Core Concepts
Ein lernbasierter Anreizmechanismus auf Basis von Multi-Agenten-Deep-Reinforcement-Learning wird entwickelt, um das Gleichgewicht von Angebot und Nachfrage in einem dezentralen Markt für den Datenaustausch im IoV zu erreichen und die Übertragungsverzögerung zu reduzieren.
Abstract
Der Artikel beschreibt ein System für den dezentralen Austausch von Multimedia-Daten in IoV-Netzwerken. Es wird ein Anreizmechanismus auf Basis von Multi-Agenten-Deep-Reinforcement-Learning entwickelt, um das Gleichgewicht von Angebot und Nachfrage in einem dezentralen Markt für den Datenaustausch zu erreichen und gleichzeitig die Übertragungsverzögerung zu reduzieren.
Das System besteht aus folgenden Komponenten:
Datenzentren (öffentliche und abonnementbasierte Anbieter) stellen Inhalte bereit
Straßenseitige Einheiten (RSUs) fungieren als Auktionatoren für lokale Teilmärkte, in denen Fahrzeuge als Käufer und Verkäufer agieren
Fahrzeuge können Daten anfordern oder anbieten und nehmen am lokalen Markt teil
Ein zeitempfindliches KP-ABE-Verschlüsselungsverfahren wird eingesetzt, um den Zugriff auf abonnementbasierte Inhalte zu beschränken
Der Anreizmechanismus auf Basis von Multi-Agenten-Deep-Reinforcement-Learning lernt die Gleichgewichtsstrategie zwischen Angebot und Nachfrage, um die Effizienz und Nachhaltigkeit des Marktes zu verbessern
Theoretische Analysen und experimentelle Ergebnisse zeigen, dass der vorgeschlagene Mechanismus das Gleichgewicht von Angebot und Nachfrage um 10% verbessert und die Übertragungsverzögerung um 20% reduziert.
Stats
Die Übertragungsverzögerung wird um 20% reduziert.
Der vorgeschlagene Mechanismus verbessert das Gleichgewicht von Angebot und Nachfrage um 10%.
Quotes
Keine relevanten Zitate identifiziert.