车联网边缘计算的分布式任务复制:性能分析与基于学习的算法
本论文针对汽车间的计算任务卸载环境动态不确定的挑战,提出了一种基于自适应学习的任务卸载算法,在多臂赌博理论基础上,利用邻近车辆的卸载延迟性能进行学习并且能够适应动态环境,实现了分布式协作的任务卸载,并证明了具有子线性的学习遗憾。在综合考虑各种不确定性的条件下,实验结果表明,相比现有的以置信上限为基础的学习算法,该算法使任务卸载延迟性能更优,平均延迟降低了高达 30%。
Jan, 2019
因为传统的车联网在上传到云处理中会有延迟,所以为了解决这一问题并提高系统性能,引入了边缘计算,在此基础上采用联邦学习,其中异步联邦学习则采用深度强化学习作为车辆的选择问题模型,模拟结果表明有效提高了全局模型聚合的准确性。
Apr, 2023
人工智能和深度神经网络在车辆网络生态系统中的快速发展引入了计算密集型任务,对单个车辆的计算资源需求超过其能力,为解决这一挑战,车辆边缘计算作为一个解决方案应运而生,通过车辆间 / 基础设施之间的通信资源池提供深度神经网络任务的计算服务,本文将 VEC 中的 DNN 划分、任务卸载和资源分配问题建模为动态长期优化问题,目标是在时间上保证系统稳定的同时尽量减少 DNN 任务的完成时间,首先利用 Lyapunov 优化技术将原始的长期优化问题与稳定约束解耦成每个时隙的确定性问题,然后提出了一种基于 Multi-Agent Diffusion-based Deep Reinforcement Learning (MAD2RL) 算法,通过创新性地使用扩散模型来确定最优的 DNN 划分和任务卸载决策,在 MAD2RL 中还将凸优化技术作为子程序加以整合来分配计算资源,提高学习效率,通过对真实世界车辆移动轨迹的模拟,我们证明了我们所提出的算法相对于现有的基准解决方案具有更优越的性能。
Jun, 2024
本文提出一种基于人工智能的协同计算方法,通过将任务分配和调度算法与决策流程相结合,实现车辆网络中任务的外包与协同计算,进而减少计算服务延迟,提高服务可靠性,并实现服务成本最小化。在复杂的城市交通网络中,基于提出的协同计算方法,仿真结果表明该方法适应高度动态环境且性能表现优异。
Oct, 2020
车辆边缘计算通过执行本地任务或将任务卸载到附近边缘设备来实现高强度任务处理,而可重构智能表面则通过灵活调整相位来提供替代通信路径。本文提出了一个新的深度强化学习框架,结合修改后的多智能体深度确定性策略梯度(MADDPG)方法和块坐标下降(BCD)算法,用于优化车辆用户(VUs)的功率分配和可重构智能表面的相位调整,在模拟结果中表现出优于集中式深度确定性策略梯度(DDPG)方案和随机方案的性能。
Jun, 2024
本文提出了一种数字孪生(DT)辅助的任务卸载框架,用于移动边缘计算卸载策略的优化,基于预测未来计算任务的学习方案,将卸载调度过程建模为马尔可夫决策过程(MDP),以在延迟、能耗和云租用成本之间平衡,以获得最优卸载策略。
Dec, 2021
本文回顾了 Vefn 中任务卸载的现有技术,并阐述了车辆的高移动性既是时限约束的障碍,也可助于延迟表现。文章进一步探讨了机器学习和编码计算作为关键的支持技术,并提供案例以演示如何在变化的 Vefn 环境中适应学习算法,并利用车辆的移动性来实现任务卸载和任务复制。
Feb, 2019
基于深度强化学习的车边计算中,根据车辆的整体性能和遭受的拜占庭攻击程度,提出了一种车辆选择方案,以有效提高全局模型的安全性和准确性。
Apr, 2024
我们提出一种基于强化学习的数据密集型科学工作流调度方法,考虑到 Volunteer Edge-Cloud 资源的分布和异构性,以确保鲁棒的资源分配。通过将问题建模为马尔可夫决策过程,并使用基于事件的异步优势演员 - 评论家强化学习方法进行求解,我们在大量模拟和实验中证明了我们的方法在满足工作流需求、满足 Volunteer Edge-Cloud 资源偏好以及有效利用资源方面的优势。
Jul, 2024
提出了一个基于深度强化学习的知识驱动服务卸载决策框架,用于解决车辆互联网中多任务服务的卸载问题,并使用仿真实验证明此框架具有快速收敛、适应环境变化和优于贪心算法的性能优势。
Dec, 2018