Resource Allocation for Integrated Sensing and Communication in Digital Twin Enabled Internet of Vehicles
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
With the development of the sixth-generation (6G) network, virtualization remains critical. The key to future virtualization lies in the service provisioning capability of the network and the service requirements of end users, which will lead to virtualization of the network and end users. Therefore, this paper proposes a holistic network virtualization architecture that integrates digital twin (DT) and network slicing to achieve the network management of service-centric and user-centric. With the explosive growth of latency-sensitive and computing-intensive in-vehicle applications, limited in-vehicle computing resources are difficult to meet diverse network requirements, and vehicle edge computing (VEC) has become a potential solution. However, computation offloading may face the dilemma of excessive upload traffic and unbearable upload time. Therefore, in order to minimize the overall response time (ORT) of the system, this paper proposes a new environment aware offloading mechanism (EAOM) based on the integrated sensing and communication system (ISAC) to solve the joint optimization problem of task scheduling and resource allocation. Considering the mobility of vehicles and the time-varying of environment, the optimization problem is modeled as a Markov decision process, and an improved algorithm combining Shapley-Q value and deep deterministic policy gradient (DDPG) is used to solve it. The simulation results indicate the effectiveness and superiority of the scheme proposed in our work.
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 | 0,001 |
| 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 découle