論文の概要: Towards Intelligent Computation Offloading in Dynamic Vehicular Networks: A Scalable Multilayer Pipeline

• arxiv url: http://arxiv.org/abs/2604.26416v1
• Date: Wed, 29 Apr 2026 08:27:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.312867
• Title: Towards Intelligent Computation Offloading in Dynamic Vehicular Networks: A Scalable Multilayer Pipeline
• Title（参考訳）: 動的ベクトルネットワークにおけるインテリジェントな計算オフロードの実現に向けて:スケーラブルな多層パイプライン
• Authors: Falk Dettinger, Matthias Weiß, Baran Can Gül, Sruthi Mangala Suresh, Nasser Jazdi, Michael Weyrich,
• Abstract要約: 高度なアルゴリズムと頻繁なソフトウェア更新によって、オンボードハードウェアが静的である間、より多くの処理パワーが要求されるため、ソフトウェア定義車両は計算ギャップが増大する。 このミスマッチは、運転支援システムやリアルタイム認識タスクを含む安全クリティカルな機能の性能を脅かす。 本研究では,厳密なラウンドトリップ時間制約を満たしつつ,車両の機能をクラウドやエッジリソースに動的に分散する新しい4層オフロードパイプラインを提案する。
• 参考スコア（独自算出の注目度）: 0.3324986723090369
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Software Defined Vehicles face an increasing computational gap as advanced algorithms and frequent software updates demand more processing power while onboard hardware remains static throughout a vehicle's 10+ year lifespan. This mismatch threatens the performance of safety-critical functions including advanced driver-assistance systems and real-time perception tasks. We propose a novel four-layer computation offloading pipeline that dynamically distributes vehicular functions to cloud and edge resources while meeting strict Round Trip Time constraints. Our key contribution is an enhanced Particle Swarm Optimization algorithm that integrates distance- and direction-based penalties with functional requirements to optimize edge server selection for mobile vehicles. Evaluation using a Kubernetes-based cloud infrastructure with realistic vehicular mobility patterns demonstrates that our approach reduces average response time compared to conventional Brute-Force methods while maintaining the success rate for latency-critical tasks. The modified Particle Swarm Optimization algorithm achieves an average execution time of 26 ms across ten servers and tasks on Central Processing Unit, and 550ms across 15 servers with 1000 tasks on Graphics Processing Unit. These results confirm the pipeline's effectiveness in bridging the computational gap for next-generation Software Defined Vehicles (SDV).
• Abstract（参考訳）: 高度なアルゴリズムと頻繁なソフトウェア更新は、車載ハードウェアが10年以上にわたって静的であるのに対して、より多くの処理能力を必要としている。 このミスマッチは、高度な運転支援システムやリアルタイム認識タスクを含む安全クリティカルな機能の性能を脅かす。 本研究では,厳密なラウンドトリップ時間制約を満たしつつ,車両の機能をクラウドやエッジリソースに動的に分散する新しい4層計算オフロードパイプラインを提案する。 我々の重要な貢献は、距離と方向に基づくペナルティを機能要件と統合し、モバイル車両のエッジサーバ選択を最適化する、強化されたParticle Swarm Optimizationアルゴリズムである。 Kubernetesベースのクラウドインフラストラクチャを現実的な車載モビリティパターンで評価することにより,従来のBrute-Force手法と比較して,レイテンシクリティカルなタスクの成功率を維持しながら,平均応答時間を短縮できることを示す。 修正されたParticle Swarm Optimizationアルゴリズムは、10のサーバで平均26ms、中央処理ユニットで平均550ms、グラフィック処理ユニットで1000のタスクで平均550msを達成する。 これらの結果は,次世代のSoftware Defined Vehicles (SDV) の計算ギャップを埋めるパイプラインの有効性を確認した。

関連論文リスト

• CSGO: Generalized Optimization for Cold Start in Wireless Collaborative Edge LLM Systems [62.24576366776727]
  本稿では,全体の推論遅延を最小限に抑えるために,遅延を考慮したスケジューリングフレームワークを提案する。 提案手法は,ベースライン戦略と比較して,コールドスタート遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2025-08-15T07:49:22Z)
• Computation Pre-Offloading for MEC-Enabled Vehicular Networks via Trajectory Prediction [38.493882483362135]
  本稿では,車両の過去の軌跡を解析するためのトラジェクトリ予測に基づく事前負荷決定アルゴリズムを提案する。 本稿では,Double Deep Q-Network (DDQN) を用いて,エッジサーバがタスク処理遅延を最小限に抑える動的リソース割り当てアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-09-26T09:46:43Z)
• 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)
• V2N Service Scaling with Deep Reinforcement Learning [0.0]
  我々は、エッジコンピューティングの垂直スケーリングにDeep Reinforcement Learning(DRL)を使用し、車両間通信をサポートする。 DDPGは既存のソリューションよりも優れており、アクティブCPUの平均数は23%減少し、長期報酬は24%増加した。
  論文  参考訳（メタデータ） (2023-01-30T23:13:18Z)
• Teal: Learning-Accelerated Optimization of WAN Traffic Engineering [68.7863363109948]
  本稿では,GPUの並列処理能力を活用してTE制御を高速化する学習型TEアルゴリズムTealを提案する。 問題スケールの削減と学習のトラクタビリティ向上のために,Tealはマルチエージェント強化学習(RL)アルゴリズムを用いて,各トラフィック要求を独立に割り当てる。 他のTE加速方式と比較して、Tealは需要を6～32%増やし、197～625倍のスピードアップを達成している。
  論文  参考訳（メタデータ） (2022-10-25T04:46:30Z)
• Dynamic Unicast-Multicast Scheduling for Age-Optimal Information Dissemination in Vehicular Networks [10.934800950965336]
  車両ネットワークでは、道路側ユニット(RSU)が車両に物理プロセスのセットに関するタイムリーな更新を提供する。 決定をユニキャスト、マルチキャスト、ブロードキャスト、あるいは車両へのアップデートの送信に最適化するためのフレームワークが提案されている。
  論文  参考訳（メタデータ） (2022-09-19T16:04:49Z)
• A Deep Value-network Based Approach for Multi-Driver Order Dispatching [55.36656442934531]
  そこで本研究では,注文発送のための深層強化学習に基づくソリューションを提案する。 DiDiの配車プラットフォーム上で大規模なオンラインA/Bテストを実施している。 その結果,CVNetは近年提案されているディスパッチ手法よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2021-06-08T16:27:04Z)
• Multi-Exit Semantic Segmentation Networks [78.44441236864057]
  本稿では,最先端セグメンテーションモデルをMESSネットワークに変換するフレームワークを提案する。 パラメトリド早期出口を用いた特別訓練されたCNNは、より簡単なサンプルの推測時に、その深さに沿って保存する。 接続されたセグメンテーションヘッドの数、配置、アーキテクチャとエグジットポリシーを併用して、デバイス機能とアプリケーション固有の要件に適応する。
  論文  参考訳（メタデータ） (2021-06-07T11:37:03Z)
• Computation Offloading in Heterogeneous Vehicular Edge Networks: On-line and Off-policy Bandit Solutions [30.606518785629046]
  高速変動車体環境では、ネットワークの混雑によりオフロードの遅延が発生する。 本稿では,バンディット理論に基づくオンラインアルゴリズムと非政治学習アルゴリズムを提案する。 提案手法は,最も混雑の少ないネットワークを選択することで,ネットワークのトラフィック変化に適応することを示す。
  論文  参考訳（メタデータ） (2020-08-14T11:48:13Z)

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。