Service-Oriented Edge Collaboration: Digital Twin Enabled Edge Collaboration for Composite Services in AVNs
Notice bibliographique
Résumé
Edge collaboration is expected to effectively relieve the load of base stations and enhance the driving experience of autonomous vehicles (AVs). However, in existing edge collaboration schemes, the frequent information exchange between AVs will consume a significant amount of resources. In addition, the existing schemes ignore the types of services, where services with different types may be combined into a composite service which affects the utility of AVs. To this end, we consider various types of services in autonomous vehicular networks (AVNs) and propose a digital twin (DT)-enabled edge collaboration scheme for composite services. Specifically, we first divide the DTs of service requesters (DT-SRs) into service request groups (SRGs) based on the same basic service requests and propose an architecture to facilitate the edge collaboration between the DTs of the leaders of SRGs (DT-L-SRGs) and the DTs of the service providers (DT-SPs). In this architecture, different service composition forms will result in different resource purchase strategies for DT-L-SRGs and different resource pricing strategies for DT-SPs. Therefore, we model the process of service composition as a coalition game to determine the optimal service composition form for each basic service. In the process of the coalition game, in order to obtain the optimal resource purchase strategy for each DT-L-SRG and the optimal resource pricing strategy for each DT-SP under different coalition structures, the interaction between the DT-L-SRGs and the DT-SPs is formulated as a Stackelberg game. By obtaining the game equilibrium, the optimal strategies of each DT-L-SRG and each DT-SP can be determined to measure the performance of the given coalition structure until a stable and optimal composite service structure is finally formed through multiple rounds of iterations. Compared with traditional schemes, the simulation results demonstrate that our scheme can bring the highest utilities to both the SRs and the SPs.
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 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 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».