem. Based on the alternative optimization, we decouple the weighted-sum optimization problems into the two subproblems, and the closed-form expressions of transmission power and computation frequency of vehicles and RSU are derived. Low complexity greedy based efficient searching (GES) algorithm and joint alternative optimization based bi-section searching (JAOBSS) algorithm are proposed for BRO and PRO strategies, respectively. The algorithm complexity and performance bounds are analyzed. Simulation results show that the proposed GES algorithm can achieve optimal performance with low complexity. Besides, the proposed GES and JAOBSS algorithms can significantly improve the performance compared with other baseline schemes by 6.14% and 13.46% at least.
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.
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 | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 découle