检索结果-南通市图书馆

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

节点移动性预测和计算卸载研究与设计

节点移动性预测和计算卸载研究与设计

作者：刘燊北方工业大学

学位级别：硕士

移动边缘计算是在物联网背景下的一种分布式计算模式,可以将计算、存储以及小型云中心的处理能力转移到网络边缘。本文从移动边缘计算的架构、特性优势,对邻近性与位置获取进行阐述,对几种新兴的应用场景做了分析,进一步讨论了移动边缘... 详细信息

移动边缘计算是在物联网背景下的一种分布式计算模式,可以将计算、存储以及小型云中心的处理能力转移到网络边缘。本文从移动边缘计算的架构、特性优势,对邻近性与位置获取进行阐述,对几种新兴的应用场景做了分析,进一步讨论了移动边缘计算在未来的发展以及可能遇到的挑战。本文以节点的移动性预测与计算卸载方法两方面开展研究,主要内容如下:设计了基于移动边缘计算的预测服务框架,利用岭回归优化回声状态网络,对移动节点出行目的地终点位置进行预测。采用公开数据集对模型进行训练与测试。通过与真实轨迹位置点的坐标比较,验证预测模型的优势。设计了以完全卸载为前提的计算卸载方案,基于强化学习中的Q学习算法,将多移动设备场景的计算延迟与能耗加权和,作为系统成本进行优化,并与其他基准进行对比分析。仿真结果表明方法在设备数量有限的情况下表现出更好的性能。针对多设备多输入系统的信道时变与任务随机性特点,尝试使设备自我学习卸载策略,设计了一种基于深度确定性梯度的动态卸载框架,将计算任务拆分以并行处理数据,降低本地计算与卸载执行的功耗与延迟,并引入贪婪算法进行对比实验。通过单设备与多设备场景下的比较,验证了方法的优势。本文针对节点的移动特性,设计了基于岭回归优化的回声网络预测模型,与真实轨迹的结果对比证明了本模型具有良好的性能。此外,针对计算卸载延迟与能耗优化,设计了基于Q学习与深度强化学习的动态卸载方法,以降低系统功耗与延迟的计算成本。

关键词：移动边缘计算移动性预测计算卸载强化学习

异构网络中面向资源分配优化的用户移动性预测算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

异构网络中面向资源分配优化的用户移动性预测算法研究

作者：田松奇北京邮电大学

学位级别：硕士

近年来,随着移动通信技术的发展和以智能手机为主的移动设备的普及,移动用户数量快速增长;同时,用户的业务需求也在不断提高,通信网络中移动数据流量爆炸式增长。这对网络的整体性能提出了更高的要求。在热点地区和宏小区边缘部署小型基... 详细信息

近年来,随着移动通信技术的发展和以智能手机为主的移动设备的普及,移动用户数量快速增长;同时,用户的业务需求也在不断提高,通信网络中移动数据流量爆炸式增长。这对网络的整体性能提出了更高的要求。在热点地区和宏小区边缘部署小型基站,与宏基站构成异构网络,可以提高网络容量。由于用户的移动特性,终端设备在各基站之间的切换将更加频繁。研究高效的用户移动性预测算法,可以改进切换算法,优化资源分配,均衡基站负载,是目前的热点研究方向之一。本文对异构网络中的用户移动性预测算法展开研究,主要工作如下:提出了一种基于二阶隐马尔可夫模型(Hidden Markov Model,HMM)的移动性预测算法来优化资源分配。现有HMM预测模型中,依据维特比算法设计的预测流程中存在缺陷。本文提出了基于基本预测单元的预测机制,改善预测效果并降低复杂度。同时考虑此前移动状态对未来状态的影响和HMM中隐状态和显状态之间的对应约束关系,提出了基于二阶HMM的预测模型,从时间和空间两个方面进行预测,进一步提高预测准确率。根据预测结果,考虑用户在目标位置的资源需求情况,制定资源分配方案。当用户到达时,进行合理的资源分配,更好地满足用户服务需求。仿真证明,所提算法能够提高移动性预测准确率,有效地为用户分配所需资源,满足用户的业务需求,提高了网络资源的利用效率。提出了一种基于用户移动性预测的资源分配方案,实现网络负载均衡。通过分析用户历史位置记录中的移动特性,建立基于决策树的移动性预测模型。为了找到最合适的决策树输入属性特征,研究了预测执行前数个移动状态对用户未来位置预测效果的影响,以提高预测准确率。同时,除了研究用户位置的空间变化,还考虑时间因素。然后,使用时间序列分析的方法,采用自回归移动平均模型,对目标区域基站的负载状态进行分析,了解当用户到达目标位置时周围基站的负载状态,并据此提前制定合理的资源分配策略。仿真结果证明,所提方案能够有效地提高移动性预测准确率,实现网络负载均衡。

关键词：移动性预测二阶隐马尔可夫决策树资源分配优化负载均衡

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于时空轨迹的用户移动性分析与预测

基于时空轨迹的用户移动性分析与预测

作者：刘璐中国科学技术大学

学位级别：硕士

随着智能手机与通信技术的高速发展,终端数量爆炸式增加,移动互联网渗入到了人们生活的方方面面。无线用户希望在任何时间任何地点进行高质量的通信,这对第五代通信系统(Fifth Generation,5G)和未来通信系统提出了重大挑战。用户移动性... 详细信息

随着智能手机与通信技术的高速发展,终端数量爆炸式增加,移动互联网渗入到了人们生活的方方面面。无线用户希望在任何时间任何地点进行高质量的通信,这对第五代通信系统(Fifth Generation,5G)和未来通信系统提出了重大挑战。用户移动性研究可以在切换管理、资源预留等方面对移动通信提供基础支撑,应对流量和设备数量的增加带来的需求增加问题,提升服务鲁棒性,降低能耗与通信时延。本文在用户移动性理论和预测模型方面完成三个主要工作:(1)进行用户移动可预测性的实证分析。基于两个真实数据集对移动可预测性理论进行实证分析,验证了可预测性理论的有效性,分析了呼叫细节记录数据集中用户可预测性与理论上界,其真实熵的均值比时间无关熵和随机熵的均值分别降低34%和66%;揭示了可预测性实际度量的数据集依赖性,基于高校消费数据集分析了高校学生的移动可预测性,说明了数据集内个人信息不同和数据集间不同都导致可预测性差异;现有移动可预测性研究工作大多基于通信数据集、网络签到数据集等,本文则将可预测性理论首次应用到校园消费数据集,拓展了可预测性理论的应用范围。(2)提出基于扩散核的单用户移动性预测模型,论证了理论可预测性与实际预测性能的对应关系可用复合高斯函数进行建模。本文提出使用时空轨迹训练的扩散核移动性预测模型,将用户的时空轨迹映射为指定域内的扩散过程,结果证明该模型可实现约4%的预测准确度提升。针对熵值处于同一水平的用户的实际预测性能有差异这一现象,论证了可用复合高斯分布对实际预测准确度与可预测性熵值的对应关系建模。(3)提出相似用户辅助的移动性预测模型,阐明了相似用户的移动信息可提升预测性能。使用关联分析算法挖掘用户的关键移动模式,引入用户移动相似度的定义,计算用户之间移动相似度,确定最相似用户。提出了相似用户辅助的移动性预测模型,设计了移动性预测算法,讨论模型中权重系数和阈值参数对预测性能的影响,预测结果证明该模型的预测准确度比单用户模型提升了4%。本文对可预测性理论进行了实证分析,证明了其有效性、数据集依赖性和可拓展性,提出的基于扩散核的单用户预测模型和基于相似用户辅助的移动性预测模型与现有模型相比实现了性能提升。本工作对于移动性预测的理论拓展和实际应用都具有重要价值。

关键词：时空轨迹可预测性移动性预测

软件定义的异构无线网络中基于移动性预测的资源分配技术研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

软件定义的异构无线网络中基于移动性预测的资源分配技术研究

作者：杨向群北京邮电大学

学位级别：硕士

随着互联网和移动通信的发展,蜂窝通信网络承载的数据量呈指数增长的趋势,而传统蜂窝网络资源管理所具有的粗放性、静态性和局部性的特点已严重限制了蜂窝网络的性能,使其无法满足未来蜂窝系统的需求。针对这一问题,本文引入了基于软件... 详细信息

随着互联网和移动通信的发展,蜂窝通信网络承载的数据量呈指数增长的趋势,而传统蜂窝网络资源管理所具有的粗放性、静态性和局部性的特点已严重限制了蜂窝网络的性能,使其无法满足未来蜂窝系统的需求。针对这一问题,本文引入了基于软件定义的异构蜂窝网络架构。该架构具有传统蜂窝网络的优点,也克服了其缺点。为了应对未来蜂窝网络的技术挑战,本论文提出在软件定义的异构蜂窝网络架构中,利用全局网络视角和集中式控制逻辑,研究基于移动性预测的授权和非授权频谱以及功率资源分配的方案。本论文的研究成果,对于未来通信网络的研究具有指导意义。首先,本论文总结了传统移动蜂窝网络的发展现状和未来方向,并阐述了软件定义的异构蜂窝网络架构及其相关关键技术。然后,针对未来移动蜂窝网络用户位置随时间的推移不断变化,以及动态变化的网络参数对网络性能有一定的影响这一问题,本论文针对软件定义异构蜂窝网络中的集中式控制特点,利用多阶马尔可夫链和BP神经网络模型进行移动性预测,学习历史数据样本,预测用户的移动性。本论文引入用户移动熵的概念,分析多阶马尔可夫链性能,选择合适的马尔可夫链的阶数,并且,利用实际数据进行仿真实验,对比分析了多阶马尔可夫链和BP神经网络模型对用户移动性的预测性能。从移动性预测准确率和实现复杂度的角度来看,2阶马尔可夫链是移动性预测的较好选择。其次,本论文在用户移动性预测的基础上,研究了授权和非授权频段及功率资源的分配。本论文根据得到的用户移动位置和基站缓存状态对用户的传输状态进行打分,制定用户关联决策,尽量使接入用户的内容来自于基站的缓存。然后,对授权频段进行频分、非授权频段进行时分,通过授权频段和非授权频段的资源分配,提出用户平均吞吐量最大化问题,并通过功率控制使用户间干扰低于阈值。进一步,将多维优化问题分解成两个子问题进行求解,并采用ADMM算法。最后,本论文通过仿真验证了基于全局化视角的移动性预测的资源分配算法能够提高网络吞吐量,并且其性能优于不进行移动性预测的就近接入资源分配算法和进行移动性预测的随机资源分配算法。

关键词：软件定义网络异构蜂窝网移动性预测资源分配 ADMM

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

移动边缘计算缓存优化与用户移动性预测研究

移动边缘计算缓存优化与用户移动性预测研究

作者：黄祥岳浙江大学

学位级别：硕士

近些年来,快速增长的智能终端设备对移动网络的架构和承载能力提出了越来越高的要求,移动边缘计算（MEC,Mobile Edge Computing）的出现,通过在移动网络边缘部署计算、存储、处理功能来分担移动核心网络的压力。本论文在移动边缘计算的... 详细信息

近些年来,快速增长的智能终端设备对移动网络的架构和承载能力提出了越来越高的要求,移动边缘计算（MEC,Mobile Edge Computing）的出现,通过在移动网络边缘部署计算、存储、处理功能来分担移动核心网络的压力。本论文在移动边缘计算的框架下,对缓存优化与用户移动性预测展开研究。本文首先阐述了移动边缘计算的概念,着重介绍了临近性和基于上下文信息的特性,对几种常见场景下的应用展开说明,同时讨论了未来的研究方向。论文基于MEC的多层次缓存架构,针对降低用户请求内容的时延,提高缓存效率等优化目标,利用多播技术和基站间的协作机制,提出了一种协作式的多播缓存策略（CMAC,Cooperative Multicast-Aware Caching）,并引入了贪婪算法,通过与简单多播缓存（MAC,Multicast-Aware Caching）的性能比较,验证了CMAC的有效性,与MAC相比平均时延降低了 13%。论文还提出了基于MEC的移动性预测框架MPaS（Mobility Prediction as Service）,采用LSTM（Long Short-Term Memory）对用户的移动性进行预测,基于公开数据集对LSTM进行训练和仿真,比较了 ANN（Artificial Neural Network）和LSTM预测的性能,验证LSTM对用户移动性预测的有效性。

关键词：移动边缘计算缓存优化 MPaS LSTM 移动性预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于用户移动性预测的切换优化算法研究

基于用户移动性预测的切换优化算法研究

作者：杨鹏波北京邮电大学

学位级别：硕士

随着通信技术的快速发展以及智能终端的广泛普及,移动数据流量呈爆炸式增长,同时移动用户对高速率、低时延等业务需求也在日益增加。这种数据以及业务需求的快速增长在加剧网络负载压力的同时,也对资源的合理分配提出了更高的要求。分... 详细信息

随着通信技术的快速发展以及智能终端的广泛普及,移动数据流量呈爆炸式增长,同时移动用户对高速率、低时延等业务需求也在日益增加。这种数据以及业务需求的快速增长在加剧网络负载压力的同时,也对资源的合理分配提出了更高的要求。分层异构网络的出现解决了宏基站在室内以及人流密集区域存在的覆盖效果不佳以及带宽资源不足等问题。但是由于用户的移动,终端设备将在不同小区之间频繁切换,同时网络资源也需要不断地重新分配。如何解决用户在移动过程中资源的合理分配以及切换的平稳执行等问题,成为移动通信网络面临的重要挑战。目前,移动性预测技术可以作为一种有效的方案来解决上述问题。通过分析用户的移动特性,建立相关移动模型,预测用户未来的位置区域,结合预测位置提前选择出合适的目标切换基站,由此减少不必要的切换次数。同时,群体的移动趋势可以为网络资源的合理分配提供参考,提高网络资源利用效率。但是,由于特定场景中用户移动的复杂性,对用户移动行为建模带来一定的挑战。其次,移动数据量级的增长对于节点处理分析数据的能力提出了更高的要求。因此,在特定场景中,分析用户行为进行移动性建模以及制定合理的预测方案值得深入研究。针对上述问题,本文分别考虑了室内和室外两种典型场景,通过分析特定场景中用户的移动特性分别提出移动性预测方案,实现切换优化,主要工作内容如下:第一,针对室内办公场景提出了一种基于隐马尔科夫模型(Hidden Markov Model,HMM)的移动性预测方案来优化切换过程。在HMM模型中,将家庭基站的位置定义为隐藏的变量状态,用户的移动轨迹定义为观测序列。根据该场景下用户的工作时间表将预测时间分为若干个时间段,并分别计算状态转移概率矩阵。此外,考虑了室内环境中墙壁以及障碍物对信号的影响,在中等以及低信号强度区域引入墙壁影响因子调整观测概率矩阵,并考虑建筑物拓扑结构,排除不存在的预测路径。最后,通过仿真证明了该预测方案的有效性。该方案提升了室内用户移动预测的精度并减少了小区间不必要的切换次数。第二,针对室外人流密集场景下用户的移动特性,提出一种基于数据挖掘技术的移动性预测方案来优化切换过程,快速处理大量位置坐标数据并且挖掘其中隐藏的移动模式。通过分析该场景下用户的移动特性,首先根据用户在校园的分布情况利用K-means聚类方法将整个校园分为若干预测区域,并根据上课以及作息时间将预测时间划分为不同的时间段。然后,在每一个预测区域的特定时间段内,将该区域的用户移动轨迹利用模糊C均值聚类方法划分为若干移动用户组。最后,利用序列模式挖掘技术找出每组用户移动轨迹频繁移动序列,排除不规则的移动轨迹,通过匹配新到用户历史轨迹和对应用户组的频繁移动模式,选取匹配程度最大的序列模式,从而预测移动用户下一时刻的位置区域。根据所预测的位置信息来决策出最优的切换目标基站,从而优化切换过程,保证用户的通信质量。

关键词：隐马尔科夫移动性预测聚类切换优化

基于Hadoop的移动互联网用户移动性预测模型研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于Hadoop的移动互联网用户移动性预测模型研究

作者：李艾芮北京邮电大学

学位级别：硕士

随着移动终端技术的不断发展,移动互联网用户的数量呈现飞速的增长,越来越多的用户通过移动终端,比如手机、平板电脑等设备,从互联网中获取自己需要的资源。这个过程会产生海量的移动通信数据,通过分析这些移动性数据,我们可以掌握用户... 详细信息

随着移动终端技术的不断发展,移动互联网用户的数量呈现飞速的增长,越来越多的用户通过移动终端,比如手机、平板电脑等设备,从互联网中获取自己需要的资源。这个过程会产生海量的移动通信数据,通过分析这些移动性数据,我们可以掌握用户的移动规律和活动轨迹,深入理解用户的行为特征和移动模式,帮助我们实现移动互联网用户的移动性预测。移动性预测模型的研究是理解人们日常生活习惯、社交关系、个人喜好等行为的重要课题,可以帮助我们解决如应用推荐、疾病预防、城市规划、人口迁徙、国防建设等各种实际问题,对促进移动通信技术的发展有着积极的影响和重大的研究意义。移动通信的过程中,用户产生的数据是海量的,传统的数据处理技术已经无法满足我们的存储和分析要求。所以,本文通过Hadoop分布式软件平台来实现对用户的移动性数据的分析和预测。本文首先介绍了 Hadoop的架构,及其进行大数据存储和计算的基本流程和工作原理。在基于Hadoop的平台上,构建了移动互联网用户的移动性预测模型。随后,研究了用户轨迹里重要位置的提取方法,并基于Point of Interests（POI）识别率指标对这些算法进行了评估与对比,选取出最理想的方法完成了数据的预处理。接着,本文对移动互联网用户进行了移动性分析,来判断用户位置的可预测性。并在熵算法基础上提出了瞬时熵与转移概率结合的算法,完成了对用户轨迹里的每个访问位置的可预测性的判断。可预测性分析的实验结果为移动性预测提供了有力的依据。最后,本文实现了移动互联网用户的移动性预测,并针对传统算法的缺陷提出了改进预测性能的方法,提高了移动性预测的准确度。

关键词：移动互联网移动性预测可预测性分析重要位置提取

异构网络中用户移动性预测机制及缓存策略研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

异构网络中用户移动性预测机制及缓存策略研究

作者：刘振亚北京邮电大学

学位级别：硕士

随着通信技术的发展和用户设备数量的急剧增加,移动数据流量在全球范围内呈现爆炸式增长。同时,用户对高速率、低时延通信的需求也在日益增加。异构网络通过在传统的蜂窝网络中部署低功率的小型基站,能够显著提升网络性能,吸引了研究人... 详细信息

随着通信技术的发展和用户设备数量的急剧增加,移动数据流量在全球范围内呈现爆炸式增长。同时,用户对高速率、低时延通信的需求也在日益增加。异构网络通过在传统的蜂窝网络中部署低功率的小型基站,能够显著提升网络性能,吸引了研究人员的广泛关注。在异构网络中,对用户的移动性进行预测与分析不仅能优化资源分配,还可以提升用户移动过程中的通信服务质量,已成为目前的研究热点之一。异构网络中的用户移动性建模需要考虑预测准确性和模型复杂度之间的矛盾。此外,在引入边缘缓存技术的网络场景中,如何利用移动性预测的结果提高缓存效率也需要进行深入研究。本文的主要工作如下:提出了一种基于分级思想的移动性预测机制。首先对用户的移动行为进行了分析,基于在一天内的平均访问时长提出了一种用于识别被频繁访问地点的聚类算法。然后,将用户的位置预测划分为两个阶段,分别执行粗粒度和细粒度的预测以降低预测的复杂度。在粗粒度预测阶段,基于带有回退的二阶马尔可夫链对用户下一个最可能访问的地点进行了预测。在细粒度预测阶段,利用隐马尔可夫模型从时间和空间两个维度对用户的精确位置进行了预测。仿真结果表明,与现有的预测方法相比,所提出的分级移动性预测机制在预测消耗的时间上有明显改进,并在预测准确度和复杂度之间实现了折中。提出了一种考虑不同类型视频业务和用户移动性的缓存策略。对于一般的网络视频,为了提高缓存效率,考虑在小基站的缓存中存储视频文件的编码数据。通过引入延迟卸载技术,将缓存问题描述为一个优化问题,目标是最小化缓存内容的平均传输成本。基于用户请求的有效期提出了一种优化缓存策略,以最大化从本地缓存下载的数据量。对于典型的流媒体视频,为了满足用户边下载边观看视频的需求,考虑在缓存中放置原始的视频片段。基于用户轨迹的预测结果,提出了一种适用于流媒体视频的缓存方案。仿真结果表明,与基于文件流行度的缓存算法相比,所提出的缓存策略具有较低的平均传输成本。

关键词：异构网络移动性预测缓存策略

移动Ad Hoc云环境中基于移动性预测的计算卸载算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

移动Ad Hoc云环境中基于移动性预测的计算卸载算法研究

作者：刘帜云南大学

学位级别：硕士

以智能手机和平板电脑为代表的移动设备的快速普及给人们的日常生活带来了极大的便利。但是,由于受到CPU性能、电池容量、存储容量等因素的限制,移动设备在处理计算密集型的任务时却表现欠佳,比如运算速度缓慢、掉电迅速等。移动云计算... 详细信息

以智能手机和平板电脑为代表的移动设备的快速普及给人们的日常生活带来了极大的便利。但是,由于受到CPU性能、电池容量、存储容量等因素的限制,移动设备在处理计算密集型的任务时却表现欠佳,比如运算速度缓慢、掉电迅速等。移动云计算技术的出现为该问题的解决提供了一个很好的思路：通过把移动客户端上的计算密集型任务卸载到目标代理中去执行不仅可以大大缩减任务的处理时间而且还可以最大限度的降低移动设备的能耗。在移动Ad Hoc云环境下,移动客户端节点和目标代理节点的位置都时刻处于动态变化的状态,受无线网络有效覆盖范围的限制和节点移动性的影响,客户端节点和代理节点之间的网络连接也是间歇性的。因此,当把计算任务从移动客户端节点卸载到代理节点中去执行时就有可能会出现计算卸载失败的问题。传统的计算卸载算法虽然在静态卸载环境下表现出色,但是在移动Ad Hoc云环境下却难以克服计算卸载失败所带来的问题。为了解决移动Ad Hoc云环境下计算卸载失败的问题,本文在已有的静态卸载算法MET、MCT、MinMin、MaxMin、Sufferage的基础上提出了五个适用于动态卸载环境的新算法DynMETComm DynMCTComm、DynMinMinComm、DynMaxMinComm和DynSufferageComm。与传统的静态卸载算法相比,这些新算法不仅考虑了任务在卸载过程中的通信开销而且增加了对任务卸载失败后的处理,即当卸载到代理节点上的任务执行失败时,更新任务的到达时间为失败时间点,从而参与后续的调度。为了最大限度的避免任务卸载失败所产生的开销,本文又提出了基于移动性预测的新算法DynPredict。该算法在预测到任务执行失败时,会从有能力执行成功的代理节点中选择一个次优的代理重新进行卸载,从而保证任务顺利执行完成。仿真结果表明：带预测的算法DynPredict在大多数性能指标上都能表现出最优的性能,页DynMETComm则表现最差;在线算法DynMCTComm则通常接近甚至超过其他三个比较复杂的批调度算法（包括DynMinMinComm、DynMaxMinComm和DynSufferageComm）的性能。本文的研究成果可以很好地应用于移动Ad Hoc云环境下的计算卸载,也为下一步任务迁移方向的研究奠定了基础。文中所采用的研究方法和思路对于移动云计算环境下的计算卸载的深入研究也具有一定的参考价值。

关键词：移动云计算计算卸载移动Ad Hoc云移动性预测