论文部分内容阅读
随着智能交通的发展,自动驾驶、智能车载交互、安全预警等新型车载应用不断涌现,独立车辆依靠自身有限的计算资源难以运行这些种类繁多且具有大量计算需求和时延需求的应用.雾计算通过将计算任务分布在网络边缘的设备中,运用虚拟化、分布式计算和并行计算技术,使用户能够按需动态地获取计算能力、存储空间等服务.将雾计算架构应用于车联网能够有效缓解计算量大、低时延车载应用与车辆有限且不均的资源分布之间的矛盾.从分析车—车通信、车—基础设施通信以及车辆时延容忍网络通信的信道容量入手,建立车联网异构接入的多业务资源优化模型,通过联合调度各类车联雾资源,实现智能交通应用的高效处理.仿真结果表明,所提出的强化学习算法能够有效地应对异构车联雾架构下的资源优化.