数字孪生赋能车联网中基于学习的任务卸载
网络与互联网体系结构
2022-01-25 v1 人工智能
摘要
移动边缘计算已成为未来自动驾驶车辆卸载计算任务的一种有效且基础性的范式。然而，由于车辆的高移动性、无线条件的动态性以及到达计算任务的不确定性，单车难以确定最优卸载策略。本文提出一种数字孪生(Digital Twin, DT)赋能的车联网任务卸载框架。作为驻留在云端的软件代理，DT可通过DT间的通信获取全局网络信息，并通过孪生内部通信获取车辆的历史信息。全局网络信息与历史车辆信息可显著促进卸载。具体而言，为使不同层级的宝贵计算资源服务于最合适的计算任务，我们在DT中集成基于未来计算任务预测的的学习方案。相应地，我们将卸载调度过程建模为马尔可夫决策过程(Markov Decision Process, MDP)，以在任务时延、能耗与云租赁成本之间权衡的前提下最小化长期代价。仿真结果表明，与其他现有方法相比，我们的算法能有效找到最优卸载策略，并实现快速收敛速度与高性能。
引用
@article{arxiv.2201.09076,
title = {Learning Based Task Offloading in Digital Twin Empowered Internet of Vehicles},
author = {Jinkai Zheng and Tom H. Luan and Longxiang Gao and Yao Zhang and Yuan Wu},
journal= {arXiv preprint arXiv:2201.09076},
year = {2022}
}