A Vehicular Task Offloading Method With Eliminating Redundant Tasks in 5G HetNets
Notice bibliographique
Résumé
The combination of mobile edge computing and 5G heterogeneous networks (5G HetNets) provides new vehicular task offloading research solutions. Most existing task offloading studies assume that vehicle tasks are unique and there are no redundant tasks between vehicles. However, there is a duplication of tasks for vehicles within the same base station. That causes a waste of computing resources and increases task offloading costs. To address this problem, this paper proposes the task offloading algorithm TOERT to eliminate redundant tasks in 5G HetNets. The TOERT algorithm is designed to eliminate redundant tasks, improve vehicle task completion rates and reduce offloading costs. Specifically, we consider two cases of redundant tasks within the macro cell base station (MCBS). When the task results have been stored in the MCBS, vehicles directly agree on the transaction price with the MCBS to obtain the task results. The MCBS first eliminates redundant tasks between vehicles when task results are not stored. Then, the MCBS determines the appropriate small cell base station (SCBS) to participate in the partial offloading. Finally, the vehicles negotiate with the MCBS to obtain task results. Against the other five algorithms considered for comparison purposes, the TOERT algorithm effectively eliminates redundant tasks, improves the task completion rate and increases the benefits of both the vehicles and the MCBS.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».