基于深度强化学习的边缘资源任务放置与扩缩容用于蜂窝车联网业务供给
人工智能
2025-06-10 v4 多智能体系统
网络与互联网体系结构
摘要
蜂窝车联万物（C-V2X）目前处于我国社会数字化转型的前沿。通过使车辆能够利用蜂窝网络彼此通信并与交通环境通信，我们重新定义了交通，改善了道路安全和交通服务，提高了车辆交通流的效率，并减少了环境影响。为有效促进蜂窝车辆到网络（C-V2N）业务的供给，我们解决了业务任务放置与边缘资源扩缩容的相互依赖问题。具体而言，我们对该联合问题进行建模并证明其在计算上不可处理。为应对其复杂性，我们提出了深度混合策略梯度（DHPG），一种在混合动作空间中运行的新型深度强化学习（DRL）方法，能够实现整体决策并提升总体性能。我们使用真实世界 C-V2N 交通数据集的仿真评估了 DHPG 的性能，并将其与若干最先进（SoA）方案进行比较。DHPG 优于这些方案，在保证 C-V2N 业务延迟目标第 百分位的同时，优化了计算资源的利用。最后进行了时间复杂度分析，以验证所提方法能够支持实时 C-V2N 业务。
引用
@article{arxiv.2305.09832,
title = {A Deep RL Approach on Task Placement and Scaling of Edge Resources for Cellular Vehicle-to-Network Service Provisioning},
author = {Cyril Shih-Huan Hsu and Jorge Martín-Pérez and Danny De Vleeschauwer and Luca Valcarenghi and Xi Li and Chrysa Papagianni},
journal= {arXiv preprint arXiv:2305.09832},
year = {2025}
}
备注
This paper has been accepted for publication at IEEE Transactions on Network and Service Management