Strategic Data Offloading for 5G and Beyond for Internet of Vehicles Networks: Current Trends and Future Directions
Notice bibliographique
Résumé
Mobility has long been a driving force behind human progress, continuously evolving alongside technological advancements. The proliferation of 5th-generation (5G) and the anticipated development of 6th-generation (6G) communication technologies, alongside advancements in artificial intelligence (AI), have significantly transformed the Internet of Vehicles (IoV) ecosystem. Despite these innovations, the computational demands of IoV applications have surged, placing substantial strain on backhaul network infrastructure and leading to increased service response times, computational costs, and energy consumption. To address these challenges, strategic data offloading for IoV has emerged as a critical research domain. Effective offloading mechanisms enhance computational efficiency by optimizing task distribution across network layers. However, determining what to offload, where to offload, and how to execute offloading optimally remains a pivotal challenge. This paper presents a comprehensive review of offloading strategies in 5G and beyond for IoV networks, systematically examining key decision-making principles, architectural frameworks, and optimization methodologies. Through an extensive comparative analysis, the most effective offloading strategies are identified, while their trade-offs in terms of latency, energy efficiency, scalability, and security are evaluated. Additionally, critical challenges are discussed, and future research directions essential for fostering greener and more intelligent IoV ecosystems are outlined. By advancing offloading techniques, this research demonstrates their role in enhancing the performance, sustainability, and adaptability of next-generation transportation systems, ultimately driving the evolution of smarter mobility solutions while improving traffic flow analysis and network responsiveness.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».