高级搜索

一种车载服务的快速深度Q学习网络边云迁移策略

彭军 王成龙 蒋富 顾欣 牟玥玥 刘伟荣

引用本文: 彭军, 王成龙, 蒋富, 顾欣, 牟玥玥, 刘伟荣. 一种车载服务的快速深度Q学习网络边云迁移策略[J]. 电子与信息学报, doi: 10.11999/JEIT190612 shu
Citation:  Jun PENG, Chenglong WANG, Fu JIANG, Xin GU, Yueyue MU, Weirong LIU. A Fast Deep Q-learning Network Edge Cloud Migration Strategy for Vehicular Service[J]. Journal of Electronics and Information Technology, doi: 10.11999/JEIT190612 shu

一种车载服务的快速深度Q学习网络边云迁移策略

    作者简介: 彭军: 女,1967年生,教授,研究方向为智能交通网络通信与安全控制、移动云服务、机器学习、智慧新能源管理;
    王成龙: 男,1996年生,博士生,研究方向为车联网、智能交通网络通信、机器学习;
    蒋富: 男,1983年生,副教授,研究方向为无线通信与移动网络、绿色认知无线传感器网络、协同通信、网络空间安全;
    顾欣: 女,1993年生,博士生,研究方向为无线网络优化、车联网通信技术;
    牟玥玥: 女,1996年生,硕士生,研究方向为图像处理、无线通信;
    刘伟荣: 男,1976年生,教授,研究方向为物联网、协同通信、CPS系统、云机器人情景感知
    通讯作者: 蒋富,jiangfu0912@csu.edu.cn
  • 基金项目: 国家自然科学基金(61873353, 61672539)

摘要: 智能网联交通系统中车载用户的高速移动,不可避免地造成了数据在边缘服务器之间频繁迁移,产生了额外的通信回传时延,対边缘服务器的实时计算服务带来了巨大的挑战。为此,该文提出一种基于车辆运动轨迹的快速深度Q学习网络(DQN-TP)边云迁移策略,实现数据迁移的离线评估和在线决策。车载决策神经网络实时获取接入的边缘服务器网络状态和通信回传时延,根据车辆的运动轨迹进行虚拟机或任务迁移的决策,同时将实时的决策信息和获取的边缘服务器网络状态信息发送到云端的经验回放池中;评估神经网络在云端读取经验回放池中的相关信息进行网络参数的优化训练,定时更新车载决策神经网络的权值,实现在线决策的优化。最后仿真验证了所提算法与虚拟机迁移算法和任务迁移算法相比能有效的降低时延。

English

图(3)表(3)
计量
  • PDF下载量:  4
  • 文章访问数:  101
  • HTML全文浏览量:  77
文章相关
  • 通讯作者:  蒋富, jiangfu0912@csu.edu.cn
  • 收稿日期:  2019-08-12
  • 录用日期:  2019-11-04
  • 网络出版日期:  2019-11-12
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

/

返回文章