面向车载云计算系统的基于学习的任务卸载
信息论
2018-04-04 v1 math.IT
摘要
车载云计算（VCC）被提出以有效利用和共享车上的计算与存储资源。然而，由于车辆移动性，网络拓扑、无线信道状态及可用计算资源快速变化且难以预测。本工作中，我们利用多臂老虎机（MAB）理论开发了基于学习的任务卸载框架，使车辆能够学习其具有过剩计算资源的邻近车辆（即服务车辆，SeVs）的潜在任务卸载性能，并最小化平均卸载时延。我们提出自适应易变上置信界（AVUCB）算法，并通过重新设计经典 MAB 算法的效用函数，为其增强负载感知与出现感知。所提 AVUCB 算法能有效适应动态车载环境，平衡学习过程中探索与利用的权衡，并以理论性能保证快速收敛至最优 SeV。在合成场景与真实高速公路场景下的仿真表明，所提算法取得了接近最优的时延性能。
引用
@article{arxiv.1804.00785,
title = {Learning-Based Task Offloading for Vehicular Cloud Computing Systems},
author = {Yuxuan Sun and Xueying Guo and Sheng Zhou and Zhiyuan Jiang and Xin Liu and Zhisheng Niu},
journal= {arXiv preprint arXiv:1804.00785},
year = {2018}
}
备注
7 pages, 4 figures