本文提出了一种新颖的联合传输功率和资源分配方法，旨在实现在车联网中实现超可靠低延迟通信（URLLC），方法采用极端值理论来定义可靠性指标，并利用联邦学习技术，在保证车辆用户（VUEs）的高可靠性的情况下，最小化 VUEs 的网络广泛功耗。

May, 2018

本文旨在超越传统平均信息更新时间 (AoI) 的概念，通过捕捉 AoI 尾分布来表征和优化一种超可靠低延迟通信 (URLLC) 系统。本文通过提出一种特定于服务器的数据分配算法并应用极值理论和 Lyapunov 优化方法，优化传输时延和数据可靠性之间的折衷。仿真结果显示，在车辆数量为 80 且 VUE 对的数量增加时，相比于根据车辆最大队列长度设计的基线，该系统几乎将 AoI 分布的尾部缩短了一倍，随着 VUE 对的数量增加，性能提升显著。

Nov, 2018

研究车联网中的超可靠低延迟通信的联合功率和资源分配（JPRA），提出一种基于联邦学习和 Lyapunov 优化的分布式方法来估计最大排队时间的极值事件，结果显示此方法可显著减少功耗和大队列长度的用户。

Jul, 2018

本文针对超可靠低延迟通信下的 Age of Information (AoI) 问题，通过建立 AoI 尾部分布模型和最小化传输功耗方法，在机动车通信网络的环境下有效地提高 URLLC 性能，同时探究确定性和马尔科夫交通规律下传输延时问题

Dec, 2019

本文提出一个跨层优化的框架，以确保在无线接入网络中实现极高的可靠性和极低的延迟，其中考虑了传输延迟和排队延迟等因素。我们引入了一种主动丢包机制，对数据包丢失率、功率分配和带宽分配进行优化，以在限制服务质量的前提下最小化发送功率。仿真和实验表明，设定丢包概率相等是一种近似最优的解决方案。

Mar, 2017

本文提出了一种面向车联网的信息时代感知传输功率和资源块分配技术，利用高斯过程回归方法实现在线无中央控制机制的网络动态学习，实时预测未来 AoI，最小化 AoI 超过阈值的概率，并取得了 50% 以上的效果提升。

Nov, 2019

本研究提出并分析一个排队论模型，用于自主移动出行（MOD）系统，其中机器人、自动驾驶车辆在城市环境中运输乘客并使自身再平衡以确保整个网络的可接受服务质量。研究表明，可以通过解决线性规划来找到最优再平衡算法，从而最小化（自主）再平衡车辆数量并保持整个网络车辆可用性的平衡。我们基于这些理论洞见设计了一个稳健的实时再平衡算法，并将其应用于纽约市的案例研究。这篇论文提供了一个解决自主驾驶车辆系统范围协调问题的严谨方法，并提供了对机器人交通网络可持续性益处的首个表征。

Apr, 2014

在多用户移动边缘计算场景下，考虑延迟和可靠性约束，提出了一种概率约束方法，使用了极值理论来解决低概率事件的问题，旨在最小化计算和传输功率，并使用 Lyapunov 随机优化工具解决。模拟结果表明该方法的有效性，同时研究了不同计算强度所需的功率延迟权衡和计算资源。

Oct, 2017

使用数据驱动的方法，预测网络参数条件下稀有延迟的概率分布尾部，以实现对无线传输中的网络延迟的更精确控制。

Jul, 2023

在车联网社交网络中，本文引入了一种以学习为基础的算法，用于优化数据传输的调度，同时保证效率和安全性。通过构建神经网络来增强数据处理能力，并在数据传输阶段采用 Q-learning 范式来优化信息交换，通过通信过程中的差分隐私来保护隐私。实验证明相对于现有先进的调度算法，所提出的 Q-learning 增强调度算法在车联网社交网络背景下表现出优越的性能。

Jun, 2024