From Nodes to Roads: Surveying DRL Applications in MEC-Enhanced Terrestrial Wireless Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The rapid evolution of mobile communication technologies has propelled mobile edge computing (MEC) as a pivotal paradigm bringing cloud capabilities and storage resources to the network edges, thereby, enabling the execution of computation-intensive, latency-sensitive applications at the network edge, and addressing limited device resources. However, efficient operation in MEC-assisted systems necessitates proper task executions onto MEC servers. Meanwhile, deep reinforcement learning (DRL) can substantially enhance the performance of MEC-enhanced networks by incorporating decision-making capabilities into individual network entities and edge servers. This paper presents a comprehensive survey of the applications of DRL in MEC ecosystems. More specifically, it explores the applications of DRL in MEC-enabled terrestrial wireless networks (TWNs) including Internet-of-things (IoT) and vehicular networks (VNs). The article provides a comprehensive roadmap for researchers navigating the complexities of intelligent systems and MEC-enabled networks, offering a meticulous understanding of the continuously evolving landscape in this domain. Beginning with foundational DRL principles, the survey scrutinizes the integration of DRL in MEC-enabled TWNs, showcasing its efficacy in optimizing modern TWNs. In the context of MEC-empowered IoT, the paper highlights the role of DRL in enhancing resource allocation, data management, and scalability enhancements. Extending beyond, the paper discusses MEC-enabled VNs, where DRL transforms its role in traffic signal control, and route optimization, ultimately improving efficiency and safety. Additionally, we highlight significant challenges and outline future research directions in applying DRL in terrestrial networks (TWNs) empowered by the MEC paradigm.
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.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,006 | 0,001 |
| 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 découle