Key points are not available for this paper at this time.
Im Internet der Fahrzeuge (IoVs) kann ein Edge-Server verwandte Rechenaufgaben, die von fahrzeugmontierten Terminals in unmittelbarer Nähe ausgelagert werden, basierend auf zwischengespeicherten Anwendungsdiensten verarbeiten. Wenn der Edge-Server jedoch alle möglichen Anwendungsdienste zwischenspeichert, verringert sich der wirtschaftliche Nutzen des Servers aufgrund der großen Anzahl an Verkehrsdiensttypen. Darüber hinaus könnten Informationen von fahrzeugmontierten Terminals während der Datenübertragung泄露 werden. Daher haben wir ein integriertes Framework für Edge-Dienste und federiertes Lernen für IoVs entwickelt. Ein Ressourcenmanagementansatz basierend auf Deep Reinforcement Learning (DRL) wird ebenfalls vorgeschlagen, um die gemeinsame Optimierung von Entscheidungshilfen für die Aufgabenabwicklung, Kommunikation und Zuordnung von Rechenressourcen sowie die Platzierung von Edge-Diensten in IoVs zu erreichen. Die Simulationsergebnisse zeigen, dass der DRL-basierte Ansatz die hohe Komplexität eines Netzwerksystems und den großen Raum der Politikwahl überwinden kann und eine gute Konvergenzleistung sowie einen gemeinsamen Optimierungseffekt aufweist.
Zhou et al. (Sun,) haben diese Frage untersucht.