Integriertes Networking, Caching und Computing für vernetzte Fahrzeuge: Ein Ansatz des Deep Reinforcement Learning

Die Entwicklungen vernetzter Fahrzeuge werden stark von Informations- und Kommunikationstechnologien beeinflusst, die eine Vielzahl von Innovationen in verschiedenen Bereichen, einschließlich Networking, Caching und Computing, angestoßen haben. Dennoch wurden diese wichtigen Ermächtigungstechnologien in den bisherigen Arbeiten zu Fahrzeugnetzwerken traditionell separat untersucht. In diesem Papier schlagen wir ein integriertes Framework vor, das die dynamische Orchestrierung von Netzwerk-, Cache- und Rechenressourcen ermöglichen kann, um die Leistung der nächsten Generation von Fahrzeugnetzwerken zu verbessern. Wir formulieren die Ressourcenallokationsstrategie in diesem Framework als gemeinsames Optimierungsproblem, wobei die Vorteile nicht nur des Networking, sondern auch des Caching und der Berechnung in das vorgeschlagene Framework einfließen. Die Komplexität des Systems ist sehr hoch, wenn wir diese drei Technologien gemeinsam betrachten. Daher schlagen wir in diesem Papier einen neuartigen Ansatz des Deep Reinforcement Learning vor. Simulationsresultate mit verschiedenen Systemparametern werden präsentiert, um die Effektivität des vorgeschlagenen Schemas zu zeigen.