SCAR：面向车载服务可扩展AI网络管理的状态空间压缩
机器学习
2026-02-03 v2 神经与进化计算
系统与控制
系统与控制
摘要
互联车载服务日益增长的需求，因网络状态信息的高容量与快速变化，给基于AI的网络与服务管理带来了重大挑战。在动态车载环境中处理诸如信道质量指示符（CQI）等细粒度指标时，传统管理与控制机制难以扩展。为应对这一挑战，我们提出了SCAR（面向AI网络管理的状态空间压缩），这是一个通过边缘辅助的网络状态抽象来提升车载服务可扩展性与公平性的框架。SCAR采用基于机器学习（ML）的压缩技术，包括聚类和径向基函数（RBF）网络，来降低CQI衍生状态信息的维度，同时保留与管理决策相关的基本特征。由此产生的压缩状态被用于训练基于强化学习（RL）的管理策略，旨在最大化网络效率，同时满足由NGMN定义的业务级公平性目标。仿真结果表明，与在未压缩状态信息上运行的强化学习基线相比，SCAR将可行管理区域内的停留时间增加了14%，并将不公平服务分配时间减少了15%。此外，基于模拟退火与随机隧道（SAST）的聚类方法将状态压缩失真降低了10%，证实了所提方法的有效性。这些结果表明，SCAR能够在动态车载系统中实现可扩展且公平的AI辅助网络与服务管理。
引用
@article{arxiv.2508.06243,
title = {SCAR: State-Space Compression for Scalable AI-Based Network Management of Vehicular Services},
author = {Ioan-Sorin Comsa and Purav Shah and Karthik Vaidhyanathan and Deepak Gangadharan and Christof Imhof and Per Bergamin and Aryan Kaushik and Gabriel-Miro Muntean and Ramona Trestian},
journal= {arXiv preprint arXiv:2508.06243},
year = {2026}
}