A GCN and Recommender Based Approach for Optimizing Edge Caching Performance in IoV
Notice bibliographique
Résumé
Edge Caching for Internet of Vehicles (IoV) is considered as one of the most active academic topics in green computing, which shifts the content caching and computation capacities to Roadside Units (RSU) to alleviate unprecedented network traffic demand. Due to the high mobility of vehicles and limited computing resources of RSU, a strategy that can cache accurate contents under limited cache capacity of RSU is necessary. To cope with these difficulties, we propose a novel proactive caching strategy named Graph Convolutional Network (GCN)-based Recommender System and Deep Reinforcement Learning Caching (GCNRDRL). Moreover, GC-NRDRL is lightweight enough to run on RSUs with modest processing power, making it suitable for cost-sensitive or rural deployments. GCNRDRL dynamically manages cache content at RSUs by the GCN-based recommender to predict vehicles’ content demands and a Proximal Policy Optimization (PPO) [1] based Deep Reinforcement Learning (DRL) agent deployed in RSUs to optimize caching decisions in the dynamic vehicular environment. The DRL agent with GCN [2] preserves the complex relationships between content items generated from the recommender system and the temporal dynamics of vehicles and executes accurate cache replacement actions. Comprehensive experimental results show that GCNRDRL can achieve a 93% higher cache hit ratio and 10% lower latency than the state-of-the-art caching strategies at best.
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 | 0,001 | 0,001 |
| 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 ».