Joint Computation Offloading and Data Caching in Multi-Access Edge Computing Enabled Internet of Vehicles
Notice bibliographique
Résumé
Internet of Vehicles (IoV) has attracted global research interests across extensive applications. Due to the significant increase in the number of vehicles accessing the Internet, there are several challenges in designing efficient task offloading and data caching strategies to improve the utilization of the network resource and provide the users with high-quality services. To this end, this study proposes the task offloading and resource allocation schemes, including the selection of execution mode, data transmission path, the assignment of the sub-channels, the strategies of caching and caching updating in a Multi-Access Edge Computing (MEC) enabled IoV system with multiple mobile vehicles equipped with the capacity of energy harvesting. Specifically, the downlink relevant data or the uplink offloaded data can be transmitted through either the Macro Base Station(MBS) or the Road Side Unit(RSU). Also, we consider two different situations: off-peak hours and peak hours, in which the execution mode is different. In off-peak hours, the tasks can directly offload to the MEC server, and the average execution delay minimization problem is modelled as an integer programming problem, which is solved by Simulated Annealing Genetic Algorithm (SAGA). In peak hours, the tasks can be either executed locally or offloaded to the MEC server, and the formulated problem are more complicated, which are solved by Deep Q Network (DQN). Finally, a series of simulations are conducted to demonstrate the efficiency of the proposed 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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,001 | 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 ».