ISAC 使能车辆边缘计算中基于 DRL 的联邦自监督学习用于任务卸载与资源分配
机器学习
2025-06-23 v2 分布式、并行与集群计算
网络与互联网体系结构
摘要
智能交通系统（ITS）利用集成感知与通信（ISAC）来增强车联网（IoV）中车辆与基础设施之间的数据交换。这种集成不可避免地增加了计算需求，危及实时系统稳定性。车辆边缘计算（VEC）通过将任务卸载到路侧单元（RSU）来解决此问题，确保及时服务。我们之前的工作 FLSimCo 算法利用本地资源进行联邦自监督学习（SSL），但车辆通常无法完成所有迭代任务。我们改进的算法将部分任务卸载到 RSU，并通过调整传输功率、CPU 频率和任务分配比率来优化能耗，平衡本地和基于 RSU 的训练。同时，设置卸载阈值进一步防止效率低下。仿真结果表明，增强后的算法降低了能耗，提高了卸载效率和联邦 SSL 的准确性。
引用
@article{arxiv.2408.14831,
title = {DRL-Based Federated Self-Supervised Learning for Task Offloading and Resource Allocation in ISAC-Enabled Vehicle Edge Computing},
author = {Xueying Gu and Qiong Wu and Pingyi Fan and Nan Cheng and Wen Chen and Khaled B. Letaief},
journal= {arXiv preprint arXiv:2408.14831},
year = {2025}
}
备注
This paper has been accepted by Digital Communications and Networks. The source code has been released at: https://github.com/qiongwu86/Federated-SSL-task-offloading-and-resource-allocation