CN113055488A - 多层联邦深度强化学习的车辆边缘协作缓存方法及系统 - Google Patents

多层联邦深度强化学习的车辆边缘协作缓存方法及系统 Download PDF

Info

Publication number
CN113055488A
CN113055488A CN202110307403.0A CN202110307403A CN113055488A CN 113055488 A CN113055488 A CN 113055488A CN 202110307403 A CN202110307403 A CN 202110307403A CN 113055488 A CN113055488 A CN 113055488A
Authority
CN
China
Prior art keywords
vehicle
model
parameters
global
vehicle edge
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110307403.0A
Other languages
English (en)
Other versions
CN113055488B (zh
Inventor
冉泳屹
赵雷
雒江涛
李灵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202110307403.0A priority Critical patent/CN113055488B/zh
Publication of CN113055488A publication Critical patent/CN113055488A/zh
Application granted granted Critical
Publication of CN113055488B publication Critical patent/CN113055488B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/56—Provisioning of proxy services
    • H04L67/568—Storing data temporarily at an intermediate stage, e.g. caching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种多层联邦深度强化学习的车辆边缘协作缓存方法。该方法利用联邦学习，框架分布式地训练基于深度强化学习的车辆边缘协作缓存算法。具体地，通过动态感知内容的受欢迎程度，利用DRL中的DDQN算法获得最优协作缓存策略，从而降低内容传输延迟和响应时间。联邦学习的训练方式使得用户数据保存在用户本地进行训练而不必上传到RSU，有力保护了用户隐私。同时，在此基础上提出多级聚合的概念，通过设计的全局聚合器能够更好地感知全局内容流行度的变化，加快了模型的收敛速度。

Description

多层联邦深度强化学习的车辆边缘协作缓存方法及系统
技术领域
本发明涉及车辆边缘协作缓存技术领域，具体涉及多层联邦深度强化学习的车辆边缘协作缓存方法及系统。
背景技术
随着移动互联网、5G与人工智能技术的发展，汽车逐渐成为现代人类不可或缺的集成智能移动载体，而车联网则作为智能汽车和智慧城市的关键基础设施备受关注。车联网是以车内网、车际网和车载移动互联网(车云网)为基础，实现智能化交通管理、智能动态信息服务和车辆智能化控制的一体化网络。
随着车联网的迅猛发展，一些以提高驾驶安全性、旅行舒适性和娱乐性为目的的车载应用应运而生，但是，这些应用往往对服务质量有特定需求(例如，传输延迟和响应时间)。由于云数据中心和用户之间的物理距离较远，仅从云数据中心(CloudDataCenter，CDC)获取数据通常无法满足特定的服务质量需求。近年来，硬件技术不断发展，车联网的网络边缘节点(距离用户最近的节点)和车载设备的计算、通信和存储能力不断提升，通过将云数据中心的数据内容迁移到边缘车辆设备(例如路边单元(RoadsideUnit，RSU))，大大降低了传输延迟和响应时间。但是车联网的缓存策略设计面临以下三个问题：1)RSU的缓存容量有限，并不能像云数据中心一样海量缓存数据；2)区域内容的受欢迎程度和有效性是随时间变化的。缓存算法需要充分利用缓存空间，动态地决定所要缓存的内容以及将这些内容缓存在何处(例如，覆盖本区域的RSU或相邻区域的RSU)；3)用户数据具有隐私性。对于一些基于学习的人工智能算法，为了保护车辆用户的隐私，用户数据有时只能在车载单元(On-BoardUnit，OBU)使用，而不能传输到一个集中的地方进行训练，这使集中式算法无法成为解决全局最优的缓存策略。
发明内容
本发明所要解决的技术问题是：车联网的缓存策略存在难以实现全局最优的问题，目的在于提供一种多层联邦深度强化学习的车辆边缘协作缓存方法及系统，使车联网的缓存策略实现全局最优的同时，进一步降低传输延迟和响应时间。
本发明通过下述技术方案实现：
多层联邦深度强化学习的车辆边缘协作缓存方法，包括以下步骤：
步骤1：构建车辆边缘协作缓存模型；
步骤2：将所述车辆边缘协作缓存模型加载到多个车载单元和路侧单元中；
步骤3：针对每一个车载单元，利用训练参数对车辆边缘协作缓存模型进行训练，得到模型参数；
步骤4：将各车载单元中的模型参数上传至与各车载单元相关联的路测单元中进行二级聚合处理，得到各路侧单元覆盖范围内的局部聚合参数；
步骤5：将各路侧单元覆盖范围内的局部聚合参数上传至全局聚合器进行一级聚合，得到全局聚合参数；
步骤6：将全局聚合参数反馈至各路侧单元，利用全局聚合参数更新各路侧单元中的车辆边缘协作缓存模型；
步骤7：通过各路侧单元将全局聚合参数反馈至各车载单元，利用全局聚合参数更新各车载单元中的车辆边缘协作缓存模型；
步骤8：按照步骤3至步骤7所述的方法循环，直到车辆边缘协作缓存模型收敛；
步骤9：利用路侧单元中收敛的车联边缘协作缓存模型制定全局最优缓存策略。
本发明提出的多层联邦深度强化学习的车辆边缘协作缓存方法，其发明点在于：第一，对经过联邦学习方法训练后得到的模型参数依次进行二级聚合处理和一级聚合处理，最终得到一个包含全局内容热度特征的参数，即全局聚合参数。并且，利用该全局聚合参数进一步更新车辆边缘协作缓存模型，从而使最终收敛的车辆边缘协作缓存模型在感知全局内容热度的前提下做出缓存决策，避免了局部最优的同时进一步加快了模型的收敛速度。第二，本发明提出的多层联邦学习方式，使得用户数据保存在用户本地进行训练而不必加密上传到RSU，更加有力地保护了用户隐私。
作为对本发明的进一步描述，二级聚合的方法为：利用二级聚合模型对各车载单元上传的模型参数进行处理。
作为对本发明的进一步描述，一级聚合的方法为：针对所有路侧单元上传的局部聚合参数，利用全局聚合器中的一级聚合模型进行处理。
多层联邦深度强化学习的车辆边缘协作缓存系统，其特征在于，包括：
车载服务器：用于存储、训练和更新车辆边缘协作缓存模型，并与路侧单元进行数据传输；
路侧服务器，用于存储和更新车辆边缘协作缓存模型，与各车载单元进行数据和全局聚合器进行数据传输；
全局聚合器，用于对由路侧服务器发送的局部聚合参数进行一级聚合处理，得到全局聚合参数。
作为对本发明的进一步描述，上述车载服务器包括：
第一模型存储模块，用于存储车辆边缘缓存模型；
参数处理模块，用于初始化模型训练参数，以及存储由路侧单元发送的全局聚合参数；
模型训练模块，用于根据初始化模型训练参数对车辆边缘协作缓存模型进行训练，得到模型参数；
车载通信模块，用于和路侧服务器之间进行数据传输；
第一模型更新模块，用于根据全局聚合参数，更新车辆边缘协作缓存模型。
作为对本发明的进一步描述，上述路侧服务器包括：
路侧通信模块，用于分别和各车载单元和全局聚合器进行数据传输；
第二模型存储模块，用于存储车辆边缘缓存模型；
二级聚合模块，用于对各车载单元上传的模型参数进行二级聚合，得到各路侧单元覆盖范围内的局部聚合参数；
第二模型更新模块，用于根据全局聚合参数，更新车辆边缘协作缓存模型；
缓存策略制定模块，用于根据收敛的车辆边缘协作缓存模型，制定全局最优的缓存决策。
作为对本发明的进一步描述，上述全局聚合器包括：
一级聚合模块，用于对各路侧单元上传的模型参数进行一级聚合，得到全局聚合参数；
聚合器通信模块，用于将全局聚合参数发送给各路侧单元。
本发明与现有技术相比，具有如下的优点和有益效果：
1、本发明多层联邦深度强化学习的车辆边缘协作缓存方法及系统，可在有限的缓存空间下动态感知内容的受欢迎程度并做出合适的缓存决策，大大降低内容传输延迟和响应时间；
2、本发明多层联邦深度强化学习的车辆边缘协作缓存方法及系统，可使用户数据保存在用户本地进行训练而不必上传到RSU，有力保护了用户隐私；
3、本发明多层联邦深度强化学习的车辆边缘协作缓存方法及系统，能够更好感知全局内容流行度的变化，大幅提升模型的收敛速度。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明多层联邦深度强化学习的车辆边缘协作缓存方法流程图。
图2为本发明多层联邦深度强化学习的车辆边缘协作缓存系统结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1：
本实施例提出一种多层联邦深度强化学习的车辆边缘协作缓存方法。该方法利用联邦学习框架分布式地训练基于深度强化学习的车辆边缘协作缓存算法。具体地，通过动态感知内容的受欢迎程度，利用DRL中的DDQN算法获得最优协作缓存策略，从而降低内容传输延迟和响应时间。联邦学习的训练方式使得用户数据保存在用户本地进行训练而不必上传到RSU，有力保护了用户隐私。同时，在此基础上提出多级聚合的概念，通过设计的全局聚合器能够更好地感知全局内容流行度的变化，加快了模型的收敛速度。
该方法的具体实现步骤参照图1。如图1所示，多层联邦深度强化学习的车辆边缘协作缓存方法的具体步骤包括：
步骤1：根据车辆网边缘缓存场景，利用DRL的DDQN算法构建车辆边缘协作缓存模型。具体包括：
步骤1.1：将车联网边缘缓存场景内的所有路测单元(RSU)表示为
Figure BDA0002988419630000041
将车载单元(OBU)表示为
Figure BDA0002988419630000042
内容表示为
Figure BDA0002988419630000043
定义DDQN算法状态空间为
Figure BDA0002988419630000044
其中
Figure BDA0002988419630000045
表示车载用户o对内容c发出请求；
Figure BDA0002988419630000046
表示RSUu缓存了内容c，
Figure BDA0002988419630000047
则代表没有内容c的缓存；
Figure BDA0002988419630000048
表示在RSUu下内容c的流行程度。
步骤1.2：定义DDQN算法行动空间为A＝(aloc，aco-rsu，acdc)。其中，
Figure BDA0002988419630000049
Figure BDA00029884196300000410
表示内容c需要被当前所请求的内容替换，
Figure BDA00029884196300000411
则不需要替换；
Figure BDA00029884196300000412
表示当前的内容请求由RSUu处理；acdc＝1表示所请求的内容将从云数据中心处下载。
步骤1.3：定义DDQN算法奖励函数为r(S，A)。具体地，当内容请求在本地RSU得到满足时奖励为
Figure BDA00029884196300000413
即缓存请求在本地RSU上的命中率；当内容请求被转向相邻RSU处理时，奖励设置为相邻RSU上的缓存命中率
Figure BDA00029884196300000414
当缓存请求在本地RSU和相邻RSU均得不到处理时，请求内容只能从云数据中心获取，相应奖励设置为0。
缓存命中率计算公式为
Figure BDA00029884196300000415
其中T为缓存请求总数，H(index)表示内容索引为index的内容命中情况，当H(index)＝1时，表示内容索引为index的内容请求命中，反之，则未命中。
步骤2：将车辆边缘协作缓存模型加载到多个车载单元中。
步骤3：针对每一个车载单元，利用训练参数对车辆边缘协作缓存模型进行训练，得到模型参数。
步骤4：将各车载单元中的模型参数上传至与各车载单元相关联的路测单元中进行二级聚合处理，得到各路侧单元覆盖范围内的局部聚合参数。其中二级聚合处理的公式为
Figure BDA0002988419630000051
其中，
Figure BDA0002988419630000052
代表H个OBU的数据集，e为当前训练轮数。
步骤5：将各路侧单元覆盖范围内的局部聚合参数上传至全局聚合器进行一级聚合处理，得到全局聚合参数。其中，一级聚合处理的公式为
Figure BDA0002988419630000053
步骤6：将全局聚合参数反馈至各路侧单元，利用全局聚合参数更新各路侧单元中的车辆边缘协作缓存模型。
步骤7：通过各路侧单元将全局聚合参数反馈至各车载单元，利用全局聚合参数更新各车载单元中的车辆边缘协作缓存模型。
步骤8：按照步骤3至步骤7所述的方法循环，直到车辆边缘协作缓存模型收敛。
步骤9：利用路侧单元中收敛的车联边缘协作缓存模型制定全局最优缓存策略。
实施例2：
多层联邦深度强化学习的车辆边缘协作缓存系统，包括：
车载服务器：用于存储、训练和更新车辆边缘协作缓存模型，并与路侧单元进行数据传输；
路侧服务器，用于存储和更新车辆边缘协作缓存模型，与各车载单元进行数据和全局聚合器进行数据传输；
全局聚合器，用于对由路侧服务器发送的局部聚合参数进行一级聚合处理，得到全局聚合参数。
上述车载服务器包括：
第一模型存储模块，用于存储车辆边缘缓存模型；
参数处理模块，用于初始化模型训练参数，以及存储由路侧单元发送的全局聚合参数；
模型训练模块，用于根据初始化模型训练参数对车辆边缘协作缓存模型进行训练，得到模型参数；
车载通信模块，用于和路侧服务器之间进行数据传输；
第一模型更新模块，用于根据全局聚合参数，更新车辆边缘协作缓存模型。
作为对本发明的进一步描述，上述路侧服务器包括：
路侧通信模块，用于分别和各车载单元和全局聚合器进行数据传输；
第二模型存储模块，用于存储车辆边缘缓存模型；
二级聚合模块，用于对各车载单元上传的模型参数进行二级聚合，得到各路侧单元覆盖范围内的局部聚合参数；
第二模型更新模块，用于根据全局聚合参数，更新车辆边缘协作缓存模型；
缓存策略制定模块，用于根据收敛的车辆边缘协作缓存模型，制定全局最优的缓存决策。
上述全局聚合器包括：
一级聚合模块，用于对各路侧单元上传的模型参数进行一级聚合，得到全局聚合参数；
聚合器通信模块，用于将全局聚合参数发送给各路侧单元。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.多层联邦深度强化学习的车辆边缘协作缓存方法，其特征在于，包括以下步骤：
步骤1：构建车辆边缘协作缓存模型；
步骤2：将所述车辆边缘协作缓存模型加载到多个车载单元和路侧单元中；
步骤3：针对每一个车载单元，利用训练参数对车辆边缘协作缓存模型进行训练，得到模型参数；
步骤4：将各车载单元中的模型参数上传至与各车载单元相关联的路测单元中进行二级聚合处理，得到各路侧单元覆盖范围内的局部聚合参数；
步骤5：将各路侧单元覆盖范围内的局部聚合参数上传至全局聚合器进行一级聚合处理，得到全局聚合参数；
步骤6：将全局聚合参数反馈至各路侧单元，利用全局聚合参数更新各路侧单元中的车辆边缘协作缓存模型；
步骤7：通过各路侧单元将全局聚合参数反馈至各车载单元，利用全局聚合参数更新各车载单元中的车辆边缘协作缓存模型；
步骤8：按照步骤3至步骤7所述的方法循环，直到车辆边缘协作缓存模型收敛；
步骤9：利用路侧单元中收敛的车辆缘协作缓存模型制定全局最优缓存策略。
2.根据权利要求1所述的多层联邦深度强化学习的车辆边缘协作缓存方法，其特征在于，所述二级聚合的方法为：利用二级聚合模型对各车载单元上传的模型参数进行处理。
3.根据权利要求1或2所述的多层联邦深度强化学习的车辆边缘协作缓存方法，其特征在于，所述一级聚合的方法为：针对所有路侧单元上传的局部聚合参数，利用全局聚合器中的一级聚合模型进行处理。
4.多层联邦深度强化学习的车辆边缘协作缓存系统，其特征在于，包括：
车载服务器：用于存储、训练和更新车辆边缘协作缓存模型，并与路侧单元进行数据传输；
路侧服务器，用于存储和更新车辆边缘协作缓存模型，与各车载单元进行数据和全局聚合器进行数据传输；
全局聚合器，用于对由路侧服务器发送的局部聚合参数进行一级聚合处理，得到全局聚合参数。
5.根据权利要求4所述的多层联邦深度强化学习的车辆边缘协作缓存系统，其特征在于，所述车载服务器包括：
第一模型存储模块，用于存储车辆边缘缓存模型；
参数处理模块，用于初始化模型训练参数，以及存储由路侧单元发送的全局聚合参数；
模型训练模块，用于根据初始化模型训练参数对车辆边缘协作缓存模型进行训练，得到模型参数；
车载通信模块，用于和路侧服务器之间进行数据传输；
第一模型更新模块，用于根据全局聚合参数，更新车辆边缘协作缓存模型。
6.根据权利要求4或5所述的多层联邦深度强化学习的车辆边缘协作缓存系统，其特征在于，所述路侧服务器包括：
路侧通信模块，用于分别和各车载单元和全局聚合器进行数据传输；
第二模型存储模块，用于存储车辆边缘缓存模型；
二级聚合模块，用于对各车载单元上传的模型参数进行二级聚合，得到各路侧单元覆盖范围内的局部聚合参数；
第二模型更新模块，用于根据全局聚合参数，更新车辆边缘协作缓存模型；
缓存策略制定模块，用于根据收敛的车辆边缘协作缓存模型，制定全局最优的缓存决策。
7.根据权利要求6所述的多层联邦深度强化学习的车辆边缘协作缓存系统，其特征在于，所述全局聚合器包括：
一级聚合模块，用于对各路侧单元上传的模型参数进行一级聚合，得到全局聚合参数；
聚合器通信模块，用于将全局聚合参数发送给各路侧单元。
CN202110307403.0A 2021-03-23 2021-03-23 多层联邦深度强化学习的车辆边缘协作缓存方法及系统 Active CN113055488B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110307403.0A CN113055488B (zh) 2021-03-23 2021-03-23 多层联邦深度强化学习的车辆边缘协作缓存方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110307403.0A CN113055488B (zh) 2021-03-23 2021-03-23 多层联邦深度强化学习的车辆边缘协作缓存方法及系统

Publications (2)

Publication Number Publication Date
CN113055488A true CN113055488A (zh) 2021-06-29
CN113055488B CN113055488B (zh) 2022-04-08

Family

ID=76514367

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110307403.0A Active CN113055488B (zh) 2021-03-23 2021-03-23 多层联邦深度强化学习的车辆边缘协作缓存方法及系统

Country Status (1)

Country Link
CN (1) CN113055488B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113762526A (zh) * 2021-09-07 2021-12-07 京东科技信息技术有限公司 联邦学习的方法及分层网络系统、存储介质、电子设备
CN116346863A (zh) * 2023-05-29 2023-06-27 湘江实验室 基于联邦学习的车载网数据处理方法、装置、设备及介质
CN117808125A (zh) * 2024-02-29 2024-04-02 浪潮电子信息产业股份有限公司 模型聚合方法、装置、设备、联邦学习系统及存储介质
CN117938957A (zh) * 2024-03-22 2024-04-26 精为技术(天津)有限公司 基于联邦深度学习的边缘缓存优化方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111339554A (zh) * 2020-02-17 2020-06-26 电子科技大学 基于移动边缘计算的用户数据隐私保护方法
CN111835827A (zh) * 2020-06-11 2020-10-27 北京邮电大学 物联网边缘计算任务卸载方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111339554A (zh) * 2020-02-17 2020-06-26 电子科技大学 基于移动边缘计算的用户数据隐私保护方法
CN111835827A (zh) * 2020-06-11 2020-10-27 北京邮电大学 物联网边缘计算任务卸载方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张凯源: "基于边缘计算的智能车联网资源分配策略研究", 《中国优秀硕士学位论文》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113762526A (zh) * 2021-09-07 2021-12-07 京东科技信息技术有限公司 联邦学习的方法及分层网络系统、存储介质、电子设备
CN113762526B (zh) * 2021-09-07 2024-02-09 京东科技信息技术有限公司 联邦学习的方法及分层网络系统、存储介质、电子设备
CN116346863A (zh) * 2023-05-29 2023-06-27 湘江实验室 基于联邦学习的车载网数据处理方法、装置、设备及介质
CN116346863B (zh) * 2023-05-29 2023-08-01 湘江实验室 基于联邦学习的车载网数据处理方法、装置、设备及介质
CN117808125A (zh) * 2024-02-29 2024-04-02 浪潮电子信息产业股份有限公司 模型聚合方法、装置、设备、联邦学习系统及存储介质
CN117808125B (zh) * 2024-02-29 2024-05-24 浪潮电子信息产业股份有限公司 模型聚合方法、装置、设备、联邦学习系统及存储介质
CN117938957A (zh) * 2024-03-22 2024-04-26 精为技术(天津)有限公司 基于联邦深度学习的边缘缓存优化方法

Also Published As

Publication number Publication date
CN113055488B (zh) 2022-04-08

Similar Documents

Publication Publication Date Title
CN113055488B (zh) 多层联邦深度强化学习的车辆边缘协作缓存方法及系统
CN111385734B (zh) 一种车联网内容缓存决策优化方法
Ndikumana et al. Deep learning based caching for self-driving cars in multi-access edge computing
CN113094982B (zh) 一种基于多智能体深度强化学习的车联网边缘缓存方法
CN110312231A (zh) 一种车联网中基于移动边缘计算的内容缓存决策和资源分配联合优化方法
CN113283177B (zh) 一种基于异步联邦学习的移动感知缓存方法
CN113905354B (zh) 一种基于区域内容流行度的车载网络内容传递方法及系统
CN112565377B (zh) 车联网中一种面向用户服务体验的内容分级优化缓存方法
CN113099418B (zh) 一种用于车联网数据传输的区块链任务的优化方法
CN114973673B (zh) 车路协同系统中结合noma和内容缓存的任务卸载方法
CN114374741A (zh) Mec环境下基于强化学习的动态分组车联网缓存方法
CN115297170A (zh) 一种基于异步联邦和深度强化学习的协作边缘缓存方法
CN114449477A (zh) 一种基于边缘缓存和免疫克隆策略的车联网内容分发方法
CN112104999A (zh) 一种异构边缘车联网内多层缓存方法
Salunkhe et al. Energy optimization for CAN bus and media controls in electric vehicles using deep learning algorithms
CN112769891B (zh) 一种边缘云系统、服务器及云控平台
CN114979145B (zh) 一种车联网中集成感知、通信与缓存的内容分发方法
CN115643176A (zh) 社交车联网去中心化协作缓存方法
CN116017348A (zh) 一种基于5g通信的大数据云计算实时分发运维系统及方法
CN106304147B (zh) 车联网环境下一种基于交通基础设施的协作缓存方法
CN113422797B (zh) 一种用于车联网的更新地图的方法及系统
Zhang et al. Federated Learning-Assisted Vehicular Edge Computing: Architecture and Research Directions
CN113676519B (zh) 车辆内容预缓存和宽带分配的联合优化方法及装置
JP2021005308A (ja) 移動体管理システム及び移動体管理方法
Nejad et al. Presenting a traffic management and control system in driver assistance form based on vehicular networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant