本文選題：邊緣計算　切入點：行為預(yù)測　出處：《浙江大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：邊緣計算(Edge Computing,也稱作移動邊緣計算)是一種新興技術(shù),旨在為附近的移動用戶提供云和IT服務(wù)。邊緣計算平臺通過在邊際網(wǎng)提供計算和存儲功能來降低網(wǎng)絡(luò)延遲。它還使得應(yīng)用開發(fā)者和內(nèi)容提供者能夠通過實時無線接入來提供上下文感知服務(wù)(諸如協(xié)同計算)。移動和物聯(lián)網(wǎng)設(shè)備可以利用邊緣計算服務(wù)為計算密集型應(yīng)用(例如圖像處理,移動游戲)實現(xiàn)計算遷移。邊緣計算是位置信息敏感的云計算模式。因此,通過挖掘用戶使用服務(wù)的行為模式并結(jié)合地理信息來預(yù)測用戶的服務(wù)使用行為以及可能接入的Edge服務(wù)器,可令Edge服務(wù)器利用服務(wù)預(yù)加載來減少延遲,進(jìn)而提升用戶體驗。然而,由于移動環(huán)境的上下文多變性導(dǎo)致用戶行為的多變性,這使得移動用戶行為模式的提取較之傳統(tǒng)模式更為復(fù)雜。本文將移動用戶所使用的應(yīng)用作為服務(wù),相關(guān)工作均以此展開。主要工作包括以下三點:1.根據(jù)收集到的真實用戶服務(wù)使用記錄構(gòu)建邊緣計算的場景,并分析了移動環(huán)境下用戶的行為模式。利用word2vec詞向量技術(shù)構(gòu)建特征向量并利用LSTM建立基于上下文的序列預(yù)測模型。通過該模型來預(yù)測用戶的服務(wù)使用行為,并結(jié)合相關(guān)概率模型選擇相應(yīng)的Edge服務(wù)器來預(yù)加載服務(wù)。2.根據(jù)用戶使用服務(wù)的行為具有位置相關(guān)性的特點,結(jié)合地理POI信息構(gòu)建Edge服務(wù)器地理位置特征,并利用BP神經(jīng)網(wǎng)絡(luò)挖掘Edge服務(wù)器位置與服務(wù)之間的映射關(guān)系,從而為服務(wù)預(yù)加載的優(yōu)化提供更多選擇。3.通過實驗進(jìn)行評估分析。實驗結(jié)果證明了上述模型在一定程度上的有效性,為邊緣計算優(yōu)化問題提供了一種可參考的方案。
[Abstract]:Edge computing (also known as moving edge computing) is a new technology. It is designed to provide cloud and IT services to nearby mobile users. The edge computing platform reduces network latency by providing computing and storage capabilities on the marginal network. It also enables application developers and content providers to use real-time wireless. Access to provide context-aware services (such as collaborative computing). Mobile and Internet of things devices can utilize edge computing services for computation-intensive applications (e.g. image processing, Edge computing is a location-sensitive cloud computing model. By mining the behavior patterns of users using services and combining geographic information to predict service usage behavior and possible access to Edge servers, Edge servers can use service preloading to reduce latency and thereby enhance the user experience. The context variability of mobile environment leads to the variability of user behavior, which makes the extraction of mobile user behavior patterns more complex than the traditional mode. In this paper, the applications used by mobile users are considered as services. The main work includes the following three points: 1.Based on the collection of real user service usage records, we build edge computing scenarios. The behavior pattern of users in mobile environment is analyzed. The feature vector is constructed by using word2vec word vector technology and the context-based sequence prediction model is established by LSTM. The model is used to predict the service usage behavior of users. Combining with the correlation probability model, the author selects the corresponding Edge server to preload the service. 2. According to the characteristic that the user's behavior of using the service is location-dependent, combining with the geographic POI information, the author constructs the geographic location feature of the Edge server. BP neural network is used to mine the mapping relationship between Edge server location and service. The experimental results show that the above model is effective to some extent and provides a referential scheme for the optimization of edge computing.
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TN929.5;TP393.05

【相似文獻(xiàn)】

相關(guān)期刊論文 前5條

1 呂芹;;行為預(yù)測即將降臨社交網(wǎng)絡(luò)[J];互聯(lián)網(wǎng)周刊;2014年02期

2 馬開平;嚴(yán)洪森;;產(chǎn)品市場擴散行為預(yù)測的自學(xué)習(xí)方法[J];計算機集成制造系統(tǒng);2008年12期

3 謝婧;劉功申;蘇波;孟魁;;社交網(wǎng)絡(luò)中的用戶轉(zhuǎn)發(fā)行為預(yù)測[J];上海交通大學(xué)學(xué)報;2013年04期

4 劉臣;田占偉;于晶;單偉;;在線社會網(wǎng)絡(luò)用戶的信息分享行為預(yù)測研究[J];計算機應(yīng)用研究;2013年04期

5 李棟;張文宇;;基于FOA-ELM的客戶基金購買行為預(yù)測仿真[J];計算機仿真;2014年06期

相關(guān)碩士學(xué)位論文 前6條

1 馬瑩瑩;微博用戶轉(zhuǎn)發(fā)行為及情感預(yù)測研究[D];哈爾濱工業(yè)大學(xué);2015年

2 劉敏;微博傳播效果的分析與預(yù)測[D];太原理工大學(xué);2016年

3 陳娟;無線泛在環(huán)境下用戶行為預(yù)測與優(yōu)化技術(shù)研究[D];南京郵電大學(xué);2016年

4 張忠科;基于行為熵的個人行為預(yù)測研究[D];華中科技大學(xué);2015年

5 童智高;基于用戶行為和位置感知的邊際服務(wù)加載優(yōu)化研究[D];浙江大學(xué);2017年

6 王千;基于視頻的籃球持球隊員行為預(yù)測研究[D];中南大學(xué);2012年

，

本文編號：1603688