移動(dòng)邊緣計(jì)算技術(shù)(Mobile Edge Computing,MEC)為聯(lián)網(wǎng)車(chē)輛等移動(dòng)終端提供了具有IT服務(wù)和云計(jì)算能力的邊緣網(wǎng)絡(luò)環(huán)境,具有低時(shí)延、本地感知等諸多優(yōu)勢(shì),是5G網(wǎng)絡(luò)的核心技術(shù)之一。車(chē)聯(lián)網(wǎng)領(lǐng)域依托MEC技術(shù)構(gòu)建全新的產(chǎn)業(yè)鏈,通過(guò)本地化的應(yīng)用部署模式,在極短時(shí)間內(nèi)完成行駛數(shù)據(jù)的獲取和傳輸,能夠?yàn)椤爸悄芙煌ā弊鞒鼍薮筘暙I(xiàn)�；贛EC技術(shù)的車(chē)聯(lián)網(wǎng)應(yīng)用能夠?yàn)楝F(xiàn)有的車(chē)聯(lián)網(wǎng)環(huán)境帶來(lái)巨大變革,受到行業(yè)和學(xué)術(shù)界的廣泛關(guān)注。然而,基于MEC技術(shù)的車(chē)聯(lián)網(wǎng)應(yīng)用在移動(dòng)性管理方面存在巨大挑戰(zhàn)。MEC技術(shù)帶來(lái)極大便利的同時(shí),對(duì)部署于邊緣網(wǎng)絡(luò)中的應(yīng)用提出了移動(dòng)性要求,即車(chē)聯(lián)網(wǎng)應(yīng)用在不同MEC服務(wù)器之間的遷移。車(chē)聯(lián)網(wǎng)的應(yīng)用場(chǎng)景使得移動(dòng)性管理復(fù)雜化,主要體現(xiàn)在:聯(lián)網(wǎng)車(chē)輛的高速移動(dòng)性意味著更頻繁的應(yīng)用遷移,產(chǎn)生的遷移時(shí)延嚴(yán)重影響了車(chē)輛用戶體驗(yàn);車(chē)聯(lián)網(wǎng)應(yīng)用涉及人身安全、駕駛體驗(yàn)和互聯(lián)網(wǎng)服務(wù)等多方面,現(xiàn)有的應(yīng)用遷移策略無(wú)法滿足其多樣化的性能需求。針對(duì)頻繁遷移產(chǎn)生大量遷移時(shí)延的問(wèn)題,本文提出了基于車(chē)輛軌跡預(yù)測(cè)的應(yīng)用預(yù)遷移方法。通過(guò)預(yù)測(cè)聯(lián)網(wǎng)車(chē)輛未來(lái)的行駛軌跡,基于預(yù)測(cè)結(jié)果和虛擬機(jī)在線遷移技術(shù),在聯(lián)網(wǎng)車(chē)輛到達(dá)目標(biāo)區(qū)域之...

【文章頁(yè)數(shù)】：79 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
注釋表
第1章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 MEC發(fā)展歷史及研究熱點(diǎn)
        1.2.2 IoV演進(jìn)及發(fā)展動(dòng)向
    1.3 主要研究?jī)?nèi)容及章節(jié)安排
        1.3.1 主要研究?jī)?nèi)容
        1.3.2 章節(jié)安排
第2章 相關(guān)技術(shù)分析
    2.1 移動(dòng)軌跡預(yù)測(cè)技術(shù)
        2.1.1 移動(dòng)模型概述與分析
        2.1.2 移動(dòng)軌跡預(yù)測(cè)算法
    2.2 VM遷移技術(shù)
        2.2.1 動(dòng)態(tài)遷移技術(shù)
        2.2.2 靜態(tài)遷移和鏡像同步
        2.2.3 多VM遷移
    2.3 MEC應(yīng)用遷移研究
        2.3.1 應(yīng)用遷移機(jī)制
        2.3.2 MDP遷移策略
    2.4 本章小結(jié)
第3章 基于車(chē)輛軌跡預(yù)測(cè)的應(yīng)用預(yù)遷移方法研究
    3.1 引言
        3.1.1 需求和技術(shù)分析
        3.1.2 基于軌跡預(yù)測(cè)的應(yīng)用遷移模型
    3.2 行駛軌跡樣本集構(gòu)建算法
        3.2.1 車(chē)輛行駛數(shù)據(jù)收集
        3.2.2 數(shù)據(jù)處理與柵格化重構(gòu)
    3.3 基于ELM的應(yīng)用預(yù)遷移方法
        3.3.1 車(chē)輛軌跡的SLFN預(yù)測(cè)模型
        3.3.2 ELM算法求解模型參數(shù)
        3.3.3 MEC應(yīng)用預(yù)遷移方法
    3.4 測(cè)試結(jié)果與分析
    3.5 本章小結(jié)
第4章 基于MEC的IoV應(yīng)用預(yù)遷移策略研究
    4.1 基于MEC的IoV系統(tǒng)
        4.1.1 IoV應(yīng)用分類
        4.1.2 基于MEC的IoV服務(wù)框架
    4.2 IoV應(yīng)用遷移模型
        4.2.1 應(yīng)用性能指標(biāo)模型
        4.2.2 IoV應(yīng)用遷移模型
        4.2.3 應(yīng)用遷移優(yōu)化目標(biāo)
    4.3 IoV應(yīng)用預(yù)遷移策略的求解及優(yōu)化
        4.3.1 基于動(dòng)態(tài)規(guī)劃的多應(yīng)用動(dòng)態(tài)遷移算法
        4.3.2 軌跡預(yù)測(cè)負(fù)面影響的規(guī)避算法
        4.3.3 IoV應(yīng)用優(yōu)先級(jí)算法
        4.3.4 基于優(yōu)先隊(duì)列的多應(yīng)用遷移算法
    4.4 測(cè)試結(jié)果與分析
    4.5 本章小結(jié)
第5章 總結(jié)與展望
    5.1 論文總結(jié)
    5.2 未來(lái)展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間從事的科研工作及取得的成果



本文編號(hào)：3860168