当前位置:
X-MOL 学术
›
Future Gener. Comput. Syst.
›
论文详情
Our official English website, www.x-mol.net, welcomes your
feedback! (Note: you will need to create a separate account there.)
A vehicular edge computing offloading and task caching solution based on spatiotemporal prediction
Future Generation Computer Systems ( IF 6.2 ) Pub Date : 2024-12-20 , DOI: 10.1016/j.future.2024.107679 Lin Zhu, Bingxian Li, Long Tan
Future Generation Computer Systems ( IF 6.2 ) Pub Date : 2024-12-20 , DOI: 10.1016/j.future.2024.107679 Lin Zhu, Bingxian Li, Long Tan
Traditional research on vehicular edge computing often overlooks the need for large amounts of real-time data with temporal and spatial characteristics. Existing task offloading strategies mainly use a binary approach, neglecting the limited vehicle computing resources and failing to utilize vehicle and edge server resources fully. To this end, this paper proposes a spatio-temporal prediction and Deep Reinforcement Learning (DRL) based task offloading and caching scheme for in-vehicular edge computing. In this paper, a digital twin (DT)-assisted vehicular edge environment is designed to utilize DT technology to obtain a large amount of real-time environmental data for DRL computation. Meanwhile, considering that the data in the in-vehicular edge environment has temporal and spatial characteristics, this paper proposes a demand prediction model based on a spatio-temporal graph neural network (STGNN). This paper proposes a task caching model based on the improved A3C algorithm, which caches tasks based on the prediction results to reduce the computation. In addition, this paper proposes a computational model based on Deep Neural Network (DNN) partitioning and DNN branching, where computational tasks are partitioned and partial offloading is used to realize the full use of computational resources. Since the time scale of task timeliness is much larger than that of vehicle mobility and network state changes, this paper models the problem using a Markov decision process with dual time scales. Experimental results show that this scheme can effectively reduce the delay of task processing.
中文翻译:
一种基于时空预测的车载边缘计算卸载和任务缓存解决方案
关于车辆边缘计算的传统研究往往忽视了对大量具有时间和空间特征的实时数据的需求。现有的任务卸载策略主要采用二进制方法,忽略了有限的车辆计算资源,未能充分利用车辆和边缘服务器资源。为此,该文提出了一种基于时空预测和深度强化学习 (DRL) 的车载边缘计算任务卸载和缓存方案。本文设计了一种数字孪生 (DT) 辅助的车辆边缘环境,利用 DT 技术获取大量实时环境数据,用于 DRL 计算。同时,考虑到车内边缘环境中的数据具有时空特征,本文提出了一种基于时空图神经网络(STGNN)的需求预测模型。该文提出一种基于改进 A3C 算法的任务缓存模型,该模型根据预测结果缓存任务以减少计算量。此外,本文还提出了一种基于深度神经网络 (DNN) 分区和 DNN 分支的计算模型,其中计算任务被分区,并使用部分卸载来实现计算资源的充分利用。由于任务及时性的时间尺度远大于车辆移动性和网络状态变化的时间尺度,本文使用具有双时间尺度的马尔可夫决策过程对问题进行建模。实验结果表明,该方案可以有效降低任务处理的延迟。
更新日期:2024-12-20
中文翻译:
一种基于时空预测的车载边缘计算卸载和任务缓存解决方案
关于车辆边缘计算的传统研究往往忽视了对大量具有时间和空间特征的实时数据的需求。现有的任务卸载策略主要采用二进制方法,忽略了有限的车辆计算资源,未能充分利用车辆和边缘服务器资源。为此,该文提出了一种基于时空预测和深度强化学习 (DRL) 的车载边缘计算任务卸载和缓存方案。本文设计了一种数字孪生 (DT) 辅助的车辆边缘环境,利用 DT 技术获取大量实时环境数据,用于 DRL 计算。同时,考虑到车内边缘环境中的数据具有时空特征,本文提出了一种基于时空图神经网络(STGNN)的需求预测模型。该文提出一种基于改进 A3C 算法的任务缓存模型,该模型根据预测结果缓存任务以减少计算量。此外,本文还提出了一种基于深度神经网络 (DNN) 分区和 DNN 分支的计算模型,其中计算任务被分区,并使用部分卸载来实现计算资源的充分利用。由于任务及时性的时间尺度远大于车辆移动性和网络状态变化的时间尺度,本文使用具有双时间尺度的马尔可夫决策过程对问题进行建模。实验结果表明,该方案可以有效降低任务处理的延迟。