面向多运营商支持雾计算车载系统的深度强化学习
分布式、并行与集群计算
2020-04-10 v1 信号处理
摘要
本文研究了通过为云/雾计算连接的车载系统启用多运营商无线连接所能实现的潜在性能提升。综合考虑切换代价、各移动网络运营商(MNO)间服务质量(QoS)差异、不同 MNO 以及云与雾服务器可能收取的不同价格，对 MNO 选择与切换问题进行建模。提出一种基于双重深度 Q 网络(DQN)的切换策略，并证明该策略能够在保证时延与可靠性性能的前提下，使每辆车的长期平均代价最小化。所提方法的性能使用 commercially available 城市级 LTE 网络中收集的数据集进行评估。仿真结果表明，我们提出的策略能够在保证时延服务的情况下显著降低每个雾/云连接车辆所支付的代价。
引用
@article{arxiv.2004.04557,
title = {Deep Reinforcement Learning for Fog Computing-based Vehicular System with Multi-operator Support},
author = {Xiaohan Zhang and Yong Xiao and Qiang Li and Walid Saad},
journal= {arXiv preprint arXiv:2004.04557},
year = {2020}
}
备注
6 pages, 9 figures. Accepted at IEEE International Conference on Communications (ICC), Dublin, Ireland, June 2020