面向下一代车载网络的去中心化预测服务质量研究
网络与互联网体系结构
2023-02-23 v1 人工智能
摘要
为确保远程驾驶场景中的安全性，车辆与远程驾驶员之间的通信必须满足严格的时延与可靠性要求。在此背景下，预测服务质量（Predictive Quality of Service, PQoS）被研究作为一种工具，用于预测服务质量（Quality of Service, QoS）的意外劣化，并使网络能够做出相应反应。在本工作中，我们设计了一个强化学习（RL）智能体以在车载网络中实现PQoS。为此，基于在无线接入网（Radio Access Network, RAN）和/或终端车辆上收集的数据以及QoS预测，我们的框架能够在低时延与可靠性约束下识别发送汽车数据的最优压缩级别。我们考虑了不同的学习方案，包括集中式、完全分布式以及联邦学习。我们通过ns-3仿真证明，虽然集中式学习通常优于任何其他方案，但去中心化学习，尤其是联邦学习，在收敛时间与可靠性之间提供了良好的权衡，并在隐私与复杂度方面具有积极意义。
引用
@article{arxiv.2302.11268,
title = {Towards Decentralized Predictive Quality of Service in Next-Generation Vehicular Networks},
author = {Filippo Bragato and Tommaso Lotta and Gianmaria Ventura and Matteo Drago and Federico Mason and Marco Giordani and Michele Zorzi},
journal= {arXiv preprint arXiv:2302.11268},
year = {2023}
}
备注
This paper has been accepted for publication at IEEE Information Theory and Applications Workshop (ITA), 2023