节能意识智能物联网网络连通性:启用智能港口

文摘

物联网(物联网)传播快得多的速度支持技术是成熟的。今天,有成千的物联网无线技术竞争和无数的物联网设备具有不同的功能和约束。此外,每个许多垂直使用物联网网络规定独特的和差网络品质。在这项工作中,我们提出了一个上下文感知框架,共同优化物联网网络的连通性和计算速度,每个垂直传递所需要的品质。基于智能港口应用程序中,我们确定了能源效率、安全性和响应时间作为基本品质特性,考虑使用短程无线实现物联网连接和远程技术。我们提出一个强化学习技术并展示显著减少能源消耗,同时满足所有相关应用程序的质量要求。

1。介绍

物联网(物联网)是当今的流行词,往往加上大数据和人工智能(AI)。然而,有很多歧义是什么意思,怀疑实际价值生成的物联网。物联网设备已成为普遍的但是涵盖范围广泛的技术和标准。无线技术的关键是通过网关连接这些设备或聚合点;但是,同样的,一个广泛的无线协议和标准是可用的和竞争1]。一旦这些设备相连,他们开始报告感觉或测量数据平台。再一次,多个选择在这方面可能具有不同的优点和缺点。报告原始数据到云被起诉的,非常昂贵的每一部分也可以排气设备的电池;这将导致巨大的数据。另一方面,在本地运行脚本在设备和报告生成的事件到云降低云服务成本却限制了对实际数据的可见性;这还导致大数据。此外,本地脚本结果是实时操作和不公开的隐私数据,而云计算带来的延迟由于传输网络,需要严格的安全措施来保护数据。

一个环境,丰富的物联网设备连接到一个平台,有资格数字化,通常是聪明的。分析,利用人工智能,是添加层转换成一个这样的环境聪明的一个。人工智能是画的默认应用程序从数据以生成可行的见解值给定的垂直。在这项工作中,我们认为,物联网解决方案不应通过分层的角度,但相反,整体优化的方法是需要有效地生成所需的附加价值。在这样一个整体的方法,人工智能,机器学习工具,采用在每一个阶段的解决方案,包括连接,存储、计算和分析。

因为有许多用例的物联网模式2),应该从一个给定的垂直角度看,例如,智能医疗、智能城市、智能制造行业(4.0),智能交通等。这些领域由多个IoT-based应用的各种需求。在[3),例如,信号测量和建模是进行静态和车辆的机器对机器(M2M)应用程序中,都有不同的信令开销的特点。作为另一个例子,远程监控智能城市的要求完全符合隐私法规,而与安全相关的应用程序响应时间排名最高的在所有关键性能指标(KPI)。

在本文中,我们采用智能端口用例来演示环境敏感智能连接,因为它包含了各种类型的应用程序,并确定需要货币化(相对于智能城市主要发达社会的健康和生产力)。世界贸易组织的数据显示,全球80%的货运运输通过端口(https://www.wto.org/)。智能港口概念需要使用技术将不同公共服务端口转换为互动系统与会议的目的港口的需求用户提供更大的效率水平,透明度,和价值。欧洲智能港口计划包括以下和其他很多:(我)鹿特丹港IoT-sensors用于生成一个数字的双胞胎和启用增强智力。(2)汉堡港口利用5 g网络,使虚拟现实关键基础设施监控。(3)安特卫普港雇佣了区块链技术,使一个安全的转移往往竞争各方之间交换的权利。(iv)塞维利亚的港口通过2025年Tecnoport项目使用移动网络技术对交通和货物跟踪港口和物流转移在陆地上。

智能港口提出了特别的挑战由于相互竞争的利益相关者之间的信息交换的必要性包括港口当局,港口运营商,终端运营商、物流公司、航运公司等。然后可能多个物联网网络将共存,包括部分私人和部分公共或共享基础设施。如[4),有各种各样的通信标准,不同的优点和缺点,这可能是用于连接物联网网络智能港口的上下文中。移动物联网,即。,connectivity over licensed mobile wireless networks, is often the preferred solution for handling private data, since it is reliable, end-to-end secure (owing to the eSIM card), scalable, ubiquitous, and mature. Two main technologies have been introduced by mobile networks to connect IoT devices: eMTC and NB-IoT [5]。这些技术都是兼容LTE(先进的商业移动网络技术)这意味着软件更新就可以部署物联网选项。前者是针对更高的利率(Mbps)和基于ITU H.323支持VoIP(语音IP协议(https://www.itu.int/rec/T-REC-H.323/e))和柔韧的流动。后者是专为低数据率(kbps)和长期(公里),但有限的流动性。NB-IoT技术包括限制能源的LTE正常窄带载波,因此允许的最大耦合损失dB更高(比LTE (dB)6]。启用移动物联网是一个公共服务和电信运营商的可以使用任何一方谁订阅它。其他远程和低功耗的解决方案,比如罗拉(https://www.lora-alliance.org/)和Sigfox (https://www.sigfox.com/en),未经授权,可以达到类似的报道和数据速率NB-IoT和eMTC。这些可能是私人所有但需要使用一个网关连接到互联网,往往被认为不太安全。许多短程无照无线连接解决方案是可用的,例如WiFi (IEEE)、蓝牙、无线个域网等,如[7,可能是共享的,公共或私人。

在多种无线技术的存在,不同的物联网应用,竞争党派,和广泛的静态和移动物联网设备与多个连接选项,它是关键的重要性来确定最好的方法收集、存储、缓存和处理物联网数据。哪些是最好的方法取决于设备能力(例如,连接选项,可用电池);无线条件;安全需求;处理复杂性和可用性;存储/缓存/上传的成本,等等。

2。相关工作

随着能源消耗的一个挑战为物联网网络(8,近期作品,如9,10),研究当地之间的权衡和云计算的设备能耗。前提出了一个分析框架,最大限度减少能耗优化多个用户设备的卸载的决定。后者阐述了理论框架建立在能源消耗和权衡计费包括云计算物联网基础设施。移动无线网络主要竞争者在比赛中连接物联网网络由于其成熟的和无处不在的报道和基于用户身份的安全通信模块(eSIM卡)。在[11),作者调查NB-IoT的连通性和罗拉的面积和人口覆盖率为了突出网络部署的重要性。在[12),基于大数据分析的以用户为中心的智能连接是主张通过提供相应的研究挑战。

尽管数据聚合似乎是一个有前途的解决方案来缓解信令开销,它是传输延迟的原因之一。在[13),作者讨论延迟之间的权衡和信令开销为了演示数据聚合的影响。作者在14]分析缓存和任务的联合优化卸载在这样网络与移动计算边缘。他们呈现的是一个高效的基于李雅普诺夫的在线算法优化和吉布斯抽样,成功地减少计算延迟,同时保持低能耗。在[15),一个推荐系统提出了应对挑战的链接选择在云无线接入网络。一个数据驱动的方案介绍,在优化结果的分类链接优势之间的远程无线头和物联网设备。

深入学习算法边缘计算介绍了(16促进物联网网络的学习性能。他们也试图增加边任务,考虑到边容量约束。一个开源的数据库设计(17)的边缘计算工业物联网(IIoT)网络。作者使用时间序列分析预测IIoT机器条件以减少数量的条件报告被发送到云。整体的通信、计算和缓存是在(18)使用图论表示作为创新的资源分配技术的学习方法。边缘的性能以及能源效率和交货时间是研究[19与服务质量(QoS)的约束)。

在这项工作中,我们采用机器学习技术,基于强化学习,为了共同管理多个优化目标和动态识别最好的连接为每个设备和路线。我们确定了四个关键质量特性,特别是主导物联网应用和智能港口:安全、能源、延迟,成本。这项工作是第一个解决这些多个物联网优化目标共同使用强化学习。我们比较新颖的方法最先进的连接性解决方案和演示(从各个方面显著提升%,%)。此外,我们的方法是唯一一个能够充分满足环境敏感需求,同时最小化成本和能源消耗。机器学习方案的优点主要是采用低复杂度和能够在动态环境中优化等智能港口。

剩下的纸是组织如下。节3我们定义我们的研究的系统模型。节4,我们提出我们的小说machine-learning-based解决多目标问题的解决方案。部分5阐述和分析结果,在部分6我们结束这篇文章。

3所示。系统模型

节能意识智能连接新方法提出了适用于任何工作物联网网络不同选项的连接和处理。为了清晰的陈述,我们构建系统模型在智能港口场景如如图1。所有电池供电的物联网设备和电池有不同的生活。他们都有一些基本的处理能力来执行任务,可以将任务卸载到网关(或雾),即无线接入点或进化节点B (eNB或云)。

不同于最先进的研究,我们建议来决定最好的连通性和最好的位置上同时处理的任务共同优化能源、响应时间、安全性和成本。一个两阶段的方法,描述了决策和优化流程,提出了数字2。假定每一个物联网设备是由一个给定的应用程序和他们共同确定环境敏感的限制。每个连接的组合选择和加工位置提供了具体的特点和局限性。第一阶段包括优化这些决定基于上下文感知的约束,而第二阶段改进能源消耗和成本之间的权衡。在下面的文章中,我们描述了模型采用捕获传播损耗,能量消耗,提出了系统的响应时间。表1列出了所有相关的参数模拟。

3.1。传播模型

无线连接,要求造型有三:(a) Device-to-Gateway (WiFi), (b) Device-to-eNB (NB-IoT)和(c) Gateway-to-eNB (LTE)。连接(a)和(c)经常干扰有限,随着使用光谱可能是由其他邻国共享连接。连接类型(b),然而,噪音被认为是有限的,因为我们假设没有其他eNB在周围采用NB-IoT技术。传播建模的目的是确定所需的传动功率满足每一个无线连接类型。因此,能源消费将被计算。我们开始传播损耗这是模仿两个特定于技术的参数的函数,传播常数和传播指数 ,和无线跳的距离以 ,如下所示: 此外,的概率的视线之间的网关设备和远高于其他类型的无线连接的情况下;因此,每十年传播损耗是少20.]。另一方面,NB-IoT连接每十年遭受同样的传播损耗作为LTE链接,然而,成功接收dB少力(阈值接收机灵敏度dBm)。对于所有类型的链接,在远处接收功率从传输设备可以表示为 在mWatt。接下来,我们计算所需的接收功率(在mWatt)为了实现目标数据传输位: 在哪里是时间,是信道带宽,是累积干扰功率在给定的信道时间 。请注意,为无线连接的类型为空(b)。使用(2)和解决 ,我们得到了

3.2。能源消耗模型

有两个主要过程,消耗能量的物联网网络:无线传输和任务计算。前者的能源消耗而后者是 ;因此总能源消耗的总和。根据路线采取的通信设备,能源消耗由于传动功率可以一跳的结果使用NB-IoT ()或两个啤酒花使用WiFi第一第二个链接和LTE ( )。处理任务的能源消耗是一个函数的数据速率要求的设备 , ,处理器的计算能力, (见表1),表示为 。

3.3。响应时间模型

响应时间感知物联网设备的上行和下行的结合物联网设备和服务器之间的延迟。在这部作品中,上行延迟是模仿,而下行延迟假设相同的所有设备。

上行延迟是由于两种现象:任务处理(处理延迟,)和数据传输(传输延迟,)。处理延迟取决于处理器的计算能力,这是测量在每个数据元素的计算周期数();即。,the higher ,计算能力就越少。自然地,一个服务器的计算能力高于小网关和远高于一个简单的物联网设备( )。因此,在这项工作,模型是基于计算的权力处理位置: 。此外,尽管任务处理阶段的输入是大型原始数据,输出是压缩数据和相对体积较小。为此,压缩率之间的输入和输出数据量给药 ; ,在那里和是原材料的卷(压缩)数据,分别。

传输延迟是影响无线接入技术的类型和传输的数据量。因为WiFi访问使用授权频段,它经常遭受更高的传输速率,从而导致增加了传输延迟,由于频繁的碰撞。因此,在这项工作中,这种效果是被因素 即延迟发生同样体积的数据无线传输倍,在LTE或NB-IoT; 。这个模型在图表示3中,源可以是物联网设备或网关,和收件人可以是网关或云。

因此,每个行动的总体响应时间计算 和 如下: 在哪里 啤酒花和数量吗 。除此之外,和代表的值和为分别跳。然后,计算值填充表2后的应用功能扩展的范围使用函数给出0,1] 在哪里是一组 。注意,(a)和(b)型连接构成第一跳,而连接类型(c)是第二跳。

4所示。基于机器学习解决方案

在这项工作中,我们建议采用强化学习(RL),一个机器学习技术基于一个方法。这是一个反复试验的方法的代理(或学习设备)学习采取正确的行动,与周围环境互动,在每个迭代中被奖励或惩罚。RL选择在这工作由于其巨大的适用性提出了问题。例如,物联网设备需要与环境交互为了评估情况和采取后续行动,决心的类型和数据处理的连接位置。因此,RL映射到这个需求很好,因为它允许优化与环境交互。

成为最著名的强化学习技术,则旨在找到最优政策对于一个给定的问题,也就是说,最好的行动在任何给定的状态。为此,代理需要一个行动和评估的后续奖励/成本采取的行动,是在特定的状态。这个奖励/成本是用于更新查阅表称为表,之后利用由代理来选择最好的行动。此外,代理计算对所有可能的状态值/行动。因此,一个简单的实现可以导致代理网络学习最好的行动,无论政策。

此外,则提供了两个关键特性,使一个有效的解决我们的问题。首先,因为它是一个模范自由学习方法(21,22),(1)能够在动态变化的环境中,(2)一个低算法不需要大量的电力,从而减少能源消耗的物联网网络。第二,则是收敛在大多数情况下(23),也被证实的非合作的环境(24),物联网网络。

我们提出一个两阶段的方法来解决能源利用智能物联网连接在每个阶段使用则将。

4.1。第一阶段学习

第一阶段包括学习的连接和处理的最佳组合位置的设备和应用程序需求和提供的限制这些选项。因此,有五个可能的行动可能采取的每个设备如表所示2。作为边注,表中的所有变量2功能扩展的值(范围0,1)通过计算(5)。所示的元组表示每个操作的局限性,例如, ,在那里和 介绍了部分3.3和3.2分别可用的处理能力,是处理成本在哪里 定义在表1。的参数 指的是无线技术提供的数据安全,,,表明eSIM NB-IoT提供的(只)和保护的缺失。此外,每个设备可能在四个不同的州,如表所示3根据上下文感知约束共同定义的设备和应用程序。这些约束 , ,和代表的响应时间,安全级别,分别和计算能力的要求。

以下4.4.1。罚函数的决心

每个设备将与每个可能的操作相关联的罚函数估计可以,以下表中所示的系统3,在那里 之间的区别是可用的和所需要的特征。第四个点球是 ,在那里是第五个指数吗行动和参数是可用的预算。

罚函数确定政策旨在满足优化目标包括最小化所需的元素。从表3惩罚函数包含三个主要元素:常数项,不满水平,能源消耗。常量的值是在美国和它的成本降低而增加的水平状态。这个元素迫使代理来实现尽可能高水平的状态,因为它是优化问题的目标之一。不满的因素水平,作为一个支持性的恒定值,成本不满足设备需求为了提高满意度。最后,能源消耗元素提供了端到端最小化能耗(连接和数据处理)。的参数 是电池的水平,在哪里代表一个空电池和代表了完全充电。表达式表3,参数指定了优先级的能源消耗。例如,低的值优先考虑能源消耗一次电池的水平, ,非常低(例如,5%),而高值优先即使电池能耗水平高(例如,50%)。

除了所有这些,通常情况下,该算法倾向于选择一个云处理的选项,因为它是最节能的。然而,一些数量的数据将不会被卸载由于预算限制,然后在本地处理,这是最耗费的能源选择。注意,这个数量是由第二阶段学习评估。因此,所选选项的第一阶段将更多的能量消耗比雾processing-included选项,作为处理将云计算和设备的组合。因此,惩罚函数的最后部分(在方括号)防止算法盲目决策,而忽略了预算可用性,包括平均能源消耗与设备的操作处理。的平均值的原因是,最后在学习过程中尚未采取行动。的系数这三个要素是经验决定的。然而,他们可以优先考虑任何元素,需要最小化。

的更新表条目根据以下表达式,在哪里 , , ,和当前状态,下一个状态,罚函数,和行动的评估:

4.2。第二阶段学习

第二阶段的目的是找到最好的政策任务卸载通过考虑预算和可用性的雾或云。为此,第二阶段是激活只在第一阶段的行动不会导致当地处理(例如,和)。在阶段2中,则也采用21可能的行动 和预算约束是可用的和雾的可用性和/或云。产生的状态和惩罚函数表列出了这个阶段4。

4.2.1。准备罚函数的决心

这一阶段的罚函数决定与一个类似的过程第一阶段;因此,有三个要素:成本常数项,能源消耗,和货币成本。类似于第一阶段,常量的值可以确保最终可能水平最高的国家。在能源消费和货币成本元素同时提供两者之间寻找最佳平衡。然而,与第一阶段不同的是,这些元素计算的数据将被转移,最好指定数量的目标是这一阶段的学习。同样,系数是获得经验。

阶段1和阶段2之间的交互学习过程描述了算法1和2,分别。

5。结果和分析

在本节中,我们实现提出的强化学习方法在模拟环境中,如图4使用参数值表中定义1。我们考虑到一半的物联网设备与NB-IoT视图相关的数据隐私和安全要求;这些代表集团a .剩下的设备连接到eNB通过无线网关,因此在两个无线跳,和代表集团。因此,有六个可能的固定场景可能由每组选择的加工位置的设备;这些都是列在表中6。总共迭代进行,在每一个随机电池水平分配到每个设备。

我们与方法比较结果列出的六个场景的五个不同的参数:能源,成本,不满,从预算设备的数量,联合罚款。首先,能源代表了端到端能源消费引起的连接和数据处理。第二,成本是整个货币成本的使用数据处理地点,如雾和云。第三,不满是衡量设备需求的总数并不满意。第四,从预算设备的数量反映了设备的数量超过可用货币预算在执行他们的任务。最后,联合罚款显示之前的累积结合四参数(能源、成本、不满、和从预算设备的数量)。

结果的收益(正值)和损失(负值)如图5。注意参数的值能源,成本,不满,联合罚款得到如下: 在哪里和从表的值吗5场景f和则将分别。

另一方面,收益/损失值的参数从预算设备的数量在图5使用函数计算给出

值得注意的是,图中提供的结果5评估使用的平均值表吗5随着95%的置信区间。此外,联合成本参数表5通过加法计算。然而,在总结之前,其他四个参数(能耗、成本、不满和数量的预算设备)功能扩展的范围0,1]使用功能(5)为了保持他们的影响在相同的规模。

我们的方法优于任何固定组合检查联合或整体增益时,从与值来 。同样,强化学习技术导致更好的环境敏感约束之间的匹配和物联网网络的可用性与任何其他情况下,收益不同来 。虽然我们建议的方法的处理成本是高于场景,节能更重要的获得以及环境敏感约束合规。最接近的竞争者强化学习,对生成的结果,是情形C, A组的处理物联网设备在本地进行,B组出现的网关。尽管如此,强化学习允许识别装置连接,改善遵从性标准两倍以上,而储蓄的能量,导致整体获得的 。情形D管理来减少能源消耗超过我们建议的方法相同的总成本;然而,的设备预算导致不完整或中断计算任务。此外,在这种情况下,连接设备超过两倍的可能不满意的一个或多个上下文感知的需求。

接下来,我们检查电池优先级的影响因素, ,在能源效率上。如图6、低的值导致几乎忽视设备的电池寿命在优化过程中,直到它低于%。很高的价值优先考虑减少能源消耗的所有设备除高于%的电池寿命。为此,可以调整该参数根据手头的场景和特定于设备的方式。例如,一些设备可以移动车辆的一部分敏捷和低成本电池补充的可能性。这些设备可能受益于低设置的允许更多的灵活性在会议上剩余的约束。其他设备可能在难以达及的地方,需要熟练的部队,特种设备,因此高成本代替死去的电池。在这种情况下,更高的设置更合适的,将导致更好的成本质量比率。

仿真结果实现这项工作很有前途的,因为他们都显示大幅改善固定连接计划。这是不可能的提出的强化学习方法依赖于集中智慧,可以访问所有的约束和要求所有设备、网关和连接。因此,学习方法选择最佳动作(连接类型/处理位置对在第一阶段,和传输的数据量在第二阶段)后收敛。我们感谢这样的部署是不现实的,提出探索的可行性和相应的收益可替换主体和分布式强化学习,采用(24),在我们未来的工作。尽管如此,这项工作无疑是第一个强调上下文感知的重要性在物联网连接上下文,地址共同安全、能源、计算能力以及成本。我们提出一个新的应用程序、智能港口和量化的潜在利润改进采用新颖的方案,强调它对应用程序的影响。

6。结论

在这项工作中,我们提出了新颖的方法对节能意识和上下文感知物联网连接,共同优化能源、安全、计算能力和响应时间的连接。该方案采用强化学习和管理实现的整体收益%比确定的路线。尽管一些确定的场景可能会导致较低的计算成本或降低能源消耗,没有能够满足整体环境敏感性能的目标。此外,我们提出了能源优先顺序的影响因素的分析,我们证明了该参数优化的重要性device-centric方式以达到更好的优化整个系统。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究部分由EPSRC研究基金——敢Project-EP / P028764/1全球挑战。第一作者得到了土耳其共和国国家教育部(局部激素- 1416 / YLSY)。

引用

1. 安德列夫,o . Galinina a Pyattaev et al .,“理解物联网连接景观:当代M2M无线电技术路线图,”IEEE通讯杂志,53卷,不。9日,32-40,2015页。视图:出版商的网站|谷歌学术搜索
2. l . Atzori a Iera经纪人莫拉比托g .,“物联网:一项调查,”计算机网络,54卷,不。15日,第2805 - 2787页,2010年。视图:出版商的网站|谷歌学术搜索
3. n . Kouzayha m .贾比尔,z . Dawy“计量信号移动物联网管理策略,”IEEE物联网,4卷,不。5,1434 - 1444年,2017页。视图:出版商的网站|谷歌学术搜索
4. y, m .钟h .姚明,f . Yu x赋,o . Postolache博士,“智能港口:物联网技术和挑战,”IEEE仪表测量杂志,21卷,不。1,34-43,2018页。视图:谷歌学术搜索
5. GSMA”, 3 gpp低功率大范围技术”GSMA,白皮书,2016年10月。视图:谷歌学术搜索
6. 3 gpp,“进化通用陆地电台访问(进阶);LTE覆盖增强。”3 gppThechnical报告36岁,2012年6月。视图:谷歌学术搜索
7. 在物联网技术Keysight”菜单咖啡馆:物联网无线技术的指导,”应用注释,2017年。视图:谷歌学术搜索
8. l . Farhan s . t . Shukur A . e . Alissa m . Alrweg Raza,和r . Kharel”一项调查在互联网的挑战和机遇的事情(物联网)”传感技术学报2017年十一国际会议(ICST)2017年12月,页1 - 5,。视图:出版商的网站|谷歌学术搜索
9. s . Tayade p·罗斯特、a . maed和h . d . Schotten“Device-centric能源优化边缘云卸载,”学报2017年IEEE全球通讯大会(2017年GLOBECOM)2017年12月,页1 - 7、新加坡。视图:出版商的网站|谷歌学术搜索
10. f·伦j·多伊尔,诉Giotsas和y Andreopoulos)”的物联网查询处理:耦合设备能源消耗和云基础设施收费,”学报2016年IEEE第一国际物联网大会上设计和实现(IoTDI),页83 - 94年,柏林,德国,2016年4月。视图:出版商的网站|谷歌学术搜索
11. 美国波斯、c . Carciofi和m . Faccioli”NB-IoT和罗拉连通性分析M2M /物联网智能电网应用,”《2017年AEIT国际年会2017年9月,页1 - 6,卡利亚里。视图:出版商的网站|谷歌学术搜索
12. a . Mihovska和m . Sarkar“智能物联网(物联网)应用程序的连接,”物联网方面的新进展卷,715研究计算智能,页105 - 118,施普林格国际出版,可汗,2018年。视图:出版商的网站|谷歌学术搜索
13. n . Kouzayha m .贾比尔,z . Dawy”M2M数据聚合在蜂窝网络:signaling-delay权衡”学报2014年IEEE Globecom研讨会(GC Wkshps)2014年12月,页1155 - 1160。视图:出版商的网站|谷歌学术搜索
14. j .徐l·陈,p .周”联合服务缓存和任务卸载移动边缘计算密集的网络,“ArXiv预印本1801.05868,2018年1月。视图:谷歌学术搜索
15. o . y . Bursalioglu z, c . Wang和h·帕帕多普洛斯”高效C-RAN随机存取物联网设备:学习通过推荐系统链接,“ArXiv预印本1801.04001,2018年1月。视图:出版商的网站|谷歌学术搜索
16. k . h . Li Ota, m .董”学习物联网优势:深度学习与边缘计算、物联网”IEEE网络,32卷,不。1,第101 - 96页,2018。视图:出版商的网站|谷歌学术搜索
17. e . Oyekanlu“预测边缘计算时间序列的大规模工业物联网和关键基础设施基于开源软件分析大数据,”学报2017年IEEE国际会议上大数据(大数据),页1663 - 1669,波士顿,MA,美国,2017年12月。视图:出版商的网站|谷歌学术搜索
18. 巴巴罗萨,美国Sardellitti、e·塞西和m . Merluzzi“边缘云:沟通的整体视图,计算和缓存,“ArXiv预印本1802.00700,2018年2月。视图:谷歌学术搜索
19. 美国Chatzinotas t . x Vu, b . Ottersten”边缘无线网络:性能分析和优化”,IEEE无线通信,17卷,不。4、2827 - 2839年,2018页。视图:出版商的网站|谷歌学术搜索
20. ITU-R”,传播规划的数据和预测方法室外短程无线电通信系统和无线局域网在频率300 MHz到100赫兹的,”国际电信Union-Radiocommunication部门,日内瓦,2017年推荐ITU-R P.1411-9。视图:谷歌学术搜索
21. l . p . Kaelbling m·l·利特曼和a·w·摩尔,“强化学习:一项调查,”人工智能研究杂志》上4卷,第285 - 237页,1996年。视图:谷歌学术搜索
22. e . m . Russek Momennejad, m . m . Botvinick s . j . Gershman和n . d .寒鸦”预测表示可以链接基于模型的强化学习模范自由机制,“PLoS计算生物学,13卷,不。9篇文章ID e1005768 2017。视图:出版商的网站|谷歌学术搜索
23. 大肠Even-Dar和y曼苏尔,“和增量q学习收敛的乐观,”先进的神经信息处理系统,第1506 - 1499页,2002年。视图:谷歌学术搜索
24. m .贾比尔·m·A·伊姆兰r . Tafazolli和A . Tukmanov“以用户为中心分布式SON-based回程供应计划,”IEEE访问4卷,第2330 - 2314页,2016年。视图:出版商的网站|谷歌学术搜索

版权

版权©2018 Metin Ozturk et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。