声明
致谢
1 引言
1.1 研究背景与意义
1.2 国内外研究现状
1.3 论文的主要工作和结构
2 基于移动边缘计算的相关技术
2.1 移动边缘计算技术
2.1.1 移动边缘计算概述
2.1.2 计算卸载与资源分配
2.2 超密集网络
2.3 深度强化学习
2.3.1 马尔可夫决策过程
2.3.2 强化学习
2.3.3 深度学习
2.3.4 深度强化学习
2.4 本章小结
3 移动边缘计算中计算卸载和资源分配协同优化策略研究
3.1 网络场景和计算及通信模型
3.1.1 网络场景
3.1.2 计算及通信模型
3.2 基于计算密集型服务的资源分配算法
3.2.1 计算资源分配模型
3.2.2 最小化时延的资源分配算法
3.3 基于深度强化学习的计算卸载算法
3.3.1 时延约束下最小化综合开销的计算卸载问题
3.3.2 马尔可夫决策过程的建模
3.3.3 算法框架的设计
3.3.4 计算卸载决策的生成
3.4 算法性能评估与对比
3.4.1 仿真参数设置
3.4.2 仿真结果分析
3.5 本章小结
4 面向人脸识别服务的边缘计算卸载与资源分配系统设计
4.1 系统总设计
4.2 云端设计
4.3 移动设备端设计
4.3.1 资源监测子模块设计
4.3.2 卸载决策子模块设计
4.3.3 人脸识别子模块设计
4.3.4 数据管理子模块设计
4.4 边缘服务器端设计
4.4.1 设备管理子模块设计
4.4.2 资源分配子模块设计
4.4.3 人脸识别子模块设计
4.4.4 数据管理子模块设计
4.5 本章小结
5 面向人脸识别服务的边缘计算卸载与资源分配系统实现
5.1 系统总体实现
5.2 云端实现
5.3 移动设备端实现
5.3.1 资源监测子模块实现
5.3.2 卸载决策子模块实现
5.3.3 人脸识别子模块实现
5.3.4 数据管理子模块实现
5.4 边缘服务器端实现
5.4.1 设备管理子模块实现
5.4.2 资源分配子模块实现
5.4.3 人脸识别子模块实现
5.4.4 数据管理子模块实现
5.5 实验设计及结果分析
5.5.1 实验网络环境搭建
5.5.2 系统功能测试
5.5.3 系统性能测试
5.6 本章小结
6 总结和展望
参考文献
作者简历及攻读硕士学位期间取得的研究成果
独创性声明
学位论文数据集
北京交通大学;