移動物聯(lián)網(wǎng)資源管理與網(wǎng)絡優(yōu)化

目錄
第1章 社交車聯(lián)網(wǎng)中服務質(zhì)量感知的網(wǎng)絡接入機制 1
1.1 研究背景與意義 2
1.2 研究現(xiàn)狀 4
1.3 接入服務選擇策略 5
1.3.1 系統(tǒng)模型 6
1.3.2 參數(shù)定義 7
1.3.3 接入服務的選擇 8
1.4 接入服務質(zhì)量感知的協(xié)同路由機制 11
1.4.1 網(wǎng)絡模型 11
1.4.2 協(xié)同路由選擇協(xié)議 13
1.5 性能分析 17
1.6 本章小結 21
第2章 移動物聯(lián)網(wǎng)中社會感知的自適應網(wǎng)絡接入與轉(zhuǎn)發(fā)機制 22
2.1 引言 22
2.2 社交網(wǎng)絡中繼節(jié)點選擇機制 25
2.2.1 社會屬性判據(jù) 25
2.2.2 節(jié)點信任機制評估 27
2.2.3 基于信任度的社會感知用戶分配策略 28
2.3 網(wǎng)絡編碼感知的自適應調(diào)度機制 32
2.4 基于螢火蟲算法的優(yōu)化問題求解 34
2.4.1 螢火蟲算法簡介 35
2.4.2 螢火蟲算法建模和問題求解 36
2.4.3 基于螢火蟲算法的修復策略 37
2.5 性能分析 37
2.6 本章小結 40
第3章 高效數(shù)據(jù)分發(fā)中的隱私保護機制 41
3.1 引言 41
3.2 相關工作 43
3.3 系統(tǒng)及攻擊模型 44
3.3.1 系統(tǒng)模型 45
3.3.2 攻擊模型 46
3.4 基于用戶隱私保護的系統(tǒng)設計 47
3.4.1 系統(tǒng)設計 47
3.4.2 詳細設計 47
3.5 數(shù)據(jù)轉(zhuǎn)發(fā)機制 51
3.5.1 移動預測 51
3.5.2 消息處理 53
3.5.3 節(jié)點激勵保護機制 54
3.6 安全分析 55
3.6.1 基本思想 55
3.6.2 隱私保護 56
3.6.3 攻擊抵御 56
3.7 性能分析 57
3.7.1 實驗設置 57
3.7.2 對比算法 58
3.7.3 結果分析 58
3.8 本章小結 63
第4章 基于群智感知的時延敏感數(shù)據(jù)傳輸機制 64
4.1 引言 64
4.2 相關工作 66
4.3 系統(tǒng)模型及問題描述 67
4.3.1 系統(tǒng)框架 68
4.3.2 應用場景 69
4.4 基于群智感知的交通管理機制 69
4.4.1 全局目標 70
4.4.2 局部目標 70
4.4.3 激勵機制 71
4.5 基于簇群的數(shù)據(jù)采集機制 72
4.5.1 數(shù)據(jù)采集 72
4.5.2 數(shù)據(jù)上傳 72
4.5.3 服務響應 73
4.6 時延敏感的路由機制 74
4.6.1 移動模型 74
4.6.2 時延預測 75
4.6.3 路由決策 76
4.7 性能分析 78
4.7.1 實驗設置 79
4.7.2 對比算法 79
4.7.3 結果分析 80
4.8 本章小結 82
第5章 基于協(xié)同過濾的車輛邊緣內(nèi)容傳輸機制 83
5.1 引言 83
5.2 相關工作 84
5.3 網(wǎng)絡模型 85
5.4 基于協(xié)同過濾推薦的信息傳輸策略 86
5.4.1 用戶相似性衡量 87
5.4.2 基于 k 近鄰算法的鄰居選擇 87
5.5 基于馬爾可夫模型的車輛移動性預測 88
5.6 算法描述和復雜度分析 91
5.7 性能分析 93
5.7.1 實驗設置 93
5.7.2 參數(shù)訓練 94
5.7.3 結果分析 95
5.8 本章小結 97
第6章 基于深度學習和三角圖元的邊緣車輛信息傳輸機制 98
6.1 引言 98
6.2 相關工作 99
6.3 基于三元關系的社交層模型 101
6.4 邊緣車輛網(wǎng)絡中基于深度學習的內(nèi)容傳輸 103
6.4.1 基于完全三角圖元的聚類算法 103
6.4.2 社交層聚類算法 104
6.4.3 基于深度學習的內(nèi)容傳輸 105
6.4.4 算法復雜度分析 108
6.5 性能分析 108
6.5.1 實驗設置 108
6.5.2 結果分析 109
6.6 本章小結 112
第7章 基于混合云計算的移動物聯(lián)網(wǎng)卸載機制 113
7.1 引言 113
7.2 相關工作 114
7.3 系統(tǒng)模型和問題描述 115
7.3.1 系統(tǒng)模型 115
7.3.2 單用戶計算卸載問題 117
7.3.3 多用戶計算卸載問題 118
7.4 迭代啟發(fā)式資源分配算法 121
7.4.1 決策矩陣 121
7.4.2 反饋函數(shù) 121
7.4.3 算法描述 122
7.4.4 算法性能分析 123
7.5 性能分析 123
7.5.1 參數(shù)設置 123
7.5.2 分析結果 124
7.6 本章小結 128
第8章 面向高效數(shù)據(jù)分發(fā)的動態(tài)計算任務卸載機制 129
8.1 引言 129
8.2 相關工作 130
8.3 系統(tǒng)模型及問題描述 131
8.3.1 系統(tǒng)模型 131
8.3.2 微云模型 132
8.3.3 霧計算模型 133
8.3.4 流量卸載模型 135
8.3.5 問題描述 135
8.4 基于響應時間小化的計算任務卸載算法 137
8.4.1 子優(yōu)化問題描述 137
8.4.2 霧計算時延小化 137
8.4.3 微云時延小化 140
8.4.4 計算任務卸載算法 141
8.5 性能分析 141
8.5.1 實驗設置 141
8.5.2 對比算法 142
8.5.3 結果分析 142
8.6 本章小結 145
第9章 車輛邊緣網(wǎng)絡中基于深度強化學習的智能卸載機制 146
9.1 引言 146
9.2 相關工作 147
9.2.1 基于深度學習的 CPS 148
9.2.2 基于 MEC 的 CPS 148
9.2.3 基于深度學習的 MEC 148
9.3 系統(tǒng)模型 149
9.3.1 通信模型 150
9.3.2 計算模型 151
9.4 問題描述 152
9.4.1 優(yōu)化目標 152
9.4.2 卸載任務調(diào)度 153
9.4.3 基于深度強化學習的卸載 154
9.5 車聯(lián)網(wǎng)中的深度強化學習 155
9.5.1 車聯(lián)網(wǎng)中的強化學習 155
9.5.2 深度強化學習 155
9.6 基于深度強化學習的智能卸載系統(tǒng) 156
9.6.1 系統(tǒng)概要 157
9.6.2 基于雙邊匹配算法的任務調(diào)度 158
9.6.3 基于深度強化學習的計算卸載 160
9.7 性能分析 160
9.7.1 實驗設置 160
9.7.2 實驗結果 161
9.8 本章小結 164
第10章 智慧城市中綠色抗毀協(xié)作的邊緣計算機制 165
10.1 引言 165
10.2 網(wǎng)絡模型和設計框架 168
10.2.1 網(wǎng)絡模型 168
10.2.2 設計框架概述 170
10.3 問題建模 171
10.3.1 問題描述 171
10.3.2 目標函數(shù) 172
10.3.3 邊界分析 173
10.4 啟發(fā)式算法 175
10.4.1 算法描述 175
10.4.2 復雜性分析 176
10.5 性能分析 176
10.5.1 真實環(huán)境拓撲和參數(shù)設置 176
10.5.2 總體傳輸功率的實驗結果 177
10.5.3 f = 0.5 時的實驗結果 178
10.5.4 f = 0.3 時的實驗結果 180
10.5.5 f = 0.1 時的實驗結果 181
10.6 本章小結 182
第11章 面向高效數(shù)據(jù)分發(fā)的協(xié)同能量管理機制 183
11.1 引言 183
11.2 相關工作 184
11.2.1 車聯(lián)網(wǎng)中能量管理機制 184
11.2.2 車聯(lián)網(wǎng)中霧計算方案 186
11.3 面向高效數(shù)據(jù)分發(fā)的智能能量采集機制 187
11.3.1 系統(tǒng)模型及問題描述 187
11.3.2 智能能量采集策略 189
11.3.3 實驗分析 191
11.4 面向高效數(shù)據(jù)分發(fā)的節(jié)能任務調(diào)度機制 194
11.4.1 系統(tǒng)模型及問題描述 194
11.4.2 節(jié)能任務調(diào)度算法 196
11.4.3 實驗分析 197
11.5 本章小結 199
第12章 基于區(qū)塊鏈的電力存儲能量交易機制 200
12.1 引言 200
12.2 研究現(xiàn)狀 201
12.3 基于區(qū)塊鏈的能源交易模型以及問題描述 202
12.3.1 基于區(qū)塊鏈的能源交易模型 202
12.3.2 問題描述 203
12.3.3 問題分析 204
12.4 啟發(fā)式算法 206
12.4.1 算法描述 206
12.4.2 時間復雜性分析 209
12.5 性能分析 209
12.6 本章小結 214
參考文獻 215