一、核心传输网络节点分层资源分配策略的研究（论文文献综述）
任玮[1]（2021）在《面向物联网的软件定义网络控制技术研究》文中研究表明近年来,物联网已经发展成为支撑现代生产生活的数字基础设施。软件定义网络作为一种新兴网络模式,是推动物联网进一步发展的关键技术,能够有效提升物联网网络的可管理性、可配置性、可编程性和可复用性,为物联网服务提供动态、灵活和集中式支持。软件定义物联网中相关网络实体的控制技术是实现上述目标的重要保障。但是考虑到软件定义网络是针对传统网络提出的,已有的控制模型、机制和优化方法不能完全适用于物联网这一特殊场景中。特别是由于物联网设备节点的电源、计算、网络和存储等能力通常有限,对于资源的消耗非常敏感,而传统的软件定义控制技术一般需要较大的资源消耗。因此,对面向物联网的软件定义网络控制技术展开深入研究,具有十分重要的理论意义和应用价值。本文针对软件定义物联网数据层-控制层-应用层中的重要控制实体,分别从流表的存储更新、网络功能的组合部署、控制器的选址分配和应用的授权访问展开研究,提出了一系列的新模型和新方法:（1）针对软件定义物联网数据层中的流表存储问题,研究一种基于hash的分布式存储控制机制,包括构建一种基于节点多维信息的存储位置选择算法;一种基于流表匹配域的hash空间构造方法,方便流表的识别、定位与管理;一种基于树结构的流表部署与数据转发机制,避免由流表分布式存储导致的网络消耗。另外,研究一种低消耗流表批量更新机制,将所有待更新节点的更新规则进行打包并按批次进行下发,以减少控制器与节点间的通信消耗;然后按照新数据流从目的节点到源节点的顺序进行更新,以保证网络更新的一致性特征。包括提出一种更新树结构以支持灵活的更新路径规划;一种基于虚拟目的节点的控制包打包算法,能将更新树中的更新规则聚合成最小数量的更新控制包;一种合作传输模式来提升更新控制包在无线不稳定信道下的传输成功率。实验结果验证了所提出的分布式存储和批量更新控制机制的有效性。（2）针对软件定义物联网数据层中网络功能的组合部署问题,研究一种近端编排控制策略。首先设计一种物联网服务功能链抽象定义语言,以完成对物联网服务的全面准确描述;然后利用一种需求感知的网络功能顺序排列算法,确定物联网服务的虚拟转发图;随后将网络功能的部署问题形式化为一个整数线性规划模型,优化目标是在资源约束前提下,将物联网网络功能最大程度地部署在距离数据源更近的位置;并提出一种两阶段的部署优化方法,包括一种改进的遗传算法和一种trade-off效用函数来找到满足用户需求的最佳部署方案。通过分析服务时延和链路消耗等指标,验证了所提出的近端编排控制策略的有效性。（3）针对软件定义物联网控制层中的控制节点选址分配问题,研究一种基于重要性的分层部署控制方法。首先设计一种面向物联网的主从式分层软件定义控制框架,以避免单点失效和性能瓶颈问题;然后提出一种基于层次分析法和模糊积分的物联网设备节点重要性评估模型;随后将子控制器部署问题形式化为一个二进制整数规划模型,并通过一种改进的粒子群优化算法对部署问题进行求解,以获得近似最优的子控制器部署位置和覆盖范围。实验结果表明,与其他传统部署方法相比,所提出的分层部署控制策略使重要物联网节点的控制时延平均降低约30.56%。（4）针对软件定义物联网应用层中的应用授权问题,研究一种基于区块链和属性加密的开放访问控制模型。通过由属性加密的token进行应用授权,而这些token被看作区块链中的货币进行分发和管理。首先提出一种基于区块链的分布式访问控制框架,以解决异构不互信控制器平台间的实体交互问题;然后利用属性加密技术改进基于token的访问控制机制,并通过智能合约整合相关操作,实现对北向接口的自动细粒度授权;同时设计专用的token封装、分发、更新和验证方法,保证对应用的全生命周期安全管理;为了减轻引入区块链和属性加密的复杂性与高时延问题,将应用的授权过程与访问过程进行分离,进一步提升应用的资源访问效率。最后基于安全性分析和原型系统的实验结果表明,所提出的访问控制模型能够以可接受的成本实现应用在异构多控制平台间的有效访问控制。
何皓琛[2]（2021）在《水声传感网络体系结构的设计与实现》文中提出水声传感网络（Underwater Wireless Acoustic Sensor Network,UWASN）是用于监视水下环境和探索水下资源的关键技术,在海洋环境采样、海洋数据收集、地理环境监测、紧急避灾、辅助导航以及海底监视等水下应用中发挥了巨大作用。由于UWASN的传输环境恶劣、传播延迟长和误码率较高等特性,传统无线传感网络的网络体系结构不再适用。同时,UWASN尚未有成熟的网络体系结构。因此,研究UWASN的网络体系结构具有重要的理论意义与应用价值。论文从海洋环境自适应、网络自愈性、能量感知、有效信息交互等角度入手,结合UWASN的特性与水下传输任务的需求,借鉴传统无线传感网络体系结构模型与延迟容忍网络设计思路,提出了一种新型UWASN体系结构模型。数据转发面通过统一的“管控中心”沟通各协议层之间的信息交互,使之能够实现协议栈的灵活组合并提供良好的跨层设计平台,增加网络中的跨层效益。同时,体系结构中增加了一个面向消息的覆盖层——“投递层”,用于解决网络区域间或网络节点间的异构性、水下数据传输长时延与链路中断等问题。为了验证新型UWASN体系结构中协议的组织形式、协议层连接灵活性、协议栈自适应和跨层设计的思路,论文设计并实现了体系结构中的“管控中心”,命名为Lincros协议栈平台。为了实现协议栈运行时对协议层的灵活配置和满足不同协议实例运行期间的稳定性需求,Lincros平台将不同的协议实例组织成相互合作的进程组,协议进程之间的通信和调度由Lincros核心负责,从而提高了系统的稳定性、系统运行的实时性和协议运行的并发性。为了解决UWASN长时延、链路中断等问题,论文设计并实现了新型UWASN体系结构的“投递层”,其中投递层被当作应用层代理,工作在某些骨干网络的“投递层网关”节点之上,形成“存储-携带-转发”的覆盖层网络。同时,投递层使用持久存储对抗网络中断。论文给出了投递层的网络区域与节点命名寻址、投递层数据传输、链路感知与路径选择、基于包级编码的混合AQR逐段可靠控制、资源分配与网络诊断和功能适配器六个方面的详细设计。另外,论文给出了投递层实现的整体框架和一些重要功能模块的具体实现,主要包括数据收发流程、邻居发现流程和可靠性控制流程等。论文对所提出的新型UWASN体系结构进行了仿真分析和半实物验证,并与传统五层UWASN体系结构进行比较。实验结果与仿真结果基本一致,验证了论文提出的新型UWASN体系结构具有较低的端到端传输时延、较高的网络有效吞吐量和较高的传输效率,能够在具有高延迟、高误码率和高链路中断概率的UWASN中较好地完成数据传输任务。
李高磊[3]（2020）在《面向B5G智能组网的新型安全防护技术研究》文中研究指明Beyond 5G（B5G）将是以人工智能（Artificial Intelligence,AI）为核心引擎,使用更高频段作为信号载体,数据速率达到太比特每秒的新一代移动通信系统。B5G由于其超高速、大通量、强鲁棒等特点以及对各行业的重大潜在影响,已经成为全球各国科技争夺的制高点。现有研究已经从天线设计、太赫兹信号处理、极化码编码等方面对B5G基础理论进行了探讨。然而,随着应用空间的不断扩大,移动通信系统的研究重心正在从云中心向网络边缘转变。未来,B5G的性能在很大程度上将受组网模式及其安全防护能力的制约。B5G是一种泛在信息融合网络,其智能组网架构将兼容软件定义网络（SoftwareDefined Networking,SDN）、信息中心网络（Information-Centric Networking,ICN）、移动边缘计算（Mobile Edge Computing,MEC）等多种组网方式,并需要支持不同组网方式之间的无缝切换。然而,从云端到边缘,网络中的计算、存储等资源的分布是不均衡的,这使B5G智能组网的安全防护技术复杂程度更高、可控性更低。而且,对抗样本等由人工智能带来的新型攻击威胁使传统安全防护技术在B5G中难以使用。因此,本文深入研究了面向B5G智能组网的新型安全防护技术,丰富了B5G云端网络的SDN流量管理、云边融合的资源调度与计算任务分配、边缘计算的攻击缓解与知识安全共享、边缘学习的对抗样本防御方面的基础理论,提出基于深度包检测的流量应用层感知与细粒度QoS优化、基于服务流行度的异构资源动态调度、基于知识流行度的复杂计算任务适配、基于共识信息随机重加密的共谋攻击缓解、基于免疫学思想的对抗样本攻击识别与分布式预警防御等机制。本文的创新性研究工作归纳如下:第一,B5G云端网络的流量应用层感知与细粒度QoS优化。鉴于B5G云端网络中链路虚拟切片、功能软件定义、资源多租户等特点,提出基于深度包检测的SDN流量应用层行为感知方法、多租户SDN流量服务等级协商（Service Level Agreement,SLA）感知机制、大规模ICN流量应用层Qo E感知模型,实现多租户软件定义环境下的主动带宽分配技术,优化SDN/ICN组网模式下的QoS/Qo E性能（包括带宽利用率、抖动、延迟等）。第二,B5G云边融合的异构资源与复杂计算任务智能调度。针对移动边缘计算中节点不可信、资源分布不均衡等问题,研究基于服务流行度的异构资源动态调度方法,提升深度学习等复杂计算任务对MEC环境的适配能力;研究知识中心网络模型,提出“边缘学习即服务”的基础框架,建立共谋攻击缓解机制以及不可信环境下的复杂计算任务分配机制,降低响应延迟时间。第三,B5G中边缘学习的对抗样本识别与多阶段免疫防御。研究B5G智能组网中对抗样本攻击与防御模型,提出:1)去中心化的对抗样本识别与快速预警机制;2)去中心化的对抗样本多阶段免疫防御方法。与单纯地增强单个深度学习模型的鲁棒性不同,所提出的预警机制能够从输入数据中识别对抗样本,纠正神经网络所犯的错误,并向其他节点发出预警。针对在网络边缘部署的深度学习模型,所提出的多阶段免疫方法通过对多个神经网络模型梯度参数、网络结构等信息进行共享、编排、共识来动态地减少对抗样本对系统的危害。综上所述,本文针对云端网络、云边融合、边缘计算、边缘学习四种不同场景,深入研究并提出了面向B5G智能组网的新型安全防护关键技术,并利用公开数据集在主流实验平台上对所提方法的正确性、有效性、优越性进行了测试验证,为B5G的进一步发展提供理论支撑和重要参考。
韩雨涝[4]（2020）在《无线传感器网络覆盖空洞与数据收集关键技术研究》文中进行了进一步梳理无线传感器网络作为物联网基础框架的重要组成部分,具有广阔的应用前景。数据收集是无线传感器网络应用的基本功能,传感器节点能否采集到监测区完整数据,并将数据可靠传输到用户中心,决定了网络应用的响应速度和性能体验。然而传感器节点能量和存储空间有限、计算和通信能力较弱,网络中存在不可靠链路和覆盖空洞等问题。面对这些问题,如何设计有效的数据收集技术,使得数据收集在达到高能效目的的同时,还能满足低延迟、高收集率的应用要求,是本文研究的重点。研究工作概括如下:（1）研究无线传感器网络覆盖空洞检测与修复问题。针对覆盖空洞导致监测区网络覆盖服务质量下降和数据不能完整采集的问题,提出了一种基于链路交点相对位置信息的覆盖空洞检测算法CHDARPI,基于节点方向角自适应的空洞检测消息转发机制,在提高空洞检测速度的同时降低了空洞检测能耗。针对覆盖空洞完全修复问题为NP-hard问题,提出了一种基于非并行二分法的分布式覆盖空洞修复算法CHRAND,采用弧二分法确定空洞修复最优位置,保证了移动节点能够修复的空洞面积达到最大。实验结果表明:与现有方法相比,CHDARPI在平均空洞检测时间和检测能耗方面分别下降15.2%和16.7%;CHRAND的空洞修复率可达100%,修复冗余度不超过0.354。（2）研究不可靠链路无线传感器网络节能路由协议。针对不可靠链路丢包导致数据收集率下降的问题,提出了一种能量有效的动态路由协议EEDRP,基于数据包接收率评估链路质量,并利用邻居节点活动状态时隙构建排序转发集。针对EEDRP协议在扩展性方面的不足,接着提出了一种面向不可靠链路基于模糊逻辑的非均匀分簇协议UCPFLUL。在分析分簇协议“能量空洞”问题基础上,设计了尝试簇头选举、分簇半径决策、分布式成簇以及簇间路由方法,以实现数据的可靠传输。实验结果表明:UCPFLUL和EEDRP均有效降低了网络节点平均能耗,同时数据收集率均超过了88%。（3）研究基于移动Sink的带状无线传感器网络低延迟数据收集问题。在带状无线传感器网络事件监测数据收集应用中,针对传统移动Sink数据收集技术不能满足数据收集的低延迟性能要求,提出了一种基于代理节点转发的移动Sink数据收集算法DCAFAN,构建了标识Sink移动轨迹的代理节点队列以及存储追踪代理节点的线节点序列,数据节点通过获取追踪代理节点传输数据到Sink。实验结果表明:DCAFAN能够降低数据收集延迟,平衡网络节点能耗同时提高数据收集率。（4）研究资源受限无线传感器网络移动设备路径规划问题。针对现有联合数据收集和无线充电的移动设备路径规划产生的数据收集率低或数据收集延迟大的问题,建立了节点资源受限下移动设备路径规划模型,证明了基于该模型的移动设备路径规划问题为NP-hard问题,并提出了一种基于贪心策略的移动设备路径规划算法PPAGS,利用马尔可夫模型预测移动设备在每个单元的最小停留时间和最长等待时间,以优化充电设备的移动路径。实验结果表明:与现有方法相比,PPAGS的平均数据收集延迟下降了25.9%,平均数据收集率提高了7%,达到了98.91%,节点平均失效率不超过3.1%。
陈梦婷[5]（2020）在《空天地网络中基于强化学习的通信计算与缓存技术研究》文中研究指明为了满足迸发的通信需求,实现未来6G“万物互联”的愿景,空基、天基与地基网络呈现出一体化的趋势。与传统的通信网络系统对比,在整合了卫星、高空平台、无人机与地面网络后,空天地一体化网络（Space-air-earth networks/Space-air-terrestrial integrated networks）可以提供全球无缝的网络连接。空天地网络还可以充分利用不同的网络特性进行协同互补,达到更低的延迟、更低的能耗与更大的网络容量。但是,空天地网络中的节点众多、不同系统的资源异构性强、信道与拓扑随机性强、用户通信需求复杂等特点,都给无线网络资源的分配带来了极大的困难,传统的分配方法已无法满足其需求。同时,神经网络、强化学习等人工智能算法已经在无线通信的各个领域得到了广泛的关注。尤其是在网络资源分配方面,智能代理可以对网络状态与网络拓扑进行一定的预测与学习,从而更加智能、精准地进行复杂、动态的通信、计算与缓存资源分配。所以,面对新的挑战,利用人工智能算法对空天地网络进行资源分配已经是大势所趋。针对空天地网络中的通信、计算与缓存问题,本文采用Q学习（Q-Learning,QL）、分层强化学习（Hierarchical reinforcement learning,HRL）等算法,构建了可靠、精准的资源分配方案,为推动空天地网络的实施进行了探索。本文的主要研究成果与贡献如下:1、基于Q学习的LEO卫星切换算法针对通信问题,由于空基与天基网络节点的天然移动性,空天地网络中的移动性管理是亟需解决的问题,而优化卫星切换方案又是移动性管理中最常见的方法。依据卫星网络的拓扑变化特点,本研究点基于Ornstein-Uhlenbeck过程对拓扑变化中的星地信道进行建模,并提出一种基于强化学习算法的低地球轨道（Low-earth-orbit,LEO）卫星切换方案,通过对累积信号质量的优化,解决了低轨卫星网络中切换时信号质量不稳定的问题。对算法进行的仿真验证表明了应用此算法减少了切换次数,降低了乒乓切换率。2、基于分层强化学习的星地融合网络计算卸载算法针对计算与缓存的问题,充分利用卫星网络所能采集的绿色能源将会是一条可行的路径。本研究点针对卫星处于轨道不同区域的绿色能源采集情况进行了分析,考虑服务器的缓存限制,提出了一种基于深度Q网络（Deep Q-learning,DQN）的计算卸载算法,通过提高绿色能源的利用率及卸载算法的智能性,优化了星地融合网络中的计算卸载策略。同时,利用分层强化学习与多层网络及卸载问题的适配性,提出了一种基于HRL的卸载算法,并对算法进行了仿真验证,结果表明其提高了计算卸载算法整体的准确性、稳定性及实现速度。
董芳[6]（2020）在《面向软件定义自组织网络的网络功能组合机制研究》文中提出以车联网等为典型应用的自组织网络是万物互联的最常见形式,已成为大众工作和生活最为依赖的基础性网络。受到网络僵化问题和移动性的制约,自组织网络的创新缺乏内生动力,使得人们对自组织网络服务的期许无法得到根本性满足。因此,开放网络核心功能、提升自组织网络服务能力是自组织网络可持续发展的最迫切需求。近年来,灵活可编程的软件定义网络,为实现以服务为导向的网络功能组合提供了现实依据。融合了软件定义思想,软件定义自组织网络具备了强大的可操控性。因而,面向软件定义自组织网络的网络功能组合,被认为是提升自组织网络服务能力的根本性方法。目前,面向软件定义自组织网络的网络功能组合机制研究存在以下问题:（1）相关研究和成果多集中于网络局部性能的改善,极少触及网络功能结构设计的本质性创新;（2）传统的自组织网络内部功能结构相对封闭,缺失实现动态网络功能组合的能力;（3）拓扑频繁变化显着增加服务中断的可能性,目前链路恢复机制难以保障网络服务持续有效。本文针对软件定义自组织网络中实现网络功能组合面临的以上三个问题,以软件定义自组织网络功能结构设计创新为出发点,以实现网络功能结构的柔性控制、抽象分解和动态组合为手段,将自组织网络服务能力具体化为网络基础互联传输能力、服务提供能力和服务保障能力逐一提出解决方案。首先,分析软件定义自组织网络功能结构的柔性控制机制,建立可扩展的网络控制平面和灵活的数据平面,支持控制流与数据流的高效传输;其次,分解和抽象网络功能组合的基本单元——元协议,构建网络节点内部和全网范围内实例化的网络功能组合——动态协议栈,以此改善节点性能和优化网络路由,保证动态提供网络服务;第三,提出链路故障下网络服务快速、有效的恢复方法,保障持续提供网络服务。具体地,本文主要研究成果如下:1.针对软件定义自组织网络在功能结构设计上创新乏力问题,本文针对软件定义自组织网络控制要素、功能结构和控制方式等本质性问题提出研究思路和设计原则。首先,合理收敛软件定义自组织网络的控制要素,支持SDN向移动性扩展;其次,建立“物理上分布,逻辑上集中”的软件定义自组织网络混合式控制结构,分析网络控制平面和数据平面工作流程,支持软件定义自组织网络简单组网;第三,在混合式控制结构下,针对移动组网需求,设计控制器选举算法;最后,分析、比较控制平面与数据平面性能,从算法收敛时间、资源代价等方面,验证了软件定义自组织网络具备良好的基础互联能力。2.针对软件定义自组织网络缺失网络功能组合基本单元的问题,本文分解和抽象软件定义自组织网络功能的基本单元——元协议,并通过构建动态协议栈提升网络节点的服务提供能力。首先,依据混合式网络控制结构,将软件定义自组织网络功能基本单元抽象为元协议,以开放网络核心功能;其次,提出基于元协议的网络节点构建方法,兼容传统网络节点;第三,以服务需求为依据,兼顾资源与效用,具体设计节点内动态协议栈构建算法;最后,仿真相关算法,分析节点性能。结果表明,以上算法能够取得更高的服务接受率和实例平均效用;验证了具备网络功能组合机制的软件定义自组织网络节点,拥有天然的良好的服务提供能力。3.针对全网范围内缺乏网络功能组合实现方法的问题,本文提出一种以服务为导向的、全局性的节点间动态协议栈构建算法,并以路由为节点间动态协议栈的物理部署形式,从而提升软件定义自组织网络的全局性服务提供能力。首先,提出一种基于服务特征的分层次路由模型,作为动态协议栈的构建依据;其次,设计服务节点选择算法,构建节点间动态协议栈;第三,依据有序服务节点,部署软件定义自组织网络路由。最后,搭建仿真实验平台,比较分析相关算法。结果表明,软件定义自组织网络路由使得节点能耗更均衡、资源占用率更低、网络效用更优,从而验证网络功能组合机制提升了全局性的网络服务提供能力。4.针对无线环境影响网络功能组合稳定性的问题,本文提出一种基于服务路径恢复的动态协议栈重建方法,保障了网络服务的持续性和有效性。首先,提出服务路径的概念,兼顾链路状态与服务有序性,从而将相对复杂抽象的动态协议栈重建问题,转化为易于工程实现的服务路径恢复问题;其次,提出动态协议栈重建的核心算法——服务路径分级恢复算法,通过备份恢复和计算恢复相结合的过程,提高了动态协议栈重建的时效性;第三,提出恢复判定定理,保证动态协议栈重建的有效性。最后,仿真分析相关算法。结果表明,服务路径分级恢复算法在恢复时延、恢复成功率等方面更具优势,从而验证网络功能组合机制提升了软件定义自组织网络的服务保障能力。
刘真[7]（2020）在《边缘数据中心光网络中计算资源部署与任务调度策略研究》文中进行了进一步梳理随着边缘计算的快速发展,边缘数据中心作为提供存储和计算能力的基础设施得到广泛关注,而光网络凭借其低时延大容量传输能力在边缘数据中心互联网络中扮演着重要的角色。融合边缘计算和光网络技术的边缘数据中心光网络已成为未来网络的重要应用场景之一。边缘数据中心光网络呈现“边随网动”和“密集型边互联”两个发展趋势。围绕不同趋势,出现了计算资源部署和多个具有关联子任务相关流任务调度问题。针对上述问题,重点研究了边缘数据中心部署、相关流任务分配和分布式数据处理,形成以下三项创新成果。（1）提出一种面向差异化需求的边缘数据中心分层部署和负载分配机制。针对“边随网动”趋势下的计算资源部署问题,提出边缘数据中心分层部署和负载分配策略。首先,通过分析5G无线接入网（RAN）架构中分布式处理单元（DU）和集中式处理单元（CU）节点处时延、带宽和部署成本特性,建立了成本模型、网络时延模型和处理时延模型。其次,在考虑计算和网络资源受限的前提下,将边缘数据中心部署和负载分配问题描述成一个以最小化部署成本和时延为目标的混合整数非线性规划（MINLP）问题,并设计基于递归算法和基于熵权法和TOPSIS方法的边缘数据中心分层部署和负载分配策略。最后,通过仿真验证所提出的两种算法可以最小化部署成本和时延成本,并且所提出的分层部署方案,可以有效权衡部署成本和时延。（2）提出一种基于时间反馈的相关流任务分配和光路配置机制。针对“密集型边互联”趋势下多相关流共享计算和网络资源场景下的资源竞争问题,提出一种相关流任务分配和光路配置机制。首先,分析相关流任务中各子任务间的关联特性,考虑计算和网络资源约束,建立单个相关流完成时间最小的数学模型,并设计了一个启发式算法。然后,针对相关流完成时间取决于最慢子任务的完成时间这一特性,建立以相关流完成时间为基础,以最小化带宽消耗为目标的数学模型。同时还设计了一个涵盖路由、调制格式和频谱时隙配置的启发式算法。仿真结果表明,相关流任务调度和光路配置是影响时延和带宽的重要因素。（3）提出一种面向密集型相关流任务的多阶段聚合和资源配置机制。针对“密集型边互联”趋势下分布式数据处理问题,提出一种分布式数据多阶段聚合机制和资源配置算法。首先,通过分析相关流完成时间的影响因素,定义处理时间、通信时间模型和相关流完成时间模型。其次,为优化相关流处理过程中的数据聚合的阶段次数、每个阶段中集群数、集群中心的位置以及带宽资源分配,设计了集群中心选择、集群划分和带宽分配的启发式算法。最后,仿真结果表明,在冗余数据多、聚合效果好、地理分布数据量大的场景下,相比于单阶段聚合方案,多阶段聚合机制在时延和带宽方面性能更优。
郑宇[8]（2019）在《软件定义分层光接入网及其应用技术研究》文中研究指明近年来,随着移动通信、数据中心、物联网和工业互联网等信息物理系统（CPS）建设高潮的到来,对可集数据采集、融合、交换与处理为一体的高速大容量光接入网的需求激增。由于接入根节点产生的海量数据时空分布的多源化、离散化和异构性,传统光接入网已难以满足需求。本文以上述应用需求为牵引,通过软件定义和光电混合交换技术,研究新型光接入网架构、节点与交换技术,贯通物理层与媒质接入控制（MAC）层,满足海量数据接入与处理的需求。首先,论文提出了软件定义分层光接入网（SD-HOAN）方案,对核心与接入两类网络域实现统一控制,上、下行和控制信道分别采用不同的波段,对簇、集、域及核心四层信号实现分层分布式光电混合交换,使得物理层与媒质接入控制层无缝贯通,从而实现海量多源异构数据的汇聚融合、分层交换和统一控制。研制了网络仿真器,基于SDHOAN架构提出了周期信令传输机制与时隙密排调度算法,仿真验证了SD-HOAN具有高吞吐量、低时延等性能。接着,论文分别提出了单/双纤双向两种无源光分配节点（PODN）和输出端口带宽可重构光电混合核心交换节点（HOECSN）结构。通过PODN,搭建了HOECSN与边缘接入节点（EAN）间和EAN之间的传输通路。研究了PODN、HOECSN与MAC融合技术,实现了集内、域内和核心层海量异构数据交换,基于流量统计信息动态配置了输出端口带宽,提高了输出带宽利用率,降低了节点功耗。然后,论文研究了SD-HOAN技术在两种具体场景中的应用。设计了大规模数据中心SD-HOAN系统方案,PODN与簇间交换节点分别构成无源光接入与电接入层,实现了双MAC分层交换,基于负载感知双模态（LSDM）调度算法实现了簇内高效通信,具有高扩展与低功耗特性。设计了智能变电站SD-HOAN系统方案,研制出边缘、核心节点原型样机,搭建了智能变电站面向SV业务的SD-HOAN现场实验系统,实验测得系统具有低时延、单向组播、协议转换与光域信号汇聚等功能。最后,论文给出全文总结以及有待开展的工作。
杜奕航[9]（2019）在《基于强化学习的认知无线网络跨层设计及优化研究》文中研究表明随着信息技术的飞速发展,新型无线通信设备呈现爆发式增长,用户对通信质量和服务体验的要求也不断提高。为同时支持更多用户并实现更高的数据传输速率,通信业务对带宽和频谱占用的需求越来越高,由此造成频谱资源匮乏的问题日益严重。认知无线电采用动态频谱接入技术,能够通过时域、空域和频域的多维复用极大地提升频谱利用率,从根本上解决频谱资源的稀缺与不足。为增强系统的鲁棒性与灵活性,认知无线网络一般采用分布式架构,网络层的路由选择与媒体接入控制层的频谱分配联系紧密,为设计高效的动态路由与资源管理方案带来了新的挑战。为克服先验信息缺乏以及无线环境和网络拓扑结构动态变化等问题,本文采用强化学习方法对认知无线网络跨层设计进行了研究,主要包括源节点与中继节点异质、网络中所有节点同构、系统中存在成熟策略节点以及网络中存在恶意干扰节点等不同场景下路由选择与资源管理的联合优化策略。主要研究工作如下:（1）针对网络先验信息缺乏以及传统学习算法在系统状态空间较大时性能不佳等问题,在源节点与中继节点异质的网络场景中将单智能体深度强化学习应用于大规模认知无线网络的跨层路由设计中,提出一种基于内存优化型深度Q学习的联合路由设计与资源管理策略。首先引入路径责任等级的概念,将庞大的动作空间转化为大规模状态空间,并实现端到端延迟与系统能量效率之间的平衡。随后,提出基于内存优化的深度Q网络（PM-DQN）,通过周期性擦除记忆库中TD-error值较低的经验元组,在降低平均内存占用的同时实现优先经验回放。最后,针对网络中节点异质的特点设计了一种基于单智能体框架的跨层路由协议,将PM-DQN应用于联合路由设计与资源管理中。仿真结果表明,该方案在不需要先验信息的前提下有效解决了大规模认知无线网络的跨层路由设计,并在降低内存占用的同时取得了较小的路径延迟和较高的能量效率。（2）针对网络中所有节点同构的场景,将多智能体学习策略应用到路由选择与资源管理联合设计中,提出两种基于多智能体强化学习方法的跨层路由协议。首先设计了一种基于策略推测型多智能体Q学习的平面路由协议,通过引入单跳责任等级的概念大幅压缩跨层优化问题的动作空间,并取得单跳延迟与节点能量消耗之间的折衷。随后,将跨层设计问题建模为一个半合作式随机博弈,并提出一种基于等奖励时隙的策略推测型多智能体Q学习算法（ERT-CMAQL）求解该博弈的纳什均衡,算法采用经验回放机制更新推测置信量,打破了更新过程中数据间的强相关性并提高了数据利用效率。仿真结果表明,该方案在学习速率、传输实时性和系统鲁棒性等方面均优于传统学习策略。当网络中节点密度较大时,提出一种基于能耗权重分簇算法的层次路由协议。首先,引入能耗权重的概念,提出基于能耗权重的贪婪式分簇算法以实现簇内通信能量消耗的最小化。随后,应用Double Q学习框架改进了ERT-CMAQL算法,并对簇间通信的路由选择和资源分配进行联合优化。仿真结果显示,该方案的数据包传输延迟和能量消耗远低于平面路由协议。（3）针对时延和能耗敏感型应用,在网络中存在成熟策略节点的场景下,将学徒学习策略应用到跨层路由设计中,提出两种基于学徒学习的路由选择和资源管理联合优化方案。在源节点和中继节点异质的场景中,针对网络中新生成数据源的情况,提出一种基于内存优化型学徒学习的联合路由设计与资源管理方案。首先引入强化型路径责任等级的概念,通过多级跃迁机制提高功率分配效率。随后提出基于专家演示数据的内存优化型深度Q学习（PM-DQf D）算法,周期性擦除经验库中低质量的自主生成数据和过时的专家演示数据,释放内存空间并优化数据结构。最后,构建了一种基于单智能体框架的跨层路由协议,将PM-DQf D算法应用到路由选择与资源管理联合优化中。仿真结果显示,该方法在学习速率、数据传输质量和网络可靠性等方面都优于传统强化学习方案。在网络中所有节点同构的场景下,针对新节点加入网络的情况,提出一种基于多专家演示型学徒学习算法的跨层路由协议。首先,通过引入强化型单跳责任等级提升功率自适应分配效率。随后提出半径自适应型Bregman球模型,保证地理位置偏远的认知用户能够找到合适的专家节点。最后,为避免单一专家经验缺陷造成的策略偏置,设计了一种基于多专家演示数据的深度Q学习算法。仿真结果表明,较传统多智能体强化学习策略,该方案的训练周期、路径延迟和系统能量消耗率都较小。（4）针对认知无线网络协议架构复杂、易受恶意用户攻击的问题,在网络中存在恶意干扰节点的场景下,从网络的整体性能出发提出一种基于端到端性能的多跳认知无线网络抗干扰决策算法。首先,抗干扰策略将路由选择考虑在内,充分发挥分布式网络鲁棒性的优势。随后,将双门限判决机制引入强化型路径责任等级,提升功率分配过程中的稳定性。最后,结合多跳网络中节点受干扰特点,将基于竞争架构的深度Q网络应用到抗干扰决策中。仿真结果表明,该方案无论在常规干扰模式还是智能干扰模式下的端到端性能均优于传统抗干扰算法,且带来网络鲁棒性与可靠性的大幅提升。
任晨珊[10]（2019）在《边缘计算中的高能效与负载均衡技术研究》文中指出图像处理、智能交通、增强现实与自动驾驶等复杂新兴应用对网络数据处理能力、时延和可靠性提出了更高的挑战。移动边缘计算（Mobile Edge Computing,MEC）在靠近智能设备的网络边缘部署云计算与存储资源,为网络提供泛在计算服务,满足新兴应用对时延、可靠性以及连接密度的需求,是第五代移动通信（The Fifth Generation Mobile Communication,5G）的关键技术之一。能效和负载均衡是移动边缘计算的关键研究问题,决定边缘计算网络数据处理能力与用户体验。本论文分别从边缘计算能效和负载均衡展开研究。针对能效问题,本文分别在单小区与多小区场景中提出了动态环境中多用户在线学习资源管理方案,最大化能量受限移动设备与网络的能效。针对负载均衡问题,本文考虑边云协同框架,分别提出了边缘和云端服务器间计算与存储任务的在线分布式负载均衡方案,根据任务特性与网络负载自适应优化任务处理决策,整合边缘计算就近服务与云计算处理能力的优势。本文主要工作和创新点如下:在单小区边缘计算能效研究中,针对动态无线信道环境中基站仅可获取非实时设备信息的挑战,提出了基于混合在线学习框架的高能效资源管理方案,分布式地在用户端本地优化实时任务处理决策以及在基站侧进行预测性计算卸载调度。提出方案利用拉格朗日对偶原理,将机器学习中的随机梯度下降法和在线凸优化方法融合在主对偶优化框架中,实现分布式混合在线学习,增强网络可扩展性,并最大化用户时间平均总体能效。提出方案被证明具有渐近最优特性,且基站侧非实时设备信息引起的性能损失将随学习步长减小而渐近消失。在多小区边缘计算能效研究中,针对边缘服务器与移动设备在计算和无线传输能力的不一致特性,提出了基于分布式在线学习的高能效资源管理方案,分布式优化各边缘服务器与移动设备的任务卸载、任务处理与结果返回决策,最大化网络整体时间平均能效。提出方案通过随机梯度下降法将各优化变量在时间上解耦,并对解耦问题进行重构,统一各节点传输能力,转化为图论中多点匹配问题。该问题可在各节点以线性时间复杂度进行分布式近似求解,近似的性能损失被证明可随学习时间的增长而渐近消失。在边云协同计算负载均衡研究中,针对物联网设备数据分析应用,提出了大规模边云网络中基于李雅普诺夫优化的分布式在线协同计算方案,以最小化网络整体时间平均能耗。到达的数据可根据任务负载与链路条件自适应卸载至各服务器进行预处理操作,并将预处理结果传输至云端数据中心进行存储与分析。考虑到物联网设备存储空间十分紧张,提出方案根据网络拓扑、链路条件与服务器处理能力为各网络设备设计虚拟队列偏置,保证李雅普诺夫优化方案的运行。物联网设备虚拟队列偏置设计问题可转化为分层图中的最短路问题,并通过贝尔曼福特算法进行分布式求解。提出方案能显着提升网络数据处理能力,并降低数据服务的端到端时延。最后,在边云协同存储负载均衡研究中,针对移动数据缓存分发应用,提出了基于在线学习的分布式文件分发方案,并优化缓存协作域划分,将文件分发限制在对应协作域内,避免缓存请求的无效分配,降低网络服务时延。提出方案通过随机梯度下降将优化变量在不同时间解耦,在线优化文件请求分配、缓存处理和文件分发决策,最大化时间平均网络效用,并根据网络拓扑结构和请求到达推导各边缘服务器数据队列的上下界,以分布式构建协作缓存区域。提出方案可与现有的缓存策略联合使用,实现高效的缓存部署与文件分发,提升移动边缘计算用户体验。
二、核心传输网络节点分层资源分配策略的研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、核心传输网络节点分层资源分配策略的研究（论文提纲范文）
（1）面向物联网的软件定义网络控制技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 国内外研究现状与问题 |
| 1.3 研究内容和主要贡献 |
| 1.4 本文组织结构 |
| 第二章 相关研究工作 |
| 2.1 面向物联网的软件定义网络 |
| 2.2 流表存储与更新 |
| 2.2.1 流表存储控制 |
| 2.2.2 流表更新控制 |
| 2.3 网络功能组合部署 |
| 2.4 控制器选址覆盖 |
| 2.5 应用授权访问 |
| 2.6 本章小结 |
| 第三章 SDN-IoT流表的分布式存储和批量更新控制 |
| 3.1 引言 |
| 3.2 基于hash的流表分布式存储控制 |
| 3.2.1 存储位置选择 |
| 3.2.2 hash空间构建 |
| 3.2.3 流表部署与数据转发 |
| 3.3 流表低消耗批量更新控制 |
| 3.3.1 更新过程 |
| 3.3.2 更新控制包构建 |
| 3.3.3 更新控制包合作传输 |
| 3.4 实验与性能评估 |
| 3.4.1 流表分布式存储性能评估 |
| 3.4.2 流表批量更新性能评估 |
| 3.5 本章小结 |
| 第四章 SDN-IoT网络功能的近端编排控制 |
| 4.1 引言 |
| 4.2 物联网服务功能链模型 |
| 4.3 物联网服务功能链组合 |
| 4.3.1 定义描述语言 |
| 4.3.2 网络功能顺序排列 |
| 4.4 物联网服务功能链部署 |
| 4.4.1 问题定义 |
| 4.4.2 基于改进遗传算法的网络功能部署 |
| 4.4.3 Trade-off效用函数 |
| 4.5 实验与性能评估 |
| 4.5.1 实验环境 |
| 4.5.2 实验结果分析 |
| 4.6 本章小结 |
| 第五章 SDN-IoT控制节点的分层部署控制 |
| 5.1 引言 |
| 5.2 分层主从式控制框架 |
| 5.3 物联网节点重要性评估模型 |
| 5.4 问题定义 |
| 5.4.1 网络模型 |
| 5.4.2 子控制节点部署问题 |
| 5.5 基于二进制粒子群的部署优化算法 |
| 5.5.1 节点分配 |
| 5.5.2 单目标子控制节点部署优化 |
| 5.5.3 多目标子控制节点部署优化 |
| 5.6 实验与性能评估 |
| 5.6.1 实验环境 |
| 5.6.2 实验结果分析 |
| 5.7 本章小结 |
| 第六章 SDN-IoT应用的开放访问控制 |
| 6.1 引言 |
| 6.2 系统框架 |
| 6.3 基本定义与原理 |
| 6.3.1 访问token |
| 6.3.2 基于属性的访问控制 |
| 6.4 访问控制流程 |
| 6.4.1 系统初始化 |
| 6.4.2 SDN-IoT资源注册 |
| 6.4.3 应用安装与授权 |
| 6.4.4 应用资源访问 |
| 6.4.5 应用重授权 |
| 6.4.6 应用权限更新与撤销 |
| 6.5 实验与性能评估 |
| 6.5.1 安全性与性能分析 |
| 6.5.2 实验环境 |
| 6.5.3 实验结果分析 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 攻读博士学位期间发表的学术论文及参与的科研项目 |
（2）水声传感网络体系结构的设计与实现（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 水声传感网络 |
| 1.2.2 网络体系结构 |
| 1.2.3 水声网络仿真验证平台 |
| 1.3 论文研究内容与贡献 |
| 1.3.1 研究内容 |
| 1.3.2 研究成果 |
| 1.4 论文章节安排 |
| 第2章 新型水声传感网络体系结构 |
| 2.1 整体框架 |
| 2.2 管控中心 |
| 2.3 数据转发平面 |
| 2.3.1 物理层 |
| 2.3.2 数据链路层 |
| 2.3.3 网络层 |
| 2.3.4 传输层 |
| 2.3.5 投递层和应用层 |
| 2.4 垂直管理平面 |
| 2.4.1 能量管理平面 |
| 2.4.2 移动管理平面 |
| 2.4.3 安全性平面 |
| 2.5 本章小结 |
| 第3章 Lincros协议栈平台设计与实现 |
| 3.1 Lincros框架模型 |
| 3.1.1 协议模块 |
| 3.1.2 Lincros核心 |
| 3.1.3 Modem驱动模块 |
| 3.2 Lincros信息流 |
| 3.2.1 外部信息流 |
| 3.2.2 内部信息流 |
| 3.3 Lincros核心功能实现 |
| 3.3.1 协议栈连接管理 |
| 3.3.2 共享内存池管理 |
| 3.3.3 数据转发控制 |
| 3.3.4 外围模块支持 |
| 3.4 本章小结 |
| 第4章 投递层设计与实现 |
| 4.1 网络区域与节点命名寻址 |
| 4.1.1 网络区域与投递层网关 |
| 4.1.2 节点命名与寻址 |
| 4.2 投递层数据传输 |
| 4.2.1 网络传输模型 |
| 4.2.2 机会传输与链路中断处理 |
| 4.2.3 投递层数据格式定义 |
| 4.3 链路感知和路由选择 |
| 4.3.1 链路感知与邻居发现 |
| 4.3.2 路径选择和调度 |
| 4.3.3 投递层路由表和地址映射表 |
| 4.4 投递层逐段可靠传输控制 |
| 4.4.1 水声网络可靠传输控制框架 |
| 4.4.2 基于包级编码的混合ARQ逐段可靠服务 |
| 4.5 资源分配与网络诊断 |
| 4.5.1 基于数据优先级的服务等级制度 |
| 4.5.2 数据交付选项与网络诊断 |
| 4.6 功能适配器 |
| 4.7 投递层核心功能实现 |
| 4.7.1 整体实现框架与工作流程 |
| 4.7.2 数据传输流程 |
| 4.7.3 邻居发现流程 |
| 4.7.4 可靠传输控制流程 |
| 4.8 本章小结 |
| 第5章 仿真分析与场景验证 |
| 5.1 验证场景设计与分析 |
| 5.2 仿真内容与结果分析 |
| 5.2.1 性能评价指标 |
| 5.2.2 仿真参数设置 |
| 5.2.3 仿真结果分析 |
| 5.3 硬件平台半实物验证 |
| 5.3.1 实验测试场景 |
| 5.3.2 实验结果分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 研究工作展望 |
| 参考文献 |
| 作者简历及攻读硕士期间所取得的科研成果 |
（3）面向B5G智能组网的新型安全防护技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略词与符号列表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 B5G智能组网研究现状 |
| 1.2.2 人工智能安全研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文的布局 |
| 第二章 相关基础知识 |
| 2.1 B5G智能组网模式 |
| 2.1.1 软件定义网络 |
| 2.1.2 信息中心网络 |
| 2.1.3 移动边缘计算 |
| 2.2 深度学习及其安全基础 |
| 2.2.1 深度学习的网络模型 |
| 2.2.2 典型对抗攻击技术 |
| 2.2.3 经典对抗防御技术 |
| 2.3 本章小结 |
| 第三章 B5G云端网络的流量应用层感知与细粒度QoS优化 |
| 3.1 引言 |
| 3.2 基于DPI的大规模云端SDN网络流量应用层行为感知与QoS优化 |
| 3.2.1 系统组件 |
| 3.2.2 系统模型 |
| 3.2.3 系统性能测试验证 |
| 3.3 B5G云端多租户SDN网络的流量应用层SLA感知与细粒度QoS优化 |
| 3.3.1 设计原理 |
| 3.3.2 实验与结果分析 |
| 3.4 大规模ICN流量应用层QoE感知与细粒度QoS优化 |
| 3.4.1 具体方案 |
| 3.4.2 性能分析与验证 |
| 3.5 本章小结 |
| 第四章 B5G云边融合的异构资源与复杂计算任务智能调度 |
| 4.1 引言 |
| 4.2 基于服务流行度的B5G异构资源动态调度 |
| 4.2.1 服务流行度建模 |
| 4.2.2 计算成本建模 |
| 4.2.3 效用函数 |
| 4.2.4 服务流行度感知的计算资源调度算法 |
| 4.2.5 移动性与异构性感知的计算资源调度算法 |
| 4.2.6 实验方案与结果分析 |
| 4.3 基于知识流行度的复杂学习任务智能调度 |
| 4.3.1 知识中心网络模型 |
| 4.3.2 边缘学习即服务框架 |
| 4.3.3 基于知识流行度的边缘学习任务分配方法 |
| 4.3.4 性能分析 |
| 4.4 本章小结 |
| 第五章 B5G移动边缘计算的敏感数据与知识安全保护 |
| 5.1 引言 |
| 5.2 B5G移动边缘计算的合谋攻击模型 |
| 5.2.1 恶意诽谤 |
| 5.2.2 信誉欺骗 |
| 5.3 基于共识信息随机重加密的合谋攻击缓解机制 |
| 5.3.1 共识信息随机重加密的系统框架 |
| 5.3.2 单一MEC的共识信息随机重加密 |
| 5.3.3 多MEC的共识信息随机重加密 |
| 5.3.4 基于共识信息重加密的合谋攻击缓解在能源互联网中的应用 |
| 5.4 不可信环境下基于区块链共识的B5G边缘知识安全共享方法 |
| 5.4.1 不可信环境下知识安全共享的需求分析 |
| 5.4.2 基于区块链共识的B5G边缘知识安全共享框架 |
| 5.4.3 设计原理与工作流程 |
| 5.4.4 基于知识流行度证明的共识机制 |
| 5.4.5 实验方案设计 |
| 5.4.6 实验结果与性能分析 |
| 5.5 本章小结 |
| 第六章 B5G边缘学习的对抗攻击与防御方法 |
| 6.1 引言 |
| 6.2 B5G边缘学习的安全防护需求 |
| 6.3 去中心化的对抗样本识别与快速预警机制 |
| 6.3.1 攻击建模与系统结构 |
| 6.3.2 对抗样本识别与快速预警算法 |
| 6.3.3 MNIST标准数据集上的验证 |
| 6.3.4 工业数据集上的验证 |
| 6.4 去中心化的对抗样本多阶段免疫防御 |
| 6.4.1 边缘学习中对抗样本的免疫学建模 |
| 6.4.2 基于区块链的服务编排在边缘学习中应用现状 |
| 6.4.3 去中心化的对抗样本多阶段免疫防御系统设计思路 |
| 6.4.4 去中心化的免疫防御策略组合 |
| 6.4.5 基于树莓派的对抗样本攻击防御实验设计 |
| 6.4.6 实验结果与性能分析 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
| 攻读学位期间申请的专利 |
| 攻读学位期间参与的项目 |
（4）无线传感器网络覆盖空洞与数据收集关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 无线传感器网络数据收集技术 |
| 1.2.2 无线传感器网络覆盖空洞检测 |
| 1.2.3 无线传感器网络覆盖空洞修复 |
| 1.3 数据收集技术性能评价 |
| 1.4 论文解决主要问题 |
| 1.5 研究内容与主要贡献 |
| 1.5.1 研究内容 |
| 1.5.2 主要贡献 |
| 1.6 论文组织结构 |
| 第二章 无线传感器网络覆盖空洞检测与修复 |
| 2.1 引言 |
| 2.2 网络模型 |
| 2.3 基于链路交点相对位置信息的空洞检测算法设计 |
| 2.3.1 空洞检测初始化 |
| 2.3.2 基于链路RPI值的空洞检测 |
| 2.3.3 空洞检测算法性能分析 |
| 2.4 基于非并行二分法的空洞修复算法设计 |
| 2.4.1 驱动节点优化原则 |
| 2.4.2 基于二分法的最优修复位置定位 |
| 2.4.3 移动节点引入分析 |
| 2.4.4 基于非并行二分法的空洞修复策略 |
| 2.4.5 空洞修复算法性能分析 |
| 2.5 实验与分析 |
| 2.5.1 空洞检测算法实验与分析 |
| 2.5.2 空洞修复算法实验与分析 |
| 2.6 本章小结 |
| 第三章 不可靠链路无线传感器网络节能路由协议 |
| 3.1 引言 |
| 3.2 相关研究 |
| 3.2.1 无线链路质量评估 |
| 3.2.2 低占空比无线传感器网络动态路由协议 |
| 3.2.3 基于模糊逻辑的无线传感器网络分簇协议 |
| 3.3 面向不可靠链路的动态节能路由协议设计 |
| 3.3.1 休眠调度模型 |
| 3.3.2 分层转发集构建 |
| 3.3.3 分层动态数据传输 |
| 3.3.4 网络性能分析 |
| 3.3.5 应用范围讨论 |
| 3.3.6 实验与分析 |
| 3.4 面向不可靠链路基于模糊逻辑的非均匀分簇协议设计 |
| 3.4.1 网络模型及相关基础 |
| 3.4.2 协议概述 |
| 3.4.3 尝试簇头选举 |
| 3.4.4 基于模糊逻辑的分簇半径决策 |
| 3.4.5 分簇形成 |
| 3.4.6 基于代价函数的簇间路由 |
| 3.4.7 网络能耗分析 |
| 3.4.8 实验与分析 |
| 3.5 两种协议对比分析 |
| 3.6 本章小结 |
| 第四章 延迟受限带状无线传感器网络移动Sink数据收集 |
| 4.1 引言 |
| 4.2 网络模型 |
| 4.3 基于代理节点转发的数据收集算法设计 |
| 4.3.1 网络基础框架构建 |
| 4.3.2 基于代理节点队列的数据传输机制 |
| 4.3.3 算法实现与时间复杂度分析 |
| 4.4 应用范围讨论 |
| 4.5 实验与分析 |
| 4.6 本章小结 |
| 第五章 基于贪心策略的移动设备路径规划 |
| 5.1 引言 |
| 5.2 网络模型与问题描述 |
| 5.2.1 网络模型 |
| 5.2.2 问题描述 |
| 5.3 移动设备路径规划算法设计 |
| 5.3.1 移动设备访问单元划分策略 |
| 5.3.2 基于马尔可夫模型的节点参数预测 |
| 5.3.3 基于贪心策略的移动设备路径规划 |
| 5.3.4 算法实现与时间复杂度分析 |
| 5.4 实验与分析 |
| 5.4.1 实验设置 |
| 5.4.2 实验结果 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 博士期间取得的科研成果 |
（5）空天地网络中基于强化学习的通信计算与缓存技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 空天地一体化网络 |
| 1.2.2 星地融合网络 |
| 1.2.3 空天地一体化网络中的3C技术发展现状 |
| 1.3 主要工作及创新点 |
| 1.3.1 研究思路 |
| 1.3.2 创新点 |
| 1.4 论文结构 |
| 第二章 强化学习算法 |
| 2.1 Q学习 |
| 2.2 深度强化学习 |
| 2.3 基于选项的分层强化学习 |
| 2.4 本章小结 |
| 第三章 基于强化学习的LEO卫星切换算法 |
| 3.1 引言 |
| 3.2 系统模型 |
| 3.2.1 切换信息收集 |
| 3.2.2 切换决策 |
| 3.2.3 切换执行 |
| 3.3 问题建模 |
| 3.4 最大累积信号质量切换方案(MCSQ) |
| 3.5 仿真结果 |
| 3.6 本章小结 |
| 第四章 基于分层强化学习的星地融合网络计算卸载算法 |
| 4.1 引言 |
| 4.2 网络模型 |
| 4.3 星地通信模型 |
| 4.4 时间成本 |
| 4.4.1 在地面网络执行 |
| 4.4.2 由卫星网络执行 |
| 4.5 能量模型 |
| 4.5.1 卫星能量供应模型 |
| 4.5.2 卫星能量消耗模型 |
| 4.5.3 基站的能量消耗模型 |
| 4.6 计算卸载问题建模 |
| 4.7 基于绿色能源的计算卸载算法 |
| 4.7.1 基于DQN的计算卸载策略 |
| 4.7.2 基于HRL的计算卸载策略 |
| 4.8 仿真结果 |
| 4.8.1 仿真环境设置 |
| 4.8.2 所对比的网络结构 |
| 4.8.3 算法参数设置 |
| 4.8.4 算法对比 |
| 4.9 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（6）面向软件定义自组织网络的网络功能组合机制研究（论文提纲范文）
| 摘要 |
| ABSTRCAT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 软件定义自组织网络 |
| 1.2.2 网络功能组合 |
| 1.2.3 现状分析 |
| 1.3 相关概念 |
| 1.3.1 元协议 |
| 1.3.2 动态协议栈 |
| 1.4 研究问题分析 |
| 1.5 论文结构和章节安排 |
| 第二章 面向基础互联能力的软件定义自组织网络控制机制 |
| 2.1 引言 |
| 2.2 相关工作 |
| 2.3 网络控制要素分析 |
| 2.3.1 移动性分析 |
| 2.3.2 控制粒度 |
| 2.3.3 控制变量 |
| 2.4 软件定义自组织网络的控制结构 |
| 2.4.1 混合式网络结构 |
| 2.4.2 扩展的控制平面 |
| 2.4.3 灵活的数据平面 |
| 2.5 控制器选举机制 |
| 2.5.1 设计思路 |
| 2.5.2 代价度量定义 |
| 2.5.3 选举算法设计 |
| 2.6 组网分析与比较 |
| 2.6.1 控制平面性能分析 |
| 2.6.2 数据平面性能分析 |
| 2.7 本章小结 |
| 第三章 面向服务提供能力的节点内部网络功能组合方法 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.3 元协议模型 |
| 3.3.1 设计原则 |
| 3.3.2 元协议原型 |
| 3.4 软件定义自组织网络的网络节点设计 |
| 3.4.1 元协议结构 |
| 3.4.2 节点结构 |
| 3.5 节点内动态协议栈构建算法 |
| 3.5.1 问题描述 |
| 3.5.2 效用函数 |
| 3.5.3 算法设计 |
| 3.6 实验仿真与分析 |
| 3.6.1 算法性能与比较 |
| 3.6.2 节点性能评估 |
| 3.7 本章小结 |
| 第四章 面向服务提供能力的全网协同网络功能组合方法 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.3 动态协议栈与路由 |
| 4.4 面向路由的服务特征建模 |
| 4.4.1 服务特征整体模型 |
| 4.4.2 分层次的服务特征建模 |
| 4.5 网络接入层面的动态协议栈构建 |
| 4.5.1 基于节能的动态协议栈构建过程 |
| 4.5.2 构建算法描述 |
| 4.6 网络核心层面的动态协议栈构建 |
| 4.6.1 效用函数 |
| 4.6.2 基于效用的动态协议栈构建过程 |
| 4.6.3 构建算法描述 |
| 4.7 实验仿真与分析 |
| 4.7.1 仿真平台设计 |
| 4.7.2 仿真验证与分析 |
| 4.8 本章小结 |
| 第五章 面向服务保障能力的网络功能组合重建方法 |
| 5.1 引言 |
| 5.2 相关工作 |
| 5.3 动态协议栈重建问题分析 |
| 5.3.1 服务冲突 |
| 5.3.2 问题描述 |
| 5.4 服务路径分级恢复算法 |
| 5.4.1 分级恢复的提出 |
| 5.4.2 恢复判定分析 |
| 5.4.3 算法描述 |
| 5.5 实验仿真与分析 |
| 5.5.1 方法描述 |
| 5.5.2 比较分析 |
| 5.6 本章小结 |
| 第六章 结束语 |
| 6.1 研究工作创新性 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 作者简历 攻读博士学位期间完成的主要工作 |
（7）边缘数据中心光网络中计算资源部署与任务调度策略研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 边缘数据中心光网络 |
| 1.1.1 边缘数据中心光网络产生背景 |
| 1.1.2 边缘数据中心光网络面临的挑战 |
| 1.2 边缘数据中心光网络关键技术 |
| 1.2.1 边缘计算技术 |
| 1.2.2 光网络技术 |
| 1.3 边缘数据中心光网络中的关键问题 |
| 1.3.1 计算资源部署问题 |
| 1.3.2 任务调度问题 |
| 1.3.3 异构资源优化问题 |
| 1.4 国内外相关研究现状 |
| 1.4.1 边缘计算研究现状 |
| 1.4.2 计算资源配置研究现状 |
| 1.4.3 相关流任务调度研究现状 |
| 1.4.4 分布式数据处理研究现状 |
| 1.4.5 异构资源优化研究现状 |
| 1.5 论文的主要研究内容 |
| 1.6 论文的组织结构 |
| 第二章 面向差异化需求的边缘数据中心分层部署和负载分配机制研究 |
| 2.1 边缘数据中心分层部署和负载分配联合优化问题提出 |
| 2.2 系统模型 |
| 2.2.1 支持边缘数据中心部署的三层5G RAN架构 |
| 2.2.2 网络模型 |
| 2.3 边缘数据中心分层部署和负载分配问题建模 |
| 2.3.1 时延和部署成本模型 |
| 2.3.2 时延和部署成本最小化优化模型 |
| 2.4 边缘数据中心分层部署和负载分配联合优化算法 |
| 2.4.1 基于递归的边缘数据中心分层部署和负载分配 |
| 2.4.2 基于EWTURR的边缘数据中心分层部署和负载分配 |
| 2.5 仿真与分析 |
| 2.5.1 仿真参数设置 |
| 2.5.2 启发式算法性能分析 |
| 2.6 本章小结 |
| 第三章 基于时间反馈的相关流任务分配和光路配置机制研究 |
| 3.1 相关流任务分配和光路配置问题提出 |
| 3.2 网络模型及问题概述 |
| 3.2.1 网络模型 |
| 3.2.2 相关流任务模型 |
| 3.2.3 问题概述 |
| 3.3 多相关流调度和光路配置联合优化算法 |
| 3.4 单相关流完成时间优化方法 |
| 3.4.1 相关流完成时间最小化优化模型 |
| 3.4.2 相关流完成时间最小化的启发式算法 |
| 3.5 基于时间反馈的相关流光路配置算法 |
| 3.5.1 频谱隙占用最小化优化模型 |
| 3.5.2 频谱隙占用最小化的启发式算法 |
| 3.6 仿真与分析 |
| 3.6.1 仿真参数设置 |
| 3.6.2 小网络拓扑下的MILP和启发式算法性能分析 |
| 3.6.3 大网络拓扑下的启发式算法性能分析 |
| 3.7 本章小结 |
| 第四章 面向密集型相关流任务的多阶段聚合和资源配置机制研究 |
| 4.1 密集型相关流的多阶段聚合和资源配置问题提出 |
| 4.2 网络模型及问题概述 |
| 4.2.1 网络模型 |
| 4.2.2 相关流任务多阶段聚合模型 |
| 4.2.3 问题概述 |
| 4.3 分布式数据聚合的时间模型 |
| 4.3.1 数据处理时间模型 |
| 4.3.2 网络通信时间模型 |
| 4.3.3 相关流完成时间模型 |
| 4.4 分布式数据多阶段聚合和光路配置联合优化算法 |
| 4.4.1 划分集群 |
| 4.4.2 阶段完成时间最小化的光路预分配 |
| 4.4.3 基于阶段完成时间的光路配置 |
| 4.5 仿真与分析 |
| 4.5.1 仿真参数设置 |
| 4.5.2 启发式算法性能分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文研究工作总结 |
| 5.2 未来相关工作展望 |
| 参考文献 |
| 缩略语 |
| 致谢 |
| 攻读博士期间取得的学术成果列表与参与项目情况 |
（8）软件定义分层光接入网及其应用技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 光接入网应用需求 |
| 1.1.1 高速宽带固网接入 |
| 1.1.2 5G移动通信接入 |
| 1.1.3 数据中心网络 |
| 1.1.4 物联网 |
| 1.1.5 工业互联网 |
| 1.2 光接入网技术研究进展 |
| 1.2.1 光接入网协议标准与架构 |
| 1.2.2 基于边缘计算的光接入网 |
| 1.2.3 基于动态资源配置的高效光接入网 |
| 1.3 软件定义光接入网技术研究进展 |
| 1.3.1 SDN技术 |
| 1.3.2 软件定义光接入网技术 |
| 1.3.3 基于光电混合交换的数据中心网络 |
| 1.4 本论文的主要工作 |
| 1.4.1 本文研究意义 |
| 1.4.2 本文研究框架与路线 |
| 1.4.3 本文章节安排 |
| 参考文献 |
| 第二章 软件定义分层光接入网架构与性能分析 |
| 2.1 SD-HOAN方案 |
| 2.1.1 SD-HOAN架构 |
| 2.1.2 簇、集、域分层MAC |
| 2.1.3 SD-HOAN数据格式 |
| 2.1.4 周期信令传输机制 |
| 2.1.5 时隙密排调度算法 |
| 2.2 SD-HOAN仿真器 |
| 2.2.1 SD-HOAN节点流量生成模型与统计特征 |
| 2.2.2 网络性能评估参数及定义 |
| 2.2.3 SD-HOAN仿真器设计与实现 |
| 2.3 SD-HOAN性能分析 |
| 2.3.1 仿真参数设置 |
| 2.3.2 吞吐量与帧时延 |
| 2.3.3 平均时隙长度 |
| 2.3.4 与传统光接入网对比分析 |
| 本章小结 |
| 参考文献 |
| 第三章 无源光分配层节点及媒质接入控制融合技术 |
| 3.1 单、双纤双向PODN方案 |
| 3.1.1 单纤双向PODN |
| 3.1.2 双纤双向PODN |
| 3.2 媒质接入控制与调度算法 |
| 3.2.1 单纤双向PODN-MAC |
| 3.2.2 双纤双向PODN-MAC |
| 3.3 PODN性能分析 |
| 3.3.1 单纤双向PODN |
| 3.3.2 双纤双向PODN |
| 3.3.3 单、双纤双向PODN性能对比分析 |
| 本章小结 |
| 参考文献 |
| 第四章 输出端口带宽可重构光电混合核心交换节点技术 |
| 4.1 输出端口带宽可重构HOECSN方案 |
| 4.1.1 节点结构 |
| 4.1.2 光交换矩阵方案 |
| 4.1.3 寻址与缓存 |
| 4.1.4 输出端口带宽重构技术 |
| 4.2 静态流量节点性能分析 |
| 4.2.1 静态流量空间偏斜度 |
| 4.2.2 输出带宽分配算法 |
| 4.2.3 输出带宽利用率与时延性能分析 |
| 4.2.4 光交换矩阵配置时间对节点性能的影响 |
| 4.3 动态流量节点性能分析 |
| 4.3.1 动态流量空间偏斜度 |
| 4.3.2 准实时渐进式输出带宽分配算法 |
| 4.3.3 HOECSN与固定带宽交换机性能对比分析 |
| 本章小结 |
| 参考文献 |
| 第五章 大规模数据中心SD-HOAN系统设计与分析 |
| 5.1 大规模数据中心SD-HOAN系统方案 |
| 5.1.1 系统结构 |
| 5.1.2 PODN与光接口结构设计 |
| 5.1.3 信道分配与双MAC |
| 5.2 数据中心流量统计特征与业务分级综合流量模型 |
| 5.2.1 数据中心流量统计特征 |
| 5.2.2 数据中心业务分级综合流量模型 |
| 5.2.3 流量生成实例 |
| 5.3 LSDM调度算法与网络系统性能分析 |
| 5.3.1 LSDM调度算法[5] |
| 5.3.2 网络系统性能分析 |
| 5.3.3 与CSMA/CD算法性能对比 |
| 5.3.4 与POXN、POTORI架构性能对比分析 |
| 5.4 系统扩展性与功耗分析 |
| 5.4.1 扩展性 |
| 5.4.2 系统功耗 |
| 本章小结 |
| 参考文献 |
| 第六章 智能变电站SD-HOAN系统设计与实现 |
| 6.1 智能变电站SD-HOAN系统方案 |
| 6.1.1 过程层业务与组网模式 |
| 6.1.2 系统与节点结构 |
| 6.1.3 基于故障树的系统可靠性建模 |
| 6.1.4 可靠性仿真分析 |
| 6.2 智能变电站面向SV业务的SD-HOAN系统方案 |
| 6.2.1 系统结构 |
| 6.2.2 节点结构 |
| 6.2.3 性能仿真 |
| 6.3 智能变电站面向SV业务的SD-HOAN系统研制 |
| 6.3.1 边缘节点原型样机研制与测试 |
| 6.3.2 核心节点原型样机研制与测试 |
| 6.3.3 第三方检测 |
| 6.4 四川黄水220kV变电站SD-HOAN系统实验 |
| 6.4.1 实验系统节点部署 |
| 6.4.2 实验系统测试结果 |
| 6.4.3 分析与讨论 |
| 本章小结 |
| 参考文献 |
| 第七章 总结与展望 |
| 致谢 |
| 攻读博士学位期间完成的学术论文及获得的科研成果 |
| 表格索引 |
| 图形索引 |
（9）基于强化学习的认知无线网络跨层设计及优化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 认知无线电的概念与潜在应用 |
| 1.2.1 认知无线电的概念 |
| 1.2.2 认知无线电的潜在应用 |
| 1.2.2.1 在民用领域的应用 |
| 1.2.2.2 在军事领域的应用 |
| 1.3 基于强化学习的认知无线网络跨层优化研究现状 |
| 1.3.1 基于单智能体架构的学习方法 |
| 1.3.2 基于松耦合多智能体系统的学习方法 |
| 1.3.3 基于博弈论的多智能体学习方法 |
| 1.4 论文主要工作及创新点 |
| 1.4.1 论文主要工作 |
| 1.4.2 论文创新点 |
| 1.5 论文结构安排 |
| 第二章 强化学习与跨层设计 |
| 2.1 引言 |
| 2.2 强化学习理论 |
| 2.2.1 强化学习问题定义 |
| 2.2.2 强化学习基本框架 |
| 2.2.2.1 动态规划 |
| 2.2.2.2 基于模型的强化学习 |
| 2.2.2.3 免模型强化学习 |
| 2.2.3 强化学习中的重要算法 |
| 2.2.3.1 深度Q网络 |
| 2.2.3.2 多智能体Q学习算法 |
| 2.3 跨层设计及优化 |
| 2.3.1 跨层设计的概念及意义 |
| 2.3.2 跨层设计的架构及应用 |
| 2.3.2.1 跨层设计实施架构 |
| 2.3.2.2 跨层设计在认知无线网络中的应用 |
| 2.3.3 跨层设计面临的挑战 |
| 2.4 本章小结 |
| 第三章 基于单智能体学习框架的跨层优化研究 |
| 3.1 引言 |
| 3.2 源节点与中继节点异质场景下的系统模型 |
| 3.2.1 网络模型 |
| 3.2.2 帧结构模型 |
| 3.3 跨层优化问题建模 |
| 3.3.1 路径责任等级 |
| 3.3.2 问题模型 |
| 3.3.2.1 马尔科夫决策过程 |
| 3.3.2.2 路径责任等级的收敛性分析 |
| 3.4 基于PM-DQN算法的路由协议与资源管理联合设计方案 |
| 3.4.1 基于内存优化的深度Q网络 |
| 3.4.2 基于PM-DQN算法的联合路由设计与资源管理方案 |
| 3.5 仿真实验与结果分析 |
| 3.5.1 仿真环境设置 |
| 3.5.2 跨层设计方案整体性能 |
| 3.5.3 算法有效性评估 |
| 3.5.4 算法鲁棒性评估 |
| 3.5.5 学习率和Q值的作用效果 |
| 3.5.6 算法复杂度分析 |
| 3.6 本章小结 |
| 第四章 基于多智能体学习策略的跨层路由设计 |
| 4.1 引言 |
| 4.2 基于半合作式多智能体Q学习的平面路由协议 |
| 4.2.1 同构网络场景下平面路由的系统模型 |
| 4.2.2 跨层优化问题建模 |
| 4.2.2.1 综合效用函数 |
| 4.2.2.2 单跳责任等级 |
| 4.2.2.3 问题建模 |
| 4.2.3 基于策略推测型多智能体Q学习算法的跨层路由设计 |
| 4.2.3.1 基于等奖励时隙的策略推测式多智能体Q学习算法 |
| 4.2.3.2 算法收敛性分析 |
| 4.2.4 仿真实验及结果分析 |
| 4.3 基于能耗权重分簇的层次路由协议 |
| 4.3.1 同构网络中层次路由的系统模型 |
| 4.3.2 基于能耗权重的分簇算法 |
| 4.3.2.1 能耗权重 |
| 4.3.2.2 基于能耗权重的启发式分簇算法 |
| 4.3.3 簇间通信跨层路由协议设计 |
| 4.3.3.1 簇间通信问题建模 |
| 4.3.3.2 基于ERT-CMADQL算法的簇间跨层路由协议 |
| 4.3.4 仿真实验及结果分析 |
| 4.4 本章小结 |
| 第五章 基于学徒学习的路由协议和资源管理研究 |
| 5.1 引言 |
| 5.2 基于专家演示数据的深度Q学习算法 |
| 5.3 基于PM-DQf D算法的联合路由设计与资源管理方案 |
| 5.3.1 单智能体学徒学习方案的系统模型 |
| 5.3.2 学习框架构建 |
| 5.3.2.1 强化型路径责任等级 |
| 5.3.2.2 问题建模 |
| 5.3.3 基于PM-DQf D算法的联合路由设计与资源管理方案 |
| 5.3.3.1 基于专家演示数据的内存优化型深度Q学习算法 |
| 5.3.3.2 基于PM-DQf D算法的联合路由设计与资源管理方案 |
| 5.3.4 仿真实验及结果分析 |
| 5.3.4.1 仿真环境设置 |
| 5.3.4.2 仿真结果 |
| 5.3.4.3 算法时间复杂度分析 |
| 5.3.4.4 应用场景讨论 |
| 5.4 基于多专家演示型学徒学习算法的跨层路由协议 |
| 5.4.1 多智能体学徒学习方案的系统模型 |
| 5.4.2 联合优化问题建模 |
| 5.4.2.1 强化型单跳责任等级 |
| 5.4.2.2 问题建模 |
| 5.4.3 半径自适应型 Bregman球模型 |
| 5.4.4 基于多专家演示型深度Q学习算法的跨层路由协议 |
| 5.4.5 仿真实验及结果分析 |
| 5.4.5.1 仿真环境设置 |
| 5.4.5.2 仿真结果分析 |
| 5.5 本章小结 |
| 第六章 基于端到端性能的抗干扰决策算法 |
| 6.1 引言 |
| 6.2 多跳网络抗干扰模型 |
| 6.2.1 系统模型 |
| 6.2.2 双门限路径责任等级 |
| 6.3 基于端到端性能的认知无线网络抗干扰决策算法 |
| 6.3.1 基于竞争架构的深度Q网络 |
| 6.3.2 基于端到端性能的抗干扰决策算法 |
| 6.4 仿真结果分析 |
| 6.4.1 仿真环境设置 |
| 6.4.2 仿真结果分析 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（10）边缘计算中的高能效与负载均衡技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 5G和移动边缘计算 |
| 1.2 移动边缘计算架构及特点 |
| 1.2.1 移动边缘计算参考架构 |
| 1.2.2 边缘计算服务器分布架构及特点 |
| 1.3 选题意义及研究现状 |
| 1.3.1 选题意义 |
| 1.3.2 研究现状 |
| 1.4 本文主要工作与组织结构 |
| 参考文献 |
| 第二章 单小区动态环境边缘计算高能效在线资源管理 |
| 2.1 研究背景 |
| 2.2 系统模型 |
| 2.2.1 系统状态模型 |
| 2.2.2 网络模型 |
| 2.2.3 问题构建与分析 |
| 2.3 非实时设备状态的混合在线学习方案 |
| 2.3.1 混合在线学习框架 |
| 2.3.2 分布式方案设计 |
| 2.4 理论分析 |
| 2.5 仿真结果及分析 |
| 2.6 本章小结 |
| 参考文献 |
| 第三章 异构多小区边缘计算高能效分布式协作资源管理 |
| 3.1 研究背景 |
| 3.2 系统模型与问题构建 |
| 3.2.1 网络模型 |
| 3.2.2 约束条件及队列更新 |
| 3.2.3 问题构建与分析 |
| 3.3 异构边缘计算的分布式在线学习方案 |
| 3.3.1 在线学习框架与问题转化 |
| 3.3.2 集中式实时协作资源管理 |
| 3.3.3 分布式实时协作资源管理 |
| 3.4 理论分析 |
| 3.4.1 集中式在线学习方案分析 |
| 3.4.2 分布式在线学习方案分析 |
| 3.5 仿真结果及分析 |
| 3.6 本章小结 |
| 参考文献 |
| 第四章 大规模边云协同分布式计算负载均衡 |
| 4.1 研究背景 |
| 4.2 系统模型 |
| 4.2.1 网络模型和级联队列 |
| 4.2.2 约束条件与队列更新 |
| 4.3 充足设备存储空间下分布式计算负载均衡 |
| 4.3.1 问题构建与转化 |
| 4.3.2 充足设备存储空间条件下分布式优化 |
| 4.4 物联网设备存储受限的分布式计算负载均衡与虚拟队列设计 |
| 4.4.1 李雅普诺夫优化的最优性与存储空间分析 |
| 4.4.2 虚拟队列设计与问题构建 |
| 4.4.3 问题转化与分布式优化 |
| 4.5 仿真结果及分析 |
| 4.6 本章小结 |
| 第五章 边云协同在线分布式存储负载均衡 |
| 5.1 研究背景 |
| 5.2 系统模型 |
| 5.3 在线分布式存储负载均衡优化 |
| 5.3.1 问题构建 |
| 5.3.2 在线分布式文件与负载均衡优化 |
| 5.4 文件分发协作域分布式优化 |
| 5.4.1 文件分发协作域定义 |
| 5.4.2 协作域分布式优化 |
| 5.4.3 协作域应用 |
| 5.5 仿真结果及分析 |
| 5.6 本章小结 |
| 参考文献 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 未来研究展望 |
| 致谢 |
| 攻读博士期间发表学术论文列表 |
四、核心传输网络节点分层资源分配策略的研究（论文参考文献）
- [1]面向物联网的软件定义网络控制技术研究[D]. 任玮. 北京邮电大学, 2021(01)
- [2]水声传感网络体系结构的设计与实现[D]. 何皓琛. 浙江大学, 2021(01)
- [3]面向B5G智能组网的新型安全防护技术研究[D]. 李高磊. 上海交通大学, 2020(01)
- [4]无线传感器网络覆盖空洞与数据收集关键技术研究[D]. 韩雨涝. 西北大学, 2020(01)
- [5]空天地网络中基于强化学习的通信计算与缓存技术研究[D]. 陈梦婷. 北京邮电大学, 2020(05)
- [6]面向软件定义自组织网络的网络功能组合机制研究[D]. 董芳. 战略支援部队信息工程大学, 2020(03)
- [7]边缘数据中心光网络中计算资源部署与任务调度策略研究[D]. 刘真. 北京邮电大学, 2020(01)
- [8]软件定义分层光接入网及其应用技术研究[D]. 郑宇. 东南大学, 2019
- [9]基于强化学习的认知无线网络跨层设计及优化研究[D]. 杜奕航. 国防科技大学, 2019(01)
- [10]边缘计算中的高能效与负载均衡技术研究[D]. 任晨珊. 北京邮电大学, 2019