論文の概要: Resource Allocation for Twin Maintenance and Computing Task Processing in Digital Twin Vehicular Edge Computing Network
- arxiv url: http://arxiv.org/abs/2407.07575v1
- Date: Wed, 10 Jul 2024 12:08:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-11 16:51:55.706015
- Title: Resource Allocation for Twin Maintenance and Computing Task Processing in Digital Twin Vehicular Edge Computing Network
- Title（参考訳）: ディジタル双極エッジコンピューティングネットワークにおける双極子保守・計算タスク処理のためのリソース割り当て
- Authors: Yu Xie, Qiong Wu, Pingyi Fan, Nan Cheng, Wen Chen, Jiangzhou Wang, Khaled B. Letaief,
- Abstract要約: 車両エッジコンピューティング(VEC)は、車両の近くにVECサーバを配置することで、計算キャッシュサービスを提供する。
しかしながら、VECネットワークは、ハイカーモビリティのような課題に直面している。
本研究では,ネットワーク内のツイン処理による2種類の遅延について検討した。
- 参考スコア（独自算出の注目度）: 48.15151800771779
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As a promising technology, vehicular edge computing (VEC) can provide computing and caching services by deploying VEC servers near vehicles. However, VEC networks still face challenges such as high vehicle mobility. Digital twin (DT), an emerging technology, can predict, estimate, and analyze real-time states by digitally modeling objects in the physical world. By integrating DT with VEC, a virtual vehicle DT can be created in the VEC server to monitor the real-time operating status of vehicles. However, maintaining the vehicle DT model requires ongoing attention from the VEC server, which also needs to offer computing services for the vehicles. Therefore, effective allocation and scheduling of VEC server resources are crucial. This study focuses on a general VEC network with a single VEC service and multiple vehicles, examining the two types of delays caused by twin maintenance and computational processing within the network. By transforming the problem using satisfaction functions, we propose an optimization problem aimed at maximizing each vehicle's resource utility to determine the optimal resource allocation strategy. Given the non-convex nature of the issue, we employ multi-agent Markov decision processes to reformulate the problem. Subsequently, we propose the twin maintenance and computing task processing resource collaborative scheduling (MADRL-CSTC) algorithm, which leverages multi-agent deep reinforcement learning. Through experimental comparisons with alternative algorithms, it demonstrates that our proposed approach is effective in terms of resource allocation.
- Abstract（参考訳）: 有望な技術として、車両の近くにVECサーバを配置することで、車両エッジコンピューティング(VEC)がコンピューティングおよびキャッシュサービスを提供することができる。
しかしながら、VECネットワークは、ハイカーモビリティのような課題に直面している。
デジタルツイン(DT)は、物理世界でオブジェクトをデジタルモデリングすることで、リアルタイム状態を予測、推定、分析することができる。
DTとVECを統合することにより、VECサーバ内に仮想車両DTを作成して、車両のリアルタイム動作状態を監視することができる。
しかしながら、車両DTモデルの維持には、車両にコンピューティングサービスを提供する必要のあるVECサーバからの継続的な注意が必要である。
したがって、VECサーバリソースの効果的なアロケーションとスケジューリングが重要である。
本研究では、単一のVECサービスと複数の車両を備えた一般的なVECネットワークに着目し、ネットワーク内の双子の保守と計算処理に起因する2種類の遅延について検討する。
満足度関数を用いて問題を変換することにより,各車両の資源有効性を最大化し,最適資源配分戦略を決定する最適化問題を提案する。
この問題の非凸性を考えると、この問題を再検討するためにマルチエージェントのマルコフ決定プロセスを採用する。
そこで本研究では,マルチエージェント深層強化学習を生かしたMADRL-CSTCアルゴリズムを提案する。
実験により,提案手法が資源配分の面で有効であることを実証した。
関連論文リスト
- Diffusion-based Auction Mechanism for Efficient Resource Management in 6G-enabled Vehicular Metaverses [57.010829427434516]
6G対応のVehicular Metaversesでは、車両は物理的車両のデジタルレプリカとして機能するVT(Vine Twins)によって表現される。
VTタスクはリソース集約であり、高速処理のために地上基地局(BS)にオフロードする必要がある。
地上BSとUAV間の資源配分を最適化する学習型修正第2バイド(MSB)オークション機構を提案する。
論文 参考訳（メタデータ） (2024-11-01T04:34:54Z) - Digital Twin Vehicular Edge Computing Network: Task Offloading and Resource Allocation [14.436364625881183]
本稿では,タスクオフロードとリソース割り当てに関するマルチエージェント強化学習手法を提案する。
多数の実験により,本手法は他のベンチマークアルゴリズムと比較して有効であることが示された。
論文 参考訳（メタデータ） (2024-07-16T01:51:32Z) - Hybrid-Generative Diffusion Models for Attack-Oriented Twin Migration in Vehicular Metaverses [58.264499654343226]
Vehicle Twins (VTs) は、Vehicular Metaverse Users (VMUs) 向けに没入型仮想サービスを提供するデジタルツインである。
車両の高モビリティ、エッジサーバの不均一なデプロイ、潜在的なセキュリティ脅威は、効率的で信頼性の高いVTマイグレーションを実現する上での課題である。
車両メタバースにおけるセキュアで信頼性の高いVTマイグレーションフレームワークを提案する。
論文 参考訳（メタデータ） (2024-07-05T11:11:33Z) - DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。
我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。
拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-06-11T06:31:03Z) - A Deep RL Approach on Task Placement and Scaling of Edge Resources for Cellular Vehicle-to-Network Service Provisioning [6.625994697789603]
エッジリソースのサービスタスク配置とスケーリングの相互依存問題に対処する。
本稿では,ハイブリッド行動空間に対するDHPG(Deep Reinforcement Learning)アプローチを提案する。
DHPGの性能は、実世界のC-V2Nトラフィックデータセットを用いたシミュレーションにより、いくつかの最先端(SoA)ソリューションに対して評価される。
論文 参考訳（メタデータ） (2023-05-16T22:19:19Z) - Scalable Vehicle Re-Identification via Self-Supervision [66.2562538902156]
自動車再同定は、都市規模の車両分析システムにおいて重要な要素の1つである。
車両再設計のための最先端のソリューションの多くは、既存のre-idベンチマークの精度向上に重点を置いており、計算の複雑さを無視することが多い。
推論時間に1つのネットワークのみを使用する自己教師型学習によって、シンプルで効果的なハイブリッドソリューションを提案する。
論文 参考訳（メタデータ） (2022-05-16T12:14:42Z) - MSCET: A Multi-Scenario Offloading Schedule for Biomedical Data
Processing and Analysis in Cloud-Edge-Terminal Collaborative Vehicular
Networks [11.27130249568938]
本稿では,Multi-Scenario offloading schedule for biomedical data processing and analysis in Cloud-Edge-Terminal collaborative vehicular network called MSCETを提案する。
また,提案したMSCETのパラメータを最適化してシステムの有用性を最大化するとともに,提案したMSCETを評価するために広範囲なシミュレーションを行い,MSCETが他の既存のスケジュールより優れていることを示す。
論文 参考訳（メタデータ） (2022-02-16T09:34:25Z) - Learning Based Task Offloading in Digital Twin Empowered Internet of
Vehicles [22.088412340577896]
インターネット・オブ・ビークルのためのタスク・オフロード・フレームワークとしてDigital Twin (DT)を提案する。
クラウドに居住するソフトウェアエージェントとして、DT間の通信を用いて、DTは両方のグローバルネットワーク情報を得ることができる。
本稿では,アルゴリズムが最適オフロード戦略を効果的に発見できることを示すとともに,高速収束と高性能化を実現可能であることを示す。
論文 参考訳（メタデータ） (2021-12-28T08:24:56Z) - Deep Reinforcement Learning for Collaborative Edge Computing in
Vehicular Networks [40.957135065965055]
協調エッジコンピューティングフレームワークは、コンピューティングサービスのレイテンシを低減し、車両ネットワークのサービスの信頼性を向上させるために開発されている。
人工知能(AI)に基づく協調コンピューティングアプローチが開発され、車両のタスクオフロード、コンピューティング、結果配信ポリシーが決定される。
当社のアプローチでは,サービスレイテンシとサービス障害ペナルティを含むサービスコストを,最適なワークロード割り当てとサーバの選択によって最小化することができる。
論文 参考訳（メタデータ） (2020-10-05T00:06:37Z) - A Machine Learning Approach for Task and Resource Allocation in Mobile
Edge Computing Based Networks [108.57859531628264]
無線ネットワークにおいて,共同作業,スペクトル,送信電力配分問題について検討する。
提案アルゴリズムは、標準Q-ラーニングアルゴリズムと比較して、収束に必要なイテレーション数と全ユーザの最大遅延を最大18%、11.1%削減することができる。
論文 参考訳（メタデータ） (2020-07-20T13:46:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。