关于这个研究课题
Internet-of-Vehicles (IoV)使得车辆分享关键数据等附加的传感器的位置,他们的运动,路上没有司机的输入条件。此外,比传统车辆自主车辆包括多个传感器,激光雷达、超声波等传感器,了解他们的环境,而无需人工干预。获得的数据量的车辆是巨大的,和变得富有挑战性的转移和处理在云上。同时,移动云计算架构是容易不可控的延迟和网络带宽的限制。使用分布式毫升方法不依赖集中模型训练,如联合学习(FL),是一个潜在的解决方案。FL方法通常有三个优点:(1)中央服务器的计算负载减少,(2)不需要保持大量的数据中心服务器,和(3)数据安全和隐私是改善。
对车辆进行FL可以昂贵的计算成本,因为自然资源受限的车载单元(下文)的车辆。边缘计算是设想提供计算能力和降低端到端延迟(即。、车辆边缘计算(VEC))。因此,FL VEC应用程序适合不仅保护隐私,而且减少培训和推理时间。VEC的发展前景和FL驱使我们这个研究课题检查研究IoV中发生的问题。
这个研究课题征集原始研究的文章,评论,观点和意见FL-enabled Internet-of-Vehicles边缘计算。主要感兴趣的主题包括,但不限于:
- FL边缘IoV网络预测能源消耗。
- FL IoV网络边缘图像分类和目标识别。
- FL边缘IoV网络可靠的通信和隐私保护。
- FL边缘IoV网络优化卸载决策,传动功率和资源分配。
- FL IoV网络智能驾驶的边缘。
- FL边缘IoV网络来改善服务可靠性的服务。
- FL IoV网络边缘最小化的系统数据处理成本和确保端到端延迟。
对车辆进行FL可以昂贵的计算成本,因为自然资源受限的车载单元(下文)的车辆。边缘计算是设想提供计算能力和降低端到端延迟(即。、车辆边缘计算(VEC))。因此,FL VEC应用程序适合不仅保护隐私,而且减少培训和推理时间。VEC的发展前景和FL驱使我们这个研究课题检查研究IoV中发生的问题。
这个研究课题征集原始研究的文章,评论,观点和意见FL-enabled Internet-of-Vehicles边缘计算。主要感兴趣的主题包括,但不限于:
- FL边缘IoV网络预测能源消耗。
- FL IoV网络边缘图像分类和目标识别。
- FL边缘IoV网络可靠的通信和隐私保护。
- FL边缘IoV网络优化卸载决策,传动功率和资源分配。
- FL IoV网络智能驾驶的边缘。
- FL边缘IoV网络来改善服务可靠性的服务。
- FL IoV网络边缘最小化的系统数据处理成本和确保端到端延迟。
关键字:智能交通系统(ITS),深层学习,车辆边缘计算、车载网络隐私保护
重要提示:所有贡献这个研究课题必须的范围内的部分和期刊提交,作为其使命声明中定义。雷竞技rebat前沿有权指导检查手稿更适合部分或同行评审的期刊在任何阶段。
