隨著終端技術(shù)的發(fā)展與應(yīng)用領(lǐng)域的拓展,物聯(lián)網(wǎng)的應(yīng)用價(jià)值與服務(wù)需求不斷提高。高效的數(shù)據(jù)匯聚是物聯(lián)網(wǎng)發(fā)展與應(yīng)用的可靠保障。而資源受限型物聯(lián)網(wǎng)中能量利用的合理性直接影響數(shù)據(jù)匯聚的可靠性,并反映為能效水平。因此,能效優(yōu)化對(duì)資源受限型物聯(lián)網(wǎng)數(shù)據(jù)匯聚具有重要意義。然而物聯(lián)網(wǎng)中海量數(shù)據(jù)來(lái)源于廣闊而多變的自然環(huán)境與復(fù)雜的人類活動(dòng)區(qū)域,數(shù)據(jù)匯聚的能效難免受到環(huán)境的約束,甚至遭受人為的負(fù)面影響。于是,基于先進(jìn)的擴(kuò)展技術(shù)設(shè)計(jì)可靠的能效優(yōu)化方法是一項(xiàng)有意義且具有挑戰(zhàn)的研究。本文以能量受限型物聯(lián)網(wǎng)為研究背景,以數(shù)據(jù)匯聚能效優(yōu)化方法為研究對(duì)象,結(jié)合先進(jìn)的擴(kuò)展技術(shù)與符合實(shí)際的網(wǎng)絡(luò)環(huán)境,對(duì)高效且可靠的能效優(yōu)化方法進(jìn)行了研究。取得的主要成果包括:(1)提出了一種適用于移動(dòng)匯聚節(jié)點(diǎn)軌跡受限場(chǎng)景的能效優(yōu)化方法。首先采用無(wú)向完全圖模型描述網(wǎng)絡(luò)場(chǎng)景,以矩陣化方格模型代替隨機(jī)分布的數(shù)據(jù)節(jié)點(diǎn)集合,并挖掘出網(wǎng)絡(luò)分層特性,降低了網(wǎng)絡(luò)分析與計(jì)算復(fù)雜度。隨后建立了基于方格的能耗模型并進(jìn)行分析,得出網(wǎng)絡(luò)能效表現(xiàn)與靜態(tài)匯聚節(jié)點(diǎn)能耗均衡性、數(shù)據(jù)節(jié)點(diǎn)全局能耗水平直接相關(guān)的結(jié)論,并從中提煉出節(jié)點(diǎn)方格匹配決策問(wèn)題。然后提出了雙重能效優(yōu)化方法(DEON)...

【文章頁(yè)數(shù)】：149 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與研究意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 移動(dòng)匯聚的能效優(yōu)化
        1.2.2 低功率無(wú)線傳能的能效優(yōu)化
        1.2.3 能效相關(guān)的入侵檢測(cè)方法
        1.2.4 存在的問(wèn)題與不足
    1.3 論文的主要?jiǎng)?chuàng)新點(diǎn)和結(jié)構(gòu)安排
        1.3.1 論文主要內(nèi)容與創(chuàng)新點(diǎn)
        1.3.2 論文結(jié)構(gòu)安排
第二章 適用于移動(dòng)匯聚節(jié)點(diǎn)軌跡受限場(chǎng)景的能效優(yōu)化方法
    2.1 引言
    2.2 移動(dòng)匯聚節(jié)點(diǎn)軌跡受限網(wǎng)絡(luò)模型描述與分析
        2.2.1 基本網(wǎng)絡(luò)模型描述
        2.2.2 方格化網(wǎng)絡(luò)模型擴(kuò)展描述與分析
        2.2.3 能景消耗模型分析
    2.3 DEON優(yōu)化方法中的節(jié)點(diǎn)方格匹配問(wèn)題
        2.3.1 問(wèn)題建模與最優(yōu)化描述
        2.3.2 具有人工干預(yù)的啟發(fā)式遺傳算法設(shè)計(jì)
    2.4 基于方格模型的路由發(fā)現(xiàn)算法設(shè)計(jì)
    2.5 仿真驗(yàn)證與結(jié)果分析
        2.5.1 仿真參數(shù)設(shè)置
        2.5.2 算法復(fù)雜度分析
        2.5.3 啟發(fā)式遺傳算法性能分析
        2.5.4 DEON方法對(duì)靜態(tài)匯聚節(jié)點(diǎn)能效的影響
        2.5.5 DEON方法對(duì)網(wǎng)絡(luò)壽命的影響
        2.5.6 DEON方法對(duì)網(wǎng)絡(luò)能耗效率的影響
        2.5.7 DEON方法對(duì)網(wǎng)絡(luò)魯棒性的影響
        2.5.8 GSPT路由算法可靠性分析
    2.6 小結(jié)
第三章 適用于無(wú)線信息與能量同傳場(chǎng)景的能效優(yōu)化方法
    3.1 引言
    3.2 無(wú)線信息與能量同傳網(wǎng)絡(luò)模型描述與分析
        3.2.1 能量消耗模型分析
        3.2.2 能量采集模型分析
    3.3 ETTO能效優(yōu)化方法中的傳能時(shí)隙分配問(wèn)題
        3.3.1 問(wèn)題建模與最優(yōu)化描述
        3.3.2 集中式節(jié)點(diǎn)能耗分析方法設(shè)計(jì)
        3.3.3 基于節(jié)點(diǎn)能耗分布的啟發(fā)式算法設(shè)計(jì)
    3.4 仿真驗(yàn)證與結(jié)果分析
        3.4.1 仿真參數(shù)設(shè)置
        3.4.2 算法復(fù)雜度分析
        3.4.3 ETTO方法對(duì)網(wǎng)絡(luò)壽命的影響
        3.4.4 ETTO方法對(duì)能量利用率的影響
        3.4.5 ETTO方法對(duì)數(shù)據(jù)匯聚總量的影響
    3.5 小結(jié)
第四章 適用于專用無(wú)線傳能場(chǎng)景的能效優(yōu)化方法
    4.1 引言
    4.2 專用無(wú)線傳能網(wǎng)絡(luò)模型描述與分析
    4.3 DORN能效優(yōu)化方法中的傳能節(jié)點(diǎn)部署決策問(wèn)題
        4.3.1 方格數(shù)據(jù)流量強(qiáng)度指數(shù)
        4.3.2 問(wèn)題建模與最優(yōu)化描述
        4.3.3 基于Q Learning的決策優(yōu)化算法設(shè)計(jì)
    4.4 仿真驗(yàn)證與結(jié)果分析
        4.4.1 仿真參數(shù)設(shè)置
        4.4.2 算法復(fù)雜度分析
        4.4.3 DORN方法對(duì)網(wǎng)絡(luò)壽命的影響
        4.4.4 DORN方法對(duì)第一個(gè)枯竭節(jié)點(diǎn)壽命的影響
        4.4.5 DORN方法對(duì)數(shù)據(jù)匯聚總量的影響
    4.5 小結(jié)
第五章 節(jié)點(diǎn)惡意行為的檢測(cè)與能效優(yōu)化方法
    5.1 引言
    5.2 惡意行為對(duì)信息與能效影響分析
        5.2.1 信息與能效面臨的威脅與對(duì)策
        5.2.2 混合式入侵檢測(cè)與能效優(yōu)化方法HIEO
    5.3 HIEO方法中集中式惡意行為檢測(cè)與定位問(wèn)題
        5.3.1 惡意行為模型與問(wèn)題描述
        5.3.2 惡意行為檢測(cè)算法設(shè)計(jì)
        5.3.3 惡意節(jié)點(diǎn)定位算法設(shè)計(jì)
    5.4 HIEO方法中分布式節(jié)點(diǎn)能效優(yōu)化方法
        5.4.1 能耗模型與方法描述
        5.4.2 基于方格模型的路由表
        5.4.3 基于方格模型的管道節(jié)點(diǎn)選擇算法設(shè)計(jì)
    5.5 仿真驗(yàn)證與結(jié)果分析
        5.5.1 仿真參數(shù)設(shè)置與假設(shè)
        5.5.2 算法復(fù)雜度分析
        5.5.3 HIEO方法對(duì)數(shù)據(jù)匯聚能效的影響
        5.5.4 HIEO方法惡意行為檢測(cè)與定位性能分析
        5.5.5 HIEO方法對(duì)無(wú)效數(shù)據(jù)匯聚量的影響
    5.6 小結(jié)
第六章 總結(jié)與展望
    6.1 論文總結(jié)
    6.2 工作展望
參考文獻(xiàn)
附錄1 縮略語(yǔ)表
致謝
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄



本文編號(hào)：3995580