Vehicle-Assisted Service Caching for Task Offloading in Vehicular Edge Computing
Notice bibliographique
Résumé
The development of artificial intelligence (AI) enables vehicular edge computing (VEC) servers to be able to provide more intelligent services. However, the limited storage resources of VEC servers constrain the deployment of intelligent service contents, which greatly restricts the intelligence level of the VEC network. To resolve this problem, we first design a novel vehicle-assisted VEC network architecture and further propose VaCo, aVehicle-assistedCollaborative caching system. VaCo allows VEC servers to download the cached service content from any vehicle in the VEC network to support task offloading. VaCo mainly considers the real-time scheduling problem of vehicle storage resources under the dynamic VEC network and the benefit problem caused by invoking vehicle resources under the highly dynamic load environment. VaCo models the vehicle storage resources as an independent resource pool and deploys a cross-VEC server content retrieval mechanism to achieve unified and efficient management of the storage resources of the vehicle cluster and the VEC server cluster. Then, we propose a multi-swarm collaborative optimization scheme to jointly optimize the service failure rate and cost, and further propose a Pareto-based optimization scheme to ensuring that VaCo can correctly evaluate the benefits of invoking vehicle resources in a dynamic VEC network. Finally, we implement VaCo and conduct extensive evaluations on real-world dataset. The experimental results on the real trajectory dataset show that VaCo can effectively utilize vehicle resources and ensure the benefits of both vehicles and VEC servers simultaneously.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 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 ».