Akses gratis untuk semua konten hanya login saja.

Jadwal Sholat

Memuat jadwal sholat…

Memuat

← Semua jurnal Indeks pencarian

Editorial ilmu komputer

Open AccessOA2026

Pemilihan Relay Latensi Rendah pada Komunikasi Vehicular NR-V2X melalui Graph Isomorphism Network dengan Fitur Edge

Kerangka Learning-to-Optimise yang sadar edge dan menyamai kualitas pemilihan relay MILP dalam inferensi 5 ms serta runtime solver 30 ms

Giambattista Amati; Federica Mangiatordi; Emiliano Pallotti; Simone Angelini; Pierpaolo Salvo; Paola Vocca· 2026· DOI 10.48550/arXiv.2607.14176

Masalah inti

Konektivitas uplink yang andal dan berlatensi rendah merupakan kebutuhan utama jaringan C-V2X di lingkungan urban padat, tempat variasi kanal yang cepat dan blockage sering menurunkan kualitas tautan langsung vehicle-to-infrastructure. Relaying multi-hop dapat memulihkan cakupan, tetapi aktivasi tautan relay di bawah kendala radio, kapasitas, dan routing menghasilkan masalah optimisasi NP-hard. Masalah ini biasanya diselesaikan melalui Mixed-Integer Linear Programming (MILP), yang runtime-nya memburuk seiring ukuran graf. Penulis mengatasi kesenjangan ini dengan memperkenalkan kerangka Learning-to-Optimise yang sadar edge untuk pemilihan relay waktu nyata. Setiap snapshot V2X dimodelkan sebagai graf berarah: fitur node mengodekan keadaan kendaraan dan permintaan trafik, sedangkan fitur edge menangkap kapasitas tautan radio. Oracle MILP offline menghasilkan konfigurasi relay optimal yang menjadi supervisi bagi Graph Isomorphism Network with Edge Features (GINE), sehingga aktivasi relay tingkat edge dapat dilakukan melalui satu forward pass dengan latensi inferensi yang terbatas ketat. Untuk menjembatani pembelajaran dan optimisasi eksak, makalah ini juga mengusulkan strategi hibrida

Inovasi

Model GINE sangat mendekati keputusan MILP pada tingkat tautan, mencapai akurasi 0,9589 dan F_{1} -score 0,9544 pada set validasi. Peningkatan konektivitas end-to-end dibandingkan baseline MILP 1-hop konsisten: hingga 9,2% dengan empat RSU dan 12% dengan dua RSU. Latensi inferensi tetap terbatas ketat, dengan semua instans yang dievaluasi selesai dalam 5 ms. Strategi hibrida GP-MILP mempertahankan solusi setara MILP (nilai objektif sama) sekaligus mencapai runtime solver di bawah 30 ms untuk lebih dari 98% instans graf. Hasil ini menunjukkan bahwa optimisasi sekelas MILP kompatibel dengan anggaran latensi NR-V2X yang ketat.

Konektivitas uplink yang andal dan berlatensi rendah merupakan kebutuhan utama jaringan C-V2X di lingkungan urban padat, tempat variasi kanal yang cepat dan blockage sering menurunkan kualitas tautan langsung vehicle-to-infrastructure. Relaying multi-hop dapat memulihkan cakupan, tetapi aktivasi tautan relay di bawah kendala radio, kapasitas, dan routing menghasilkan masalah optimisasi NP-hard. Masalah ini biasanya diselesaikan melalui Mixed-Integer Linear Programming (MILP), yang runtime-nya memburuk seiring ukuran graf. Penulis mengatasi kesenjangan ini dengan memperkenalkan kerangka Learning-to-Optimise yang sadar edge untuk pemilihan relay waktu nyata. Setiap snapshot V2X dimodelkan sebagai graf berarah: fitur node mengodekan keadaan kendaraan dan permintaan trafik, sedangkan fitur edge menangkap kapasitas tautan radio. Oracle MILP offline menghasilkan konfigurasi relay optimal yang menjadi supervisi bagi Graph Isomorphism Network with Edge Features (GINE), sehingga aktivasi relay tingkat edge dapat dilakukan melalui satu forward pass dengan latensi inferensi yang terbatas ketat. Untuk menjembatani pembelajaran dan optimisasi eksak, makalah ini juga mengusulkan strategi hibrida GINE-Pruned MILP (GP-MILP), yaitu prediksi GINE memangkas ruang pencarian MILP.

Kerangka yang diusulkan terdiri atas tiga komponen utama: representasi graf, pembelajaran berbasis GINE, dan optimisasi hibrida GP-MILP.

Mengapa penting

Hasil menunjukkan bahwa kerangka Learning-to-Optimise berbasis GINE secara efektif mengatasi masalah pemilihan relay NP-hard pada jaringan NR-V2X. Akurasi tingkat tautan dan F_{1} -score yang tinggi menunjukkan bahwa GINE dapat mengaproksimasi keputusan MILP dengan galat minimal, sehingga memungkinkan inferensi waktu nyata dalam 5 ms. Peningkatan konektivitas, terutama dengan RSU lebih sedikit (12% dengan dua RSU), menyoroti pentingnya relaying multi-hop di lingkungan urban padat tempat tautan langsung sering terhalang. Strategi hibrida GP-MILP menjembatani kesenjangan antara pembelajaran dan optimisasi eksak, menjamin optimalitas sekaligus memenuhi kendala latensi. Runtime solver di bawah 30 ms untuk lebih dari 98% instans menunjukkan bahwa pendekatan ini praktis untuk diterapkan. Namun, studi ini bergantung pada data simulasi dari pipeline OSM-SUMO-GEMV^{2}; validasi dunia nyata masih diperlukan. Pekerjaan selanjutnya dapat mengeksplorasi skalabilitas ke graf yang lebih besar dan integrasi dengan kondisi kanal dinamis. **Alur Arsitektur:**

Siapa yang sebaiknya membaca

Praktisi dan peneliti ilmu komputer

Membuka konten member…