集成大语言模型的6G车联网中的资源分配

在即将到来的6G时代，车联网正从简单的车与车（V2V）通信向更复杂的车联网（V2X）连接转变。这一转变的前沿是将大语言模型（LLMs）集成到车辆中。LLMs以其复杂的自然语言处理能力而闻名，改变了用户与车辆的交互方式。这种集成促进了语音驱动的命令和交互，脱离了传统的手动控制系统。然而，将LLMs集成到车辆系统中带来了显著的挑战。LLMs庞大的计算需求和能耗要求提出了重大挑战，尤其是在车辆受限的环境中。此外，车联网中任务的时效性又增加了另一层复杂性。在本文中，我们考虑了一种边缘计算系统，其中车辆在本地处理LLM计算的初始层，并将剩余的LLM计算任务卸载到路侧单元（RSUs），设想了一个LLM计算与6G网络超低延迟和高带宽能力无缝交互的车联网生态系统。为了平衡完成时间与能耗之间的权衡，我们提出了一个多目标优化问题，以最小化车辆和RSUs的总成本。然后将该问题分解为两个子问题，分别通过序列二次规划（SQP）方法和分数规划技术求解。仿真结果清楚地表明，我们提出的算法在减少系统的完成时间和能耗方面非常有效。