利用机器学习进行车载雾计算中的切换优化
网络与互联网体系结构
2019-01-01 v1 机器学习
机器学习
摘要
智能移动性管理将是未来雾计算系统的重要前提。在本研究中，我们提出了一种基于学习的车联网切换优化方法，以协助设备连接与卸载任务在雾节点之间的平滑过渡。为此，我们利用机器学习算法从车辆与雾节点的交互中学习。我们的方法使用三层前馈神经网络以 99.2% 的测试集准确率预测给定位置和时间下的正确雾节点。我们还实现了带有长短期记忆（LSTM）单元的双重堆叠循环神经网络（RNN），能够学习与这些服务请求相关的延迟或代价。我们在 JAMScript 中使用真实世界车辆运动数据集创建数据集来训练这些网络。我们进一步提出在更智能的请求路由机制中使用该预测系统，以通过一系列实验最小化雾节点间切换期间的服务中断，并预测低覆盖区域，同时在测试集上测试模型性能。
引用
@article{arxiv.1812.11652,
title = {Using Machine Learning for Handover Optimization in Vehicular Fog Computing},
author = {Salman Memon and Muthucumaru Maheswaran},
journal= {arXiv preprint arXiv:1812.11652},
year = {2019}
}