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 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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».