發(fā)布時(shí)間：2021-04-27 21:23

　　隨著移動(dòng)互聯(lián)網(wǎng)的高速發(fā)展和新興網(wǎng)絡(luò)應(yīng)用服務(wù)的不斷繁榮,移動(dòng)網(wǎng)絡(luò)用戶的數(shù)量劇增,且用戶對(duì)移動(dòng)互聯(lián)網(wǎng)在大容量、低時(shí)延以及智能化等方面的需求也越來越高。為了滿足用戶需求,第五代移動(dòng)通信（5G）應(yīng)運(yùn)而生。在5G前傳網(wǎng)絡(luò)的邊緣部署緩存資源能夠有效地降低網(wǎng)絡(luò)內(nèi)容的傳輸時(shí)延和緩解網(wǎng)絡(luò)鏈路的負(fù)載壓力,是提高網(wǎng)絡(luò)用戶使用體驗(yàn)的有效方式。然而,現(xiàn)存的網(wǎng)絡(luò)邊緣緩存方案絕大多數(shù)都是只考慮網(wǎng)絡(luò)內(nèi)容在某個(gè)區(qū)域網(wǎng)絡(luò)或者全網(wǎng)中的流行度,反而忽略了網(wǎng)絡(luò)用戶的不同組成成分,以及不同網(wǎng)絡(luò)用戶成分所請(qǐng)求的網(wǎng)絡(luò)內(nèi)容之間的差異。針對(duì)以上問題,本文在用戶行為分析及預(yù)測的基礎(chǔ)上提出了一種混合式網(wǎng)絡(luò)邊緣緩存方案,其主要研究貢獻(xiàn)點(diǎn)如下:提出了基于密度比估計(jì)方法的密度峰值（Density Ratio Peak,DRP）用戶聚類算法,旨在解決5G網(wǎng)絡(luò)用戶的聚類及其行為分析。根據(jù)網(wǎng)絡(luò)用戶的喜好度,采用了密度峰值（Density Peak,DP）聚類算法將網(wǎng)絡(luò)用戶聚類成不同的類簇。然而當(dāng)用戶行為數(shù)據(jù)在各個(gè)類簇之間密度差異過大的情況下,DP算法就無法精準(zhǔn)地識(shí)別出用戶數(shù)據(jù)集中全部的類簇,或者將用戶歸類到錯(cuò)誤類簇的比例將會(huì)大大增加。針對(duì)這一問題,本文... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：73 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
縮略詞表
第一章 緒論
    1.1 研究背景
    1.2 研究目的與意義
    1.3 國內(nèi)外研究現(xiàn)狀
        1.3.1 網(wǎng)絡(luò)邊緣緩存策略
        1.3.2 用戶行為分析和預(yù)測
    1.4 論文的組織結(jié)構(gòu)
第二章 用戶行為分析和預(yù)測以及網(wǎng)絡(luò)邊緣緩存策略相關(guān)內(nèi)容
    2.1 數(shù)據(jù)挖掘技術(shù)在網(wǎng)絡(luò)用戶行為分析和預(yù)測中的應(yīng)用
    2.2 網(wǎng)絡(luò)用戶行為分析和預(yù)測算法的評(píng)定標(biāo)準(zhǔn)
        2.2.1 網(wǎng)絡(luò)用戶行為分析算法的評(píng)測參數(shù)
        2.2.2 網(wǎng)絡(luò)用戶行為數(shù)據(jù)預(yù)測算法的評(píng)測參數(shù)
    2.3 網(wǎng)絡(luò)邊緣緩存策略相關(guān)內(nèi)容
        2.3.1 網(wǎng)絡(luò)邊緣緩存的位置選擇
        2.3.2 D2D通信技術(shù)
        2.3.3 網(wǎng)絡(luò)內(nèi)容的緩存依據(jù)
        2.3.4 緩存替換策略
        2.3.5 齊夫分布
    2.4 本章小結(jié)
第三章 用于無線前傳網(wǎng)絡(luò)邊緣緩存的用戶行為分析及預(yù)測方法
    3.1 網(wǎng)絡(luò)用戶行為分析和預(yù)測的步驟模型
    3.2 針對(duì)網(wǎng)絡(luò)用戶行為分析和預(yù)測的數(shù)據(jù)挖掘算法選擇
        3.2.1 網(wǎng)絡(luò)用戶行為分析算法的選擇
        3.2.2 針對(duì)網(wǎng)絡(luò)用戶喜好度預(yù)測的數(shù)據(jù)挖掘算法選擇
    3.3 DP聚類算法的原理及改進(jìn)
        3.3.1 密度峰值(DP)聚類算法
        3.3.2 密度比估計(jì)(DRE)算法
        3.3.3 基于DRE算法改進(jìn)的密度比峰值(DRP)聚類算法
    3.4 ARIMA預(yù)測模型原理及改進(jìn)
        3.4.1 時(shí)間序列數(shù)據(jù)的平穩(wěn)性檢驗(yàn)
        3.4.2 預(yù)測模型的選擇及其參數(shù)的確定
        3.4.3 經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)算法
        3.4.4 EMD-ARIMA預(yù)測模型
    3.5 網(wǎng)絡(luò)用戶行為分析及預(yù)測的仿真結(jié)果
        3.5.1 基于DRP算法的用戶行為分析仿真
        3.5.2 EMD-ARIMA模型的性能測試
    3.6 本章小結(jié)
第四章 基于用戶行為分析和預(yù)測的無線前傳網(wǎng)絡(luò)邊緣緩存策略
    4.1 單小區(qū)網(wǎng)絡(luò)邊緣緩存策略
        4.1.1 混合網(wǎng)絡(luò)邊緣緩存策略
        4.1.2 主動(dòng)緩存替換策略
        4.1.3 移動(dòng)用戶獲取網(wǎng)絡(luò)內(nèi)容步驟
    4.2 多小區(qū)網(wǎng)絡(luò)邊緣協(xié)作緩存策略
        4.2.1 混合協(xié)作網(wǎng)絡(luò)邊緣緩存策略
        4.2.2 主動(dòng)協(xié)作緩存替換策略
        4.2.3 移動(dòng)用戶獲取網(wǎng)絡(luò)內(nèi)容步驟
    4.3 網(wǎng)絡(luò)邊緣緩存策略的仿真結(jié)果與分析
        4.3.1 數(shù)據(jù)整理
        4.3.2 單小區(qū)網(wǎng)絡(luò)邊緣緩存策略性能分析
        4.3.3 多小區(qū)協(xié)作緩存策略性能分析
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 未來展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的成果


【參考文獻(xiàn)】：
期刊論文
[1]A Survey of Testing for 5G:Solutions,Opportunities,and Challenges[J]. Ping Zhang,Xiaoli Yang,Jianqiao Chen,Yuzhen Huang.  中國通信. 2019(01)
[2]基于自組織中心K-means算法的用戶互動(dòng)用電行為聚類分析[J]. 周冰鈺,劉博,王丹,蘭宇,馬喜然,孫冬冬,霍秋屹.  電力建設(shè). 2019(01)
[3]面向分域信息中心網(wǎng)絡(luò)的協(xié)作混合緩存和路由策略[J]. 芮蘭蘭,孔嘉暉,黃豪球,彭昊.  電子與信息學(xué)報(bào). 2017(11)



本文編號(hào)：3164179