發(fā)布時(shí)間：2023-03-07 18:34

　　物聯(lián)網(wǎng)技術(shù)和無線通信技術(shù)的快速迭代更新,使得移動(dòng)終端設(shè)備和數(shù)據(jù)流量迅猛增長(zhǎng),并且催生了一系列諸如虛擬現(xiàn)實(shí)、超高清視頻、和智能駕駛等具有計(jì)算密集、延遲敏感特征的應(yīng)用。然而,傳統(tǒng)的集中式云計(jì)算網(wǎng)絡(luò)架構(gòu)因受限于過重的回程鏈路負(fù)載和過長(zhǎng)的服務(wù)響應(yīng)時(shí)延,無法滿足海量移動(dòng)終端及其新興應(yīng)用所需的低時(shí)延、高帶寬、本地化處理等需求。移動(dòng)邊緣計(jì)算(Mobile Edge Computing,MEC)作為一種新的應(yīng)用范式,提出將計(jì)算、存儲(chǔ)、處理等功能從云服務(wù)器下沉到無線網(wǎng)絡(luò)邊緣,為移動(dòng)用戶提供鄰近的實(shí)時(shí)計(jì)算和本地化處理能力,以減少網(wǎng)絡(luò)延遲、提升用戶體驗(yàn)。在移動(dòng)邊緣計(jì)算中,用戶可將計(jì)算密集和延遲敏感型應(yīng)用從本地遷移到邊緣服務(wù)器,以解決自身計(jì)算資源和電池容量受限等問題。同時(shí)邊緣服務(wù)器可預(yù)先緩存一部分用戶所需的內(nèi)容,以降低內(nèi)容訪問時(shí)延,提升用戶體驗(yàn)。然而,由于移動(dòng)邊緣計(jì)算將計(jì)算和存儲(chǔ)等資源引入到無線網(wǎng)絡(luò)邊緣,原有的無線網(wǎng)絡(luò)資源分配和部署方案因不涉及計(jì)算和存儲(chǔ)資源而不再適用。為此,本論文致力于研究如何將移動(dòng)邊緣計(jì)算中的計(jì)算和存儲(chǔ)資源與無線通信相融合,進(jìn)一步以異構(gòu)蜂窩網(wǎng)絡(luò)和車載邊緣網(wǎng)絡(luò)為典型無線網(wǎng)絡(luò)場(chǎng)景,分別針對(duì)計(jì)算...

【文章頁(yè)數(shù)】：126 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 移動(dòng)邊緣計(jì)算概述
        1.2.1 移動(dòng)邊緣計(jì)算的定義與技術(shù)特征
        1.2.2 移動(dòng)邊緣計(jì)算的垂直分層架構(gòu)
        1.2.3 移動(dòng)邊緣計(jì)算的關(guān)鍵問題
    1.3 國(guó)內(nèi)外研究現(xiàn)狀
        1.3.1 二元計(jì)算遷移研究現(xiàn)狀
        1.3.2 部分計(jì)算遷移研究現(xiàn)狀
        1.3.3 邊緣緩存研究現(xiàn)狀
        1.3.4 智能移動(dòng)邊緣計(jì)算研究現(xiàn)狀
    1.4 論文主要研究?jī)?nèi)容與貢獻(xiàn)點(diǎn)
    1.5 論文結(jié)構(gòu)及內(nèi)容安排
第二章 異構(gòu)蜂窩網(wǎng)絡(luò)下多任務(wù)的計(jì)算遷移和用戶關(guān)聯(lián)
    2.1 引言
    2.2 系統(tǒng)模型與問題描述
        2.2.1 基于異構(gòu)蜂窩網(wǎng)絡(luò)的移動(dòng)邊緣計(jì)算系統(tǒng)模型
        2.2.2 計(jì)算遷移通信模型
        2.2.3 單個(gè)任務(wù)的計(jì)算遷移時(shí)延與能耗模型
        2.2.4 多個(gè)任務(wù)的計(jì)算遷移時(shí)延與能耗模型
        2.2.5 多任務(wù)計(jì)算遷移和用戶關(guān)聯(lián)優(yōu)化問題
    2.3 針對(duì)多任務(wù)的計(jì)算遷移和用戶關(guān)聯(lián)算法
        2.3.1 用戶關(guān)聯(lián)
        2.3.2 計(jì)算遷移和資源分配
        2.3.3 多任務(wù)的計(jì)算遷移和用戶關(guān)聯(lián)聯(lián)合優(yōu)化算法
    2.4 仿真結(jié)果與分析
        2.4.1 參數(shù)設(shè)置
        2.4.2 算法收斂性
        2.4.3 性能評(píng)估
    2.5 本章小結(jié)
第三章 異構(gòu)蜂窩網(wǎng)絡(luò)下基于深度強(qiáng)化學(xué)習(xí)的計(jì)算遷移
    3.1 引言
    3.2 系統(tǒng)模型與問題描述
        3.2.1 多用戶異構(gòu)蜂窩智能云-邊-端協(xié)同架構(gòu)
        3.2.2 多用戶異構(gòu)蜂窩移動(dòng)邊緣計(jì)算系統(tǒng)模型
        3.2.3 計(jì)算遷移的時(shí)延與能耗模型
        3.2.4 基于深度強(qiáng)化學(xué)習(xí)的計(jì)算遷移和資源分配優(yōu)化問題
    3.3 基于深度強(qiáng)化學(xué)習(xí)的計(jì)算遷移和資源分配算法
        3.3.1 基于DDPG的計(jì)算遷移和資源分配算法
        3.3.2 動(dòng)作修正
    3.4 仿真結(jié)果與分析
        3.4.1 參數(shù)設(shè)置
        3.4.2 性能評(píng)估
        3.4.3 參數(shù)對(duì)性能的影響
    3.5 本章小結(jié)
第四章 車載邊緣網(wǎng)絡(luò)下計(jì)算遷移和負(fù)載均衡
    4.1 引言
    4.2 系統(tǒng)模型與問題描述
        4.2.1 車載邊緣計(jì)算網(wǎng)絡(luò)系統(tǒng)模型
        4.2.2 計(jì)算遷移傳輸時(shí)間模型
        4.2.3 計(jì)算遷移和負(fù)載均衡優(yōu)化問題
    4.3 車載邊緣計(jì)算網(wǎng)絡(luò)下計(jì)算遷移和負(fù)載均衡聯(lián)合優(yōu)化算法
        4.3.1 邊緣服務(wù)器選擇決策
        4.3.2 計(jì)算資源分配與計(jì)算遷移比率優(yōu)化問題
        4.3.3 邊緣服務(wù)器選擇和計(jì)算遷移聯(lián)合優(yōu)化算法
    4.4 仿真結(jié)果與分析
        4.4.1 參數(shù)設(shè)置
        4.4.2 性能評(píng)估
        4.4.3 負(fù)載均衡性
    4.5 本章小結(jié)
第五章 車載邊緣網(wǎng)絡(luò)下高效安全的邊緣緩存
    5.1 引言
    5.2 車載邊緣計(jì)算網(wǎng)絡(luò)下高效安全邊緣緩存框架
        5.2.1 高效安全邊緣緩存框架
        5.2.2 基于許可鏈的邊緣緩存機(jī)制
    5.3 基于深度強(qiáng)化學(xué)習(xí)邊緣緩存方案
        5.3.1 基于Manhattan移動(dòng)模型的邊緣緩存問題
        5.3.2 基于深度強(qiáng)化學(xué)習(xí)的邊緣緩存算法
    5.4 輕量級(jí)許可鏈區(qū)塊驗(yàn)證方案
        5.4.1 效用證明共識(shí)機(jī)制
        5.4.2 基站效用評(píng)估
    5.5 安全性分析與仿真結(jié)果
        5.5.1 安全性分析
        5.5.2 邊緣緩存的性能評(píng)估
        5.5.3 效用函數(shù)分析
    5.6 本章小結(jié)
第六章 總結(jié)與展望
    6.1 本文總結(jié)
    6.2 下一步工作展望
致謝
參考文獻(xiàn)
攻讀博士學(xué)位期間取得的成果



本文編號(hào)：3757678