一种用于车载浮动内容中高效信息分发的深度学习机制
机器学习
2018-10-25 v1 机器学习
摘要
处理由移动流量爆炸性增长所产生的海量网络数据，正成为高效实现预期性能目标的主要优先事项。机会式通信如 FloatingContent（FC，浮动内容）可用于将部分蜂窝流量卸载到车辆到车辆通信（V2V），使基础设施承担协调通信的任务。现有的 FC 维度确定方法存在局限性，主要由于不切实际的假设以及对用户的粗粒度划分，导致过度配置。塑造机会式通信区域是实现高效所需应用性能的关键任务。在这项工作中，我们针对这一开放挑战提出了一种解决方案。具体而言，称为锚定区（AZ）的广播区域通过深度学习方法进行选择，以在达到所需消息可用性的同时最小化通信资源。在合成和真实移动性下拟合分类器均无需假设。我们进行了数值研究以验证所提方法的有效性和效率。预测的 AZ 配置在 98% 置信水平下可达到 89.7% 的准确率。由于学习方法的原因，该方法在真实场景中表现更优，与先前工作的解析建模相比最多节省 27% 的资源。
引用
@article{arxiv.1810.10425,
title = {A Deep Learning Mechanism for Efficient Information Dissemination in Vehicular Floating Content},
author = {Gaetano Manzo and Juan Sebastian Otálora Montenegro and Gianluca Rizzo},
journal= {arXiv preprint arXiv:1810.10425},
year = {2018}
}