發(fā)布時間：2022-09-17 11:29

　　隨著無線網(wǎng)絡(luò)的高速發(fā)展和手持設(shè)備（智能手機和平板電腦等）的迅速普及,用戶對多媒體業(yè)務(wù)的需求呈爆炸性增長。由于用戶設(shè)備的多樣性,源視頻必須被轉(zhuǎn)碼為不同的版本,但視頻轉(zhuǎn)碼卻是一個計算昂貴且耗時的過程。由于無線網(wǎng)絡(luò)的動態(tài)特性及計算資源的稀缺性,為用戶提供滿足時延要求的視頻轉(zhuǎn)碼業(yè)務(wù)是一項巨大的挑戰(zhàn)。鑒于此,本文針對點播視頻轉(zhuǎn)碼和直播視頻轉(zhuǎn)碼兩種不同的業(yè)務(wù)展開了研究,具體內(nèi)容如下:1)針對點播視頻轉(zhuǎn)碼業(yè)務(wù),本論文提出一種基于移動邊緣計算的異構(gòu)網(wǎng)絡(luò)框架,通過將終端設(shè)備的視頻卸載到移動邊緣計算服務(wù)器上進行轉(zhuǎn)碼,能有效地減輕終端的計算負擔。與現(xiàn)有的文獻不同,由于運營商是以盈利為目的的,本文聯(lián)合卸載決策和計算資源分配以最大化卸載的視頻數(shù)量來提高移動運營商的收益,并且降低時間延遲。另外,邊緣計算服務(wù)器為每個用戶開辟了一個緩沖隊列,用于存儲在一個時隙內(nèi)還沒有被轉(zhuǎn)碼的視頻。在效用函數(shù)中,這個隊列長度被定義為懲罰項以避免嚴重的時間延遲。本文采用一種基于actor-critic加強學習的資源分配算法來解決此優(yōu)化問題。仿真結(jié)果表明,本文提及的算法能獲取最佳策略使被轉(zhuǎn)碼視頻的數(shù)量最大化,并能降低時延。2)針對直播視頻... 

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【文章目錄】：
中文摘要
ABSTRACT
第一章 緒論
    1.1 課題研究的背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 5G網(wǎng)絡(luò)資源分配研究現(xiàn)狀
        1.2.2 無線網(wǎng)絡(luò)視頻傳輸研究現(xiàn)狀
        1.2.3 視頻轉(zhuǎn)碼研究現(xiàn)狀
        1.2.4 強化學習的研究現(xiàn)狀
    1.3 本文的研究內(nèi)容和主要貢獻
        1.3.1 本文的研究內(nèi)容
        1.3.2 本文的主要貢獻
第二章 強化學習與5G資源
    2.1 5G資源
        2.1.1 異構(gòu)網(wǎng)絡(luò)
        2.1.2 5G網(wǎng)絡(luò)資源
    2.2 機器學習
    2.3 強化學習
        2.3.1 強化學習的定義
        2.3.2 強化學習的模型
    2.4 本章小結(jié)
第三章 基于點播視頻轉(zhuǎn)碼業(yè)務(wù)的資源分配研究
    3.1 系統(tǒng)模型
        3.1.1 網(wǎng)絡(luò)模型
        3.1.2 計算任務(wù)隊列模型
        3.1.3 移動邊緣計算模型
        3.1.4 優(yōu)化目標
    3.2 問題建模
    3.3 基于Actor Critic的資源分配
        3.3.1 Actor Critic框架
        3.3.2 Critic部分
        3.3.3 Actor部分
        3.3.4 Actor-Critic算法
        3.3.5 仿真結(jié)果分析
    3.4 本章小結(jié)
第四章 基于直播視頻轉(zhuǎn)碼業(yè)務(wù)的資源分配研究
    4.1 系統(tǒng)模型
        4.1.1 網(wǎng)絡(luò)模型
        4.1.2 視頻直播模型
        4.1.3 移動邊緣計算模型
        4.1.4 下行鏈路通信模型
        4.1.5 QoE模型
        4.1.6 優(yōu)化目標
    4.2 問題建模
    4.3 基于Q-learning的資源分配
        4.3.1 Q-Learning算法
        4.3.2 算法仿真與數(shù)據(jù)分析
    4.4 基于策略的Policy Gradient算法
        4.4.1 Policy Gradient算法
        4.4.2 算法仿真與數(shù)據(jù)分析
    4.5 基于增強型Actor Critic的資源分配
        4.5.1 增強型Actor Critic算法
        4.5.2 算法仿真與數(shù)據(jù)分析
    4.6 本章小結(jié)
第五章 總結(jié)與展望
參考文獻
攻讀學位期間取得的研究成果及參與的科研項目
致謝
個人簡況及聯(lián)系方式


【參考文獻】：
期刊論文
[1]云計算關(guān)鍵技術(shù)及發(fā)展態(tài)勢[J]. 楊濱旭.  電子技術(shù)與軟件工程. 2018(19)

博士論文
[1]基于強化學習的衛(wèi)星規(guī)�；诰�調(diào)度方法研究[D]. 王海蛟.中國科學院大學(中國科學院國家空間科學中心) 2018

碩士論文
[1]基于機器學習的多孔介質(zhì)滲透率預測研究[D]. 李佳.浙江大學 2019
[2]基于最大熵馬爾科夫模型的組件系統(tǒng)在線可靠性預測研究[D]. 費歡歡.東南大學 2018
[3]基于強化學習的冰壺比賽策略生成方法研究[D]. 邵蔚.哈爾濱工業(yè)大學 2018
[4]移動邊緣計算環(huán)境下的服務(wù)遷移策略設(shè)計與實現(xiàn)[D]. 陳建業(yè).北京郵電大學 2018



本文編號：3679145