近年來,云計(jì)算已經(jīng)在計(jì)算機(jī)很多領(lǐng)域普及,云計(jì)算即通過網(wǎng)絡(luò)來提供計(jì)算,存儲(chǔ)等功能。隨著互聯(lián)網(wǎng)的發(fā)展,越來越多的需求是向移動(dòng)云計(jì)算（Mobile Cloud Computing,MCC）轉(zhuǎn)變,即可以在移動(dòng)的環(huán)境中應(yīng)用云計(jì)算。但是,MCC使用也有局限性,例如移動(dòng)設(shè)備中的資源受限,網(wǎng)絡(luò)帶寬和延遲不能滿足要求,以及安全問題等,這就需要將集中式云計(jì)算向移動(dòng)邊緣計(jì)算（Mobile Edge Computing,MEC）轉(zhuǎn)變,將移動(dòng)計(jì)算、網(wǎng)絡(luò)控制和存儲(chǔ)功能推送到網(wǎng)絡(luò)邊緣。由于靠近用戶終端側(cè),MEC具有較低的網(wǎng)絡(luò)時(shí)延、較高帶寬的特點(diǎn),很適合可直接訪問實(shí)時(shí)網(wǎng)絡(luò)信息的服務(wù)環(huán)境,比如車聯(lián)網(wǎng)場景是MEC的較熱門的應(yīng)用場景。然而,基于MEC的車聯(lián)網(wǎng)在移動(dòng)性管理方面有著巨大的挑戰(zhàn),主要體現(xiàn)在:高速移動(dòng)車輛意味著應(yīng)用頻繁的遷移,造成的服務(wù)高時(shí)延嚴(yán)重影響用戶體驗(yàn);虛擬機(jī)（Virtual Machine,VM）遷移涉及服務(wù)器選擇,遷移時(shí)間優(yōu)化等方面,而當(dāng)前VM遷移算法的較高遷移時(shí)間無法滿足當(dāng)前需求。較頻繁的服務(wù)遷移會(huì)造成很高的服務(wù)時(shí)延,為確保服務(wù)器能夠?qū)囕v提供穩(wěn)定的服務(wù),提高用戶體驗(yàn),本文將數(shù)據(jù)挖掘算法引入移動(dòng)預(yù)測方案... 

【文章來源】：重慶郵電大學(xué)重慶市

【文章頁數(shù)】：70 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

隱馬爾可夫模型

重慶郵電大學(xué)碩士學(xué)位論文第2章相關(guān)MEC技術(shù)分析14圖2.2VM遷移基本順序步驟0：預(yù)復(fù)制：在執(zhí)行遷移之前，選擇目標(biāo)服務(wù)器B。步驟1：預(yù)定：選擇了目標(biāo)VM之后，對VM進(jìn)行預(yù)復(fù)制預(yù)定。步驟2：迭代：將要遷移的VM迭代進(jìn)行復(fù)制。一個(gè)周期后，復(fù)制那些在前一個(gè)階段弄臟的頁面。步驟3：停止并開始復(fù)制：將需要遷移的VM進(jìn)行掛起，復(fù)制到目標(biāo)服務(wù)器。步驟4：承諾：服務(wù)器B已經(jīng)獲得A的VM，并承諾后續(xù)B服務(wù)器為用戶服務(wù)。步驟5：激活：激活服務(wù)器B上遷移的虛擬機(jī)，并繼續(xù)對用戶進(jìn)行服務(wù)。2.2.3VM實(shí)時(shí)遷移算法服務(wù)器對用戶進(jìn)行服務(wù)，可能會(huì)面臨過載情況，達(dá)不到較好的性能，浪費(fèi)網(wǎng)絡(luò)資源。這時(shí)需要將服務(wù)的用戶數(shù)據(jù)以及應(yīng)用狀態(tài)從當(dāng)前服務(wù)的VM遷移到未過載服務(wù)器的VM上。在車聯(lián)網(wǎng)場景下，安全業(yè)務(wù)，導(dǎo)航業(yè)務(wù)，視頻等服務(wù)業(yè)務(wù)是極其重要的，在遷移過程中，可能是單個(gè)VM，也可能時(shí)多個(gè)VM需要遷移，首先要進(jìn)行VM的選擇，避免造成不必要的遷移。如果同時(shí)需要多個(gè)VM進(jìn)行遷移，則需要考慮這多個(gè)VM是并行遷移還是順序遷移。當(dāng)確定要遷移的VM后，則要對這些虛

重慶郵電大學(xué)碩士學(xué)位論文第3章車聯(lián)網(wǎng)場景移動(dòng)預(yù)測20圖3.2MEC服務(wù)器和車輛軌跡示意圖3.1.3軌跡分類本節(jié)根據(jù)預(yù)測區(qū)域的稠密程度劃分為幾個(gè)預(yù)測區(qū)域，以便進(jìn)行比較。不同車輛用戶在不同的日期，時(shí)間會(huì)有不同的位置信息，日期和時(shí)間是影響用戶移動(dòng)軌跡的關(guān)鍵因素。為了更準(zhǔn)確地預(yù)測車輛的位置信息，將不同日期和時(shí)間的單個(gè)用戶的位置信息作為研究對象。然后通過不同時(shí)段將軌跡劃分為幾組。聚類是對物體不同的數(shù)據(jù)特征進(jìn)行分組，每一組中的數(shù)據(jù)具有很高的相似性，不同組之間的數(shù)據(jù)差異性卻較大。本節(jié)劃分出幾個(gè)預(yù)測區(qū)域和時(shí)間段，然后，基于每個(gè)時(shí)段將用戶的軌跡分類為組。最后，根據(jù)每個(gè)在預(yù)測區(qū)域的軌跡來預(yù)測用戶的未來位置。聚類的基本思想是：預(yù)先定義聚類數(shù)目和中心，在迭代過程中根據(jù)數(shù)據(jù)不斷調(diào)整樣本簇，來提高聚類的準(zhǔn)確度，達(dá)到最優(yōu)的結(jié)果，本章使用K均值的方法，該方法的特點(diǎn)是，邏輯簡單，收斂速度快，效率高。本節(jié)首先選擇一組位置作為集群的中心12{,,,,,}jKMmmmm，其中(,)jjjMxy表示中心位置。12{,,,,,}iNLllll表示車輛軌跡的位置坐標(biāo)，其中(,)iiilxy表示車輛的位置。然后，定義車輛在每個(gè)位置到集群中心的距離。22(,)()()ijijijdlmxxyy(3.1)式中，(,)ijdlm——位置il和中心jm的距離

【參考文獻(xiàn)】：
期刊論文
[1]面向5G的MEC系統(tǒng)關(guān)鍵技術(shù)[J]. 宋曉詩,閆巖,王夢源.  中興通訊技術(shù). 2018(01)
[2]5G車聯(lián)網(wǎng)展望[J]. 王良民,劉曉龍,李春曉,楊睛,楊衛(wèi)東.  網(wǎng)絡(luò)與信息安全學(xué)報(bào). 2016(06)
[3]車聯(lián)網(wǎng)的關(guān)鍵技術(shù)及研究進(jìn)展[J]. 頓文濤,趙玉成,王力斌,李勉,馬斌強(qiáng),袁超,袁志華.  農(nóng)業(yè)網(wǎng)絡(luò)信息. 2015(08)



本文編號(hào)：3114181