رایانش مه خودرویی (VFC) به عنوان یک معماری مؤثر برای رسیدگی به تقاضاهای رو به افزایش در خودروهای هوشمند شناخته شده است. سرورهای مه مستقر در خودروهای در حال حرکت یا پارک شده می‌توانند ناهمگونی فضایی-زمانی منابع محاسباتی را فراهم کنند که قادر به انجام محاسبات وظایف فشرده با مهلت فراتر از ظرفیت تعبیه شده در داخل خودروها هستند. در معماری VFC چند لایه، خودروها می‌توانند منابع کم هزینه و بیکار را برای افزایش پذیرش وظایف به اشتراک بگذارند. با این حال، مسئله اصلی انتخاب سرور مه مقصد بهینه برای اجرای وظایف با مهلت سخت در هر برش زمانی است. بنابراین، در این کار یک رویکرد برون­سپاری وظیفه Q-learning عمیق چند عاملی فدرال برای ارائه یادگیری مشارکتی و همگرایی سریع پیشنهاد شده است. این رویکرد حریم خصوصی داده‌ها را برای عامل‌ها بهبود می‌بخشد و میانگین زمان پاسخ، مصرف انرژی و هزینه پردازش را در شبکه‌های خودرویی کاهش می‌دهد. معماری مبتنی بر شبکه نرم­افزار محور (SDN) می­تواند انعطاف­پذیری، مقیاس­پذیری، قابلیت برنامه­ریزی و دانش کلی شبکه را فراهم نماید. با کمک پیکربندی صفحه­ی کنترلی SDN، شبکه می­تواند نه فقط با تغییرات پویای شبکه، وفق پذیر باشد بلکه می­تواند به وضعیت­های اورژانسی پاسخ دهد. بنابراین، SDN که با روش یادگیری تقویتی فدرال (FRL) ادغام شده است، قابلیت برنامه‌ریزی، مدیریت شبکه متمرکز و پیکربندی پویا را افزایش می‌دهد. نتایج، نشان می­دهند که روش پیشنهادی میانگین زمان پاسخدهی، میانگین مصرف انرژی و میانگین هزینه اقتصادی جهت انجام وظایف در شبکه را کاهش می­دهد و باعث افزایش انجام موفقیت آمیز وظایف با اولویت بالا در شبکه­های مه خودرویی خواهد شد.

کلمات کلیدی