Optimized UAV Deployment and Blockchain-Based Caching: A Reinforcement Learning Framework
Notice bibliographique
Résumé
Within the rapidly expanding Internet of Vehicles (IoV) landscape, the demand for network services to accommodate data-intensive applications has become increasingly paramount. However, IoV faces significant challenges, including high latency, limited coverage in remote areas, network congestion, and privacy concerns in content popularity prediction. To address these challenges, we introduce the Scalable Optimisation for Networked Aerial-vehicles (SONA) scheme, which reduces latency through advanced caching techniques while enhancing coverage and ensuring required data rates using Unmanned Aerial Vehicles (UAVs). UAVs are deployed to augment coverage in areas lacking RoadSide Unit (RSU) support and to assist in scenarios where RSUs are overwhelmed, ensuring continuous data rate provision. Our scheme introduces a novel mathematical optimisation model and machine learning algorithms: Federated Learning (FL) to collaboratively predict content popularity without exposing user data, Reinforcement Learning (RL) to dynamically optimise UAV placement and energy-efficient deployment, and blockchain to enable secure, decentralized coordination between RSUs and UAVs for real-time decision-making. Simulation results demonstrate the effectiveness of our approach, achieving an average delay of 8 ms, an average cache hit rate of 88.43%, and satisfying desired data rate requirements in 84.85% of scenarios, significantly improving IoV performance.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».