TL;DR
- چکیده:.
- سیستمهای تحرک هوشمند و متصل به زیرساخت لبه 5G برای پشتیبانی از ارتباطات،.
- کنترل و تمایز خدمات در زمان واقعی متکی هستند.
چه اتفاقی افتاد
چکیده:. سیستمهای تحرک هوشمند و متصل به زیرساخت لبه 5G برای پشتیبانی از ارتباطات،.
کنترل و تمایز خدمات در زمان واقعی متکی هستند. دستیابی به این امر مستلزم مکانیسمهای مدیریت منابع تطبیقی است که بتواند به شرایط ترافیکی در حال.
تغییر واکنش نشان دهد. در این مقاله،.
ما RL-Loop،. یک چارچوب یادگیری تقویتی حلقه بسته برای کنترل منابع CPU در زمان واقعی در محیطهای برش شبکه 5G.
که از خدمات تحرک متصل پشتیبانی میکنند،. پیشنهاد میکنیم.
RL-Loop از یک عامل بهینهسازی سیاست پروگزیمال (PPO) استفاده میکند که بهطور مداوم شاخصهای عملکرد کلیدی در سطح. برش را مشاهده میکند و تخصیص لبههای CPU را با دانهبندی یک ثانیه در یک بستر آزمایشی واقعی.
تنظیم میکند. این چارچوب از قابلیت مشاهده و بازخورد در زمان واقعی برای فعال کردن هوش لبههای تطبیقی و تعریفشده.
توسط نرمافزار استفاده میکند. نتایج تجربی نشان میدهد که RL-Loop میتواند میانگین تخصیص CPU را تا بیش از 55 ٪.
کاهش دهد. نسبت به نقطه عملیاتی مرجع و در عین حال رسیدن به منطقه تخریب کیفیت خدمات قابل مقایسه است.
این نتایج نشان میدهد که کنترل بازخورد مبتنی بر یادگیری تقویتی سبک میتواند مدیریت منابع کارآمد و پاسخگو. را برای تحرک هوشمند مجهز به 5G و خدمات خودروی متصل فراهم کند.
این مقاله در IEEE Smart Mobility 2026 پذیرفته شد شبکه و معماری اینترنت (cs. NI) استناد بهعنوان: (یا v1 [cs.
NI] برای این نسخه) https:. // شده توسط arXiv از طریق DataCite تاریخچه ارسال از:.
علی چومان [مشاهده ایمیل] [v1] پنجشنبه،. 2 آوریل 2026،.
18:. 48:.
07 UTC (1,. 275 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.