一、10Gbps方案对网络边缘的革新（论文文献综述）
杨晨[1]（2021）在《城域光网络互连的边缘计算系统中的任务卸载与资源分配研究》文中研究说明随着大量新兴5G应用的出现和移动互联网的快速发展,网络流量爆炸式增长,对延迟的要求日益严苛,靠近终端用户的城域光网络正在迅速升级并开始承担分配不同的网络和IT资源的功能。近年兴起的多接入边缘计算（Multi-access Edge Computing,MEC）技术,可以在网络边缘提供云计算能力,使用户设备能够以较低的延迟访问计算资源,并解决与骨干网拥塞相关的问题。因此,由城域光网络互连的多接入边缘计算系统实现了创新网络架构和技术集成,可以在网络边缘为用户提供实时的计算能力和低延迟的数据传输能力。但为了进一步减少用户时延,提高系统的资源利用率,实现用户QoS和系统性能的双重优化,仍需要针对其特性设计合理高效的用户任务请求调度和资源分配方案。本文以城域光网络互连的多接入边缘计算系统这一 5G架构为背景,针对系统中存在的节点计算能力与工作负载不匹配的现象,研究过载MEC服务器到轻载MEC服务器的联合任务卸载策略与资源分配方案。主要工作包括:首先,分析了基于城域光网络的MEC系统架构和资源管理特点;其次,提出了 MEC系统中存在的服务器过载问题及任务对等卸载的解决方式,并在系统数学建模的基础上,面向小规模网络,以最小化任务平均延迟为目标,构建了联合卸载决策和资源分配的MINLP模型;最后,实现了基于遗传算法框架的延迟感知的联合任务卸载决策和资源分配启发式算法,该算法分为任务对等卸载决策和资源分配两部分,目标是实现任务延迟性能和系统资源利用率的联合优化。仿真结果表明,MINLP模型可实现约束范围内的系统最佳延迟性能和用户体验质量,启发式算法则可达到接近最优的延迟和阻塞性能,并能有效地优化系统的资源利用率。
谢洋浩[2]（2021）在《网络功能虚拟化中的资源分配研究》文中研究指明传统电信网络由一系列的专有物理设备组成,网络服务所需的网络功能都是专有设备。这样的网络使提供网络服务的周期长、服务敏捷性低,并且严重依赖于专用硬件。这些缺点使在传统网络中提供敏捷的、多样的服务变得极其困难。网络功能虚拟化（Network Function Virtualization,NFV）被提出来以解决这些问题。NFV使用虚拟化技术,将基于硬件的网络功能实现为基于软件的虚拟网络功能（Virtualized Network Function,VNF）;然后在通用服务器上运行这些VNF,而不用购买和安装新的硬件。这样,网络服务便可以分解为,多个可以动态部署在通用服务器上的VNF。因此,NFV提供了一个设计、部署和管理网络服务的新范式。NFV在提高网络灵活性的同时,也降低了资本支出（Capital Expense,CAPEX）和运营成本（Operating Expense,OPEX）。虽然NFV具有许多优势,但是,为了应用NFV,仍然还有许多挑战亟需解决。本文主要研究了,动态场景中NFV中的资源分配问题,包括VNF的放置问题,以及云环境中的VNF供给问题。本文的研究内容和主要贡献点如下:1.基于在线原始对偶算法的性能保证的VNF放置算法研究。在考虑NFV网络的动态特征情况下,本文提出了一个可证明性能的算法DAFT。DAFT基于在线原始对偶算法框架设计,并将子问题规约到一个能够使用迪杰斯特拉（Dijkstra）算法来求解的问题,从而使算法在满足理论可证明性能的同时,保证较低的计算复杂度。理论分析表明,DAFT相对离线最优解的竞争比（Competitive ratio）为（1-1/e）,其中e≈2.7183。本文还提出了一个基于DAFT改进的算法来解决DAFT可能违背容量约束这一问题,即FDAFT。仿真结果表明,DAFT和FDAFT的竞争比显着优于同类对比算法。2.基于李亚普诺夫优化的缓存感知的VNF放置算法研究。本文在考虑缓存（队列）稳定性的情况下,研究了动态网络中的VNF放置问题。本文提出了在线算法MACRO来求解这个问题。另外,为了限制最坏情况下请求的延迟,本文提出了一个改进的算法WEB-MACRO。两个算法与平均最优解的差距都为O（1/V）,其中V是一个可调参数,用于控制目标函数值和队列长度的折中。此外,MACRO维护的队列长度由O（V）约束;WEB-MACRO维护的队列长度存在有限上界,从而限制了最坏情况下服务请求遇到的延迟。仿真结果表明,MACRO和WEB-MACRO的队列稳定,总成本低于同类对比算法。3.基于图神经网络和DRL的VNF-FG放置算法研究。复杂的网络服务可以被抽象为虚拟网络功能转发图（Virtual Network Function Forwarding Graph,VNF-FG）,它也是一个有向无圈图（Directed Acyclic Graph,DAG）。本文研究了动态场景下VNF-FG的放置问题。为了充分利用复杂网络服务特殊的DAG结构,以及处理动态网络的复杂性,本文将图神经网络（Graph Neural Network,GNN）与深度强化学习（Deep Reinforcement Learning,DRL）结合起来,提出了一个高效的VNF-FG放置算法,即Kolin。仿真结果表明,与最新的方法相比,Kolin在系统成本、接入率和计算复杂度方面都有显着提升。4.基于组合优化算法的限制VNF迁移的VNF放置算法研究。本文研究了如何在限制VNF迁移数目的同时,减少放置VNF所需的服务器数目的问题。本文基于一个求解在线装箱问题的组合优化算法,设计了VNF放置算法SIVA。理论分析表明,SIVA每一步最多迁移λ个VNF,当k→∞的时候,该算法的渐近竞争比（Asymptotic Competitive Ratio,ACR）为3/2,其中λ=k·|N|,k是可调参数,|N|是网络支持的VNF类型的数目。仿真结果表明,SIVA利用较少的VNF迁移减少了使用的服务器,并且优于对比算法。5.基于模型预测控制的随机云环境中的VNF供给算法研究。由于NFV的优势,网络功能虚拟化提供商（Network Function Virtualization Provider,NFVP）尝试购买云资源来部署VNF,从而提供NFV服务。然而,现有的资源购买方案忽略了云环境的动态特征,从而可能导致成本过高。本文同时考虑了云资源价格,以及服务请求流量大小的动态变化,研究了NFVP应该如何购买云资源,从而降低其成本的问题。本文基于模型预测控制（Model Predictive Control,MPC）提出了算法VINOS,其中,VINOS使用长短时记忆（Long Short Term Memory,LSTM）网络来预测未来的云资源价格和服务请求流量大小。仿真结果表明,VINOS的总成本接近离线最优,并优于对比算法。
贺元林[3]（2021）在《分布式机器学习网络流量调度机制研究》文中进行了进一步梳理得益于大数据、大模型、GPU集群的推动,人工智能技术飞速发展,但是在此基础上训练出更准确、表达能力更强的优秀人工智能模型绝非易事。这也促进了并行化、分布式的机器学习技术飞速发展。目前的分布式机器学习框架中,计算节点的参数计算和参数通信过程是串行紧耦合的,造成计算资源利用率不高。同时随着近年来专用高速计算硬件设备的快速发展,计算能力的增长遥遥领先于网络数据传输能力,且高速的计算设备使得分布式机器学习的参数更新更加频繁。参数通信已经成为分布式机器学习系统的性能瓶颈,如何降低系统通信计算时间比,平衡计算与通信,提高计算资源利用率,是提升分布式机器学习系统性能的关键。本文从算法层面和网络层面出发,研究分布式机器学习网络流量调度机制,优化分布式学习系统通信效率,提高分布式机器学习系统性能。1.从算法层面出发,研究基于多优先级多路径的分布式机器学习流量传输机制,优化在分布式训练环境下的反向传播算法。首先提出无等待反向传播算法,重叠反向传播计算过程和参数通信,赋予各层参数不同的通信优先级,提出基于优先级的无等待反向传播算法。解耦计算节点的计算与参数通信过程,降低系统通信计算时间比,提高计算资源利用率。然后基于各计算节点之间存在多条完全不重复的物理通信链路,设计了多路径并行参数同步方案,进一步降低参数通信时间占比,提升分布式机器学习系统性能。仿真表明,设计的算法可以降低分布式系统的通信计算时间比,具有良好的性能。2.从网络层面出发,研究分布式机器学习集群流量拥塞控制机制,尤其是基于参数服务器架构的分布式机器学习框架中的“TCP Incast”问题。设计了网络拥塞控制机制——SCC,通过动态调整源端发送速率,避免或缓解网络数据丢包而超时重传。降低参数通信时延,降低分布式机器学习系统通信时间占比,提升分布式机器学习系统的性能。实验仿真结果显示,与对比方案相比,SCC机制可以有效提高网络吞吐量,减少流完成时间,具有良好的性能表现。
张堪铭[4]（2020）在《5G走进现实 ——新枝术前瞻及移动运营商的部署应用》文中研究说明
顾瑞春[5]（2020）在《面向移动物联网的切片模型及方法研究》文中进行了进一步梳理近年来,随着移动物联网基础设施的快速发展和物联网应用的日益普及,各种移动应用的复杂性和可操作性也在不断增强。物联网的发展将移动通信的范围从人-人通信延伸到人与物、甚至是物与物的智能互联等更加广阔的行业和领域。移动物联网将会是未来移动互联网中终端数据量最大、用户数量最多、应用最为普遍的网络应用之一,也将成为未来网络应用发展的主要驱动力,将为下一代网络提供广阔的发展前景。物联网的爆发式发展,势必为移动互联网带来新的发展机遇和技术挑战。现有的移动互联网架构,已经无法适应物联网的爆发式发展。目前的移动互联网架构是为人与人、人与物的连接,或者为智能手机运行各类互联网应用设计的,而并非为物联网设计。在未来纷繁复杂的网络场景下,现有架构已经无法满足各类物联网应用的多样化需求。网络切片是运行在物理或虚拟基础设施之上的逻辑网络,能够将网络按照不同的应用需求切分为多个具有不同配置的逻辑网络,各切片间相互隔离,互不影响,能够满足移动物联网的各种不同应用场景的需求,是下一代移动网络中解决上述问题的主要技术。本文对移动物联网切片中各个功能组件的灵活部署和资源分配等相关问题进行了深入研究,利用图论（Graph Theory）对物联网切片进行了模型映射和理论分析,运用深度学习、软件定义网络、网络功能虚拟化、移动边缘计算、以及图神经网络等技术,对移动物联网切片进行了优化,研究了在虚拟化平台上的移动物联网切片模型及方法。本文的主要贡献和创新性成果如下:1)基于多层图论的移动物联网切片分析模型针对物联网应用的不同需求,以图论为基础建立多层图切片模型,将不同应用所划分的切片映射到相应的图层中,对各切片初始化过程中组件部署的灵活性和可扩展性、切片运行过程中有限资源的高效利用、以及面向移动终端的低时延边缘切片等移动物联网切片所面临的问题进行了理论研究和深入分析,建立了以满足多任务复杂物联网应用需求为研究目标的多层图模型。2)基于随机游走的移动物联网切片部署策略在切片初始化过程中,提出一种面向业务的安全可扩展移动物联网切片部署策略,通过对业务类型及资源需求进行分类识别,运用图随机游走模型,在网络的不同位置按需部署切片的虚拟功能组件,并通过MACsec over VxLAN将各组件连接,形成安全可扩展虚拟功能链。该方案能够在对系统性能影响极低的前提下,提高虚拟功能部署的灵活性、安全性和可扩展性,可为下一代移动物联网中对这些性能需求较高的切片提供可靠的理论基础和原型系统。3)基于深度学习的移动物联网切片资源管理方案在切片运行过程中,针对不同切片复杂多变的资源需求,提出基于生成对抗网络的需求预测模型和基于多智能体多级奖励深度强化学习模型的切片资源动态管理方案。生成对抗网络用来进行切片资源需求的精准预测,并将预测结果作为强化学习的输入项,通过多智能体多级奖励深度强化学习模型来对不同切片进行动态资源配置。该模型不仅能够提升资源利用率,还能提高用户体验质量。在下一代移动物联网环境中,能够为不同的垂直行业提供一种高性能、细粒度的动态切片管理方案。4)基于多边缘协同的移动物联网边缘切片优化架构针对某些移动物联网终端在移动过程中进行计算分流时,无法保证低时延和高可靠需求等状况,提出了在边缘切片中的多节点协同计算以及动态切换通信节点的思路,解决了终端移动过程中的高时延和低可靠问题。运用图神经网络对边缘切片中的高效任务分配和最优传输路径选择进行了优化,为边缘端实现移动物联网切片提供了可行方案。
杨晓杰[6]（2020）在《变译论指导下的科技文本英译实践报告 ——以边缘计算标准化进程和案例分析（节选）为例》文中认为随着全球一体化的不断发展和中国国际地位的不断提高,中国和世界各国的科技交流日益增多,科技文本翻译在这一过程中所起到的作用不言而喻。改革开放四十年来,我国完成了从“引进来”到“走出去”的重大战略转变,科技文本翻译也从最初的以“英译中”为主的输入性翻译发展成“中译英”为主的输出型翻译。鉴于此,笔者选用中文文本《边缘计算的标准化进程和案例分析》作为原文本进行科技文本汉译英翻译实践。《边缘计算的标准化进程和案例分析》选自中文核心期刊计算机研究与发展,是典型的实用信息传递型文本。在翻译此文本时要做到以读者为中心,将原文信息进行准确、清晰地传递。重信息内容,轻承载形式,要求译者在翻译过程中选用灵活的翻译手段,来满足读者的特定需求。黄忠廉教授在总结科技文本翻译经验后提出了“变译理论”,概括来说指的是:“在特定条件下,为满足特定读者的特殊需求,采用增、减、编、述、缩、并、改等变通手段对文本进行翻译”。变译理论能完全满足上述文本类型的翻译需要,因而笔者尝试以黄忠廉教授的“变译理论”作为指导,进行本次翻译实践,并撰写翻译实践报告。本次翻译实践中,笔者在变译理论的指导下,从增、减、编、述、并等方面探讨科技文本的英译翻译技巧。通过这次翻译实践,笔者希望能向读者普及边缘计算相关知识,加深对变译理论的理解,总结相应的翻译实践经验,以期提高自身翻译水平,并为其他从事科技文本英译的译者提供一些借鉴。
蔡承德[7]（2020）在《5G承载方案及关键技术研究》文中提出近年来,随着数字信息技术的高速发展,物联网,VR,工业互联网等新型数据业务呈现出大规模增长的趋势。在这种趋势驱动下,运营商要求5G承载网具备大传输容量、超长传输距离、组网灵活高效、设备功耗低、建设成本低和智能管控等功能。5G承载网将向更快传输速度、均衡配置系统业务和支撑流量、合理分配系统资源、支持多种业务传输、转发功能与控制功能分离、网络设备具备可解耦、可重新组网的方向演化。为迎合网络演化趋势,满足网络功能需求,更迫切需要深入学习和研究5G承载网中的各项关键技术。本文基于多年承载网工作经验对5G承载网络的关键技术和承载方案进行分析,主要内容如下:（1）首先对5G承载网的组网架构进行了分析,主要包括转发面架构、协同管控架构、高精度同步网三部分。随后对5G大容量承载网建设中面临的技术挑战和因此而带来的技术需求做了说明,并为此提出了几种关键技术,如网络切片技术、时针同步技术和网络SDN技术等;（2）基于建设成本分析,提出了前传部署模式;基于模型预测的前传的带宽需求,提出了前传技术方案并对方案实施可行性和建设成本进行了分析,得出了最具性价比的前传技术方案;基于单基站配置模型和传输网络架构模型预测的单基站承载带宽需求和中回传带宽需求,提出了中回传承载的技术方案。同时针对5G网络的切片技术提出了其承载技术方案;（3）基于组网设备选型和网络建设成本二维度,对5G承载网建设方案进行建模分析,并根据分析结果提出了三种适用于当前承载网的建设方案,同时对三种建设方案的业务适配层、分组转发层、TDM通道层、数据链路层和光波传送层的主要功能做了分析和比较,并对这三种方案的技术特点和网络架构做了说明,并在这几种承方案基础上结合电信某省电信网络现状编制了5G承载网络建设方案指引。（4）对5G承载网研究工作进行了总结,并指出了下一步研究工作开展的方向。本文研究主要聚焦在5G网络承载侧,针对前传、中传和回传网络建设从技术的先进性、网络带宽需求、建设总成本、可操作性和网络的统一性等多维度进行了论证和研究。为运营商响应中央聚焦新型基础设施建设,搭建高效优质的5G传输网络提供一定的参考价值和借鉴意义.
徐文娟[8]（2020）在《毫米波异构网络中缓存方案及性能估计》文中认为5G移动网络需要突破目前4G网络在传输速度、时延和可容纳设备方面的瓶颈,同时解决流量的不断增长并实现绿色通信,研究人员因此提出了异构网络、大规模MIMO、毫米波等技术来实现以上目标。此外,被大量用户频繁请求的流行内容在网络总流量中占比很大,将此类内容缓存在距离用户更近的小基站（small base station,SBS）可以消除部分冗余流量以减少回程链路阻塞和能源消耗。据此,本文将在全毫米波异构网络中研究无线回程传输和缓存策略的联合设计。这种联合设计提供了两种不同的缓存增益,即预下载增益和本地缓存增益。主要研究工作如下:首先,在同频部署的毫米波双层异构网络中,提出了联合无线回程与缓存的内容传输方案。其中,部分具有有限缓存容量的小基站可以存储流行内容以服务于用户设备（user equipment,UE）,宏基站（macro base station,MBS）通过光纤访问核心网,并通过无线回程将未缓存的内容发送到SBS。由于SBS缓存实质上是替换了一部分回程链路的作用,因而减轻了网络回程流量拥塞状况。将视距和非视距基站的位置建模为独立泊松点过程,根据泊松点过程分布的随机统计特性,分别计算出两种传输方式发生的概率和平均面积速率。结果表明,联合传输系统可获得的增益取决于缓存比例因子的大小,只有当缓存比例因子大于临界值时,联合传输才会优于传统的无缓存传输系统。据此,提出了一种自适应的内容交付模型,并给出对应的最小阈值,以根据缓存比例因子是否高于此阈值来选择联合传输方式或传统传输方式。其次,为了进一步探究大规模MIMO自回程对传输的影响,提出了大规模MIMO协助无线自回程的缓存异构网络内容交付方案。其中,请求的内容若未被缓存则须通过大规模MIMO回程获得,网络节点的分布遵循齐次泊松点过程,并采用了更实际精确的毫米波均匀线阵天线模式。分析了大规模MIMO的回程可达速率,推导出内容交付成功的概率,从而评估系统的平均传输时延,并对两层无线缓存网络宏基站的能量消耗进行了研究。分析结果表明,大规模MIMO的使用不仅提高了自回程传输的平均面积速率和平均时延,而且由于窄波束和定向传输减少了干扰,也提高了缓存和非缓存访问链路的速率和时延。此外,在使用低分辨率天线阵列且缓存容量较大的情况下,可以大幅降低硬件功耗对总体能效的影响,这也反映了平均时延和能效之间固有的折衷。在确定能量消耗的情况下,缓存和低分辨率天线阵列的联合使用使得MBS上可以配备更多的天线,从而通过定向天线的高增益来补偿近场传播损耗。
林飞焕[9]（2020）在《弹性光网络环境下VNF服务链部署研究》文中研究说明网络功能虚拟化（NFV）正在革新网络服务的设计和部署方式。与传统的网络相比,NFV概念虚拟化了网络功能（防火墙、入侵检测、代理服务器…）,因此它们可以托管在通用硬件（服务器/计算机/交换机）上。这些网络功能与专用硬件解耦,称为虚拟网络功能（VNF）。运行在基于NFV的网络提供了更大的灵活性,使得高效和可伸缩的资源得以利用,并降低了成本。因此运营商对放在数据中心或支持NFV的网络元素（如路由器和交换机）中的VNFs越来越感兴趣。另一方面,IP流量的快速增长刺激了光传输和交换技术的研究与开发,以经济高效地提供网络服务。一个着名的例子是引入弹性光网络（EON）。通过软件定义网络（SDN）技术的增强,可将重新配置的EON与VNF服务链相结合,可以大大提高网络灵活性,实现网络服务的灵活调度和高能效。本文首先研究了VNF服务链部署在基于SBVT的IP over EON网络问题。并且将该问题建立了一个整数线性规划（ILP）算法模型,我们分析了具有不同切片数量的基于SBVT的IP over EON网络场景,我们的算法求解目标是最小化网络总能耗。根据我们所提出来的算法模型,当VNF服务链部署在这个网络中,通过增大IP over EON网络中SBVT的可切片数量能显着地降低网络能耗。因此网络运营商结合VNF技术和IP over EON中的SBVT技术可以极大提高网络的能耗效率。然后针对整数线性规划算法复杂度太高,无法应用于大业务及大网络拓扑场景下的局限性。本文设计了两种基于深度强化学习的VNF服务链部署算法:DDQNPRVNF和DQNVNF。首先需要结合弹性光网络的特点去定义一个VNF服务链部署的强化学习模型,包括环境的状态设置,以及定义好动作和反馈函数。仿真结果表明,相比于对比算法,DDQNPRVNF和DQNVNF两种算法能有效降低网络能耗的同时,并减少网络传输时延。而且采用双Q网络和优先经验回放机制的改进后的DDQNPRVNF算法在降低能耗和时延的效果优于DQNVNF算法,实现了VNF部署时能耗-时延多目标优化。
缪中宇[10]（2020）在《下一代无线通信网络分布式资源分配算法研究》文中研究说明随着海量用户与移动设备的涌入,密集化组网成为下一代无线网络发展的必然趋势,具有自组织、分布式特性的资源分配算法成为未来资源管理的内在需求。与此同时,新型移动互联网业务的蓬勃发展也对无线网络的资源分配产生了深远的影响。一方面,移动支付业务渗透到生活的各个角落,引发了用户对于信息安全的空前关注,对未来的网络服务提出了新的需求。另一方面,视频成为人们娱乐与信息获取的主要方式,为提升网络的视频存取与分发效率,缓存与计算功能下沉至无线网络边缘,演进出新的网络架构。如何设计分布式的资源分配算法,有效应对网络新需求与新架构带来的新挑战,成为未来无线资源管理的重要内容。随着移动互联网等新型业务的普及,信息安全成为用户关注的基本属性,也是未来网络提供商及运营者的核心竞争力之一。在众多网络安全技术中,物理层安全技术作为提升无线网络安全性能的有效手段获得众多学者的青睐,然而多数物理层安全研究集中在中继、认知、终端直通（Device-to-Device,D2D）等场景,对大规模、复杂网络场景下的安全资源管理策略的指导有限,需要结合未来密集网络结构特点进行有针对性的安全传输策略研究,增强算法对下一代无线网络的适配度。此外,新型无线边缘网络中,新增的资源维度进一步增强了网络的异构性,有效协同不同类型的资源、构建多种网络节点的协作体系,是实现资源联合优化的关键之一。由于资源管理的对象与种类骤增,单角色与双角色模型无法分析网络中多种节点的交互,而多角色模型稳定解的存在性更加无法得到保证。如何在无线边缘网络中实现资源节点的分布式协作,并保证协作机制的稳定成为下一代无线网络中资源分配的另一挑战。因此,本文着眼于超密集网络下的物理层安全传输与无线边缘网络中具有稳定性的异构资源节点协作机制设计,开展面向下一代无线网络的分布式资源分配算法研究。主要研究成果归纳如下:第一,考虑超密集网络（Ultra Dense Networks,UDN）的分层结构特点,本文针对全缓存（full buffer）业务研究了基于层间协作的物理层安全资源分配问题。利用小基站作为友好干扰器（friendly jammer）,辅助宏小区层的信息安全传输。首先设计了宏小区层对小基站的资源与资金激励策略,增强小基站的合作积极性。随后,通过将使用相同信道的小基站与宏小区视为一个联盟,将小基站与宏用户间的双向选择问题建模为效用不可转移的联盟形成博弈,最后利用合并-分离算法设计了分布式的频率选择算法获得了符合纳什稳定的分配策略,在大幅提升宏用户安全性能的同时保证了小基站自身的通信性能。第二,考虑超密集网络中小基站间大量的频率复用,本文针对突发业务研究了基于物理层安全的小基站频率分配问题,合理控制与利用网络中的同频干扰,抑制窃听器的性能。本文基于M/D/1业务模型与位置信息对用户的安全传输概率与时延进行建模分析,在此基础上设计了三个博弈模型研究不同场景下的分布式频率分配策略。首先,考虑系统的安全性能,建立了基于状态的势博弈模型,并证明了常返状态均衡的存在。随后,考虑系统安全性能与时延的多目标问题,利用严格势博弈分析小基站的频率规划问题,并设计了基于max-logit学习算法的分布式求解策略。为了进一步降低博弈者之间的交互开销与对回程链路的依赖,在回程链路受限的场景下,利用增强学习算法求解了小基站间的非合作博弈,使得小基站能够凭借历史信息与瞬时收益的观察做出决策。第三,从个体层面出发,研究稳定的协作收益分配,本文在边缘缓存网络场景下,研究了基于异构网络的分层缓存框架中小基站的协作机制设计问题。假设热点区域中的小基站共同合作为覆盖区域内的用户提供服务,首先,以最大化集体净收益为目标,以用户的时延需求为约束,建立优化问题,根据小基站的缓存状态与信道状况优化网络选择与带宽分配。而后将集体所得在小基站间的分配问题建模为破产博弈（bankruptcy game）,为了求解落在核心（core）内的收益分配,本文利用核仁（Nucleolus）准则,尽可能保证各个小基站对于分配结果的满意度,并采用分布式核仁搜索算法求出了符合核仁准则的分配,保证合作的稳定性。第四,从网络层面出发,探索多方间的稳定交互关系,本文在边缘计算网络场景下研究了基于无线虚拟网络（Wireless Virtual Network-s,WVN）的内容、计算资源与用户间的调度与匹配策略。首先,为用户创建虚拟内容副本,解耦用户与内容间的多对多匹配关系,再将虚拟内容副本与无线资源切片组合成资源对,将内容、计算节点、移动虚拟运营商（Mobile Virtual Network Operator,MVNO）与用户的四方匹配压缩为三方匹配问题。在此基础上,本文使用供应商-企业-买方（Supplier-Firm-Buyer,SFB）博弈分析三者间的关系并建立对应的线性规划问题,通过证明非空核心的存在性表明所提SFB框架的稳定性。最后,基于对最优解的特性分析,利用三方匹配理论重新建模上述问题并提出了分布式的求解算法,得到了稳定的匹配结构。
二、10Gbps方案对网络边缘的革新（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、10Gbps方案对网络边缘的革新（论文提纲范文）
（1）城域光网络互连的边缘计算系统中的任务卸载与资源分配研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.4 论文主要内容及结构安排 |
| 1.4.1 主要研究内容 |
| 1.4.2 论文结构安排 |
| 第二章 城域光网络中的多接入边缘计算系统概述 |
| 2.1 引言 |
| 2.2 城域光网络概述 |
| 2.2.1 城域光网络基础架构 |
| 2.2.2 城域灵活光网络及其资源管理 |
| 2.3 多接入边缘计算概述 |
| 2.3.1 多接入边缘计算的概念 |
| 2.3.2 多接入边缘计算的参考架构 |
| 2.3.3 多接入边缘计算的支持技术 |
| 2.4 城域光网络互连的多接入边缘计算系统架构描述 |
| 2.4.1 5G和C-RAN |
| 2.4.2 系统架构和网络场景 |
| 2.5 本章小结 |
| 第三章 基于混合整数非线性规划模型的任务卸载和资源分配方案 |
| 3.1 引言 |
| 3.2 系统模型 |
| 3.2.1 系统场景模型 |
| 3.2.2 任务对等卸载模型 |
| 3.2.3 延迟计算模型 |
| 3.3 混合整数非线性规划模型制定 |
| 3.3.1 混合整数非线性规划简介 |
| 3.3.2 模型参数和目标函数 |
| 3.3.3 任务卸载和资源分配的约束条件 |
| 3.4 模型仿真与性能分析 |
| 3.4.1 仿真条件设置 |
| 3.4.2 结果性能分析 |
| 3.5 本章小结 |
| 第四章 基于遗传算法的延迟感知的联合任务卸载和资源分配算法 |
| 4.1 引言 |
| 4.2 延迟感知的联合任务卸载决策和资源分配问题描述 |
| 4.2.1 问题分析 |
| 4.2.2 遗传算法框架简介 |
| 4.3 任务卸载和资源分配的联合优化方案 |
| 4.3.1 对等卸载决策 |
| 4.3.2 资源分配方案 |
| 4.4 算法仿真与性能分析 |
| 4.4.1 仿真条件设置 |
| 4.4.2 对比算法介绍 |
| 4.4.3 结果性能分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（2）网络功能虚拟化中的资源分配研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 网络功能虚拟化概述 |
| 1.1.1 网络功能虚拟化架构 |
| 1.1.2 网络功能虚拟化用例 |
| 1.1.3 网络功能虚拟化面临的主要挑战 |
| 1.2 网络功能虚拟化中的资源分配 |
| 1.2.1 VNF放置问题 |
| 1.2.2 云数据中心的VNF供给问题 |
| 1.2.3 动态场景中NFV中的资源分配问题和相关工作现状 |
| 1.3 处理动态场景的优化算法 |
| 1.3.1 动态场景 |
| 1.3.2 优化算法 |
| 1.3.3 优化算法的对比 |
| 1.3.4 实际系统中的算法实现 |
| 1.4 本论文的结构安排和主要工作 |
| 第二章 基于在线原始对偶算法的性能保证的VNF放置算法研究 |
| 2.1 引言 |
| 2.2 相关工作 |
| 2.3 系统建模与数学模型 |
| 2.4 VNF放置算法设计 |
| 2.4.1 数学模型变换 |
| 2.4.2 算法设计 |
| 2.4.3 查找单个请求的最佳放置 |
| 2.4.4 算法性能分析 |
| 2.4.5 确保节点和链路容量不受违背 |
| 2.5 实验与性能评估 |
| 2.5.1 实验设计和参数设置 |
| 2.5.2 对比算法和性能指标 |
| 2.5.3 算法的竞争比 |
| 2.5.4 服务请求的接入率 |
| 2.5.5 节点和链路容量违背情况 |
| 2.5.6 负载均衡 |
| 2.5.7 扩展性 |
| 2.6 本章小结 |
| 第三章 基于李亚普诺夫优化的缓存感知的VNF放置算法研究 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.3 系统模型和数学建模 |
| 3.4 系统缓存感知的在线VNF放置算法 |
| 3.4.1 算法设计 |
| 3.4.2 算法性能分析 |
| 3.5 改进的最坏情况下延迟有界的算法 |
| 3.5.1 算法设计 |
| 3.5.2 算法性能分析 |
| 3.6 实验与性能评估 |
| 3.6.1 实验设计和参数设置 |
| 3.6.2 对比算法和性能指标 |
| 3.6.3 总成本和队列长度 |
| 3.6.4 队列长度的上界 |
| 3.6.5 VNF成本、路由成本和迁移成本 |
| 3.6.6 计算时间 |
| 3.6.7 不同数值的成本的影响 |
| 3.7 本章小结 |
| 第四章 基于图神经网络和DRL的 VNF-FG放置算法研究 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.3 系统模型和数学建模 |
| 4.3.1 底层网络 |
| 4.3.2 VNF和VNF-FG |
| 4.3.3 决策变量 |
| 4.3.4 优化模型 |
| 4.4 GNN辅助的DRL的算法 |
| 4.4.1 DRL概述和面临的挑战 |
| 4.4.2 状态表示 |
| 4.4.3 动作空间与策略网络设计 |
| 4.4.4 奖励设计与训练过程 |
| 4.4.5 算法实现 |
| 4.5 实验与性能评估 |
| 4.5.1 实验设计和参数设置 |
| 4.5.2 对比算法和性能指标 |
| 4.5.3 不同到达间隔的影响 |
| 4.5.4 每个请求具有不同数目的VNF的影响 |
| 4.5.5 不同嵌入对Kolin的性能的影响 |
| 4.6 本章小结 |
| 第五章 基于组合优化算法的限制VNF迁移的VNF放置算法研究 |
| 5.1 引言 |
| 5.2 相关工作 |
| 5.3 系统模型与数学建模 |
| 5.3.1 VNF和服务请求 |
| 5.3.2 底层网络 |
| 5.3.3 决策变量与数学模型 |
| 5.3.4 VNF放置问题的NP困难性 |
| 5.4 VNF放置算法设计 |
| 5.4.1 求解装箱问题的算法HR-k |
| 5.4.2 半在线VNF放置算法 |
| 5.4.3 算法性能分析 |
| 5.5 实验与性能评估 |
| 5.5.1 实验设计和参数设置 |
| 5.5.2 对比算法和性能指标 |
| 5.5.3 竞争比 |
| 5.5.4 VNF迁移数目 |
| 5.5.5 负载均衡 |
| 5.5.6 计算时间 |
| 5.5.7 参数k不同取值的影响 |
| 5.6 本章小结 |
| 第六章 基于模型预测控制的随机云环境中的VNF供给算法研究 |
| 6.1 引言 |
| 6.2 相关工作 |
| 6.3 系统模型和数学建模 |
| 6.3.1 云、VM和VNF |
| 6.3.2 服务请求 |
| 6.3.3 决策变量和数学模型 |
| 6.4 基于MPC的资源购买算法 |
| 6.5 实验与性能评估 |
| 6.5.1 实验设计和参数设置 |
| 6.5.2 对比算法和性能指标 |
| 6.5.3 预测的准确性 |
| 6.5.4 不同长度的系统时间跨度的影响 |
| 6.5.5 不同数量的服务请求的影响 |
| 6.5.6 不同数量的VNF的影响 |
| 6.6 本章小结 |
| 第七章 全文总结与展望 |
| 7.1 全文总结 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（3）分布式机器学习网络流量调度机制研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究历史与现状 |
| 1.2.1 分布式机器学习系统通信性能优化相关研究现状 |
| 1.2.2 数据中心网络拥塞控制相关研究现状 |
| 1.3 本文的主要贡献与创新 |
| 1.4 本论文的结构安排 |
| 第二章 相关技术背景介绍 |
| 2.1 分布式机器学习概述 |
| 2.1.1 分布式机器学习基本流程 |
| 2.1.2 分布式机器学习的通信机制 |
| 2.1.3 数据与模型聚合 |
| 2.2 软件定义网络概述 |
| 2.2.1 软件定义网络架构 |
| 2.2.2 OpenFlow协议 |
| 2.3 本章小结 |
| 第三章 基于多优先级多路径的分布式机器学习流量传输机制研究 |
| 3.1 引言 |
| 3.2 反向传播算法的优化 |
| 3.2.1 分布式训练中反向传播算法BP的不足 |
| 3.2.2 无等待反向传播算法NWBP |
| 3.2.3 基于优先级的无等待反向传播算法PB-NWBP |
| 3.3 参数通信路径优化 |
| 3.3.1 分布式机器学习中的网络拓扑 |
| 3.3.2 多路径传输的反向传播算法 |
| 3.4 仿真实验 |
| 3.4.1 仿真介绍 |
| 3.4.2 实验结果及分析 |
| 3.5 本章小结 |
| 第四章 分布式机器学习流量拥塞控制研究 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.2.1 分布式机器学习GPU集群中的网络拥塞问题 |
| 4.2.2 现有拥塞解决方案存在的问题 |
| 4.2.3 新的解决方案设计目标 |
| 4.3 基于SDN的拥塞控制方案设计 |
| 4.3.1 SCC的设计 |
| 4.3.2 性能分析 |
| 4.4 仿真实验 |
| 4.4.1 仿真介绍 |
| 4.4.2 实验结果及分析 |
| 4.5 本章小结 |
| 第五章 全文总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（5）面向移动物联网的切片模型及方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和问题 |
| 1.1.1 研究背景 |
| 1.1.2 研究问题 |
| 1.2 研究内容与意义 |
| 1.2.1 研究内容 |
| 1.2.2 研究意义 |
| 1.3 研究目标及创新点 |
| 1.3.1 研究目标 |
| 1.3.2 创新点 |
| 1.4 相关基础知识 |
| 1.4.1 图论相关知识 |
| 1.4.2 切片灵活部署相关知识 |
| 1.4.3 切片高效管理相关知识 |
| 1.4.4 边缘切片优化相关知识 |
| 1.5 论文组织与结构 |
| 第二章 移动物联网切片研究概述 |
| 2.1 移动物联网切片概念 |
| 2.2 移动物联网切片类型 |
| 2.2.1 接入网切片 |
| 2.2.2 承载网切片 |
| 2.2.3 核心网切片 |
| 2.3 切片资源配置 |
| 2.3.1 静态资源分配 |
| 2.3.2 动态资源分配 |
| 2.4 现有研究的分析与思考 |
| 2.5 本章小结 |
| 第三章 基于多层图论的移动物联网切片模型 |
| 3.1 引言 |
| 3.2 模型约束和基础定义 |
| 3.2.1 问题假设 |
| 3.2.2 目标分析 |
| 3.3 模型与算法设计 |
| 3.3.1 总体描述 |
| 3.3.2 切片灵活部署模型 |
| 3.3.3 切片资源管理模型 |
| 3.3.4 边缘切片优化模型 |
| 3.4 本章小结 |
| 第四章 基于随机游走的移动物联网切片部署策略 |
| 4.1 引言 |
| 4.2 算法与策略 |
| 4.2.1 面向业务的移动物联网切片 |
| 4.2.2 随机游走功能链 |
| 4.2.3 MACsec over VxLAN |
| 4.2.4 安全可扩展的移动物联网切片架构 |
| 4.3 实现方案与测试分析 |
| 4.3.1 安全可扩展物联网切片实现 |
| 4.3.2 资源利用率评估 |
| 4.3.3 性能评估 |
| 4.3.4 安全性评估 |
| 4.4 本章小结 |
| 第五章 基于深度学习的移动物联网切片资源管理 |
| 5.1 引言 |
| 5.2 算法与策略 |
| 5.2.1 移动物联网切片资源管理架构 |
| 5.2.2 基于生成对抗网络的资源需求预测 |
| 5.2.3 基于深度强化学习的切片资源管理 |
| 5.3 实现方案与测试分析 |
| 5.3.1 实现方案 |
| 5.3.2 有效性分析 |
| 5.3.3 流量预测评估 |
| 5.3.4 服务接受率评估 |
| 5.3.5 资源利用率评估 |
| 5.4 本章小结 |
| 第六章 基于多边缘协同的移动物联网切片优化 |
| 6.1 引言 |
| 6.2 算法与实现 |
| 6.2.1 多边缘协同移动物联网切片架构 |
| 6.2.2 动态切换的通信节点 |
| 6.2.3 基于图神经网络的任务分配和路径选择 |
| 6.3 实现方案与测试分析 |
| 6.3.1 分布式边缘计算系统的实现 |
| 6.3.2 物体识别时延和精度评估 |
| 6.3.3 动态边缘节点性能评估 |
| 6.3.4 图神经网络性能评估 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 下一步研究工作 |
| 参考文献 |
| 致谢 |
| 作者攻读博士学位期间科研和获奖情况 |
（6）变译论指导下的科技文本英译实践报告 ——以边缘计算标准化进程和案例分析（节选）为例（论文提纲范文）
| Abstract |
| 摘要 |
| Source Text 边缘计算标准化进展与案例分析 |
| Target Text Standardization Progress and Case Study of Edge Computing |
| Chapter One Introduction |
| 1.1 Introduction to the Translation Task |
| 1.2 Significance of the Translation Practice |
| 1.3 Structure of the Practice Report |
| Chapter Two Description of Translation Process |
| 2.1 Preparation before Translation |
| 2.1.1 Analyzing the Writing Style and Features |
| 2.1.2 Learning Background Knowledge |
| 2.1.3 Choosing Translation Tools |
| 2.1.4 Making a Glossary |
| 2.1.5 Making Translation Plan |
| 2.2 Translation Process |
| 2.3 Quality Assurance After Translation |
| 2.3.1 Self-check |
| 2.3.2 Peer-review |
| 2.3.3 Professional Check |
| Chapter Three Theoretical Framework |
| 3.1 Definition of Translation Variation Theory |
| 3.2 Development of Translation Variation Theory |
| 3.3 Characteristics of Translation Variation Theory |
| 3.4 Seven Adaptation Approaches |
| Chapter Four Case Analysis |
| 4.1 Expansion |
| 4.2 Deletion |
| 4.3 Commentary |
| 4.4 Combination |
| 4.5 Editing |
| Chapter Five Conclusion |
| 5.1 Gains from the Translation Practice |
| 5.2 Limitations and Suggestions |
| Bibliography |
| Appendix Glossary |
| Acknowledgements |
| The Author’s Biography |
（7）5G承载方案及关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外发展现状 |
| 1.3 研究目的与意义 |
| 1.4 本论文研究内容及创新点 |
| 第二章 5G承载网 |
| 2.1 5G承载网组网架构 |
| 2.1.1 5G承载网转发平面 |
| 2.1.2 5G承载网络管控架构 |
| 2.1.3 5G同步网组网架构 |
| 2.2 5G承载网挑战和需求 |
| 2.2.1 5G承载网面临的挑战 |
| 2.2.2 5G承载网功能需求 |
| 2.3 5G承载网关键技术 |
| 2.3.1 5G承载网大带宽 |
| 2.3.2 超低时延技术 |
| 2.3.3 5G网络切片技术 |
| 2.3.4 5G网络时针同步技术 |
| 2.3.5 5G承载网SDN架构 |
| 2.4 本章小结 |
| 第三章 5G承载网技术方案 |
| 3.1 5G前传技术方案 |
| 3.1.1 5G前传部署模式 |
| 3.1.2 TCO成本分析 |
| 3.1.3 部署模式方案 |
| 3.1.4 5G前传网带宽预测模型 |
| 3.1.5 5G前传承载技术方案 |
| 3.2 5G中回传技术方案 |
| 3.2.1 5G中回传带宽需求预测 |
| 3.2.2 5G中回传承载方案 |
| 3.3 5G网络切片承载技术方案 |
| 3.4 本章小结 |
| 第四章 5G传输承载网建设方案 |
| 4.1 建设方案的分析 |
| 4.1.1 设备选型分析 |
| 4.1.2 建设成本分析 |
| 4.2 建设方案的选择 |
| 4.2.1 SPN建设方案 |
| 4.2.2 OTN(M-OTN)建设方案 |
| 4.2.3 STN(新型IPRAN)&光层建设方案 |
| 4.3 中国电信5G承载网部署方案实例 |
| 4.3.1 业务需求分析 |
| 4.3.2 IPRAN网络现状 |
| 4.3.3 5G承载网发展目标 |
| 4.3.4 5G承载网发展思路 |
| 4.3.5 5G承载网建设方案指引 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 学位论文数据集 |
（8）毫米波异构网络中缓存方案及性能估计（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 问题的提出 |
| 1.2 研究背景和意义 |
| 1.3 国内外研究现状分析 |
| 1.4 本文研究内容 |
| 1.5 论文结构安排 |
| 第2章 面向5G网络的关键技术与缓存策略概述 |
| 2.1 从1G到5G |
| 2.2 5G移动通信网络关键技术研究概述 |
| 2.2.1 异构网络 |
| 2.2.2 毫米波技术 |
| 2.2.3 大规模MIMO技术 |
| 2.3 移动网络中缓存研究概述 |
| 2.3.1 异构网络中缓存的位置部署 |
| 2.3.2 缓存中的内容放置 |
| 2.3.3 缓存更新策略 |
| 2.4 随机几何理论基础 |
| 2.4.1 点过程理论 |
| 2.4.2 随机几何分析工具 |
| 2.5 网络性能评估指标 |
| 2.6 本章小结 |
| 第3章 全毫米波异构网络联合回程及缓存的内容交付方案 |
| 3.1 系统模型与信道假设 |
| 3.1.1 系统模型 |
| 3.1.2 毫米波传输模型 |
| 3.1.3 缓存内容放置策略 |
| 3.1.4 活跃MBS和SBS的分布 |
| 3.2 内容交付与干扰分布 |
| 3.2.1 下行链路内容交付 |
| 3.2.2 下行链路干扰分布 |
| 3.3 系统SINR覆盖性能 |
| 3.4 可实现平均区域速率 |
| 3.5 数值及仿真分析 |
| 3.6 本章小结 |
| 第4章 基于大规模MIMO的缓存异构网络性能分析 |
| 4.1 系统模型 |
| 4.2 天线部署及定向波束赋形 |
| 4.3 内容交付方案 |
| 4.4 内容交付时延 |
| 4.5 系统能量效率 |
| 4.6 数值及仿真分析 |
| 4.7 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 附录 |
| 个人简历、在学期间发表的学术论文及参与项目 |
（9）弹性光网络环境下VNF服务链部署研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 弹性光网络的产生 |
| 1.1.2 网络功能虚拟化的产生 |
| 1.2 研究现状 |
| 1.2.1 弹性光网络的研究现状 |
| 1.2.2 网络功能虚拟化研究现状 |
| 1.3 本文研究内容及工作安排 |
| 1.3.1 论文主要内容 |
| 1.3.2 论文结构 |
| 第2章 弹性光网络和网络功能虚拟化技术 |
| 2.1 弹性光网络架构及其相关技术 |
| 2.1.1 弹性光网络架构 |
| 2.1.2 SBVT技术 |
| 2.1.3 流量疏导技术 |
| 2.1.4 路由与频谱分配技术 |
| 2.2 网络功能虚拟化及其相关技术 |
| 2.2.1 网络功能虚拟化 |
| 2.2.2 VNF服务链技术 |
| 2.3 本章小结 |
| 第3章 基于SBVT弹性光网络的服务链部署ILP算法 |
| 3.1 引言 |
| 3.1.1 IP over EON光网络结构 |
| 3.1.2 基于SBVT的EON网络的流量疏导 |
| 3.1.3 在IP over EON中的RSA问题 |
| 3.2 问题描述与ILP算法模型 |
| 3.2.1 ILP算法模型 |
| 3.3 仿真环境设置 |
| 3.4 仿真结果分析 |
| 3.5 本章小结 |
| 第4章 基于深度强化学习的服务链部署算法研究 |
| 4.1 引言 |
| 4.1.1 RL基本框架 |
| 4.1.2 马尔科夫决策过程 |
| 4.1.3 时间差分学习方法Q-learning |
| 4.2 基于深度强化学习的服务链部署模型 |
| 4.3 仿真环境设置 |
| 4.4 仿真结果分析 |
| 4.5 本章小结 |
| 第5章 结论 |
| 参考文献 |
| 指导教师对学位论文的学术评语 |
| 学位论文答辩委员会决议书 |
| 致谢 |
| 攻读硕士学位期间的研究成果 |
（10）下一代无线通信网络分布式资源分配算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 常见的分布式资源分配手段 |
| 1.2.1 博弈论 |
| 1.2.2 匹配理论 |
| 1.3 下一代无线网络中资源分配的研究现状 |
| 1.3.1 面向物理层安全的资源分配研究 |
| 1.3.2 面向移动边缘网络的资源分配研究 |
| 1.4 研究内容与创新点 |
| 1.5 论文研究内容与组织架构 |
| 第二章 基于全缓存业务的分布式物理层安全传输策略 |
| 2.1 引言 |
| 2.2 系统模型 |
| 2.2.1 网络模型 |
| 2.2.2 友好干扰 |
| 2.2.3 小小区激励 |
| 2.3 联盟博弈分析 |
| 2.3.1 问题建模 |
| 2.3.2 宏用户与小基站的分布式结盟算法 |
| 2.3.3 算法分析 |
| 2.4 仿真结果及分析 |
| 2.5 本章小结 |
| 第三章 基于突发业务的分布式物理层安全频率分配策略 |
| 3.1 引言 |
| 3.2 超密集网络安全性能分析 |
| 3.2.1 网络与信道模型 |
| 3.2.2 安全模型 |
| 3.2.3 业务模型 |
| 3.3 面向物理层安全的频率分配问题建模 |
| 3.3.1 面向宏小区安全的频率分配算法 |
| 3.3.2 面向安全与时延的频率分配算法 |
| 3.3.3 回程链路受限场景下的增强学习算法 |
| 3.4 仿真结果及分析 |
| 3.5 本章小结 |
| 第四章 边缘缓存网络中基于核仁准则的小小区协作机制设计 |
| 4.1 引言 |
| 4.2 CCN下的小基站协作服务机制 |
| 4.2.1 网络模型 |
| 4.2.2 信道模型 |
| 4.3 网络资源与收益分配问题 |
| 4.3.1 小基站选择与带宽分配 |
| 4.3.2 破产博弈分析 |
| 4.3.3 基于核仁准则的收益分配 |
| 4.4 仿真结果及分析 |
| 4.5 本章小结 |
| 第五章 边缘计算网络中基于三方框架的计算与内容资源分配算法 |
| 5.1 引言 |
| 5.2 系统模型 |
| 5.2.1 网络模型 |
| 5.2.2 性能指标 |
| 5.3 供应商-企业-买方博弈算法 |
| 5.3.1 博弈模型 |
| 5.3.2 非空核心的存在性 |
| 5.4 三方匹配模型 |
| 5.4.1 R-TMSC模型 |
| 5.4.2 R-TMSC求解算法 |
| 5.5 仿真分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文的研究内容及创新 |
| 6.2 对未来研究工作的展望 |
| 参考文献 |
| 附录1 缩略词列表 |
| 附录2 定理3.1的证明 |
| 附录3 定理3.4的证明 |
| 致谢 |
| 攻读博士期间发表的学术论文和专利 |
四、10Gbps方案对网络边缘的革新（论文参考文献）
- [1]城域光网络互连的边缘计算系统中的任务卸载与资源分配研究[D]. 杨晨. 北京邮电大学, 2021(01)
- [2]网络功能虚拟化中的资源分配研究[D]. 谢洋浩. 电子科技大学, 2021(01)
- [3]分布式机器学习网络流量调度机制研究[D]. 贺元林. 电子科技大学, 2021(01)
- [4]5G走进现实 ——新枝术前瞻及移动运营商的部署应用[D]. 张堪铭. 南京邮电大学, 2020
- [5]面向移动物联网的切片模型及方法研究[D]. 顾瑞春. 内蒙古大学, 2020(01)
- [6]变译论指导下的科技文本英译实践报告 ——以边缘计算标准化进程和案例分析（节选）为例[D]. 杨晓杰. 西安电子科技大学, 2020(05)
- [7]5G承载方案及关键技术研究[D]. 蔡承德. 浙江工业大学, 2020(02)
- [8]毫米波异构网络中缓存方案及性能估计[D]. 徐文娟. 西北师范大学, 2020(01)
- [9]弹性光网络环境下VNF服务链部署研究[D]. 林飞焕. 深圳大学, 2020(10)
- [10]下一代无线通信网络分布式资源分配算法研究[D]. 缪中宇. 北京邮电大学, 2020