针对车辆边缘计算(Vehicular Edge Computing,VEC)卸载与资源分配过程中由于边缘服务器资源受限导致的时延增大的问题,提出一种基于深度强化学习的计算卸载与资源分配(Compute Offload and Resource Allocation Based on Deep Q-Netwrk,...针对车辆边缘计算(Vehicular Edge Computing,VEC)卸载与资源分配过程中由于边缘服务器资源受限导致的时延增大的问题,提出一种基于深度强化学习的计算卸载与资源分配(Compute Offload and Resource Allocation Based on Deep Q-Netwrk,CORADQN)算法。构建VEC网络架构,通过拆分计算密集型车载任务及利用空闲服务车辆的计算资源,将计算任务分别卸载至边缘服务器、空闲服务车辆和本地车辆进行处理,以降低VEC网络系统的总时延。将计算卸载与资源分配转化为多约束优化问题,并将平均奖励作为样本的优先级进行采样,从而提高样本的利用率,加快算法收敛速度。仿真结果表明,相较于完全本地(ALL-Local)算法、完全边缘(ALL-Edge)算法、联邦卸载(Federated Offloading Scheme,FOS)算法及深度Q学习(Deep Q-Network,DQN)算法,所提算法能够最小化VEC网络的系统时延。展开更多
从车联网系统架构出发,根据第五代移动通信技术(5th generation mobile communication technology,5G)和车联网发展现状,系统分析基于5G的目标感知、车对外界的信息交换(vehicle to everything,V2X)通信、网络切片以及边缘计算和雾计算...从车联网系统架构出发,根据第五代移动通信技术(5th generation mobile communication technology,5G)和车联网发展现状,系统分析基于5G的目标感知、车对外界的信息交换(vehicle to everything,V2X)通信、网络切片以及边缘计算和雾计算等关键技术,并分析其中所涉及的非正交多址接入、毫米波、软件定义网络和网络功能虚拟化等技术的研究进展,展望5G车联网的发展趋势。展开更多
文摘针对车辆边缘计算(Vehicular Edge Computing,VEC)卸载与资源分配过程中由于边缘服务器资源受限导致的时延增大的问题,提出一种基于深度强化学习的计算卸载与资源分配(Compute Offload and Resource Allocation Based on Deep Q-Netwrk,CORADQN)算法。构建VEC网络架构,通过拆分计算密集型车载任务及利用空闲服务车辆的计算资源,将计算任务分别卸载至边缘服务器、空闲服务车辆和本地车辆进行处理,以降低VEC网络系统的总时延。将计算卸载与资源分配转化为多约束优化问题,并将平均奖励作为样本的优先级进行采样,从而提高样本的利用率,加快算法收敛速度。仿真结果表明,相较于完全本地(ALL-Local)算法、完全边缘(ALL-Edge)算法、联邦卸载(Federated Offloading Scheme,FOS)算法及深度Q学习(Deep Q-Network,DQN)算法,所提算法能够最小化VEC网络的系统时延。
文摘从车联网系统架构出发,根据第五代移动通信技术(5th generation mobile communication technology,5G)和车联网发展现状,系统分析基于5G的目标感知、车对外界的信息交换(vehicle to everything,V2X)通信、网络切片以及边缘计算和雾计算等关键技术,并分析其中所涉及的非正交多址接入、毫米波、软件定义网络和网络功能虚拟化等技术的研究进展,展望5G车联网的发展趋势。
