基于多智能体强化学习的边缘内容缓存技术，用于车联网（IoV）中的联网自动驾驶车辆

《ACM Transactions on Autonomous and Adaptive Systems》：Multi-Agent Reinforcement Learning based Edge Content Caching for Connected Autonomous Vehicles in IoV

Connected Autonomous Vehicle (CAV)数据管理效率与安全受动态交通流挑战，Web3.0与边缘缓存结合可提供低延迟访问。GAMA-Cache通过GAT提取邻节点信息，结合MARL实现多智能体协作优化缓存策略，实验证明其服务延迟和失败率优于现有MARL方案。

　　

摘要

作为车辆互联网（IoV）中一种数据驱动的智能驾驶技术，联网自动驾驶车辆（CAV）的驾驶对实时数据管理的效率和安全性提出了重大挑战。Web3.0与边缘内容缓存的结合有望为CAV的实时应用提供低延迟的数据访问。Web3.0能够将用户频繁请求的内容从内容提供商可靠地预传输到边缘节点。然而，由于IoV中交通流的动态特性，确定用于联合内容缓存和替换的最佳边缘节点伙伴仍然具有挑战性。为了解决这些挑战，本文介绍了一种创新的边缘内容缓存方法GAMA-Cache，该方法利用了图注意力网络（GAT）和多智能体强化学习（MARL）。GAMA-Cache将协作式边缘内容缓存问题视为一个受限的马尔可夫决策过程。它采用基于合作效率的MARL技术来做出最佳缓存决策，并通过GAT增强从相邻节点提取的信息。此外，还开发了一种独特的协作者选择机制，以简化智能体之间的通信，过滤掉那些在策略网络输入向量中相关性最小的协作者。实验结果表明，在服务延迟和传输失败方面，GAMA-Cache的性能优于IoV中其他先进的MARL解决方案。