本书系统论述了移动数据卸载的概念、原理、方法、实验及应用。本书按照“机会卸载—Wi-Fi数据卸载—边缘缓存”的组织思路，首先介绍机会卸载中的种子节点选择、激励机制设计和缓存管理等，其次介绍基于反向拍卖的Wi-Fi数据卸载，最后介绍边缘缓存中的分布式协同缓存、基于强化学习的内容缓存及车辆边缘缓存等方案，并提出相应的数据卸载策略和缓存管理机制。本书内容涉及计算机网络、经济学理论、网络优化和社会网络分析等多个领域。
样章试读
目录
- 目录
前言
第1章 绪论 1
1.1 研究背景与研究意义 1
1.1.1 研究背景 1
1.1.2 研究意义 1
1.2 国内外研究现状 4
1.2.1 基于小蜂窝网络的移动数据卸载技术 5
1.2.2 基于Wi-Fi网络的移动数据卸载技术 5
1.2.3 基于机会移动网络的移动数据卸载技术 6
1.2.4 基于异构网络的移动数据卸载技术 7
1.2.5 基于车联网的移动数据卸载技术 7
1.3 相关技术理论简介 9
1.3.1 拍卖理论 9
1.3.2 强化学习 13
1.4 本书主要内容 19
第2章 新鲜度感知的机会卸载种子节点选择 20
2.1 引言 20
2.2 网络模型 20
2.3 问题描述 21
2.4 最优策略分析 22
2.5 贪婪的种子节点选择算法 24
2.6 基于衰变的种子节点选择算法 26
2.7 性能评估 27
2.7.1 仿真实验设置 27
2.7.2 性能比较 28
2.7.3 不同参数对衰减性能的影响 30
2.8 本章小结 35
第3章 基于反向拍卖的单内容机会卸载 36
3.1 引言 36
3.2 系统模型 36
3.2.1 移动数据卸载模型 36
3.2.2 内容服务提供商的成本模型 38
3.2.3 移动节点竞标模型 38
3.2.4 反向拍卖模型 38
3.3 问题描述 39
3.4 基于贪婪的助手选择算法 40
3.5 基于衰减的助手选择算法 42
3.6 基于标准VCG框架的支付规则 45
3.7 算法复杂度分析和性质证明 46
3.8 性能评估 48
3.8.1 仿真实验设置 48
3.8.2 节点数量对内容服务提供商成本的影响 48
3.8.3 衰减因子对内容服务提供商成本的影响 51
3.8.4 对真实性和个体合理性的评估 53
3.9 本章小结 55
第4章 基于反向拍卖和深度强化学习的多内容机会卸载及缓存管理 56
4.1 引言 56
4.2 系统模型 56
4.2.1 内容模型 56
4.2.2 移动节点模型 57
4.2.3 机会卸载模型 58
4.2.4 内容服务提供商模型 59
4.2.5 移动节点竞标模型 60
4.2.6 反向拍卖模型 60
4.3 问题描述 60
4.4 基于DQN的内容缓存算法 62
4.4.1 状态、动作和奖励的定义 62
4.4.2 基于DQN的解决方法 64
4.4.3 基于标准VCG框架的支付规则 68
4.4.4 算法复杂度分析 70
4.5 性质证明 70
4.6 性能评估 72
4.6.1 仿真实验设置 72
4.6.2 收敛性分析 74
4.6.3 节点数量对内容服务提供商节省成本的影响 74
4.6.4 容忍时延对内容服务提供商节省成本的影响 75
4.6.5 内容数量对内容服务提供商节省成本的影响 77
4.6.6 节点数量对卸载率的影响 77
4.6.7 对个体合理性和真实性的评估 80
4.7 本章小结 82
第5章 基于反向拍卖的Wi-Fi数据卸载 83
5.1 引言 83
5.2 多用户场景下的Wi-Fi数据卸载模型构建 83
5.2.1 系统模型 83
5.2.2 优化问题构建 86
5.3 基于反向拍卖的移动数据卸载策略求解 87
5.3.1 贪婪获胜者选择算法 87
5.3.2 动态规划获胜者选择算法 89
5.3.3 支付规则 93
5.3.4 性质证明 94
5.4 仿真结果与评估 96
5.4.1 仿真参数设定 96
5.4.2 性能比较 97
5.5 本章小结 101
第6章 基于多智能体强化学习的分布式协同边缘缓存 102
6.1 引言 102
6.2 系统模型 102
6.2.1 网络架构 102
6.2.2 内容交付与替换模型 104
6.3 问题建模 106
6.3.1 目标函数 106
6.3.2 问题分析 107
6.4 解决方案 107
6.4.1 状态、动作和回报的定义 107
6.4.2 马尔可夫博弈模型 108
6.4.3 基于分布式MARL的方法 109
6.4.4 参数逼近对MARL算法的改进 111
6.5 实验验证 113
6.5.1 实验设置 113
6.5.2 实验结果与分析 114
6.6 本章小结 119
第7章 基于强化学习的内容缓存 120
7.1 引言 120
7.2 系统模型 120
7.2.1 网络架构 120
7.2.2 通信模型 121
7.2.3 能耗模型 122
7.3 优化问题构建 124
7.4 基于强化学习方法的解决方案 125
7.4.1 马尔可夫决策过程 125
7.4.2 强化学习 126
7.4.3 解决方案：Q学习 126
7.4.4 解决方案：深度Q网络 128
7.4.5 实验结果与分析 131
7.5 本章小结 136
第8章 内容中心网络中移动感知的车辆缓存 137
8.1 引言 137
8.2 系统模型 137
8.2.1 网络场景 138
8.2.2 通信模型 140
8.2.3 能耗模型 141
8.2.4 移动感知的车辆缓存模型 143
8.3 在线车辆缓存方案 144
8.3.1 问题公式化 144
8.3.2 问题解决方案 145
8.3.3 在线缓存算法 151
8.4 性能评估 152
8.4.1 仿真设置 152
8.4.2 仿真结果 152
8.5 本章小结 156
第9章 车辆边缘缓存中的命中与中断权衡 157
9.1 引言 157
9.2 相关工作 157
9.3 系统模型 158
9.4 车辆边缘缓存方案 161
9.4.1 按需自适应缓存算法 162
9.4.2 缓存服务的中断比率 165
9.4.3 面向效用的车辆边缘缓存方案 170
9.5 性能评估 171
9.5.1 性能比较 171
9.5.2 服务中断模型的性能 173
9.5.3 面向效用的缓存机制的性能 175
9.6 本章小结 176
第10章 总结与展望 177
10.1 全书总结 177
10.2 研究展望 179
参考文献 181
京公网安备 11010102004214号