Resource Allocation for Heterogeneous Statistical QoS Provisioning Over Internet-of-Vehicles via Hierarchical Deep Reinforcement Learning
Notice bibliographique
Résumé
The high-dynamic characteristics of vehicular networks make it difficult to satisfy strict deterministic quality-of-service (QoS) conditions. Statistical QoS provisioning instead of deterministic QoS provisioning can provide an efficient way to satisfy delay-bounded QoS requirements of vehicular services. Different from the existing work, this paper considers the heterogeneity of statistical QoS provisioning for delay-sensitive services in Internet-of-Vehicles (IoV), where the overall delay violation probability is limited in each time slot for mission-critical applications, and the queue length bound along with its higher-order statistics is limited from a long-term perspective for infotainment services. A long-term resource optimization problem is formulated to minimize the average energy consumption with heterogeneous statistical latency guarantees. To provide a stable and fast solution, Lyapunov optimization method is first leveraged to transform the formulated stochastic problem to a series of short-term deterministic optimization sub-problems. Afterwards, a novel two-level hierarchical deep reinforcement learning (H-DRL) framework is presented, where the knowledge sharing is further introduced to realize the fast model training and resource decision-making with QoS performance guarantees. Simulation results verify the convergence speed and the training accuracy of the presented H-DRL framework, and it also shows the superiority of the proposal in the perspective of the end-to-end delay and the queue stability for heterogeneous delay-bounded services under high-dynamic environments of IoV.
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 | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».