移動物聯網智能通信與計算

購買商店

移動物聯網智能通信與計算

$959.00

馬上購買

內容描述

隨著物聯網、5G通信技術和大數據的發展，支持邊緣計算的終端設備的快速普及與低時延高可靠通信需求的日益提升，傳統的資源管理與優化技術已經無法滿足移動物聯網用戶的多樣化需求。為提升移動網絡通信容量以及推動移動通信系統可持續發展，本書對智能通信與計算融合技術進行了闡述，包括面向通信與計算融合的泛在智能網絡、面向通信與計算融合的智能網絡服務延伸和麵向通信與計算融合的智能網絡算力增強三個部分。 本書適合於通信工程、電腦科學和軟件工程專業的高年級本科生和研究生，以及從事IT領域的工程技術人員學習和參考。

目錄大綱

第 1章 基於移動邊緣計算的動態服務遷移 11.1　引言　11.2　服務遷移模型　21.2.1　服務執行效用　41.2.2　服務遷移開銷　61.3　問題描述　61.4　基於移動邊緣計算的動態服務遷移算法　71.4.1　基於李雅普諾夫優化的隊列穩態　71.4.2　基於採樣平均近似的未來效用估計　81.4.3　基於馬爾可夫優化的動態服務部署　91.5　實驗評估　101.5.1　實驗環境及參數設置　101.5.2　系統性能分析　11第　2章 面向普適邊緣計算的多智能體模仿學習：分佈式計算卸載算法　142.1　引言　142.2　系統模型和問題表述　162.2.1　系統概述　162.2.2　通信和計算模型　182.2.3　問題公式化　192.3　基於多智能體模仿學習的計算卸載算法　202.3.1　算法概述　202.3.2　隨機博弈公式　212.3.3　優化問題轉化　222.3.4　專家策略　232.3.5　智能體策略　262.3.6　算法分析　292.4　性能評價　302.4.1　模擬設置　302.4.2　模擬結果　30第3章　關鍵信齡最小化：部分觀測下基於模仿學習的調度算法　363.1　引言　363.2　系統模型與問題構建　383.2.1　系統模型　383.2.2　AoCI　403.2.3　問題構建　413.3　信息感知啟發式算法　443.3.1　子問題轉換　443.3.2　總體步驟　453.4　基於模仿學習的調度算法　463.4.1　問題轉換　473.4.2　通過模仿的信息更新調度　483.4.3　基於模仿學習的調度　503.4.4　理論分析　523.5　性能評估　533.5.1　模擬設置　533.5.2　模擬結果　54第4章　移動區塊鏈中集中式資源管理　594.1　系統模型　614.2　問題建模　644.3　解決方案　654.4　性能評估　704.4.1　模擬參數設置　704.4.2　模擬設計　734.4.3　性能分析　73第5章　基於移動邊緣計算的醫療物聯網健康監測　775.1　引言　775.2　動機　785.3　醫療物聯網模型　795.3.1　醫療重要性　805.3.2　監測數據新鮮度　805.3.3　監測能耗　815.4　問題描述　825.4.1　系統開銷最小化問題　835.4.2　IWS子問題　845.4.3　BWS子問題　845.5　無線人體局域網內部合作博弈　855.6　無線人體局域網外部非合作博弈　865.7　實驗評估　885.7.1　實驗環境及參數設置　885.7.2　系統性能分析　88第6章　基於5G無人機 社區的計算卸載：協同任務調度和路徑規劃　916.1　系統模型　936.1.1　通信模型　946.1.2　計算模型　956.2　問題描述　966.2.1　問題概述　966.2.2　約束分析　966.2.3　問題描述　976.2.4　問題轉化　986.3　協同路徑規劃和任務調度　996.3.1　基於社區的時間近似　996.3.2　基於吞吐量最大化的拍賣　1006.3.3　動態任務調度　1026.3.4　性能分析　1036.4　性能評估　1056.4.1　模擬設置　1056.4.2　數值結果　106第7章　智能交通系統中分佈式資源管理　1107.1　系統模型　1117.1.1　終端層　1137.1.2　邊緣層　1147.1.3　遠端管理層　1157.2　問題建模　1157.2.1　用戶數據安全　1167.2.2　系統時延　1177.2.3　用戶效用　1207.2.4　問題公式化　1217.3　解決方案　1227.3.1　問題分解　1237.3.2　解決問題P7.1的基於深度強化學習的算法　1257.3.3　解決問題P7.2′的交替方向乘子法算法　1287.3.4　求解問題P7.3′的基於雙邊匹配的算法　1357.4　性能評估　1367.4.1　模擬設置　1387.4.2　問題P7.1的性能　1397.4.3　問題P7.2′的性能　1417.4.4　問題P7.3′的性能　146第8章　基於DRL的智能車聯網計算卸載方案　1478.1　動機　1488.2　貢獻　1488.3　系統模型　1498.3.1　模型概述　1498.3.2　微雲模型　1508.3.3　霧模型　1518.3.4　重定向模型　1528.4　問題描述　1538.4.1　優化目標　1538.4.2　流重定向　1548.4.3　卸載決策　1558.5　DRL概述　1558.6　基於DRL的卸載算法　1568.6.1　流重定向　1568.6.2　最小化能耗的DRL　1578.6.3　復雜度分析　1598.7　性能評估　160第9章　基於邊緣計算的5G車聯網部分卸載　1659.1　引言　1659.2　5G車聯網模型　1669.2.1　5G車聯網場景介紹　1669.2.2　卸載策略　1679.2.3　系統利潤函數　1689.3　問題描述　1709.4　部分卸載和自適應任務調度算法　1719.4.1　傳輸調度策略　1719.4.2　最優卸載比率　1739.4.3　計算卸載服務定價　1739.5　實驗評估　1749.5.1　實驗環境及參數設置　1749.5.2　系統性能分析　175第　10章 遷移感知的智能車聯網聯合資源分配策略　17810.1　引言　17810.2　遷移感知的資源分配模型　18010.2.1　通信模型　18110.2.2　計算模型　18110.2.3　緩存模型　18210.3　問題描述　18310.3.1　效益函數　18310.3.2　目標函數　18410.4　基於DRL的資源分配算法　18510.4.1　基於DRL的車聯網系統框架　18510.4.2　基於策略梯度的DRL算法　18610.5　實驗評估　18910.5.1　實驗環境及參數設置　18910.5.2　收斂性分析　19010.5.3　系統性能分析　191第　11章 基於模仿學習的在線VEC任務調度　19411.1　引言　19411.2　系統模型與問題表述　19611.2.1　系統概述　19611.2.2　服務時延和能源消耗模型　19711.2.3　問題規劃　19911.3　基於模仿學習的任務調度算法　20011.3.1　算法概述　20011.3.2　SPV聚類　20111.3.3　專家模仿學習　20311.3.4　算法分析　20511.4　性能評估　20611.4.1　模擬設置　20611.4.2　模擬結果　208第　12章 邊緣協同的IoV聯合資源分配策略　21512.1　引言　21512.2　邊緣協同資源分配模型　21712.2.1　通信模型　21812.2.2　計算模型　21812.2.3　緩存模型　22012.2.4　系統開銷　22112.3　問題描述　22212.4　在線邊緣協同卸載策略　22312.4.1　李雅普諾夫優化框架　22312.4.2　邊緣協同平衡算法　22512.5　智能資源聯合分配策略　22812.5.1　分支定界優化框架　22812.5.2　基於模仿學習的分支定界算法　22912.6　實驗評估　23212.6.1　實驗環境及參數設置　23212.6.2　系統性能分析　23312.6.3　時間復雜度分析　236參考文獻　238

作者介紹

宁兆龙博士，重庆邮电大学教授，主要研究内容为车联网高 效接入、通信和计算。近三年作为第 一或通信作者发表论文70余篇，包括：ESI 0.1%热点论文5篇，ESI 1%高被引论文23篇，中科院一区论文20余篇，中科院二区论文近40篇，相关研究成果发表在：IEEE COMST、IEEE TII、IEEE COMMAG、IEEE WCOM、IEEE TITS、IEEE TVT、IEEE TASE、IEEE IoT、IEEE TETC、IEEE TCCN、ACM Mobicom、WWW等，授权专利6项。