...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Performance evaluation review >A Deep Learning Strategy for Vehicular Floating Content Management
【24h】

A Deep Learning Strategy for Vehicular Floating Content Management

机译：车载浮动内容管理的深度学习策略

获取原文
获取原文并翻译 | 示例
   

获取外文期刊封面封底 >>

       
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Floating Content (FC) is a communication paradigm for the local dissemination of contextualized information through D2D connectivity, in a way which minimizes the use of resources while achieving some specified performance target. Existing approaches to FC dimensioning are based on unrealistic system assumptions that make them, highly inaccurate and overly conservative when applied in realistic settings. In this paper, we present a first step towards the development of a cognitive approach to efficient dynamic management of FC. We propose a deep learning strategy for FC dimensioning, which exploits a Convolutional Neural Network (CNN) to efficiently modulate over time the resources employed by FC in a QoS-aware manner. Numerical evaluations show that our approach achieves a maximum rejection rate of 3%, and resource savings of 37.5% with respect to the benchmark strategy.
机译：浮动内容（FC）是一种通信范例，用于通过D2D连接在本地传播上下文相关的信息，其方式是在实现某些特定性能目标的同时最大程度地减少资源的使用。现有的FC尺寸标注方法基于不现实的系统假设，这些假设使它们在实际设置中应用时非常不准确且过于保守。在本文中，我们提出了开发认知方法以有效进行FC动态管理的第一步。我们提出了一种用于FC尺寸标注的深度学习策略，该策略利用卷积神经网络（CNN）随时间推移有效地调制FC以QoS感知的方式使用的资源。数值评估表明，相对于基准策略，我们的方法可实现3％的最大拒绝率，并节省37.5％的资源。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号