The Permissioned Blockchain-Based Quantum-Inspired Edge Intelligence Approach for the Services of Future Internet of Vehicles
Notice bibliographique
Résumé
The Internet of Vehicles (IoV) has become a key pillar in the future network system. However, intensive computing and task offloading required vehicles to compete for communication and computing resources, seriously affecting the systems time cost, robustness, and security. This paper focuses on solving resource management problems in the presence of interconnected multi-vehicles using shared information. We model this problem using a time-varying Markov decision process, addressing the challenges in task offloading for vehicles. The innovation lies in addressing different offloading scenarios, including vehicle-to-vehicle, vehicle-to-roadside unit (RSU) vehicle-to-multi-access edge computing (MAEC) server offloading, and vehicle-to-base station (BS). We propose a Quantum-inspired Dueling Deep Q-learning (QDDQL) algorithm to develop an Edge Intelligent (EI) offloading strategy. This method allows vehicles’ task offload to become an automated step based on network conditions and user status. The MAEC server offers computing offloading services, while the base station can submit offloading tasks to a cloud blockchain system. This innovative approach balances communication resource utilization, computational resource utilization, and transmission delay. Blockchain technology ensures transparency and security in resource allocation strategies, preventing edge nodes from making wrong decisions using consensus mechanism, and thereby improving the accuracy, timeliness, and security of resource allocation. Simulation results show that compared with existing methods, the proposed solution can significantly improve resource utilization, adaptability, and system scalability, and effectively address the defects of traditional methods.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».