VeSoNet：基于路径规划与深度强化学习的车用社交网络流量感知内容缓存
网络与互联网体系结构
2024-10-28 v1 计算机与社会
社会与信息网络
摘要
车用社交网络是前景广阔的网联汽车（IoV）的新兴应用，旨在实现车载网络与社交网络的无缝融合。然而，车载网络高移动性和频繁通信中断等独有特性，使得在严格时延约束下向终端用户交付内容成为极具挑战的任务。本文提出一种社交感知的车载边缘计算架构，通过将网络中部分车辆用作可存储并向附近终端用户流式传输热门内容的边缘服务器来解决内容交付问题。所提架构包含三个组件。首先，我们提出一种社交感知图剪枝搜索算法，计算并将车辆分配至具有最相关车载内容提供方的最短路径。其次，我们采用流量感知内容推荐方案，根据社交上下文推荐相关内容。该方案使用图嵌入，其中车辆由一组低维向量（vehicle2vec）表示，以存储先前消费内容的信息。最后，我们提出一种深度强化学习（DRL）方法来优化内容提供车辆在网络中的分布。基于真实交通仿真的结果显示了所提系统相较于最先进基线的有效性与鲁棒性。
引用
@article{arxiv.2111.05567,
title = {VeSoNet: Traffic-Aware Content Caching for Vehicular Social Networks based on Path Planning and Deep Reinforcement Learning},
author = {Nyothiri Aung and Sahraoui Dhelim and Liming Chen and Wenyin Zhang and Abderrahmane Lakas and Huansheng Ning},
journal= {arXiv preprint arXiv:2111.05567},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication