2026
A distributed intelligence framework for microservice-oriented task offloading and resource allocation in vehicular edge-cloud networks
KHOSHVAGHT, Parisa; Amir HAIDER; Amir Masoud RAHMANI; Farhad Soleimanian GHAREHCHOPOGH; Arasteh BAHMAN et al.Základní údaje
Originální název
A distributed intelligence framework for microservice-oriented task offloading and resource allocation in vehicular edge-cloud networks
Název česky
Rámec distribuované inteligence pro odlehčení úloh a alokaci zdrojů orientovanou na mikroslužby v edge-cloudových sítích pro vozidla
Autoři
KHOSHVAGHT, Parisa; Amir HAIDER; Amir Masoud RAHMANI; Farhad Soleimanian GHAREHCHOPOGH; Arasteh BAHMAN; Jan LÁNSKÝ a Mehdi HOSSEINZADEH
Vydání
Computers and Electrical Engineering, Amsterdam, Elsevier, 2026, 0045-7906
Další údaje
Jazyk
angličtina
Typ výsledku
Článek v odborném periodiku
Obor
10201 Computer sciences, information science, bioinformatics
Stát vydavatele
Nizozemské království
Utajení
není předmětem státního či obchodního tajemství
Odkazy
Impakt faktor
Impact factor: 4.900 v roce 2024
Označené pro přenos do RIV
Ne
Organizační jednotka
Vysoká škola finanční a správní
UT WoS
EID Scopus
Klíčová slova česky
Vozidlové sítě Edge computing Cloud computing Odlehčení mikroslužeb Alokace zdrojů
Klíčová slova anglicky
Vehicular networks Edge computing Cloud computing Microservice offloading Resource allocation
Štítky
Příznaky
Mezinárodní význam, Recenzováno
Změněno: 8. 6. 2026 10:29, Mgr. Jitka Štruncová
V originále
The increasing number of connected vehicles and intelligent transportation systems has created a significant need for efficient offloading and resource management in vehicular networks. These networks face challenges such as high mobility, variable network conditions, and diverse resource types. Traditional centralized methods cannot handle these issues effectively. Scalable and decentralized solutions are necessary to reduce latency, energy use, and computational overhead while maintaining reliable task execution. This research introduces a Decentralized PDE-Guided Microservice Offloading and Resource Allocation Framework. It uses a Multi- Agent Deep Reinforcement Learning (DRL) approach. The system is modeled as a Decentralized Partially Observable Markov Decision Process (Dec-POMDP). This allows vehicles and fog nodes to make localized decisions. We model vehicle density as Partial Differential Equations (PDEs) and Directed Acyclic Graphs (DAGs) to represent microservices at a fine-grained level. The framework applies Multi-Agent Proximal Policy Optimization (MAPPO) to optimize task splitting, offloading, and routing. Simulation results show the framework’s strong performance. Compared to baseline methods, it achieves up to 21.14% lower task completion time, 23.73% energy savings, and 17.75% reduced offloading latency.
Česky
Rostoucí počet propojených vozidel a inteligentních dopravních systémů vytvořil značnou potřebu efektivního odlehčení a správy zdrojů v dopravních sítích. Tyto sítě čelí výzvám, jako je vysoká mobilita, proměnlivé síťové podmínky a rozmanité typy zdrojů. Tradiční centralizované metody nemohou tyto problémy efektivně řešit. Škálovatelná a decentralizovaná řešení jsou nezbytná pro snížení latence, spotřeby energie a výpočetní režie a zároveň pro zachování spolehlivého provádění úloh. Tento výzkum představuje decentralizovaný rámec pro odlehčení a alokaci zdrojů mikroslužeb řízený PDE. Využívá přístup DRL (Deep Reinforcement Learning) s více agenty. Systém je modelován jako decentralizovaný částečně pozorovatelný Markovův rozhodovací proces (Dec-POMDP). To umožňuje vozidlům a uzlům fog činit lokalizovaná rozhodnutí. Hustotu vozidel modelujeme jako parciální diferenciální rovnice (PDE) a směrované acyklické grafy (DAG) pro reprezentaci mikroslužeb na jemnozrnné úrovni. Framework využívá Multi-Agent Proximal Policy Optimization (MAPPO) k optimalizaci rozdělení, odlehčení a směrování úloh. Výsledky simulací ukazují silný výkon frameworku. Ve srovnání se základními metodami dosahuje až o 21,14 % kratší doby dokončení úloh, 23,73 % úspory energie a o 17,75 % nižší latence odlehčení.