Key points are not available for this paper at this time.
Mit dem Aufkommen intelligenter Endgeräte hat das Internet der Fahrzeuge (IoV) große Aufmerksamkeit erlangt, indem es mobile Kommunikationstechnologien nutzt. Hohe Berechnungskomplexität, Kommunikationsüberhead bei der Zusammenarbeit und begrenzte Netzwerkbandbreiten stellen jedoch erhebliche Herausforderungen für die Bereitstellung von latenzsensitiven IoV-Diensten dar. Um diese Probleme zu überwinden, entwerfen wir eine cloud-edge-kooperative Inhaltslieferstrategie in asymmetrischen IoV-Umgebungen, um die Netzwerkverzögerung zu minimieren, indem wir optimale Berechnung, Caching und Kommunikationsressourcenzuteilung bereitstellen. Wir abstrahieren die gemeinsame Zuteilung heterogener Ressourcen als ein auf Warteschrifftentheorie basierendes Ziel zur Minimierung der Latenz. Als Nächstes arbeitet ein neues Deep Reinforcement Learning (DRL)-Schema in jedem Netzwerknoten, um optimales Inhalts-Caching und die Anforderungsweiterleitung basierend auf der wahrnehmbaren Anforderungs-Historie und dem Netzwerkstatus zu erreichen. Umfangreiche Simulationen zeigen, dass unsere vorgeschlagene Strategie eine geringere Netzwerkverzögerung im Vergleich zu den aktuellen Lösungen im cloud-edge-Kollaborationssystem aufweist und in verschiedenen Szenarien schnell konvergiert.
Cui et al. (Thu,) haben diese Frage untersucht.