多接入边缘计算中基于深度学习的自动驾驶汽车缓存
网络与互联网体系结构
2020-02-14 v2
摘要
一旦自动驾驶汽车成为现实且乘客不再为此担忧，他们将需要寻找新的娱乐方式。然而，在数据中心的车到数据中心通信高延迟会阻碍内容分发服务。为应对这些挑战，我们提出一种基于深度学习的自动驾驶汽车缓存方案，利用部署在多接入边缘计算（MEC）结构上的深度学习方法。首先，在数据中心，使用多层感知机（MLP）预测特定区域内内容被请求的概率。为降低车到数据中心延迟，MLP 输出被记录到连接在路边单元上的 MEC 服务器。其次，为缓存针对乘客特征（如年龄和性别）定制的娱乐内容，使用卷积神经网络（CNN）预测乘客的年龄和性别。第三，每辆车从 MEC 服务器请求 MLP 输出，并通过 k-means 和二分类比较其 CNN 与 MLP 输出。由此，自动驾驶汽车可识别需从 MEC 服务器下载并缓存的内容。最后，我们将提升娱乐服务的基于深度学习的自动驾驶汽车缓存建模为一个以最小化内容下载延迟为目标的优化问题。为求解该问题，采用了块连续优超最小化（BS-MM）技术。仿真结果表明，我们对自动驾驶汽车所在区域需缓存内容的预测准确率达 98.04%，且我们的方法能最小化延迟。
引用
@article{arxiv.1810.01548,
title = {Deep Learning Based Caching for Self-Driving Car in Multi-access Edge Computing},
author = {Anselme Ndikumana and Nguyen H. Tran and Choong Seon Hong},
journal= {arXiv preprint arXiv:1810.01548},
year = {2020}
}