Mobility-Aware Proactive Edge Caching for Large Files in the Internet of Vehicles
Notice bibliographique
Résumé
By shifting the requested content to the edge in the Internet of Vehicles (IoV), edge caching is expected to be an effective solution to satisfy the low latency and high-reliability requirements of IoV users for multimedia services. However, the edge node’s coverage area and storage space are limited. Moreover, since vehicles have high mobility and in-vehicle multimedia applications require sequential delivery for contents, we need to address two main issues: 1) how to optimize the proactive content caching decision (i.e., the placement of cached content chunks) among edge nodes (ENs) to provide better Quality of Services (QoS) for IoV users and 2) how to ensure that vehicles can download the required contents sequentially to improve Quality of Experience (QoE). In this article, we propose a mobility-aware proactive edge caching scheme (MSTPS), where the spatial and temporal prediction of vehicles are taken into account for content deployment and scheduling. Specifically, we optimize the caching decision based on predicting the vehicle’s driving trajectory and travel preference. The scheme learns the vehicle’s travel preferences to cope with mobility uncertainty by combining users with similar travel patterns. Meanwhile, the proposed scheme can support the sequential downloading of content chunks. Furthermore, in order to deal with the dynamic characteristics and unpredictable challenges of the IoV, we design a system recovery strategy, which can avoid the degradation of the proposed scheme due to the failure of prediction. Finally, by using real mobility data sets and scenarios, we explore the impact of the number of ENs deployed in advance for each vehicle’s request when the cache needs to be updated on system performance. In addition, we evaluate the effectiveness of the proposed scheme. Our proposed scheme can achieve the best cache hit ratio and decrease caching costs compared to the existing mobility-aware in-order caching schemes.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| 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) | 0,000 | 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 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 ».