Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Une approche RL approfondie sur le placement des tâches et la mise à l'échelle des ressources de périphérie pour la fourniture de services cellulaires de véhicule à réseau

Created by
  • Haebom

Auteur

Cyril Shih-Huan Hsu, Jorge Mart in-P erez, Danny De Vleeschauwer, Luca Valcarenghi, Xi Li, Chrysa Papagianni

Contour

Cet article aborde le problème du placement des tâches de service cellulaire véhicule-réseau (C-V2N) et de l'expansion des ressources périphériques pour une fourniture efficace de services de communications cellulaires véhicule-à-tout (C-V2X). Pour résoudre ce problème complexe, nous proposons une nouvelle technique d'apprentissage par renforcement profond (DRL), le gradient de politique mixte profond (DHPG), qui fonctionne dans un espace d'action mixte. Grâce à des simulations utilisant des jeux de données de trafic C-V2N réels, nous démontrons que le DHPG surpasse les solutions de pointe existantes et optimise l'utilisation des ressources de calcul tout en garantissant la latence du service C-V2N au 99e percentile. Enfin, nous effectuons une analyse de complexité temporelle pour vérifier que l'approche proposée peut prendre en charge les services C-V2N en temps réel.

Takeaways, Limitations

Takeaways:
Proposer DHPG comme solution efficace aux problèmes de placement des tâches de service C-V2N et d'extension des ressources de périphérie.
Vérification des performances du DHPG et démonstration de sa supériorité sur les solutions existantes grâce à des simulations basées sur des ensembles de données réels.
Effectuer une analyse de complexité temporelle pour la possibilité de prendre en charge des services en temps réel.
Atteindre l'objectif de 99 % de latence du service C-V2N et optimiser l'utilisation des ressources informatiques.
Limitations:
ÉTant donné qu’il s’agit de résultats d’évaluation des performances dans un environnement de simulation, une vérification des performances dans un environnement réel est nécessaire.
Manque de description détaillée du processus d'apprentissage et d'optimisation des paramètres du DHPG.
Manque d’évaluation de la robustesse pour divers environnements réseau et conditions de trafic.
Manque de prise en compte des types et des capacités limités des ressources de pointe.
👍