面向未来 6G 网络中资源高效车载大数据传输的客户端智能方法
网络与互联网体系结构
2021-02-18 v1
摘要
车载大数据有望成为汽车行业的“新石油”，推动基于新型众包感知服务的发展。然而，海量的车载传感器数据传输对蜂窝网络构成了巨大挑战。一种有望缓解该问题、从而更高效地利用现有网络资源的方法是：在端-边-云设备上运用智能。通过基于机器学习的高资源效率数据传输机会的识别与利用，客户端设备能够参与到整体网络资源优化过程中。在本工作中，我们提出了一种面向延迟容忍应用的新型基于客户端的机会式数据传输方法，其基于混合机器学习方法：应用监督学习预测当前可实现的数据速率，该速率作为基于强化学习的数据传输调度过程的度量；此外，应用无监督学习揭示预测模型中与地理空间相关的不确定性。在三个德国移动网络运营商（MNO）的公共蜂窝网络中的综合真实世界评估表明，平均数据速率可提升高达 223%，同时占用的网络资源减少高达 89%。由于优先选择更稳健的网络条件进行数据传输，传输相关功耗降低了高达 73%。代价是传感器数据的年龄信息（AoI）增加。
引用
@article{arxiv.2102.08624,
title = {Client-Based Intelligence for Resource Efficient Vehicular Big Data Transfer in Future 6G Network},
author = {Benjamin Sliwa and Rick Adam and Christian Wietfeld},
journal= {arXiv preprint arXiv:2102.08624},
year = {2021}
}