基于轨迹预测的在线调度技术,用于车辆网络中的协作式深度神经网络推理

《IEEE Transactions on Networking》:Online Scheduling With Trajectory Prediction for Collaborative DNN Inference in Vehicular Networks

【字体: 大 中 小 】 时间:2025年12月25日 来源:IEEE Transactions on Networking

编辑推荐:

  MCI框架通过车辆与边缘设备协同推理,利用轨迹预测优化动态调度,结合EXP4和LinUCB算法实现低延迟高可靠性的DNN计算。摘要:针对车辆计算能力有限问题,提出基于在线学习的MCI框架,通过多RSU协作与轨迹预测实现动态DNN负载均衡,降低68%延迟并减少失败率。

  

摘要:

近年来,深度神经网络(DNN)已被广泛用于提供车辆智能服务。鉴于车辆的计算能力有限,协作式车端DNN推理成为一种有前景的方法。该方法将DNN拆分为多个部分,并将这些部分分配到车辆或边缘设备(例如路侧单元RSU)上进行顺序推理。然而,由于DNN模型的负载分布不均以及道路交通条件的变化,确定最佳DNN拆分方案具有挑战性。此外,如果车辆离开RSU的信号覆盖范围,可能会导致推理结果丢失。为此,我们提出了一种基于在线学习的新型协作式DNN推理框架MCI。MCI利用多个RSU协助车辆进行顺序推理,并确保数据传输的可靠性。为了降低学习成本,MCI在做出决策之前设计了一种轨迹预测机制来分析车辆环境。然后,MCI结合了经典的EXP4和LinUCB算法来学习系统动态并制定有效的调度决策。我们证明了MCI能够实现亚线性遗憾界限,其表达式为:<
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号