一、网络环境下改善虚拟场景实时显示的方法（论文文献综述）
刘奕[1]（2020）在《5G网络技术对提升4G网络性能的研究》文中研究表明随着互联网的快速发展,越来越多的设备接入到移动网络,新的服务与应用层出不穷,对移动网络的容量、传输速率、延时等提出了更高的要求。5G技术的出现,使得满足这些要求成为了可能。而在5G全面实施之前,提高现有网络的性能及用户感知成为亟需解决的问题。本文从5G应用场景及目标入手,介绍了现网改善网络性能的处理办法,并针对当前5G关键技术 Massive MIMO 技术、MEC 技术、超密集组网、极简载波技术等作用开展探讨,为5G技术对4G 网络质量提升给以了有效参考。
赖泽祺[2]（2018）在《面向移动云计算的智能终端传输优化》文中进行了进一步梳理智能硬件、无线网络和移动通信技术的飞速发展使得移动应用程序深入到了人类社会的各个角落,深远地改变着现代人类的通信、消费、出行和娱乐方式。如何保证智能终端上移动应用在使用过程中的用户体验（Quality of Experience,QoE）成为了学术界、工业界所广泛关注的重要问题。移动云计算技术是一种提升移动应用用户体验的重要技术,它是移动通信技术与云计算相结合的成果。移动云计算提供了一种新型计算框架,通过无线网络将云端强大的计算和存储能力传递到终端上,可以为智能终端提供各式各样的优质服务。然而,由于现今应用程序种类复杂多样,智能终端上的电池容量和计算存储能力受限,无线网络传输环境存在不稳定性,优化移动云计算技术在实际应用场景中的服务质量是一件意义深远但挑战巨大的任务。为了克服上述重要挑战,本文主要围绕以下几个问题展开了研究:（1）计算密集型应用用户体验优化。虚拟现实（VR）应用是一种新兴的计算密集型应用。本文设计并实现了面向智能终端的高清、低延迟的交互式虚拟现实系统FURION,利用协同渲染技术,将复杂的计算任务合理地分配到端云两侧协同执行。并通过预加载技术和并行解码技术,优化了数据传输时的网络传输效率,最终在现有无线网络环境和智能手机平台上实现高画质,低延迟的交互式VR。（2）网络密集型应用用户体验优化。个人云存储服务是一种当今重要的网络密集型应用。本文针对现今主流的个人云存储服务进行了大规模的测量分析,找出了移动场景下同步效率低下的原因。设计并实现了面向移动个人云存储服务的同步效率优化系统QUICKSYNC,利用网络自适应的冗余消除技术,增量编码技术和延迟捆绑传输技术提升了在移动环境下个人云存储服务的同步效率。（3）移动网络传输稳定性优化。为了保障移动应用在不稳定移动网络环境中的用户体验,本文设计并实现了面向移动终端的稳定、高效传输系统JANUS,通过智能链路选择算法和流量调度算法,根据不同应用的QoE需求选择最佳的无线接口,透明地处理网络切换导致的断连现象,提升了网络不稳定环境的用户体验。综上所述,本文在主流的移动应用场景下围绕移动云计算在实际部署时的传输问题从多角度设计了立体的优化方案,有效地提升了移动网络环境下各种类型应用程序的用户体验。
陈静[3]（2004）在《分布式虚拟GIS关键技术研究》文中研究说明地理信息系统（Geographic Information System，GIS）伴随着计算机技术、图形图像技术的快速发展，在3维GIS（three-dimension GIS，3D GIS）空间数据结构和数据模型，3D GIS可视化技术，特别是数字城市建模和可视化技术方面取得了相当的进展。同时虚拟现实（Virtual Reality，VR）技术和3D GIS结合，使得GIS向虚拟GIS方向发展。这种结合虚拟现实技术、可视化技术而设计的多维GIS系统称为虚拟地理信息系统（Virtual GIS，VGIS）。 在网络技术的迅速发展下，GIS与网络技术的结合导致了网络GIS的产生。网络GIS利用网络优势向用户提供超媒体、交互式、分布式的空间信息，具有传统GIS所不具备的优势。网络GIS使得GIS处理海量空间数据的方式从原来的集中、独占走向分布、共享。如何通过标准的分布计算平台，对海量空间数据进行高效、可靠的管理和使用，为大型空间决策服务已成为当前网络GIS面临的重大课题。 但是，由于网络传输带宽的限制和多用户访问的需要，目前的网络GIS主要限于对二维空间数据的表达及处理，其应用功能也仅限于地理信息的发布和空间数据的服务，而对于2.5维和3维空间数据的发布和应用还处于研究阶段。 在GIS虚拟化和网络化的发展进程中，特别是虚拟GIS向网络化方向的发展过程中，逐渐形成了分布式虚拟GIS的研究。但是受到网络传输带宽的限制和海量空间数据实时绘制中图形设备的制约，在分布式虚拟GIS研究中还存在诸多问题，特别是网络环境下海量三维空间数据的实时绘制关键技术还需要进一步深入研究。同时作为一个多用户的分布式系统，用户在虚拟场景中的操作与场景更新一致性处理也是研究的难点。 对此，论文主要针对分布式虚拟GIS中上述主要问题展开研究工作，主要内容如下： （1） 论文在第一章回顾了GIS的两大发展趋势，回顾了GIS可视化技术，特别是3D GIS与虚拟现实技术集成形成虚拟GIS的研究现状。介绍GIS向网络化方向发展，网络GIS的研究。由此网络GIS与3D GIS集成、虚拟GIS网络化发展等研究背景下，形成了支持分布式处理和交互的分布式虚拟GIS研究。对此本论文在分析了分布式虚拟GIS研究背景的基础上，重点论述了分布式虚拟GIS的研究现状、研究中面临的挑战以及应用前景。 （2） 分布式虚拟GIS系统是建立在网络环境下的，这个网络环境具有分布、异构和开放等特征。论文第二章在总结分布式GIS网络体系结构研究的基础上，提出基于CORBA分布式网络模型（CORBA-based Distributed Network Model，CDNM）。同时在该模型基础上实现了系统分布式网络体系结构，探讨了该分布式体系结构的开放性和互操作性。 （3） 分布式虚拟GIS系统是个多用户的三维虚拟GIS系统，其虚拟场景的建立是在现实世界的抽象几何模型基础上形成的。例如地形场景需要建立地形模型；城市场景需要建立三维城市模型。由此，在对大数据量的空间数据（影像、地形和三维城市模型等）管理与可视化基础上实现客观世界的虚拟场景表现。 特别是网络环境下海量三维空间数据的实时绘制关键技术是分布式虚拟GIS需要重点研究的问题。在3D GIS海量数据实时绘制的研究中，已有的研究都是在单机、集中式、或者基于高速宽带网络条件下进行的。通过使用LOD技术，解决大数据集实时绘制时图形绘制设备的瓶颈问题.但是在多用户局域网（广域网）网络条件下，处理大范围三维虚拟场景实时绘制时，除了要考虑图形设备的瓶颈外还要考虑网络传输带宽的瓶颈。对此，论文主要探讨了使用LOD技术实现网络环境下大范围虚拟场景的实时绘制关键技术，其目标是提高虚拟场景的实时绘制效率，减少空间数据的网络传输量。论文分别从虚拟地形场景和虚拟城市场景的实时绘制展开研究. 论文第三章在海t地形数据绘制中LOD算法研究的基础上，针对网络环境下海量地形数据的实时绘制，提出基于网络地形LoD模型（Network Terrain LOD Model，NetTLOD）.该模型基于四叉树结构，包括服务器端多级LOD地形模型和客户端实时、连续的动态地形LOD模型。从而实现地形数据的实时、连续绘制。 论文第四章主要针对网络环境下大范围虚拟城市场景实时绘制关键技术展开研究。提出网络三维城市Loo模型（Netwo次3n eity Lon Model，Net3oCLoD），该模型主要包括基于点索弓}的三维城市场景重建方法，建筑物表面的多分辨率LOD纹理映射等。在探讨了基于视点的三维场景裁剪与系统数据缓存设计基础上实现大范围三维城市场景实时、连续绘制。 （4）分布式虚拟Gls是个多用户交互系统。在这个多用户系统中，需要重点考虑多用户共享虚拟空间、用户操作与场景更新的一致性问题。论文第五章针对这些问题，探讨了多用户并发访问的处理，基于消息的通讯机制的多用户交互关键技术。 （5）在论文研究的方法和算法的基础上，采用Jat，a、Java 3D和openGL技术，CoRBA的中间件软件，开发了一个分布式虚拟GIS实验系统（web一based Dis州buted GIS，we卜E心Is）。开发该实验系统的目的是验证论文所使用的方法和算法的正确性和效率.该系统实现了海量地形、三维城市模型数据的实时绘制，支持用户对大范围虚拟三维场景的任意漫游和交互，同?
张宇明[4]（2021）在《面向边缘计算的智慧标识网络资源协同与适配机制研究》文中研究表明随着网络设备数量与流量规模的持续增长,边缘计算已成为当今网络环境下提升服务质量、增强用户体验的关键技术。然而,传统网络技术“静态、僵化”的原始设计弊端,导致其在跨网资源利用、差异化服务保障等方面的能力不足,进而难以为边缘计算提供高效的支撑。为此,设计基于新型网络架构与技术的边缘计算网络已成为国内外相关研究领域的共识。智慧标识网络作为新型网络架构的一种,在资源适配、网络管控等方面具有显着优势,为边缘计算的高效运行提供了良好的架构基础。为此,本文依托于智慧标识网络的设计理念,就网络资源的协同与适配开展研究,重点解决边缘计算所面临的任务卸载性能评估、传输与存储资源协同、差异化服务资源提供等问题。本文的主要工作和创新点如下:（1）针对终端设备与边缘服务器之间的任务卸载问题,设计了基于智慧标识网络的管控框架,构建了基于端-边协同的任务卸载性能评估模型。首先,将任务卸载问题描述为一个多队列系统;随后,使用马尔可夫链对两种卸载策略（本地优先策略和基于概率的策略）进行分析,并推导出任务平均响应时间与系统平均能耗的闭式解;在此基础上,构建了一个基于优化的资源适配方法,同时考虑终端需求、计算资源与传输资源;最后,实验结果显示,所提评估模型能够准确反映卸载策略的性能,所提资源适配方法可以动态调整资源的适配策略,满足不同终端的需求。（2）针对边缘网络之间的传输资源协同问题,设计了基于智慧标识网络的传输组件功能模型,提出了基于随机优化的边缘资源协同传输调度机制。首先,使用队列调度模型对基于资源协同的传输调度问题进行描述,并构建了一个随机优化问题;随后,将上述问题进行转化和分解,提出了一种低复杂度的控制算法,可以实现基于即时网络状态的传输策略制定;最后,通过仿真实验,验证了所提算法能够在不损失吞吐量的前提下,有效降低数据包的队列等待时间。（3）针对边缘网络之间的存储资源协作问题,设计了基于智慧标识网络的缓存组件功能模型,提出了基于多代理强化学习的边缘协作缓存方法。首先,构建了协作缓存的优化问题,并证明该问题是NP-hard;随后,将强化学习与所提缓存组件相结合,设计了一个协作缓存框架;在此基础上,提出了一种基于多代理强化学习的协作缓存算法,并将其输出定义为低复杂度的缓存策略,在降低学习模型复杂度的同时,为每个缓存节点提供一定的性能保障;最后,通过仿真实验,验证了所提算法能够从全局的角度出发,牺牲单个节点的本地命中率,提升整体的命中率。（4）针对边缘服务器与云服务器之间的任务卸载和服务资源适配问题,设计了基于智慧标识网络的资源适配框架,提出了基于服务功能切换的云-边资源协同适配机制。首先,构建了一个随机优化模型,对基于服务功能切换的资源适配问题进行描述,旨在最大化任务处理收益与最小化服务切换代价;随后,利用虚拟队列技术,将任务需求与服务资源进行关联,并提出了一个低复杂度的任务卸载与资源适配算法;在此基础上,引入任务的主动拒绝机制,对上述算法进行改进,使其能够提供确定的时延保障;最后,通过仿真实验,验证了所提算法均能有效降低任务的等待时间,并且可以提供基于服务功能切换的差异化资源适配策略。
孙笑科[5]（2021）在《边缘计算网络中任务卸载和资源分配优化研究》文中指出物联网的快速发展催生了大量计算密集和时延敏感型应用,终端用户有限的计算和能量资源与复杂应用需求之间的矛盾日益凸显。为满足终端用户多样化、高标准的应用服务需求,边缘计算将通信、计算和存储等功能迁移至靠近用户端的边缘服务器。终端用户通过任务卸载,为扩展本地处理能力并降低计算能耗提供了可能。但是,相比于拥有强大处理能力的集中式云计算数据中心,边缘服务器的分布比较分散且资源有限。面对未来大规模设备连接和爆发式数据流量增长趋势,设计合理的任务卸载和资源分配机制,实现边缘计算网络中分散且有限资源的有效利用,对优化任务处理时延、处理质量以及能量消耗等关键性能指标具有重要意义。然而,由于复杂的网络环境和多样任务处理性能需求,不合理的任务卸载决策容易引发网络负载失衡,降低资源利用效率。同时,任务卸载涉及传输、计算和存储过程的耦合,多维（通信、计算和缓存）资源的分配失衡进一步制约边计算卸载关键性能指标的提升。基于此,如何设计高效的任务卸载和资源分配优化机制,实现边缘服务器间任务的协同调度和多维资源的按需分配,是边缘计算网络中一个亟待解决的重要问题。针对上述问题,本文聚焦边缘计算网络,开展了基于边边协同、端边协同、空地协同的任务卸载和资源分配优化研究。本论文的主要研究内容和创新点如下:1)提出基于边缘服务器协同的任务卸载和资源分配优化方案,解决了边缘服务器资源供需失衡下难以同时满足任务处理时延和任务处理质量混合性能指标需求的难题。首先,通过挖掘计算任务处理质量和计算资源需求量之间的正关系,构建基于边缘服务器协同的任务处理质量和时延折中问题。其次,针对动态变化的无线传输链路质量对边缘服务器侧任务到达时间的影响,设计在线式优化算法,通过对用户接入、带宽资源分配、任务处理模型和数据量选择决策的自适应优化控制,使各服务资源供需关系维持在平稳状态。其中,针对单位时隙内复杂的混合整数非线性规划问题,通过连续性松弛和对偶分解将其转化为低复杂度凸差（Difference of Convex,DC）规划问题进行求解。最后,实验结果验证了算法的收敛性,并表明其在保障时延和提升任务处理质量方面的有效性。2)提出基于端边协同的任务卸载和资源分配方案,解决了任务到达时空非均匀条件下,网络负载失衡导致的任务处理成本开销高的难题。首先,针对用户端需要通过边缘节点广播消息更新任务处理模型参数才能执行本地计算的任务处理,考虑各时隙传输条件和服务器资源竞争情况的差异性,构建时间平均成本开销最小化问题。其次,利用李雅普诺夫优化理论解耦时间域上的影响因素,通过保障网络稳定实现时间域上的负载均衡。在此基础上,利用交替优化及凸优化理论求解单位时隙内任务模型更新用户集及接入边缘服务器选择,并保证最优性能增益条件下的带宽和计算资源分配,实现空间域上的负载均衡。最后,仿真结果表明,所提算法可以充分发挥各服务器可用资源优势,在保障任务处理质量的基础上,降低任务成本开销。3)提出基于多维资源联合的任务卸载和资源分配优化方案,解决了多类任务需求并存环境下,多维资源分配失衡导致任务处理速率降低的难题。首先,针对任务缓存部署对处理能力的影响,深入考量各任务通信、计算和缓存资源分配之间的相互耦合机理,构建最小化任务处理时延问题。其次,针对复杂决策求解空间和时变网络状态,设计分布式在线优化算法。各用户依据其他用户的本地副本决定通信和计算资源分配,在此基础上,通过将用户端任务卸载和边缘服务器侧任务缓存部署决策转化为双边效用最大化的匹配博弈问题,使得各设备只需依赖本地实时信息,便可独立并行地进行决策优化。最后,理论证明了算法的性能下界及其与最优机制的性能差距。仿真结果表明所提算法在满足各用户成本预算约束下,有效降低了任务处理时延。4)提出基于无人机辅助的空地协同任务卸载和资源分配优化方案,解决了地面边缘服务器灵活性差及随机网络环境下的计算卸载难题。首先,发挥无人机中继和计算功能,构建用户、无人机及地面服务器之间三层计算卸载系统架构下的优化系统能效问题。其次,针对信道条件和任务到达的随机性,设计在线式优化算法,以联合优化各设备任务卸载、计算资源分配以及无人机轨迹。具体地,利用分式规划和随机网络优化理论将随机非凸问题解耦为三个可相互独立求解的确定性优化问题。继而针对无人机轨迹和任务卸载之间的非线性耦合性进一步转化,在推导任务卸载决策闭合解的基础上,迭代获得无人机轨迹的近似最优解。最后,理论分析和仿真结果证实了提出算法在不依赖于网络状态先验知识的前提下,可以在保障任务处理时延的基础上,有效提升长期时间平均系统能效。
陈星延[6]（2021）在《移动互联网的内容缓存与边缘计算关键技术研究》文中认为移动互联网深刻影响着当前社会经济和产业革新,作为“互联网+”战略的重要发展方向,近年来得到了快速发展,已经成为国家发展和社会进步的重要支柱产业之一。然而,现有移动互联网发展依然面临诸多挑战:（1）资源争用与浪费共存。移动环境资源匮乏,热点区域资源争用严重,网络接入困难,进而导致资源浪费严重;（2）动态差异化用户需求。移动用户位置动态,请求行为存在差异,传统静态服务机制难以适配动态个性化的用户需求;（3）网络资源分布碎片化。移动网络资源分布动态离散,不同节点的资源缺乏协同,难以被有效管理与利用;（4）网络环境异构复杂。不同通信制式相互独立,多形态网络融合受限,跨网络协同困难。上述现状严重影响了移动网络的资源利用效率,制约了移动互联网性能的进一步提升,导致用户服务需求与体验得不满足。为解决该问题,许多研究者针对移动互联网,在内容缓存和边缘计算方面做出了大量的工作。然而,当前内容缓存策略相对静态,性能严重依赖于内容流行度,缺乏对用户个性化需求的感知。同时,移动环境的缓存部署给用户的数据隐私带来了极大的安全隐患;另一方面,虽然边缘计算被运用在许多领域,但缺乏有效整合碎片化网络计算资源的解决方案,导致整体性能难以提升,无法为用户提供的高质量、高稳定、低延时的移动互联网服务。本文面向移动互联网内容缓存和边缘计算两个关键技术:在编码缓存、缓存预取、“云-边-端”计算协同和计算与传输联合优化四方面进行了深入研究。首先,给出了一种面向移动互联网的边缘编码缓存策略。界定了编码缓存状态与状态间转化规则,构建了基于动力学模型的网络状态演化模型,实现网络缓存供需情况认知与预测。提出了基于特征学习的编码内容选择框架和隐私感知的编码缓存算法,提高了移动互联网缓存资源利用率与用户隐私安全性能。其次,为满足动态差异化用户需求,提出了面向隐私保护的移动内容缓存预取机制,具体包括:基于分布式学习的用户兴趣感知、基于多目标优化的在线内容主动缓存以及基于差分隐私的数据隐私安全保护,实现了从用户个性化认知、内容主动缓存到隐私安全的一体化预取缓存方案设计。随后,提出了基于“云-边-端”协同的实时计算与传输优化框架,创造性地提出了增广队列模型,量化建模了节点计算负载和链路拥塞情况,形式化表征了传输和计算资源的联合优化问题,设计了一种基于Nesterov加速梯度的分布式优化算法,给出算法稳定性、队列长度、算法最优性和算法收敛速度的理论性能指标,有效整合了大量用户节点的计算资源,为系统扩容提供了良好的可扩展性。最后,围绕移动网络异构复杂的现状,提出了基于多智能体强化学习的计算传输联合优化方法,开创性的提出了增广图模型,将抽象的资源联合优化问题转化为直观的网络路由问题,设计了一种网络化多智能体强化学习方法,提升了协同计算和数据传输的综合性能。本研究主要以流媒体服务为例,针对移动互联网,从内容缓存、边缘计算两方面开展了全面的分析与研究。主要包括:模型构建、问题表征与建模、分布式优化算法设计、算法理论性能分析、算法数值结果分析、原型系统搭建及原型实验评估等研究方法。本文所取得的成果对我国未来移动互联网建设和新型流媒体服务的发展具有一定的借鉴意义。
秦久人[7]（2021）在《移动流媒体多路传输关键技术研究》文中进行了进一步梳理近年来,随着以5G为代表的移动互联通信技术的快速发展,以及智能手机、便携式电脑、可穿戴设备等硬件的快速普及,移动流媒体业务得到了长足发展。以网络课堂/会议、视频通话、即时游戏等为代表的移动流媒体应用,一方面极大的方便了人们的工作、生活,丰富了人们的娱乐方式,另一方面也带来了海量的即时数据传输需求。在移动网络环境下,由于用户移动性、无线信道干扰等因素的影响,传输层面临传输路径稳定性差,丢包率高等问题。传统以TCP为代表的单路径传输协议,难以适应复杂、多变的移动网络环境,传输速率受限于单一网络性能,且传输连接稳定性差,难以满足移动流媒体业务的传输需求。为了解决上述问题,以多路传输控制协议（Multipath Transmission Control Protocol,MPTCP）为代表的多路传输协议得到了国内外专家学者的广泛关注。MPTCP能够利用通信终端的多个网络接口（Wi-Fi,4G/5G等）在一个传输连接中建立多条子流。相较于单路径,多条子流并行传输能够有效的利用不同网络中的空闲带宽提高系统吞吐量,降低传输时延。尽管拥有上述优势,在面向移动流媒体业务时,MPTCP仍存在如下问题:（1）调度策略低效。MPTCP采用基于最短往返时延的数据分发策略,并在数据包传输失败后进行无差别的重传,在异构环境下,容易导致数据包乱序,增加传输延迟;（2）拥塞控制僵化。MPTCP采用固定的窗口调整策略,无法针对多样的输入流进行调整,导致传输效率低下;（3）网络感知匮乏。MPTCP难以感知网络环境对传输的影响,导致传输决策盲目、低效;（4）能耗管理缺失。由于移动终端的能量受限,而MPTCP缺乏能量管理机制,导致移动终端使用寿命下降,影响用户使用体验。因此,本文重点从动态数据调度、智能拥塞控制、网络环境感知、能量效率平衡等方面进行突破,并取得了如下成果:（1）针对调度策略低效问题,提出了部分可靠的多路虚拟队列调度机制。首先构建了虚拟队列模型,打破传统发送窗口约束,最大程度上保证数据包的按序到达。而后设计了面向消息的部分可靠重传算法,避免了无效重传。仿真实验结果显示,在不同网络参数下,所提方案能有效地减少数据包乱序概率,降低数据包交付时延。（2）针对拥塞控制僵化问题,设计了输入特征分析的多路智能拥塞控制机制。首先,在频域上对数据流的特征进行提取。在此基础上,利用增强学习理论对多路拥塞控制进行建模,根据网络环境及输入流动态调整控制策略。仿真实验结果表明,所提方案能够以较小的时延代价获得较高的吞吐量提升,性能优于同期解决方案。（3）针对网络感知匮乏的问题,提出了子流耦合感知的多路自适应传输方案。首先,通过提取子流耦合特征与拥塞特征,从空间与时间上对网络环境对传输的影响进行量化。而后,基于深度Q网络方法,对多路传输策略进行训练。仿真结果显示,在多种传输场景下,所提方案都能获得优于对比方案的系统吞吐量与时延。（4）针对能耗管理缺失问题,设计了能效均衡的多路传输优化算法。首先,通过设计传输效用模型,对影响传输性能的带宽、时延、能耗等问题进行综合分析。而后,通过Q-Learning方法,在兼顾传输效率的基础上对传输能耗进行优化。仿真实验结果表明,所提算法能够在保证传输吞吐量与时延性能相似的前提下,实现传输能耗的降低。本文面向移动网络环境下的流媒体多路传输,对调度、拥塞、网络、能耗等问题进行了分析。并利用统计分析、数学建模、人工智能、实验测试等方法对相关问题进行了解决。本文的研究成果能够为我国未来移动流体业务的发展提供一定的技术支撑。
赵盛烨[8]（2021）在《基于云计算技术的区域安全通信技术研究》文中认为基于云计算技术的区域安全通信技术是计算机与通信的超融合技术,解决了无线通信技术中按身份分配不同通信权限的问题。其中,“云计算技术”是基于实时数据通信的控制方法,“区域”描述了精准限定的物理覆盖范围,“安全通信技术”是特定区域的受控通信控制技术。前人在通信速率和便捷程度的需求下,研发出的通信系统往往只是解决了通信的效率、可靠性、便捷性问题,较少考虑通信技术的发展对保密机构的破坏和这些机构的特殊需要,在各类通信协议的标准当中也不存在这样的信令集供特殊功能的通信设备研发。同时,当前在网的2G-3G通信系统出于通信效率考虑较少地使用了计算机辅助单元,因此作者在研究提升云计算算法效率的基础上,将2G-3G通信系统进行上云改良,再结合4G和5G通信协议,研究通信系统对移动台终端鉴权和定位的原理,并通过科研成果转化实验,在一定区域范围内对特定终端用户群体实现了这一目标,同时该固定区域之外的移动台用户不受该技术体系的影响。文章以区域安全通信为研究对象,结合当前云计算、人工智能的新兴技术展开研究,具体工作如下:1.提出一种云环境下异构数据跨源调度算法。针对云计算中异构数据跨源调度传输耗时问题,现有的调度方法很多都是通过启发式算法实现的,通常会引起负载不均衡、吞吐量和加速比较低的问题。因此,本文提出了一种云环境下异构数据跨源调度方法,在真正进行调度之前进行了数据预取,大大减小了调度时的计算量,从而减小了调度资源开销。然后,更新全部变量,对将要调度的异构数据跨源子数据流质量进行排列,并将其看做子流数据的权重,每次在调度窗口中选择异构多源子流数据中最佳质量的子流数据进行调度传输,直到全部数据子流处理完毕。实验结果表明,本文所提的方法能够在云环境下对异构数据进行跨源调度,同时具有较高的负载均衡性、吞吐量和加速比。2.提出一种云环境下改进粒子群资源分配算法。云计算中,云平台的资源分配,不仅面对单节点的资源请求,还有面对更复杂的多节点的资源请求,尤其对于需要并行运行或分布式任务的用户,对云集群中节点间的通信都有非常严格的时延和带宽要求。现有的云平台往往是逐个虚拟机进行资源分配,忽略或者难以保障节点间的链路资源,也就是存在云集群多资源分配问题。因此,本文提出了一种新的云资源描述方法,并且对粒子群云资源分配方法进行改进。仿真实验结果表明,本文方法能够有效地对云资源进行分配,提高了云资源的平均收益和资源利用率,在资源开销方面相比于传统方法减少了至少10%,而且有更短的任务执行时间（30ms以内）。3.提出一种智能化区域无线网络的移动台动态定位算法。无线网络影响因素较多,总是无法避免地产生定位误差,为取得更好的可靠性与精准度,针对智能化区域无线网络,提出一种移动台动态定位算法。构建基于到达时延差的约束加权最小二乘算法,获取到达时延差信息,根据移动台对应服务基站获取的移动台到达时延差与到达角度数据,利用约束加权最小二乘算法多次更新定位估计,结合小波变换,架构到达时延差/到达角度混合定位算法,依据智能化区域无线网络环境的到达时延差数据采集情况,将估算出的移动台大致位置设定为不同种类定位结果,通过多次估算实现移动台动态定位。选取不同无线网络环境展开移动台动态定位仿真,分别从到达时延测量偏差、区域半径以及移动台与其服务基站间距等角度验证算法定位效果,由实验结果可知,所提算法具有理想的干扰因素抑制能力,且定位精准度较高。4.构建了基于云计算技术的区域安全通信系统。系统包括软件系统和硬件系统,整个系统是完整的,并且已经得到了实践的验证。通过SDR软件定义的射频通信架构,实现系统间的通信超融合。对于非授权手机与非授权的SIM卡要进行通信阻塞,同时要对手机与SIM卡分别进行授权,当有非授权手机或者授权手机插入非授权SIM卡进入监管区域中后,要可实现对其通讯的完全屏蔽和定位,软件系统应对非法用户进行控制,所有非法用户的电话、短信、上网都应被记录和拦截。硬件系统主要对顶层模块、时钟模块、CPU接口模块、ALC模块、DAC控制模块进行了设计。同时,本文使用改进的卷积定理算法提高了信号的保真度。5.智能化区域安全体系研究。未来的区域安全管理员还需要对多个进入的移动台终端进行鉴别,解决谁是终端机主、是否有安全威胁、真实身份是什么等问题,针对这些问题建立智能化区域安全通信体系,并将其保存在存储设备中,该体系可以实现自我学习。最后,通过实际应用对上述研究工作进行了验证,取得了较好的应用效果,满足了特定领域特定场景下的区域安全通信需求。
刘家祺[9]（2021）在《边缘计算服务迁移系统设计与实现》文中认为随着以物联网（IoT）为代表的新一代信息技术的迅猛发展,网络流量的迅速增长带来了对数据中心传输时延的更高要求,为了应对对应的海量数据流量压力、去除数据瓶颈,边缘计算使得网络机构支撑时延敏感业务与超量计算业务成为可能。但计算架构的改变也为服务的提供带来了新的技术难点:边缘服务器具有一定的服务覆盖范围,移动终端的移动性会导致服务质量的下降甚至服务的中断,为了保证用户移动时的服务连续性,降低服务迁移的时延并实现服务跟随,使如车联网自动驾驶、用户AR/VR设备的网络性能符合服务连续性要求,需要一种合适的边缘网络架构和成熟的服务迁移解决方案。针对以上问题,本文对服务迁移系统的主要研究和设计有:（一）提出并实现了服务分层架构和链式迁移模式,并设计用户服务代理来研究服务如何保存其自身运行时状态并在目的节点进行数据传输和恢复。系统性地通过网络带宽、链路控制软件设置服务迁移的复杂环境并通过压测工具集中访问,以此研究服务迁移的时延、控制面影响和服务质量等参数,对于实现低时延服务迁移成果显着;（二）提出并实现了边缘系统的三层架构,解决了多节点之间服务如何进行相互发现、通信,在定位用户服务所在位置后实现服务迁移的问题。同时提出服务令牌模式和迁移许可算法的服务迁移方案,成功解决了迁移过程中如时延瓶颈、服务紊乱和乒乓迁移等问题;（三）提供微服务思想的边缘系统架构和服务迁移方案,聚焦并解决了微服务模块化、控制面灵活部署等问题,使用Spring Clouds等微服务技术对服务链进行监控和灵活维护,完整展示了可控的服务支持、部署和迁移在边缘网络下的表现。在相应的系统开发工作上,首先分别实现了三个功能性子系统:负责用户接入与服务支持的用户子系统、负责管控迁移与提供核心服务的迁移子系统和负责跟踪服务链与计划任务下发的消息子系统。其次注册中心和配置中心也通过集成的方式提供给所有接入的边缘节点使用,系统按照微服务的组织形式和接口约定实现了远程服务调用、接口缓存/本地热备/数据落表的三级数据持久化支持以及异步消息的传递,能够完整地实现所需要的服务迁移功能。然后在四台服务器上完整搭建了实验所需要的用户侧及服务中心侧软硬件环境,并运行系统的对应服务。最后使用服务压力测试、Mini-net等工具构建合适的网络链路状态并设置多组带宽测试所关注的迁移时延和系统性能。综上所述,本文针对复杂的边缘计算环境进行了抽象,并设计、实现了包含完整功能和迁移算法以应对多种情况的服务迁移系统。之后通过构建对应的模拟环境实验了不同的服务迁移过程,进一步优化了系统运行性能并显着降低了迁移时延,实现了一种高可用、高性能的服务迁移架构,以提供一种符合新型网络架构特点的解决方案。
任沛[10]（2021）在《协同计算环境中移动Web增强现实服务提供技术研究》文中研究指明随着5G网络和人工智能的快速发展,增强现实作为一种全新的计算机视觉技术,以其独特的交互体验得到了广泛的关注。尤其是基于移动Web的实现方案有效避免了传统基于专用设备的AR应用实现方式面临的设备价格高、移动性差的问题和基于移动App的AR应用实现方式面临的服务跨平台提供难的问题,为AR技术的大规模推广和应用提供了有效的途径。同时,5G网络采用了全新的设计思路,为移动Web AR的服务质量提供了有力的保障。但是,分布式环境下计算设备的异构性和通信网络的动态性给移动Web AR系统中资源的管理和调度带来了新的挑战。因此,在5G网络中针对移动Web AR高效的服务提供机制的研究具有重要的实际意义与应用价值。本文通过对移动Web AR系统的分析与设计,利用“端边云”分布式资源协同调度的优势,从而满足了移动用户对于服务质量的要求和服务提供商对于部署成本的要求。本文将主要从“如何实现分布式协同计算”、“如何利用分布式结构提高多人移动Web AR系统效率”以及“如何协同分布式边缘网络系统资源”三个方面展开研究。主要内容及贡献如下:·针对5G网络下分布式神经网络计算任务的划分问题,本文首先通过对神经网络的结构重新设计并添加了额外的分支结构,从而为其提供了可动态调节的推理能力。简单的输入样本因此能够提前结束推理过程,从而提升了推理效率,降低了由于冗余计算造成的资源浪费。同时,通过对神经网络各层的推理时延与能耗属性进行分析,本文提出了一种基于强化学习的计算卸载算法以执行DNN任务的分布式划分决策,以实现计算任务的灵活调度。与现有的技术相比,本文提出的方法能够有效支持计算任务的细粒度弹性划分,对于提升用户体验、降低移动设备能耗具有重要的意义。·针对当前多人AR应用解决方案面临的效率低、性能差的问题,本文提出并实现了面向5G网络分布式环境下的多人协作式服务提供框架Edge ARX5。该框架通过改进集中式的通信机制,能够借助边缘服务器和D2D通信技术进行用户间交互信息的同步。此外,为了解决边缘系统计算效率低的问题,本文提出了基于预测的运动感知的调度机制,以实现自适应的AR关键帧的选择。同时,本文进一步通过借助D2D通信技术将轻量化的特征提取操作分流到用户周围的移动设备中执行,从而有效缓解了 AR服务初始化时间长的问题。通过合理调度各类计算与通信资源,Edge ARX5能够有效提升多人移动Web AR应用系统效率与服务质量。·针对“端边云”框架中边缘系统分布式资源管理和移动Web AR服务协同的问题,本文首先通过设计边缘节点的定位机制,从而为边缘网络的动态管理提供了基础,并进一步提出了基于动态哈希技术的AR服务查询请求负载均衡机制和基于最大堆技术的AR计算卸载负载均衡机制,以解决边缘系统中负载分布不均的问题。此外,针对移动Web AR应用的服务接入特性,本文还为分布式边缘系统设计了相应的服务迁移机制,以满足AR用户移动性的需求,解决AR服务的连续提供的问题。实验结果表明,通过对边缘系统资源的有效管理,能够进一步提高AR的服务质量和用户体验。
二、网络环境下改善虚拟场景实时显示的方法（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、网络环境下改善虚拟场景实时显示的方法（论文提纲范文）
（1）5G网络技术对提升4G网络性能的研究（论文提纲范文）
| 引言 |
| 1 4G网络现处理办法 |
| 2 4G网络可应用的5G关键技术 |
| 2.1 Msssive MIMO技术 |
| 2.2 极简载波技术 |
| 2.3 超密集组网 |
| 2.4 MEC技术 |
| 3 总结 |
（2）面向移动云计算的智能终端传输优化（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 移动云计算研究背景 |
| 1.1.1 智能终端应用程序及服务质量需求 |
| 1.1.2 移动云计算技术定义与主要特点 |
| 1.1.3 移动云计算技术的主要研究内容 |
| 1.2 本文研究领域及面临的主要挑战 |
| 1.2.1 计算资源和功耗受限的移动终端 |
| 1.2.2 延迟、带宽受限的无线网络环境 |
| 1.2.3 移动性导致的网络不稳定 |
| 1.3 研究方法、研究内容与研究成果 |
| 1.3.1 基于计算-网络融合的协同优化方法 |
| 1.3.2 研究成果1:计算密集型移动应用QoE优化 |
| 1.3.3 研究成果2:网络密集型移动应用QoE优化 |
| 1.3.4 研究成果3:移动网络传输稳定性优化 |
| 1.4 论文框架 |
| 第2章 研究现状与相关工作 |
| 2.1 移动云计算技术对计算密集型应用的优化 |
| 2.1.1 移动虚拟现实应用 |
| 2.1.2 计算迁移和云游戏技术 |
| 2.1.3 图像和视频处理技术 |
| 2.2 移动云计算技术对网络密集型应用的优化 |
| 2.2.1 面向移动云存储服务的测量研究 |
| 2.2.2 面向云存储服务的系统设计 |
| 2.2.3 基于内容的分块方案和增量编码技术 |
| 2.3 移动、无线网络环境传输框架 |
| 2.3.1 WiFi和蜂窝网络测量研究 |
| 2.3.2 网络异常处理机制 |
| 2.3.3 接口选择方案 |
| 第3章 基于移动云计算的高清低延迟交互式虚拟现实系统 |
| 3.1 背景及概述 |
| 3.1.1 VR的发展历程 |
| 3.1.2 VR系统基本架构及关键QoE指标 |
| 3.1.3 现有主流VR系统及其局限性 |
| 3.1.4 VR系统的渲染流程 |
| 3.2 VR性能瓶颈测量与分析 |
| 3.2.1 本地渲染的性能瓶颈 |
| 3.2.2 远程渲染技术的性能瓶颈 |
| 3.2.3 未来计算硬件、网络的发展无法直接解决VR性能瓶颈 |
| 3.3 FURION系统设计 |
| 3.3.1 核心技术 |
| 3.3.2 架构设计 |
| 3.3.3 协同渲染机制 |
| 3.3.4 预加载和预渲染机制 |
| 3.3.5 并行解码技术 |
| 3.3.6 背景环境码率自适应 |
| 3.4 FURION系统实现 |
| 3.4.1 FURION的使用方法 |
| 3.4.2 FURION主要模块的系统实现 |
| 3.5 系统评估 |
| 3.5.1 实验环境设置 |
| 3.5.2 性能指标评估 |
| 3.5.3 应用相关的可扩展性评估 |
| 3.5.4 资源消耗情况 |
| 3.5.5 FURION对变化网络环境的适应性 |
| 3.6 本章小结 |
| 第4章 面向移动个人云存储的同步效率优化方案 |
| 4.1 概述 |
| 4.2 移动云存储服务性能瓶颈量化与分析 |
| 4.2.1 瓶颈1:移动平台上的冗余消除技术可能带来额外计算开销 |
| 4.2.2 瓶颈2:增量编码失效导致同步效率低下 |
| 4.2.3 瓶颈3:同步协议对网络的带宽利用率过低 |
| 4.2.4 同步效率低下原因分析 |
| 4.3 QUICKSYNC系统设计 |
| 4.3.1 网络状态可感知的动态分块方案 |
| 4.3.2 基于分块特征的增量同步算法 |
| 4.3.3 捆绑传输方案 |
| 4.4 QUICKSYNC原型系统实现 |
| 4.4.1 基于Dropbox的系统实现 |
| 4.4.2 基于Seafile的系统实现 |
| 4.5 系统评估 |
| 4.5.1 基于网络状态的动态分块方案性能评估 |
| 4.5.2 增量同步算法效果评估 |
| 4.5.3 延迟捆绑传输方案的实验评估 |
| 4.5.4 对QUICKSYNC总体系统的性能评估 |
| 4.6 本章小结 |
| 第5章 面向移动终端的高效稳定传输系统 |
| 5.1 概述 |
| 5.2 移动及无线网络环境不稳定性测量与分析 |
| 5.2.1 测量方法和用户数据集概述 |
| 5.2.2 数据集分析 |
| 5.2.3 移动应用程序对网络不稳定状况的处理情况 |
| 5.2.4 移动应用对网络异常的处理情况研究分析 |
| 5.3 JANUS系统设计 |
| 5.3.1 设计目标 |
| 5.3.2 架构设计 |
| 5.3.3 应用自适应策略 |
| 5.3.4 智能无线链路选择机制设计 |
| 5.3.5 多接口高效切换机制设计 |
| 5.4 JANUS原型系统实现 |
| 5.5 系统评估 |
| 5.5.1 对比方案 |
| 5.5.2 JANUS和其它传输框架的性能对比 |
| 5.5.3 JANUS对真实应用的性能提升 |
| 5.5.4 真实户外网络环境下的运动实验 |
| 5.6 本章小结 |
| 第6章 工作总结与展望 |
| 6.1 研究工作总结 |
| 6.2 研究工作展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文与研究成果 |
（3）分布式虚拟GIS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 |
| 1.1.1 GIS向网络化方向发展 |
| 1.1.2 GIS可视化发展趋势 |
| 1.2 分布式虚拟GIS研究 |
| 1.2.1 研究现状 |
| 1.2.2 分布式虚拟GIS应用 |
| 1.2.3 分布式虚拟GIS研究面临的挑战 |
| 1.3 论文的主要研究内容 |
| 1.4 本章小结 |
| 第二章 基于CORBA的分布式网络体系结构 |
| 2.1 概述 |
| 2.1.1 分布计算技术发展概述 |
| 2.1.2 分布式对象技术 |
| 2.1.3 CORBA概述 |
| 2.2 分布式GIS体系结构 |
| 2.2.1 分布式GIS体系结构研究现状 |
| 2.2.2 分布式虚拟现实体系结构研究现状 |
| 2.3 基于CORBA的分布式体系结构 |
| 2.3.1 分布网络模型 |
| 2.3.2 体系结构 |
| 2.3.3 系统负载控制 |
| 2.3.4 系统开放性 |
| 2.3.5 系统互操作性 |
| 2.4 本章小结 |
| 第三章 网络地形LOD模型 |
| 3.1 概述 |
| 3.2 三维地形模型 |
| 3.3 基于RSG模型的海量地形数据绘制 |
| 3.3.1 三角形二分树结构的地形LOD模型 |
| 3.3.2 基于四叉树结构的地形LOD模型 |
| 3.4 地形数据的压缩 |
| 3.5 实时、连续LOD模型要求 |
| 3.6 网络地形LOD模型 |
| 3.6.1 四叉树LOD地形模型 |
| 3.6.2 网络地形LOD模型准则 |
| 3.6.3 基于视点的动态LOD地形模型生成 |
| 3.6.4 LOD模型间“裂缝”的处理 |
| 3.6.5 网络实时动态绘制架构 |
| 3.6.6 基于可见性的分块绘制策略 |
| 3.7 多分辨率地形纹理映射 |
| 3.7.1 纹理映射技术概述 |
| 3.7.2 基于四叉树结构的多分辨率纹理映射 |
| 3.8 实验结果分析 |
| 3.8.1 地形数据压缩实验 |
| 3.8.2 基于不同误差阈值的地形LOD场景实验 |
| 3.8.3 连续多分辨率LOD地形纹理映射的实验 |
| 3.9 本章小结 |
| 第四章 网络三维城市LOD模型 |
| 4.1 概述 |
| 4.2 三维城市模型研究 |
| 4.2.1 三维城市模型建模方法 |
| 4.2.2 三维城市模型的数据模型 |
| 4.2.3 三维城市模型可视化研究 |
| 4.3 网络三维城市LOD模型 |
| 4.3.1 网络三维城市LOD数据模型构建要求 |
| 4.3.2 空间对象的三维几何模型及其空间关系 |
| 4.3.3 网络三维城市LOD模型数据组织 |
| 4.3.4 基于视点的多细节层次的选择 |
| 4.3.5 基于视点可见性三维场景的裁剪 |
| 4.4 三维城市场景中建筑物纹理映射 |
| 4.4.1 纹理影像数据的压缩 |
| 4.4.2 多分辨率LOD纹理组织 |
| 4.5 网络环境下数据缓存设计 |
| 4.5.1 服务器端数据缓存设计 |
| 4.5.2 客户端数据缓存设计 |
| 4.6 实验及结果分析 |
| 4.6.1 基于点索引的三维城市景观重建实验 |
| 4.6.2 基于视点可见性剪裁与多分辨率LOD纹理的实验 |
| 4.7 本章小结 |
| 第五章 多用户处理与交互关键技术 |
| 5.1 概述 |
| 5.2 多用户并发连接处理 |
| 5.3 消息通讯 |
| 5.3.1 消息通讯方式 |
| 5.3.2 消息分类及管理 |
| 5.3.3 消息设计 |
| 5.4 消息过滤 |
| 5.4.1 基于可见性判断的消息过滤 |
| 5.5 实验及结果分析 |
| 5.5.1 虚拟化身“投入”的实验 |
| 5.5.2 消息过滤的实验 |
| 5.6 本章小结 |
| 第六章 分布式Web-DGIS实验系统 |
| 6.1 Web-DGIS系统开发背景、目的 |
| 6.2 系统的开发及其结构 |
| 6.3 系统的功能介绍 |
| 6.3.1 服务器功能 |
| 6.3.2 客户端功能 |
| 6.4 系统特色 |
| 6.4.1 网络环境下大数据量的空间信息跨平台发布 |
| 6.4.2 空间数据压缩 |
| 6.4.3 多级LOD模型的应用 |
| 6.4.4 用户虚拟化身和场景更新 |
| 6.5 系统实现、结果及其测试 |
| 6.5.1 系统实现 |
| 6.5.2 系统运行结果 |
| 6.5.3 系统实验 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文总结 |
| 7.2 论文创新点 |
| 7.3 后继研究 |
| 参考文献 |
| 攻读博士学位期间发表的论文和参加的科研项目 |
| 致谢 |
（4）面向边缘计算的智慧标识网络资源协同与适配机制研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 主要缩略语对照表 |
| 1 绪论 |
| 1.1 引言 |
| 1.2 研究背景与现状 |
| 1.2.1 边缘计算架构 |
| 1.2.2 资源适配架构 |
| 1.2.3 相关研究工作 |
| 1.3 面向边缘计算的SINET架构 |
| 1.4 主要问题及意义 |
| 1.5 主要工作与创新点 |
| 1.6 论文组织架构 |
| 2 基于端-边协同的任务卸载性能评估模型 |
| 2.1 引言 |
| 2.1.1 研究背景 |
| 2.1.2 相关工作 |
| 2.2 任务卸载模型描述 |
| 2.2.1 应用场景简介 |
| 2.2.2 队列模型描述 |
| 2.2.3 卸载策略分析 |
| 2.3 平均响应时间分析 |
| 2.3.1 终端平均响应时间 |
| 2.3.2 服务器平均响应时间 |
| 2.3.3 整体平均响应时间 |
| 2.4 任务卸载能耗分析 |
| 2.4.1 终端设备能耗 |
| 2.4.2 边缘服务器能耗 |
| 2.5 多终端资源适配方法 |
| 2.6 性能评估 |
| 2.6.1 实验场景与参数 |
| 2.6.2 实验结果与分析 |
| 2.7 本章小结 |
| 3 基于随机优化的边缘资源协同传输调度机制 |
| 3.1 引言 |
| 3.1.1 背景介绍 |
| 3.1.2 相关工作 |
| 3.2 协同传输模型描述 |
| 3.2.1 应用场景简介 |
| 3.2.2 队列模型描述 |
| 3.3 动态传输调度方法 |
| 3.3.1 辅助变量与问题转化 |
| 3.3.2 问题解耦与子问题求解 |
| 3.3.3 动态传输调度算法描述 |
| 3.3.4 算法性能与复杂度分析 |
| 3.4 算法性能评估 |
| 3.4.1 实验场景与参数 |
| 3.4.2 实验结果与分析 |
| 3.5 本章小结 |
| 4 基于多代理强化学习的边缘协作缓存方法 |
| 4.1 引言 |
| 4.1.1 背景介绍 |
| 4.1.2 相关工作 |
| 4.2 协作缓存模型描述 |
| 4.2.1 应用场景简介 |
| 4.2.2 缓存优化模型 |
| 4.3 基于强化学习的协作缓存方法 |
| 4.3.1 强化学习协作缓存框架 |
| 4.3.2 特征定义与动作选择 |
| 4.3.3 边缘协作缓存算法描述 |
| 4.4 算法性能评估 |
| 4.4.1 实验场景与参数 |
| 4.4.2 实验结果与分析 |
| 4.5 本章小结 |
| 5 基于服务功能切换的云-边资源协同适配机制 |
| 5.1 引言 |
| 5.1.1 背景介绍 |
| 5.1.2 相关工作 |
| 5.2 服务切换模型描述 |
| 5.2.1 应用场景简介 |
| 5.2.2 队列模型描述 |
| 5.3 资源适配算法设计 |
| 5.3.1 虚拟队列与问题解耦 |
| 5.3.2 资源适配算法的描述 |
| 5.3.3 算法性能与复杂度分析 |
| 5.4 基于任务拒绝的算法改进 |
| 5.4.1 拒绝机制与时延队列 |
| 5.4.2 改进后的算法描述 |
| 5.4.3 改进算法的性能分析 |
| 5.5 算法性能评估 |
| 5.5.1 实验场景与参数 |
| 5.5.2 实验结果与分析 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来工作展望 |
| 附录 A |
| 附录 B |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（5）边缘计算网络中任务卸载和资源分配优化研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 缩略语 |
| 常用数学符号 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 边缘计算概述 |
| 1.2.1 系统架构 |
| 1.2.2 基本特征 |
| 1.2.3 典型应用 |
| 1.2.4 关键性能指标 |
| 1.3 任务卸载和资源分配研究及挑战 |
| 1.3.1 任务卸载和资源分配 |
| 1.3.2 任务卸载和资源分配研究的挑战 |
| 1.4 研究现状 |
| 1.4.1 针对不同性能指标的任务卸载和资源分配研究 |
| 1.4.2 面向多服务器协同的任务卸载和资源分配研究 |
| 1.4.3 面向多维资源联合的任务卸载和资源分配研究 |
| 1.4.4 基于无人机辅助的任务卸载和资源分配研究 |
| 1.4.5 研究不足 |
| 1.5 主要创新工作与章节安排 |
| 1.5.1 主要创新工作 |
| 1.5.2 章节安排 |
| 2 基于边缘服务器协同的任务卸载和资源分配优化 |
| 2.1 引言 |
| 2.2 系统模型和问题建模 |
| 2.2.1 系统模型 |
| 2.2.2 问题建模 |
| 2.3 基于资源供需关系变化的在线式算法 |
| 2.3.1 基于李雅普诺夫优化理论的问题重构 |
| 2.3.2 基于连续凸近似理论的优化方法 |
| 2.4 性能仿真验证 |
| 2.4.1 仿真设置 |
| 2.4.2 仿真结果与分析 |
| 2.5 本章小结 |
| 3 基于端边协同的任务卸载和资源分配优化 |
| 3.1 引言 |
| 3.2 系统模型和问题建模 |
| 3.2.1 系统模型 |
| 3.2.2 问题建模 |
| 3.3 基于端边协同的在线式优化 |
| 3.3.1 基于李亚普诺夫优化理论的问题转化和分解 |
| 3.3.2 时间平均约束转化 |
| 3.3.3 用户端数据接入控制决策优化 |
| 3.3.4 边缘服务器侧计算资源分配优化 |
| 3.3.5 用户端计算和卸载相关决策优化 |
| 3.4 性能仿真验证 |
| 3.4.1 仿真设置 |
| 3.4.2 仿真结果与分析 |
| 3.5 本章小结 |
| 4 基于多维资源联合的任务卸载和资源分配优化 |
| 4.1 引言 |
| 4.2 系统模型 |
| 4.2.1 问题建模 |
| 4.3 基于多维资源联合的分布式在线优化 |
| 4.3.1 时间平均约束转化 |
| 4.3.2 通信和计算资源分配优化 |
| 4.3.3 基于匹配理论的任务缓存部署和调度决策优化 |
| 4.4 性能分析 |
| 4.5 性能仿真验证 |
| 4.5.1 仿真设置 |
| 4.5.2 仿真结果与分析 |
| 4.6 本章小结 |
| 5 基于无人机辅助的空地协同任务卸载和资源分配优化 |
| 5.1 引言 |
| 5.2 系统模型 |
| 5.2.1 问题建模 |
| 5.3 基于空地协同的在线式任务卸载和资源分配优化 |
| 5.3.1 问题转化 |
| 5.3.2 用户端计算资源分配优化 |
| 5.3.3 无人机侧计算资源分配和任务调度决策优化 |
| 5.4 性能分析 |
| 5.5 性能仿真验证 |
| 5.5.1 仿真设置 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 研究工作展望 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文与其他成果 |
| 学位论文数据集 |
（6）移动互联网的内容缓存与边缘计算关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 论文研究背景 |
| 1.1.1 移动互联网发展概述 |
| 1.1.2 移动互联网现状特征 |
| 1.1.3 面向移动互联网的内容缓存与边缘计算 |
| 1.2 论文选题依据 |
| 1.3 论文主要研究内容 |
| 1.4 论文主要贡献与创新 |
| 1.5 论文组织结构 |
| 1.6 本章参考文献 |
| 第二章 相关研究综述 |
| 2.1 移动互联网内容缓存相关研究 |
| 2.1.1 网络缓存部署 |
| 2.1.2 预取缓存策略 |
| 2.1.3 缓存隐私安全 |
| 2.2 移动互联网边缘计算相关研究 |
| 2.2.1 边缘计算的发展应用 |
| 2.2.2 “云-边-端”协同计算 |
| 2.2.3 边缘计算与数据传输 |
| 2.3 本章小结 |
| 2.4 本章参考文献 |
| 第三章 面向移动互联网的编码缓存部署策略 |
| 3.1 本章引言 |
| 3.2 基本系统模型 |
| 3.2.1 基本概念和背景知识 |
| 3.2.2 编码缓存模型 |
| 3.2.3 相关基本模型 |
| 3.3 面向编码缓存的网络状态演化模型 |
| 3.3.1 基于动力学的网络演化模型 |
| 3.3.2 网络演化模型的准确性评估 |
| 3.3.3 基于特征学习的内容编码方法 |
| 3.4 隐私与服务性能的联合优化问题 |
| 3.4.1 联合优化问题建模 |
| 3.4.2 最优化编码缓存控制 |
| 3.4.3 隐私感知的编码缓存算法 |
| 3.5 仿真实验与性能评估 |
| 3.5.1 仿真实验设置 |
| 3.5.2 服务性能评估 |
| 3.5.3 隐私性能评估 |
| 3.6 本章小结 |
| 3.7 本章参考文献 |
| 第四章 面向隐私保护的移动内容缓存预取机制 |
| 4.1 本章引言 |
| 4.2 移动网络内容预取模型 |
| 4.2.1 用户请求影响因素分析 |
| 4.2.2 预取缓存的优化模型 |
| 4.2.3 面向预取的隐私攻击模型 |
| 4.3 面向差分隐私的预取优化算法 |
| 4.3.1 在线学习的差分隐私技术 |
| 4.3.2 针对问题1的在线差分隐私算法 |
| 4.3.3 针对问题2的在线差分隐私算法 |
| 4.4 算法理论性能 |
| 4.4.1 两种算法的差分隐私性能 |
| 4.4.2 两种算法的最优性能分析 |
| 4.5 实验与性能分析 |
| 4.5.1 实验场景的环境设置 |
| 4.5.2 实验结果的对比分析 |
| 4.6 本章小结 |
| 4.7 本章参考文献 |
| 第五章 基于“云-边-端”协同的实时计算和传输模型 |
| 5.1 本章引言 |
| 5.2 基本系统模型 |
| 5.2.1 “云-边-端”协同计算模型 |
| 5.2.2 移动网络模型 |
| 5.2.3 增广队列模型 |
| 5.3 问题的形式化表征 |
| 5.4 资源联合优化的算法设计 |
| 5.4.1 Nesterov加速梯度下降法 |
| 5.4.2 基于Nesterov方法的资源优化算法 |
| 5.4.3 算法复杂度分析 |
| 5.5 算法的理论性能指标 |
| 5.6 实验与性能评估 |
| 5.6.1 数据集和实验设置 |
| 5.6.2 数值结果性能分析 |
| 5.6.3 原型实验性能评估 |
| 5.7 本章小结 |
| 5.8 本章参考文献 |
| 第六章 基于多智能体强化学习的视频转码优化方法 |
| 6.1 本章引言 |
| 6.2 系统模型与问题建模 |
| 6.2.1 移动网络模型 |
| 6.2.2 视频转码模型 |
| 6.2.3 增广图模型 |
| 6.2.4 联合优化问题 |
| 6.3 面向计算传输联合优化的网络化多智能体强化学习 |
| 6.3.1 基本概念与背景知识 |
| 6.3.2 网络化多智能体强化学习方法 |
| 6.4 基于多智能体强化学习的联合优化算法设计 |
| 6.4.1 策略梯度理论 |
| 6.4.2 基于网络化MARL的“行动者-评论家”算法 |
| 6.5 实验与性能评估 |
| 6.5.1 仿真与原型实验设置 |
| 6.5.2 数值结果与性能评估 |
| 6.6 本章小结 |
| 6.7 本章参考文献 |
| 第七章 结语 |
| 7.1 论文总结 |
| 7.2 未来的研究工作 |
| 附录A 第五章中的定理证明 |
| A-Ⅰ 定理5-1证明 |
| A-Ⅱ 定理5-2证明 |
| A-Ⅲ 定理5-3证明 |
| A-Ⅳ 定理5-4证明 |
| A-Ⅴ 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术成果 |
| 一、已发表或已接受的作者论文 |
| 二、其它研究成果 |
| 攻读博士学位期间主持或参与的科研项目 |
（7）移动流媒体多路传输关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 本文主要缩略语 |
| 第一章 绪论 |
| 1.1 论文研究背景 |
| 1.2 论文选题依据 |
| 1.3 论文主要研究内容 |
| 1.4 论文主要贡献与创新 |
| 1.5 论文组织结构 |
| 第二章 相关工作综述 |
| 2.1 移动网络下的流媒体业务 |
| 2.2 移动流媒体单路传输技术 |
| 2.3 移动流媒体多路传输技术 |
| 2.4 本章小结 |
| 第三章 部分可靠的多路虚拟队列调度机制 |
| 3.1 本章引言 |
| 3.2 延迟预测的多路虚拟队列分发 |
| 3.2.1 传输丢包分析模型 |
| 3.2.2 基于混沌理论的到达预测 |
| 3.2.3 多路虚拟队列分发 |
| 3.3 面向消息的部分可靠重传算法 |
| 3.3.1 MPTCP部分可靠协议扩展 |
| 3.3.2 面向消息的重传算法 |
| 3.4 仿真实验 |
| 3.4.1 FD-MVQS性能验证 |
| 3.4.2 MO-PR性能验证 |
| 3.5 本章小结 |
| 第四章 输入特征分析的多路智能拥塞控制机制 |
| 4.1 本章引言 |
| 4.2 系统设计 |
| 4.3 RL-PSD算法 |
| 4.3.1 输入流功率谱密度分析 |
| 4.3.2 多路传输状态分析 |
| 4.3.3 拥塞控制动作定义 |
| 4.3.4 基于传输效用函数的回报计算 |
| 4.3.5 双层协作的Q-表生成与维护 |
| 4.4 性能分析 |
| 4.4.1 实验场景设计 |
| 4.4.2 实验结果分析 |
| 4.5 本章小结 |
| 第五章 子流耦合感知的多路自适应传输方案 |
| 5.1 本章引言 |
| 5.2 系统设计 |
| 5.3 基于小波去噪的子流耦合识别 |
| 5.3.1 柔性阈值的小波去噪 |
| 5.3.2 子流耦合特征识别 |
| 5.4 基于DQN的多路传输控制 |
| 5.4.1 多路DQN传输模型 |
| 5.4.2 多路DQN拥塞控制算法 |
| 5.5 性能分析 |
| 5.5.1 实验场景设计 |
| 5.5.2 实验结果分析 |
| 5.6 本章小结 |
| 第六章 能效均衡的多路传输优化算法 |
| 6.1 本章引言 |
| 6.2 系统设计 |
| 6.3 QE-MCC算法 |
| 6.3.1 传输系统状态定义 |
| 6.3.2 能量感知的传输能效模型 |
| 6.3.3 基于Q-Learning的多路拥塞控制 |
| 6.4 性能分析 |
| 6.4.1 实验场景设计 |
| 6.4.2 实验结果分析 |
| 6.5 本章小结 |
| 第七章 结语 |
| 7.1 论文总结 |
| 7.2 未来的研究工作 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术成果 |
| 攻读博士学位期间参与的科研项目 |
（8）基于云计算技术的区域安全通信技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 移动通信系统 |
| 1.2.2 通信系统与通信终端 |
| 1.2.3 区域安全通信现状 |
| 1.3 本文研究内容 |
| 1.4 论文组织结构 |
| 1.5 本章小结 |
| 第2章 区域安全通信理论基础 |
| 2.1 移动通信研究对象 |
| 2.1.1 2G移动通信技术 |
| 2.1.2 3G移动通信技术 |
| 2.1.3 4G移动通信技术 |
| 2.1.4 5G移动通信技术 |
| 2.2 SDR设备原理 |
| 2.3 云计算技术 |
| 2.3.1 虚拟化 |
| 2.3.2 云计算安全 |
| 2.3.3 云计算与通信的超融合 |
| 2.4 本章小结 |
| 第3章 一种云环境下异构数据跨源调度方法 |
| 3.1 相关研究 |
| 3.2 算法模型 |
| 3.2.1 异构多源数据的预取 |
| 3.2.2 异构数据跨源调度算法 |
| 3.3 实验与分析 |
| 3.3.1 实验环境与实验过程 |
| 3.3.2 实验结果与分析 |
| 3.4 本章小结 |
| 第4章 一种云环境下改进粒子群资源分配方法 |
| 4.1 相关研究 |
| 4.2 算法模型 |
| 4.3 实验与分析 |
| 4.3.1 实验环境与实验过程 |
| 4.3.2 实验结果与分析 |
| 4.4 本章小节 |
| 第5章 一种智能化区域无线网络的移动台动态定位算法 |
| 5.1 相关研究 |
| 5.2 基于智能化区域无线网络的移动台动态定位 |
| 5.2.1 TDOA下约束加权最小二乘算法 |
| 5.2.2 融合及平滑过渡 |
| 5.2.3 TDOA/AOA混合定位算法 |
| 5.2.4 TDOA/AOA混合定位算法流程 |
| 5.3 实验仿真分析 |
| 5.3.1 实验环境与评估指标 |
| 5.3.2 实验结果与分析 |
| 5.4 本章小结 |
| 第6章 安全通信系统设计 |
| 6.1 软件系统设计 |
| 6.1.1 功能设计 |
| 6.1.2 界面设计 |
| 6.1.3 信令模组设计 |
| 6.2 硬件系统重要模块设计 |
| 6.2.1 时钟模块设计 |
| 6.2.2 CPU接口模块设计 |
| 6.2.3 ALC模块设计 |
| 6.2.4 DAC控制模块设计 |
| 6.3 实验部署与验证 |
| 6.3.1 实时控制过程和验证 |
| 6.3.2 传输验证实验设计 |
| 6.3.3 实验设备部署 |
| 6.3.4 天馈系统实验方案 |
| 6.3.5 实验安全事项 |
| 6.3.6 实验环境要求 |
| 6.3.7 实验验证测试及调试 |
| 6.4 本章小结 |
| 第7章 结论与展望 |
| 参考文献 |
| 致谢 |
| 作者简历 |
（9）边缘计算服务迁移系统设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究内容 |
| 1.3 论文组织结构 |
| 第二章 相关研究 |
| 2.1 边缘计算相关研究 |
| 2.2 服务迁移的实现机制 |
| 2.2.1 基于虚拟机和容器的实现方案 |
| 2.2.2 基于热迁移的实现方案 |
| 2.3 主要开发技术 |
| 2.3.1 Spring和Spring Cloud |
| 2.3.2 消息中间件和数据存储技术 |
| 2.4 本章小结 |
| 第三章 服务迁移需求和系统设计 |
| 3.1 服务迁移需求 |
| 3.1.1 服务迁移实现场景 |
| 3.1.2 边缘节点的业务需求和环境条件 |
| 3.1.3 用户服务连续性的时延需求 |
| 3.1.4 系统功能性需求 |
| 3.1.5 其他非功能性需求 |
| 3.2 服务迁移系统设计方案 |
| 3.2.1 服务迁移系统整体架构 |
| 3.2.2 用户服务设计 |
| 3.2.3 链式服务计算 |
| 3.2.4 服务代理设计 |
| 3.3 本章小结 |
| 第四章 服务迁移系统实现 |
| 4.1 用户代理和服务链 |
| 4.1.1 主要功能及实现 |
| 4.1.2 迁移流程及核心算法 |
| 4.1.3 服务链底层封装 |
| 4.2 节点服务管理模块 |
| 4.2.1 主要功能及迁移锁管理算法 |
| 4.2.2 消息处理和计划任务模块 |
| 4.3 系统核心管理器和其他组件 |
| 4.3.1 任务调度算法实现 |
| 4.3.2 注册中心与配置中心 |
| 4.3.3 服务链路检测与日志监控 |
| 4.3.4 消息总线 |
| 4.4 系统架构的进一步研究 |
| 4.5 本章小结 |
| 第五章 系统性能实验与分析 |
| 5.1 实验环境 |
| 5.2 实验结果及分析 |
| 5.2.1 功能测试 |
| 5.2.2 性能测试 |
| 5.2.3 与其他迁移方式的性能对比 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 下一步研究工作 |
| 参考文献 |
| 致谢 |
| 攻读学位期间所参与工程项目 |
（10）协同计算环境中移动Web增强现实服务提供技术研究（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 移动Web AR服务提供面临的问题 |
| 1.3 研究内容及主要贡献 |
| 1.4 论文组织结构 |
| 第二章 移动增强现实研究综述 |
| 2.1 增强现实主要流程和相关技术 |
| 2.2 增强现实技术的发展历程 |
| 2.3 基于Web的移动增强现实 |
| 2.3.1 移动Web增强现实支撑技术 |
| 2.3.2 移动Web增强现实应用的实现方式 |
| 2.4 本章小结 |
| 第三章 分布式神经网络的细粒度弹性划分 |
| 3.1 引言 |
| 3.2 5G网络下面向移动Web AR的协作式计算框架 |
| 3.2.1 基于边缘计算的分布式DNN协作模式 |
| 3.2.2 基于D2D通信技术的分布式DNN协作模式 |
| 3.3 细粒度的深度神经网络 |
| 3.3.1 多分支深度神经网络结构设计 |
| 3.3.2 DNN各层推理时延及能耗预测模型 |
| 3.4 分布式DNN计算任务划分机制 |
| 3.4.1 分布式DNN协作式计算问题构建 |
| 3.4.2 DNN计算任务划分算法 |
| 3.5 实验结果与分析 |
| 3.5.1 实验环境设置 |
| 3.5.2 DNN计算任务划分算法IoRLO性能分析 |
| 3.5.3 移动Web AR应用性能分析 |
| 3.6 本章小结 |
| 第四章 边缘辅助的多人移动Web AR服务提供机制 |
| 4.1 引言 |
| 4.2 5G网络下面向多人移动Web AR的协作式框架 |
| 4.2.1 多人移动Web AR的协作式通信 |
| 4.2.2 多人移动Web AR的协作式计算 |
| 4.2.3 多人移动Web AR的协作式框架服务处理流程 |
| 4.3 多人协作式通信设计 |
| 4.3.1 多人通信规划问题构建 |
| 4.3.2 多人通信规划机制 |
| 4.4 多人协作式计算设计 |
| 4.4.1 基于边缘计算的关键帧选择机制 |
| 4.4.2 基于D2D通信技术的AR服务初始化优化 |
| 4.5 实验结果与分析 |
| 4.5.1 实验环境设置 |
| 4.5.2 多人通信规划算法BA-CPP性能分析 |
| 4.5.3 关键帧选择机制Mo-KFP性能分析 |
| 4.5.4 AR服务初始化性能分析 |
| 4.6 本章小结 |
| 第五章 分布式边缘系统中移动Web AR服务协同 |
| 5.1 引言 |
| 5.2 EARNet方案概述 |
| 5.3 位置感知的移动Web AR任务调度 |
| 5.3.1 边缘节点定位机制 |
| 5.3.2 EARNet负载均衡机制 |
| 5.4 EARNet服务迁移机制 |
| 5.4.1 服务迁移机制基础方案 |
| 5.4.2 服务迁移机制优化方案 |
| 5.5 实验结果与分析 |
| 5.5.1 实验环境设置 |
| 5.5.2 负载均衡机制性能分析 |
| 5.5.3 服务迁移机制性能分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 附录 缩略语表 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
四、网络环境下改善虚拟场景实时显示的方法（论文参考文献）
- [1]5G网络技术对提升4G网络性能的研究[J]. 刘奕. 数码世界, 2020(04)
- [2]面向移动云计算的智能终端传输优化[D]. 赖泽祺. 清华大学, 2018(04)
- [3]分布式虚拟GIS关键技术研究[D]. 陈静. 武汉大学, 2004(04)
- [4]面向边缘计算的智慧标识网络资源协同与适配机制研究[D]. 张宇明. 北京交通大学, 2021(02)
- [5]边缘计算网络中任务卸载和资源分配优化研究[D]. 孙笑科. 北京交通大学, 2021(02)
- [6]移动互联网的内容缓存与边缘计算关键技术研究[D]. 陈星延. 北京邮电大学, 2021(01)
- [7]移动流媒体多路传输关键技术研究[D]. 秦久人. 北京邮电大学, 2021(01)
- [8]基于云计算技术的区域安全通信技术研究[D]. 赵盛烨. 中国科学院大学(中国科学院沈阳计算技术研究所), 2021(09)
- [9]边缘计算服务迁移系统设计与实现[D]. 刘家祺. 北京邮电大学, 2021(01)
- [10]协同计算环境中移动Web增强现实服务提供技术研究[D]. 任沛. 北京邮电大学, 2021(01)