一、多媒体数据包调度算法试验系统的设计与实现（论文文献综述）
马燕燕[1]（2021）在《基于移动边缘计算的车联网资源调度策略研究》文中进行了进一步梳理伴随着车联网的兴起与5G时代的到来,车载应用面对的业务类型变得纷繁复杂,数据量也出现井喷式增长,亟需强大的计算能力作为支撑,因此移动边缘计算（Mobile Edge Computing,MEC）技术应运而生,它对于“高带宽、低延迟、高可靠性”的车联网应用来说是非常良好的选择。与此同时,面对紧俏的通信与计算资源,合理高效的资源调度也是十分重要且迫在眉睫的。基于上述背景,本文专注于车联网多业务场景下的资源调度策略研究。通过结合多服务器M/M/S排队模型与基于优先级和面向用户体验优化的资源调度策略,来实现车联网系统中计算与通信资源的高效分配。论文的主要研究内容和创新工作总结如下:（1）传统的车联网研究一般只关注通信层面而忽视周围信息的感知和计算,或者将通信、感知、计算割裂开来,没有看成一个整体。本文的优势在于充分利用了车辆探测设备（毫米波雷达与摄像头）的融合感知能力,并将其与RSU感知相结合,从而实现车辆空间位置的准确度量,以此来完善车联网系统的资源调度性能。（2）本文针对现实车联网场景中安全类和非安全类业务共存的情况,提出了基于业务优先级的资源调度策略,该策略强调:路侧设备（Road Side Unit,RSU）在接收到来自车辆的服务请求后先分别计算该业务的时延、可靠性、重要性因子,而后得出不同业务的权重及其在资源调度过程中的优先级,最后优先将带宽资源分配给高优业务,从而实现车辆碰撞率和吞吐量性能最优。（3）本文在优先级调度策略基础上又提出了面向用户体验优化的资源调度策略,该策略将不同年龄的多媒体类业务用户对延迟的忍耐程度差异也看作优先级度量因子之一,并建立用户相对满意度与车辆碰撞率联合优化目标,以此来确保该策略能在改善多媒体业务用户使用体验的同时不会影响安全类业务用户的基本安全。
杨媛[2]（2021）在《基于E-MBMS的宽带数字集群系统MCVideo视频组播技术的研究与验证》文中研究表明关键任务视频（Mission Critical Video,MCVideo）是第三代合作伙伴计划（3rd Generation Partnership Project,3GPP）组织规定的新一代宽带数字集群视频通信技术标准,支持群组视频通话等宽带集群业务。MCVideo系统采用长期演进（Long Term Evolution,LTE）作为承载网络,利用增强多媒体广播多播服务（Enhanced-Multimedia Broadcast Multicast Service,E-MBMS）实现多媒体业务的广播和组播。E-MBMS技术规定同一时刻不同小区以同一频率同步传输用户数据,提高了LTE系统的频谱利用率和系统容量。将传统的MBMS组播技术直接应用于MCVideo宽带数字集群系统视频组呼,不能满足集群系统接续时间短、呼损率低以及优先级呼叫等性能。因此,基于E-MBMS的宽带数字集群系统MCVideo视频组播技术的研究具有重要的意义。本文在综述国内外宽带数字集群系统视频组播技术研究现状的基础上,研究并验证了基于E-MBMS的MCVideo视频组播技术,主要工作如下:1.基于MCVideo和MBMS系统架构,分析了MBMS控制面和用户面协议栈,阐述了E-MBMS集群通信服务管理流程和基于E-MBMS的MCVideo视频组播控制流程,研究了E-MBMS业务控制信令和用户数据的同步处理机制,实现了E-MBMS控制面和用户面的同步功能;2.提出了一种基于E-MBMS的自适应流媒体（Dynamic Adaptive Streaming over HTTP,DASH）视频组播技术,根据MCVideo终端信道质量动态地调整组播视频传输速率,提高了系统的资源利用率;3.提出了一种改进的时延优先资源调度算法（Improved Delay Priority Scheduler,IDPS）。该算法综合考虑了用户数据包时延信息和实时信道质量信息,通过对时延优先算法（Delay Priority Scheduling,DPS）进行改进,有效地保证了实时性,不但实现了系统吞吐量和用户公平性的平衡,而且获得了更好的丢包率性能;4.提出了一种实现MCVideo视频组播技术的E-MBMS系统软件架构,该架构实现了MCVideo服务器的集群通信服务管理功能和MBMS系统的承载服务功能,具有互操作性强、信令处理速度快以及易于维护等特点。利用C++和C编程语言,基于Ubuntu操作系统,开发了MCVideo服务器、广播组播服务中心（Broadcast Multicast Service Center,BM-SC）实体、多媒体广播/多播服务网关（Multimedia Broadcast Multicast Service Gateway,MBMS GW）实体、移动性管理实体（Mobility Management Entity,MME）以及多小区/多播协调功能实体（Multi-cell/Multicast Coordination Entity,MCE）软件,实现了基于E-MBMS的MCVideo视频组播技术;5.搭建了基于E-MBMS的MCVideo视频组播技术验证平台,验证了E-MBMS集群通信服务激活、去激活以及更新流程和MBMS用户面数据的同步性能、传输时延以及吞吐量。验证结果表明,所实现的E-MBMS系统可以实现E-MBMS组播业务,并符合宽带数字集群系统MCVideo视频组播业务的时延等服务质量要求。
管米利[3]（2021）在《IP语音数据包的队列调度算法优化研究》文中研究指明随着网络技术的快速发展,各种网络应用不断出现,数据流量也呈现出了爆炸式的增长,而在链路带宽有限的条件下,基于“尽力而为”的互联网已经不能满足众多用户对网络传输质量的要求,尤其是实时性较强的网络应用如语音通话。网络承载的业务数量与种类的不断增加,使得数据分组极有可能在路由或交换节点处产生网络严重拥塞。一旦发生网络拥塞,若不及时进行有效的队列管理与调度,就会造成缓冲区溢出,进而导致数据丢失,业务的传输质量无法得到保障,因此,迫切需要对数据包队列调度算法进行优化。针对基于互联网的语音业务对实时性与丢包率要求较高的问题,对低延迟队列算法进行改进,提出一种改进的低延迟队列算法。通过研究低延迟队列算法,在该算法的基础上进行改进,即将优先级队列上的Police管制条件由单一的超出规定带宽则进行超出带宽数据包的丢弃行为,改为根据带宽和优先级队列中语音数据包的队列等待时间综合考虑,确定超出带宽的语音数据包的处理方法,进而减少语音数据包的丢包率。为了验证改进的低延迟队列算法对基于互联网的语音业务的有效性,利用GNS3网络模拟器和终端仿真软件搭建仿真环境,使用思科的服务等级协议技术模拟产生各种类型的业务流量,在网络拥塞的状况下,分别部署低延迟队列算法和改进的低延迟队列算法对数据包进行调度,并收集部署两种队列算法后各业务的性能质量,将之分别与网络正常状况下与网络拥塞状况下各业务的性能质量作对比,突出两种队列调度算法对网络拥塞调控的有效性和改进的低延迟队列算法对保证基于互联网的语音业务质量的有效性。模拟仿真对比结果表明,在网络发生拥塞的状况下,部署两种队列算法后,基于互联网的语音业务性能均有明显改善,使用改进的低延迟队列算法相比低延迟队列算法基于互联网的语音业务的最小计划损伤因数与最大计划损伤因数分别降低了 2和5,最低主观意见得分和最高主观意见得分分别提高了0.23和0.28。可见,该改进的低延迟队列算法有效地降低了语音数据包传输过程的损耗,提高了语音数据包的传输质量。
赵妍[4]（2021）在《基于多径协同的虚拟现实传输系统设计与实现》文中指出虚拟现实（Virtual Reality,VR）技术普及率日益增长,虚拟现实内容快速增长,虚拟现实技术未来具有广阔的发展前景。但是虚拟现实应用在带宽,延迟和数据包丢失方面对网络性能提出了独特的要求和挑战。本文根据虚拟现实基于视口（FieldofView,FOV）传输的特点,在无线家庭网条件下,针对单用户场景和多用户组场景这两种高频应用场景,就如何在有限的网络资源下充分利用信道带宽,减少冗余数据传输,以及虚拟现实对于高带宽低延迟的要求的问题进行了深入的研究,设计了一种基于多径协同的虚拟现实传输系统。本文的主要创新点如下:（1）本课题提出了一种基于视点优化的QoE（Quality of Experience）评价方法,在虚拟现实视频质量计算过程中充分考虑了虚拟现实内容的视口特征,评价结果更加贴合虚拟现实应用实际特性,将这种QoE指标作为码率自适应算法的控制因素,可以在不影响用户体验的情况下,提高传输效率。（2）本课题提出一种基于虚拟现实视口特征的多路径调度算法,通过对多路径传输的数据之间的解耦,解决了现有多径传输中最棘手的队头阻塞问题,并且在数据选路阶段通过强化学习算法实现对链路质量更准确的选择,从而提高数据传输效率。（3）聚焦于多用户同时观看全景视频或同时参与游戏这一具有广泛前景的虚拟现实应用场景,本课题提出一种新颖的在多用户场景下的多路径协同传输机制,在不影响用户体验效果的前提下,通过有效减少冗余数据传输来降低传输数据量。
郭伯仁[5]（2021）在《移动边缘智能系统中的资源管理相关技术研究》文中指出移动通信技术的演进促进了移动应用和多媒体业务的快速发展,并在网络边缘处产生了海量的数据,为无线通信网络带来了前所未有的流量负载。为此,迫切需要将人工智能（ArtificialIntelligence,AI）这一尖端技术推向网络边缘,充分释放边缘大数据的潜力。此外,超低传输时延、超高数据速率等越来越严苛的用户需求也给通信系统带来了巨大的挑战。为了应对上述需求与挑战,移动边缘计算（Mobile Edge Computing,MEC）架构通过将存储和计算资源卸载至网络边缘,成功降低了传输时延与带宽损耗。AI与MEC的融合诞生出了新的交叉学科——边缘智能（Edge Intelligence,EI）。然而,目前EI的相关研究还处于起步阶段,在AI模块的边缘部署、智能化MEC等方面的研究还存在着不足。有鉴于此,本文主要研究了如何采用AI技术来解决多节点协作服务架构下的边缘缓存与资源调度问题。具体地,本文研究工作的主要贡献和创新点可以分为以下三个部分:第一,本文研究了 MEC系统中多媒体多业务服务质量（Quality of Service）优化问题。在该场景中,MEC服务器可以同时向边缘用户提供实时流媒体、缓冲流媒体、低时延增强移动带宽等多媒体业务。为了满足不同多媒体业务的不同QoS需求,本文应用了 5G QoS模型以实现基站处理资源的灵活调用。随后,本文构造了一个长期累积平均QoS最大化问题,并采用了一种深度强化学习算法来决定无线资源的动态分配。最后,本文将所提出的基于深度强化学习的资源分配算法与轮询分配和基于优先级的调度算法进行了比较。仿真结果证明,所提算法在MEC系统的多媒体多业务场景中的性能明显优于其它两种算法。第二,本文研究了雾无线接入网络中多个雾接入点（fog-computing-based access points,F-APs）协作 下的内 容缓存与下发 问题。考虑到多样化的用户偏好、不可预知的用户移动性、相邻F-APs之间的协作以及时变的信道状态,本文构造了一个长期累积多用户平均传输延迟最小化问题,并提出了一种基于深度强化学习的时延感知缓存更新策略。该策略用于决策每个调度时隙内应该如何对每个F-APs中缓存的文件进行动态更新。相较于先入先出、最近最少使用、最少次数使用三种缓存更新策略,本文所提出的缓存策略具有更好的平均命中率和更低的平均传输延迟。第三,本文研究了边缘智能系统中多节点协作缓存与多业务内容交付问题。为了增强边缘缓存容量,本文提出了一个多节点协作服务架构。在该架构中,除了固定的边缘服务节点外,具有存储和通信能力的移动边缘服务节点也可以被用于文件缓存和数据传输。本文针对移动边缘服务节点和用户的移动特性、时变的信道增益和干扰、随机的文件请求,提出了一个长期累积平均QoS最大化问题。值得注意的是,本文提出了一个多边缘服务节点混合缓存策略用于提高缓存命中率,包括集中式的缓存策略和分布式的缓存策略。然后,本文还提出了一种边缘服务节点选择策略来为边缘用户提供充足的服务时间,从而避免由于网络拓扑关系变化而导致服务中断。最后,本文设计了一种基于深度强化学习的频谱资源分配算法对下行频谱资源进行灵活调度。仿真结果表明,本文所提出的算法相较于其他的基准算法在优化性能与时间复杂度之间取得了平衡。
赵印[6]（2021）在《面向超低时延场景下的实时媒体流分发策略》文中认为随着互联网的飞速发展,视频会议、联机游戏、视频直播等以流媒体技术为核心的新兴应用大量涌现,它们都有着低时延的共性,对时延的追求从秒级（视频直播）,到百毫秒级（视频会议）,再到毫秒级（云游戏、车联网、VR/AR）。受这些新型应用场景的需求驱动,互联网的方向一定是越来越快,越来越实时。这些新兴的超低时延应用,同传统的网络密集型应用（Web,FTP,多媒体流等）相比,其分发的业务媒体流更加丰富,包括场景音效、视频、语音、文字、操作信息等。其中,视频流可以分为不同清晰度、不同质量的视频切片（如DASH）,研究在不同网络状况下选择下载不同码率的视频切片成为了学术界和工业界的热门研究方向,即码率自适应领域。除此之外,这些并发的媒体流通常拥有不同的优先级以及各自明确的截止日期,这使得在传输层根据其特性进行选择性调度成为了进一步降低延迟的可能。针对新兴应用的超低时延需求,本文设计了一套时延敏感的实时媒体流分发策略,从两个角度来降低时延:一是集成深度强化学习的时延敏感性码率自适应算法,新型应用的发展对自适应比特率（ABR）算法提出了许多新的技术挑战,不仅需要稳定的高质量传输,而且需要较低的端到端时延。强化学习（RL）能在不使用任何预编程控制规则的情况下自动学习ABR算法,取得了良好的效果。然而,现有的方法只考虑比特率控制而忽略了延迟控制。因此,为了有效降低端到端的时延,本文在基于RL的比特率控制模型的基础上,提出了一个独立的时延控制模型进行辅助控制。此外,本文还提出了一种模型集成算法来降低性能波动,提高用户体验质量。二是时延敏感的传输层调度算法,具体包括两个调度算法:基于启发式规则和DRL的拥塞控制算法、选包调度算法,分别决定了发送速率和发送哪些数据包,在探测网络带宽的基础上,尽可能有效利用带宽,减少带宽浪费或网络拥堵,尽量满足数据包的截止期限。综上所述,针对新兴的超低时延应用,设计一套合适的流媒体分发策略能够有效地契合当下网络传输的快速发展,提供更高质量的服务。本文将从终端侧的分发策略和网络侧的分发策略两个角度尝试解决这个问题,实验结果表明,两种算法都明显优于基线方法,证明了本文策略的有效性和实用性。
马英矫[7]（2020）在《面向超级基站的异构资源池互连关键技术研究》文中研究指明随着移动互联网、物联网等技术的不断发展,大规模的终端接入到移动通信网络中,对移动通信网络的覆盖和速率要求越来越高,移动网络业务类型呈现多样化。如果移动通信网络按照当前传统基站架构发展,必然会带来部署成本高、能耗高等问题。为此,集中式接入网架构被提出,超级基站作为一种典型的集中式架构代表,将计算资源池化集中部署,通过资源管控技术进行资源共享和分配。在小规模应用场景下,超级基站架构已经得到初步验证但在大规模应用下存在系统互连容量扩容难且能耗高的问题。制约系统互连容量扩容的因素有两方面。一方面,大量射频资源池单元（Remote Radio Head,RRH）数据需要通过前传网络回传,由于前传网络容量受限和RRH能力受限,系统互连容量降低;另一方面,射频基带动态高速交换机的交换性能直接影响系统互连容量规模。传统交换结构和调度算法忽略了业务流量非均匀性特性以及数据包内容优先级,只是对数据进行缓存和转发,引发互连容量规模降低问题。进一步地,在突破系统互连容量瓶颈的基础上,如何利用集中池化调度特点,降低异构基带处理资源池能耗对于推进集中式接入网架构的大规模应用具有重要意义。针对上述问题,本文从异构资源池互连方面展开了研究。首先,引入功能分割方法,在前传网络容量受限和RRH能力受限的情况下,以最大化系统互连容量为目标,研究时延敏感的基带功能动态分割策略;其次,研究数据感知的射频基带动态高速交换技术,提升系统互连容量;最后,在突破系统互连容量瓶颈的基础上,构建异构资源池互连系统,考虑任务时延敏感性和计算资源异构性因素,进一步研究异构基带处理资源池资源动态分配策略,降低系统能耗。本文的主要贡献和研究成果如下:（1）针对在前传网络容量受限和射频资源池RRH能力受限情况下,会引发系统互连容量降低的问题,提出了时延敏感的基带功能分割策略。首先,构建了涉及分割选项7-2与选项8的系统互连容量优化问题模型;其次,提出了一种基带功能动态分割策略;最后,将提出的策略与固定分割策略进行对比。仿真结果表明,在RRH为满负载情况下,动态分割策略对应的系统互连容量分别是固定分割策略8和7-2对应的系统互连容量的2.4倍和1.4倍。在此基础上,设计实现了支持基带功能动态分割策略的射频资源池原型系统。（2）针对当前射频基带动态高速交换机采用传统排队结构和调度算法,引发互连容量规模降低的问题,提出了数据感知的射频基带动态高速交换技术。首先分析了移动网络中网络业务流量特性,引入满足实际业务的流量模型;其次,根据业务流量特性设计了排队结构,并提出了数据感知调度（Data Priority Aware,DPA）算法,通过判定符号优先级标志符确定端口匹配优先级;最后,构建了射频基带交换机原型,并从互连容量规模、时延、吞吐量三个方面评测调度算法性能,通过实验结果表明,在满足通信时延情况下,提出的DPA算法能满足的最大互连容量规模为58×58,较同类型的哈密顿行走-滑动迭代轮询匹配算法（38×38）和多次迭代最久信元优先算法（21×21）具有明显的优势。（3）在解决了扩容问题的基础上,针对进一步降低系统能耗的问题,提出了低能耗的异构基带处理资源池资源动态分配策略。首先,考虑时延敏感性和计算资源异构性两个因素,对异构基带处理资源池能耗进行建模;其次,提出了基于异构平台的降序首次适应（Heterogeneous First Fit Decreasing,HFFD）资源分配算法和混合Levy飞行和差分进化策略的灰狼（Hybrid Grey Wolf Optimization Algorithm Enhanced with Levy Flight and Differential Evolution,HGWO-LFDE）算法。通过仿真结果表明,与传统基站能耗相比,HFFD算法和HGWO-LFDE算法对应的系统能耗显着降低。在低负载情况下,相比于传统基站能耗,HGWO-LFDE算法可以节省88%-100%的能耗,HFFD算法可以节省71%-100%的能耗;在高负载情况下,HGWO-LFDE算法相对传统基站能耗,可以节省88%-90%的能耗,HFFD算法相对于传统基站能耗,可以节省71%-82%的能耗。综合考虑两种算法复杂度,在实际应用中,高负载时段应用HGWO-LFDE算法,低负载时段应用HFFD算法,以获得更优的系统性能。最后,构建了异构资源池互连系统原型,并介绍了资源分配策略在超级基站系统中的应用情况,为后续大规模应用奠定工程基础。
井红梅[8]（2020）在《基于DPDK二层转发的QoS策略研究》文中指出近年来,计算机技术瞬息万变,多媒体技术发展势如破竹,网络承载的业务种类也层出不穷,这使得网络业务流量急剧上升。在这种形势下,传统“尽力而为”服务的网络频繁产生拥塞、丢包、剧烈抖动等一系列问题,无法提供服务质量保证。正是如此,网络资源变得十分珍贵,如何充分利用有限的网络资源,并且提高网络的服务质量,已经成为实际并且不容忽视的重要问题。为了解决这一问题,TCP/IP体系结构提出了QoS这个概念。在本课题的研究中,在DPDK的l2fwd队列模型的基础上提出了一种新型的队列组织方式和队列调度算法,拟在解决网卡端口区分优先级服务转发的问题。首先分析数据包的组成结构,按照IP数据报首部的TOS字段将数据包分为三个优先级类别。然后以排队论作为理论基础,建立了带有3个优先级的非强占式优先权排队系统模型,分析该系统的平均队长、平均等待队长、平均等待时间、平均逗留时间等相关指标。其次分析了QoS中的拥塞管理最常用的技术,即队列调度技术,分析了先进先出队列调度、优先级队列调度、加权轮询循环队列调度三种算法,指出各种算法的优点和缺点,以及算法有待改进的地方。最后使用Spirent Test Center构造三类数据流,经过DPDK绑定的服务器网卡端口转发,实现整个系统的仿真。分别使用tcpreplay回放数据包和打流仪构造数据流的方法进行大量收发数据包的实验,对比分析三种队列调度算法的时延、带宽利用率、丢包率指标,同时优先级队列调度和加权轮询循环队列调度中不同优先级数据包的时延、丢包率指标,并且得到相应的曲线图,从而验证方案的合理性。总的来说,本课题提出的这种方案设计区分了不同业务的优先级,实现了保障高优先级业务数据包的转发速率和服务质量,同时也兼顾了低优先级业务的数据包不被“饿死”,使得网卡端口可以进行有序、高效、多层次的数据包收发工作。在很大程度上不仅降低了网络流量的拥塞、丢包或者时延,而且也大大缓解了这些负面问题对重要业务的影响。因此,研究QoS具有非常重要的现实意义。
汪永斌[9]（2020）在《列车控制与服务网络流量分类与监管》文中研究表明经过几十年的发展,我国在高速铁路建设领域取得了举世瞩目的成就,高速列车技术领跑世界,“和谐号”和“复兴号”已经成为快速、舒适的代名词,无论是长途还是短途出行,越来越多的人选择乘坐高铁。传统列车通信网络只能保证列车控制业务的可靠传输,不能为旅客提供稳定、可靠的上网服务,但是在移动通信技术高度发达的今天,如果乘车期间无法保证旅客对网络的有效访问,那么将严重影响旅客的乘车体验,甚至造成极大的经济损失。随着5G网络的普及,车地大容量通信不再是限制列车通信网络发展的瓶颈,因此旅客服务业务和列车控制业务一体化传输已经成为解决上述问题的最佳方案。要实现列车控制业务和旅客服务业务一体化传输,需要解决的关键问题是如何构建一套完整的网络流量管理体系,在保证列车关键控制业务优先传输的基础上,最大化利用列车空闲带宽资源,为旅客提供更好的上网服务。本文以国家科技支撑计划课题“列车控制与服务网络（TCSN）关键技术及系统研制”为背景,研究TCSN流量分类、监管、调度和仿真等关键技术问题,给出了针对TCSN流量管理的完整解决方案。首先,通过分析CRH2列车控制业务应用场景和报文产生机理,建立列车控制业务流量模型;将国外公开数据和实验室抓包数据进行整合、分类,构建了旅客服务流量数据集TP-Traffic;在对TP-Traffic中旅客服务业务流量特性的分析之后,发现其报文到达间隔服从重尾分布,为建立旅客服务业务流量模型提供了重要理论支撑。其次,根据TCSN流量特性和传输服务质量需求,制订了针对TCSN业务的服务等级协议（SLA）和流量监管协议（TCA）;对两级令牌分配算法进行改进,设计出针对TCSN流量监管的三级令牌分配算法。再次,通过整合流量产生、流量识别、流量分类、流量监管、队列管理、流量调度和参数统计七大功能模块,给出TCSN从流量产生到调度出队的完整解决方案,编程实现了基于离散事件的TCSN仿真系统。最后,针对不同带宽资源、并发旅客数量、类处理方案、时延优先级、包丢弃优先级、监管算法、调度算法等应用场景进行仿真实验,通过对实验结果的分析验证了TCSN流量管理方案的有效性和实用性,并给出了不同应用场景下各个模块的最佳参数配置方案。
钟震宇[10]（2020）在《冰情检测系统的构建及雾无线网络传输技术研究》文中进行了进一步梳理河流冰情环境检测是获取河流冰情及灾害等监控数据的基础,是水文与冰情灾害预测预报、水环境监测、水工设施安全预警的重要依据。在河流冰情环境检测工作中,利用数据采集、无线传感器网络远程监控实现对河流冰情灾害的实时预测预警十分重要。在实际组成的冰情检测系统中,由于各种新型冰情传感器的使用,监测范围的不断扩展,以及恶劣工作环境引起的大量奇异（干扰）冰情信号的存在,使得数据采集、现场冰情信号的实时处理以及冰情信号的远距离传输工作量的增大,加重了冰情检测网络的负担,影响数据质量与实时性,亟需研究可以应用于工程现场实际的新型冰情检测设备与冰情数据实时处理算法,引入新的数据通信方式与组网结构,以适应冰情检测的需求。在过去的几十年中,移动数据流量有了巨大的增长,这推动了无线网络的巨大的转变。5G网络的发展正是伴随着这种趋势,将通信技术从人与人的连接扩展到人与物、物与物的连接。在5G接入网络技术中,如何为大量用户提供数据密集型和延迟敏感型服务一直是研究的热点,雾无线接入网络（Fog Radio Access Network,F-RAN）被认为是一种有效的解决方案,可以通过将缓存和计算的网络功能从远程云服务器扩展到接近用户设备的边缘,实现减轻回程链路的负担,显着提高网络信息传输的性能。针对现有冰情检测网络的不足,本文将NB-Io T（Narrowband Internet of Things）物联网通信接口技术、5G无线F-RAN网络及无线传感器网络组网技术引入冰情检测系统中,设计研制了具有NB-Io T物联网通信接口功能的冰情检测传感器;提出了一种基于5G无线F-RAN雾无线网络分层内容分发的数据传输方法,结合冰情检测特定的环境,运用雾无线网络原理去解决数据在现场检测网络分布的检测设备间的传输速率低,分析受限问题。同时,在前端无线传感器网络组网过程中,为了解决调度冲突问题,提出了一种基于动态优先级调度的分簇方案组建传感器网络。针对前端数据传输过程中数据融合问题,提出改进K-means算法提高多种类型传感器采集数据的融合效率。在后端结合采集数据,采用弹性BP网络进行训练建立数据模型库,使数据能够在后端实时解析并判定出河流冰情环境整体的状况。论文的主要研究工作如下:1.在对课题组多年研究的几类新型冰情检测传感器检测原理及结构进行总结研究的基础上,将NB-Io T物联网无线通信技术融入冰情检测传感系统中,从通信结构上将传感器改进为可以直接应用于5G网络的新一代智能终端设备,并具有无线传感器网络组网能力,在此基础上,结合5G大带宽视频文件传输能力,设计基于新型传感器的5G冰情检测网络系统结构,可实现前端采集、后端分析的目标,为物联网技术应用于河流冰情环境检测系统奠定基础。2.本文通过对前端无线传感器网络组网技术的研究,提出了一种基于动态优先级调度的分簇方案组建传感器网络,提高传感器节点间数据调度效率。利用多数据融合方法实现多种类型传感器采集数据的融合,提出改进Kmeans算法提高在传感器簇节点端数据的融合效率。在后端采用弹性BP网络对采集数据进行训练并建立数据模型库,使数据能够在后端实时解析、判定出河流冰情环境整体的状况。该方案整体解决了现有传感器网络在多种传感器节点增加,部署的比较稠密时产生的网络负载增加,网络寿命降低的问题,适用于低温以及复杂环境中的试验研究。通过仿真验证,对比测试,提出的方案能够实现利用现有传感器网络,高效、准确的传递多种类型传感器采集的数据,达到实时检测河流冰情环境的目标。3.以5G雾无线网络传输架构为基础,结合冰情检测特定的环境,提出了一种新的F-RAN分层内容分发数据传输方法。在提出的分层内容分发策略下,具有随机文件请求的C-UE（普通终端设备）和与其关联的BS和FUE（带缓存功能的终端设备）在一定距离的范围内共同和分层地提供服务,使冰情检测网络中视频数据大文件可以在多个终端设备中高效协同传输。依据提出的F-RAN分层内容分发策略的传输理论,推导了在F-RAN中BS的传输概率,然后,在分散概率缓存放置的假设下,进一步推导出F-UE的平均传输概率。在此基础上,推导了网络覆盖概率的解析表达式,通过仿真实例验证了分层内容分发策略模型传输优势,提出的分层内容分发策略可以显着提高数据传输质量,满足冰情检测网络中视频数据大文件在多个终端设备中高效协同传输及回传的需求。
二、多媒体数据包调度算法试验系统的设计与实现（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、多媒体数据包调度算法试验系统的设计与实现（论文提纲范文）
（1）基于移动边缘计算的车联网资源调度策略研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 车联网研究与应用现状 |
| 1.2.2 资源调度研究现状 |
| 1.3 论文主要研究内容及论文结构 |
| 1.3.1 论文主要研究内容 |
| 1.3.2 论文结构安排 |
| 第二章 车联网资源调度系统关键技术及模型 |
| 2.1 车联网通信技术 |
| 2.1.1 V2X通信技术 |
| 2.1.2 DSRC专用短程无线通讯技术 |
| 2.1.3 C-V2X技术 |
| 2.2 移动边缘计算技术 |
| 2.2.1 移动边缘计算技术概述 |
| 2.2.2 边缘计算技术特点 |
| 2.3 排队论 |
| 2.3.1 排队系统简述 |
| 2.3.2 排队模型表示 |
| 2.4 车联网资源调度系统模型 |
| 2.4.1 系统场景模型 |
| 2.4.2 任务模型 |
| 2.4.3 融合感知模型 |
| 2.5 本章小结 |
| 第三章 基于业务优先级的资源调度策略 |
| 3.1 引言 |
| 3.2 问题建模 |
| 3.2.1 用户业务优先级设计 |
| 3.2.2 资源分配模型 |
| 3.2.3 优化目标 |
| 3.3 算法流程 |
| 3.4 仿真实现 |
| 3.4.1 仿真参数 |
| 3.4.2 仿真及分析 |
| 3.5 本章小结 |
| 第四章 面向用户体验优化的资源调度策略 |
| 4.1 引言 |
| 4.2 问题建模 |
| 4.2.1 M/M/s排队模型 |
| 4.2.2 用户体验质量(QoE)模型 |
| 4.2.3 资源分配模型 |
| 4.2.4 优化目标 |
| 4.3 算法设计 |
| 4.4 仿真实现 |
| 4.4.1 仿真参数 |
| 4.4.2 仿真及分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（2）基于E-MBMS的宽带数字集群系统MCVideo视频组播技术的研究与验证（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 概述 |
| 1.2 国内外宽带数字集群系统及其视频组播技术的研究现状 |
| 1.2.1 国内宽带数字集群系统及其视频组播技术研究现状 |
| 1.2.2 国外宽带数字集群系统及其视频组播技术研究现状 |
| 1.3 选题意义和论文结构 |
| 1.3.1 选题意义 |
| 1.3.2 论文结构 |
| 2 基于E-MBMS的 MCVideo系统架构及其工作过程 |
| 2.1 MCVideo系统架构 |
| 2.2 MBMS系统架构 |
| 2.3 MBMS协议栈 |
| 2.3.1 MBMS控制面协议栈 |
| 2.3.2 MBMS用户面协议栈 |
| 2.4 E-MBMS集群通信服务管理流程 |
| 2.4.1 E-MBMS集群通信服务激活流程 |
| 2.4.2 E-MBMS集群通信服务去激活流程 |
| 2.4.3 E-MBMS集群通信服务更新流程 |
| 2.5 基于E-MBMS的 MCVideo视频组播流程 |
| 2.5.1 基于E-MBMS的 MCVideo视频组播建立流程 |
| 2.5.2 基于E-MBMS的 MCVideo视频组播挂断流程 |
| 2.6 本章小结 |
| 3 基于E-MBMS的 MCVideo视频组播关键技术 |
| 3.1 E-MBMS业务的同步处理 |
| 3.1.1 E-MBMS控制信令的同步处理 |
| 3.1.2 E-MBMS用户数据的同步处理 |
| 3.2 基于E-MBMS的 DASH视频组播技术 |
| 3.2.1 DASH视频传输技术 |
| 3.2.2 基于E-MBMS的 DASH视频组播系统架构 |
| 3.2.3 基于E-MBMS的 DASH视频组播流程 |
| 3.3 E-MBMS业务的组播资源调度算法 |
| 3.3.1 传统组播资源调度算法 |
| 3.3.2 IDPS组播资源调度算法 |
| 3.3.3 E-MBMS业务仿真模型 |
| 3.3.4 IDPS算法仿真验证 |
| 3.4 本章小结 |
| 4 基于E-MBMS的 MCVideo视频组播技术的实现 |
| 4.1 开发环境 |
| 4.2 MCVideo服务器的实现 |
| 4.2.1 MCVideo服务器的软件架构 |
| 4.2.2 话语权控制模块的实现 |
| 4.2.3 多媒体分发模块的实现 |
| 4.2.4 E-MBMS集群通信服务管理模块的实现 |
| 4.2.5 DASH服务器模块的实现 |
| 4.3 BM-SC实体的实现 |
| 4.3.1 BM-SC实体的软件架构 |
| 4.3.2 E-MBMS集群通信服务管理模块的实现 |
| 4.3.3 E-MBMS承载管理模块的实现 |
| 4.3.4 E-MBMS承载上下文模块的实现 |
| 4.3.5 用户面数据传输模块的实现 |
| 4.4 MBMS GW实体的实现 |
| 4.4.1 MBMS GW实体的软件架构 |
| 4.4.2 MBMS GW控制面模块的实现 |
| 4.4.3 MBMS承载上下文模块的实现 |
| 4.4.4 用户面数据传输模块的实现 |
| 4.5 MME实体的实现 |
| 4.5.1 MME实体的软件架构 |
| 4.5.2 MME控制面模块的实现 |
| 4.5.3 MBMS承载上下文模块的实现 |
| 4.6 本章小结 |
| 5 基于E-MBMS的 MCVideo视频组播技术的验证 |
| 5.1 验证平台 |
| 5.1.1 软件验证平台 |
| 5.1.2 硬件验证平台 |
| 5.1.3 验证平台的搭建 |
| 5.2 验证方案 |
| 5.3 验证内容 |
| 5.4 验证结果 |
| 5.4.1 E-MBMS集群通信服务激活流程 |
| 5.4.2 E-MBMS集群通信服务去激活流程 |
| 5.4.3 E-MBMS集群通信服务更新流程 |
| 5.4.4 MBMS用户面数据的同步性能 |
| 5.4.5 MBMS用户面数据的传输时延 |
| 5.4.6 MBMS用户面数据的吞吐量 |
| 5.5 本章小结 |
| 6 结论 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（3）IP语音数据包的队列调度算法优化研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究思路和研究内容 |
| 1.3.1 研究思路 |
| 1.3.2 研究内容 |
| 1.4 论文章节安排 |
| 2 相关技术及理论 |
| 2.1 VoIP技术原理 |
| 2.2 QoS对IP网络的重要性 |
| 2.3 QoS服务类型 |
| 2.4 分类与标记 |
| 2.5 排队论 |
| 2.6 队列调度算法 |
| 2.7 流量整形与限速 |
| 2.8 本章小结 |
| 3 改进的低延迟队列算法 |
| 3.1 队列调度算法的应用背景 |
| 3.1.1 网络拥塞产生的原因 |
| 3.1.2 网络拥塞造成的影响 |
| 3.2 服务质量度量指标 |
| 3.3 多业务场景的需求 |
| 3.4 低延迟队列算法 |
| 3.4.1 LLQ基本原理 |
| 3.4.2 LLQ存在的问题 |
| 3.5 低延迟队列算法的改进 |
| 3.5.1 算法改进思路 |
| 3.5.2 语音数据包的排队模型 |
| 3.5.3 改进的低延迟队列算法基本原理 |
| 3.5.4 改进低延迟队列算法基本步骤 |
| 3.6 本章小结 |
| 4 实验仿真与分析 |
| 4.1 测试方案思路 |
| 4.2 网络QoS的测试方法 |
| 4.2.1 网络时延的测试方法 |
| 4.2.2 网络抖动测试方法 |
| 4.2.3 网络性能测试指标 |
| 4.3 仿真平台搭建 |
| 4.4 网络拓扑搭建 |
| 4.5 实验验证 |
| 4.5.1 利用SLA技术产生模拟流量 |
| 4.5.2 网络正常时各业务的网络指标 |
| 4.5.3 利用流量管理限制链路带宽制造网络拥塞 |
| 4.5.4 网络拥塞时各业务的网络指标 |
| 4.5.5 利用GNS3做PBR和 MQC的实验 |
| 4.5.6 LLQ和 I-LLQ的验证实验 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读硕士研究生期间发表的论文 |
| 攻读硕士研究生期间发表的专利 |
| 攻读硕士研究生期间参与的科研项目 |
| 攻读硕士研究生期间获得的奖项 |
| 缩略语对照表 |
（4）基于多径协同的虚拟现实传输系统设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状和技术难点 |
| 1.2.1 用户体验量化 |
| 1.2.2 超低时延传输 |
| 1.3 主要研究内容和创新点 |
| 1.4 论文结构 |
| 第二章 虚拟现实传输系统体系结构分析 |
| 2.1 全景视频制作和传输 |
| 2.1.1 获取和拼接 |
| 2.1.2 投影方案 |
| 2.1.3 内容编码 |
| 2.1.4 封装和传输 |
| 2.1.5 渲染和显示 |
| 2.2 基于网络的视频流传输体系 |
| 2.2.1 基于吞吐量的传输系统 |
| 2.2.2 基于缓冲区的传输系统 |
| 2.2.3 混合传输系统 |
| 2.3 基于内容的视频流传输体系 |
| 2.3.1 非基于视口的传输系统 |
| 2.3.2 基于视口的传输系统 |
| 2.3.3 基于图块的传输系统 |
| 2.4 本章小结 |
| 第三章 系统总体设计 |
| 3.1 系统需求分析 |
| 3.1.1 虚拟现实网络场景分析 |
| 3.1.2 应用场景需求分析 |
| 3.2 系统架构设计 |
| 3.2.1 总体架构设计 |
| 3.2.2 系统工作流程 |
| 3.3 系统功能模块划分 |
| 3.3.1 视频编码控制模块设计 |
| 3.3.2 数据选路与分发模块设计 |
| 3.3.3 数据接收与反馈模块设计 |
| 3.4 本章小结 |
| 第四章 数据接收与反馈模块和视频编码控制模块设计 |
| 4.1 视频数据分块设计 |
| 4.1.1 HEVC编码方案 |
| 4.1.2 混合编码方案设计 |
| 4.2 全景视频质量评价指标设计 |
| 4.2.1 传统视频质量评价指标 |
| 4.2.2 基于视点的VR视频质量评价指标 |
| 4.3 虚拟现实用户QoE评价指标设计 |
| 4.3.1 虚拟现实QoE影响因素分析 |
| 4.3.2 主观QoE评价指标(Sub_VQ) |
| 4.3.3 客观QoE评价指标(Obj_VQ) |
| 4.3.4 实验评估与分析 |
| 4.4 信息反馈数据包结构设计 |
| 4.5 码率自适应算法设计 |
| 4.5.1 算法设计与流程 |
| 4.5.2 算法效果分析 |
| 4.6 本章小结 |
| 第五章 数据选路与分发模块设计 |
| 5.1 多径传输与问题分析 |
| 5.1.1 MPTCP协议简介 |
| 5.1.2 目前的MPTCP数据包调度算法 |
| 5.1.3 存在的问题与挑战 |
| 5.2 基于视口感知的多径协同传输算法设计 |
| 5.2.1 强化学习优化的多径调度算法 |
| 5.2.2 多径协同传输算法设计 |
| 5.2.3 实验验证与分析 |
| 5.3 多用户场景下多径协同传输算法设计 |
| 5.3.1 算法设计与流程 |
| 5.3.2 实验验证与分析 |
| 5.4 本章小结 |
| 第六章 系统测试 |
| 6.1 测试环境部署 |
| 6.1.1 测试环境 |
| 6.1.2 测试数据 |
| 6.2 功能测试 |
| 6.2.1 服务端功能测试 |
| 6.2.2 客户端功能测试 |
| 6.2.3 各模块功能测试 |
| 6.3 性能测试 |
| 6.4 测试结果分析 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.2 未来展望 |
| 参考文献 |
| 致谢 |
（5）移动边缘智能系统中的资源管理相关技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 边缘智能的引出 |
| 1.1.1 移动通信网络架构的演进 |
| 1.1.2 边缘智能的技术特点 |
| 1.2 边缘智能的研究现状与应用前景 |
| 1.2.1 AI模块的边缘部署 |
| 1.2.2 智能化的MEC |
| 1.3 论文研究意义与主要贡献 |
| 1.4 论文组织结构与主要研究内容 |
| 参考文献 |
| 第二章 深度强化学习关键技术介绍 |
| 2.1 深度强化学习技术的引入 |
| 2.2 强化学习基本原理 |
| 2.2.1 马尔可夫决策过程 |
| 2.2.2 价值函数 |
| 2.2.3 时间差分学习 |
| 2.2.4 Q学习算法与SARSA算法 |
| 2.3 深度强化学习基本原理 |
| 2.3.1 深度学习 |
| 2.3.2 深度Q网络技术及其拓展 |
| 2.4 本章小结 |
| 参考文献 |
| 第三章 移动边缘计算系统中的多媒体多业务服务质量优化 |
| 3.1 多媒体多业务优化问题的提出 |
| 3.2 相关研究工作 |
| 3.3 系统模型 |
| 3.3.1 MEC系统的多业务场景 |
| 3.3.2 QoS流映射与数据包调度 |
| 3.3.3 流量模型 |
| 3.3.4 时延模型 |
| 3.3.5 优化问题构造 |
| 3.4 基于DQN的多媒体多业务优化框架 |
| 3.4.1 DQN框架设计 |
| 3.4.2 基于DQN的资源分配算法 |
| 3.5 仿真结果与性能分析 |
| 3.5.1 多媒体多业务场景模型配置 |
| 3.5.2 DQN框架收敛性分析 |
| 3.5.3 基于DQN的无线资源分配算法性能分析 |
| 3.6 本章小结 |
| 参考文献 |
| 第四章 雾接入网络中时延感知的缓存更新策略 |
| 4.1 雾无线接入网络中缓存更新问题的提出 |
| 4.2 相关研究工作 |
| 4.3 系统模型 |
| 4.3.1 基于F-RAN架构的协作缓存和内容下发场景 |
| 4.3.2 用户移动模型 |
| 4.3.3 文件缓存模型 |
| 4.3.4 内容下发模型 |
| 4.3.5 优化问题构造 |
| 4.4 文件传输时延感知的缓存更新策略 |
| 4.4.1 马尔可夫决策过程建模 |
| 4.4.2 Dueling DQN框架设计 |
| 4.4.3 基于Dueling DQN的时延感知缓存文件更新策略 |
| 4.5 仿真结果与性能分析 |
| 4.5.1 F-RAN系统中协作缓存场景参数配置 |
| 4.5.2 Dueling DQN框架收敛性分析 |
| 4.5.3 时延感知缓存文件更新策略性能分析 |
| 4.6 本章小结 |
| 参考文献 |
| 第五章 边缘智能系统中多节点协作缓存与多业务内容交付 |
| 5.1 边缘智能系统中基于混合服务节点多业务优化问题的引出 |
| 5.1.1 相关研究工作 |
| 5.1.2 主要目的与贡献 |
| 5.2 系统模型 |
| 5.2.1 边缘智能系统中面向移动用户的多服务多节点协作架构 |
| 5.2.2 移动模型 |
| 5.2.3 缓存模型 |
| 5.2.4 下行通信模型 |
| 5.2.5 优化问题构造 |
| 5.3 基于学习的多节点缓存与资源分配算法 |
| 5.3.1 基于无监督学习的多节点混合缓存策略 |
| 5.3.2 边缘服务节点选择策略 |
| 5.3.3 基于深度强化学习的下行子信道分配策略 |
| 5.4 仿真结果与性能分析 |
| 5.4.1 参数配置 |
| 5.4.2 时间复杂度分析 |
| 5.4.3 算法性能分析 |
| 5.5 本章小结 |
| 参考文献 |
| 第六章 总结和展望 |
| 6.1 本论文工作总结 |
| 6.2 未来工作展望 |
| 缩略语表 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（6）面向超低时延场景下的实时媒体流分发策略（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 流媒体直播传输技术和码率自适应算法 |
| 1.2.2 超低时延应用的传输层需求和传输协议 |
| 1.3 研究内容 |
| 1.4 论文组织结构 |
| 第二章 相关技术简介 |
| 2.1 流媒体直播传输码率自适应 |
| 2.1.1 流媒体直播架构 |
| 2.1.2 基于HTTP的流媒体传输协议DASH |
| 2.1.3 码率自适应算法 |
| 2.2 拥塞控制算法 |
| 2.3 深度强化学习 |
| 2.3.1 基本原理 |
| 2.3.2 算法分类 |
| 2.3.3 A3C: Actor-Critic网络的异步更新算法 |
| 2.4 本章小结 |
| 第三章 L2AC-E:集成深度强化学习的时延敏感性码率自适应算法 |
| 3.1 引言 |
| 3.2 问题分析 |
| 3.2.1 系统架构分析 |
| 3.2.2 算法决策分析 |
| 3.3 L2AC-E码率自适应算法 |
| 3.3.1 L2AC |
| 3.3.2 模型集成 |
| 3.3.3 实际参数配置 |
| 3.4 仿真器与数据集 |
| 3.4.1 直播环境仿真器介绍 |
| 3.4.2 实验数据集说明 |
| 3.5 实验与分析 |
| 3.5.1 对比实验介绍和性能分析 |
| 3.5.2 模型集成对比实验 |
| 3.5.3 QoE详细分析 |
| 3.5.4 L2AC-E vs.现存其他ABR算法 |
| 3.5.5 实用性分析 |
| 3.6 本章小结 |
| 第四章 时延敏感的传输层调度算法 |
| 4.1 引言 |
| 4.2 问题分析 |
| 4.2.1 系统架构分析 |
| 4.2.2 算法决策分析 |
| 4.3 时延敏感的传输层调度算法 |
| 4.3.1 基于启发式和深度强化学习的拥塞控制算法 |
| 4.3.1.1 基于启发式的拥塞控制算法 |
| 4.3.1.2 基于深度强化学习的拥塞控制算法 |
| 4.3.2 选包调度算法 |
| 4.3.3 实际参数配置 |
| 4.4 仿真器与数据集 |
| 4.4.1 DTP环境仿真器介绍 |
| 4.4.2 实验数据集说明 |
| 4.5 实验与分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（7）面向超级基站的异构资源池互连关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 集中式接入网架构研究现状 |
| 1.3 异构资源池互连面临的问题和挑战 |
| 1.4 论文的研究内容与主要贡献 |
| 1.4.1 面向互连容量优化的时延敏感的基带功能动态分割策略研究 |
| 1.4.2 面向互连容量优化的数据感知的射频基带动态高速交换技术研究 |
| 1.4.3 面向能耗优化的异构基带处理资源池资源分配策略研究 |
| 1.5 本文的组织结构 |
| 1.6 参考文献 |
| 第二章 异构资源池互连问题分析及解决方法综述 |
| 2.1 异构资源池互连系统概述 |
| 2.1.1 异构资源池互连关键技术 |
| 2.1.2 异构资源池互连问题分析 |
| 2.2 异构资源池互连问题解决方法综述 |
| 2.2.1 基带功能动态分割策略 |
| 2.2.2 射频基带动态高速交换技术 |
| 2.2.3 异构基带处理资源池资源分配策略 |
| 2.3 小结 |
| 2.4 参考文献 |
| 第三章 面向互连容量优化的时延敏感的基带功能动态分割策略研究 |
| 3.1 引言 |
| 3.2 系统模型 |
| 3.2.1 前传网络容量模型 |
| 3.2.2 基带功能任务执行时延模型 |
| 3.2.3 优化问题 |
| 3.3 问题求解 |
| 3.3.1 算法参数设定 |
| 3.3.2 算法步骤 |
| 3.3.3 算法复杂度分析 |
| 3.4 仿真实验与性能评估 |
| 3.4.1 仿真环境和参数设置 |
| 3.4.2 仿真结果和分析 |
| 3.5 支持基带功能动态分割策略的射频资源池设计 |
| 3.6 结论 |
| 3.7 参考文献 |
| 第四章 面向互连容量优化的数据感知的射频基带动态高速交换技术研究 |
| 4.1 引言 |
| 4.2 网络业务流量特性分析 |
| 4.2.1 现象分析 |
| 4.2.2 网络流量模型 |
| 4.3 排队结构 |
| 4.4 调度算法 |
| 4.4.1 数据识别表的引入 |
| 4.4.2 数据感知实现机制 |
| 4.4.3 数据感知调度算法 |
| 4.5 实验与性能评估 |
| 4.5.1 验证环境和参数设置 |
| 4.5.2 验证结果和分析 |
| 4.6 结论 |
| 4.7 参考文献 |
| 第五章 面向能耗优化的异构基带处理资源池资源分配策略研究 |
| 5.1 引言 |
| 5.2 系统模型 |
| 5.2.1 任务计算资源需求模型 |
| 5.2.2 基带功能任务执行时延模型 |
| 5.2.3 异构基带处理资源池能耗模型 |
| 5.3 优化问题 |
| 5.4 问题求解 |
| 5.4.1 求解分析 |
| 5.4.2 算法设计 |
| 5.5 仿真实验与性能评估 |
| 5.5.1 仿真环境和参数设置 |
| 5.5.2 仿真结果和分析 |
| 5.6 异构资源池互连系统设计及资源分配策略应用 |
| 5.7 结论 |
| 5.8 参考文献 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 附录英文缩略词 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（8）基于DPDK二层转发的QoS策略研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要工作及组织结构 |
| 第二章 DPDK技术和二层转发实现 |
| 2.1 DPDK的技术原理 |
| 2.2 DPDK的内存结构分析 |
| 2.3 DPDK安装与配置 |
| 2.4 二层转发l2fwd |
| 2.5 本章小结 |
| 第三章 QoS技术和策略算法概述 |
| 3.1 QoS原理简述 |
| 3.1.1 QoS基本概念 |
| 3.1.2 QoS处理流程 |
| 3.2 数据包分类和优先级识别 |
| 3.2.1 报文携带的优先级 |
| 3.2.2 Wireshark抓包分析 |
| 3.3 队列和拥塞管理 |
| 3.4 队列调度算法 |
| 3.5 本章小结 |
| 第四章 排队论概述与排队模型的设计 |
| 4.1 排队论综述 |
| 4.1.1 排队论的基本概念 |
| 4.1.2 排队论在QoS中的应用 |
| 4.2 排队系统的组成和表示方法 |
| 4.3 排队系统模型的建立 |
| 4.3.1 系统模型描述 |
| 4.3.2 系统相关指标 |
| 4.3.3 系统仿真 |
| 4.4 本章小结 |
| 第五章 二层转发的QoS策略仿真实现及结果分析 |
| 5.1 开发与测试环境 |
| 5.2 QoS策略设计需求分析 |
| 5.3 构造测试流量模型 |
| 5.4 QoS策略的启动 |
| 5.5 实验结果分析 |
| 5.6 本章小结 |
| 第六章 总结和展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
（9）列车控制与服务网络流量分类与监管（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题的背景与意义 |
| 1.1.1 课题的研究背景 |
| 1.1.2 课题的研究意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 列车通信网络发展现状分析 |
| 1.2.2 列车通信网络关键技术研究现状分析 |
| 1.2.3 列车通信网络仿真研究现状分析 |
| 1.2.4 现有研究工作存在的问题或不足 |
| 1.3 论文的研究目标和主要研究工作 |
| 1.3.1 论文的研究目标 |
| 1.3.2 论文的主要研究工作 |
| 1.4 论文的组织结构 |
| 第2章 TCSN流量特性分析、建模与分类 |
| 2.1 TCSN概述 |
| 2.1.1 TCSN简介 |
| 2.1.2 TCSN控制业务 |
| 2.1.3 TCSN旅客服务业务 |
| 2.2 TCSN列车控制业务流量特性分析与建模 |
| 2.3 TCSN旅客服务业务流量特性分析与建模 |
| 2.3.1 TCSN旅客服务流量数据来源与预处理 |
| 2.3.2 流量特性分析数学基础 |
| 2.3.3 TCSN旅客服务流量特性分析与建模 |
| 2.3.4 TCSN旅客服务流量特性与流量模型总结 |
| 2.4 TCSN流量分类与标记 |
| 2.4.1 TCSN流量分类 |
| 2.4.2 TCSN流量标记 |
| 2.5 本章小结 |
| 第3章 TCSN流量监管 |
| 3.1 TCSN流量监管需求分析与总体方案设计 |
| 3.1.1 TCSN流量监管需求分析 |
| 3.1.2 已有的TCSN流量监管算法 |
| 3.1.3 新型TCSN流量监管算法设计 |
| 3.2 TCSN流量定量分析 |
| 3.2.1 数据准备 |
| 3.2.2 分析方法 |
| 3.2.3 TCSN流量定量分析结果 |
| 3.3 TCSN传输服务质量需求分析与SLA/TCA制订 |
| 3.3.1 TCSN列车控制业务Qo S需求分析 |
| 3.3.2 TCSN旅客服务业务Qo S需求分析 |
| 3.3.3 SLA制订 |
| 3.3.4 TCA制订 |
| 3.4 TCSN流量监管算法详细设计 |
| 3.4.1 TCSN流量监管总体方案设计 |
| 3.4.2 一级令牌产生模块设计 |
| 3.4.3 二级令牌重分配模块设计 |
| 3.4.4 三级令牌再分配模块设计 |
| 3.5 TCSN流量监管算法仿真分析 |
| 3.5.1 仿真实验方案及实验参数设置 |
| 3.5.2 仿真实验结果分析 |
| 3.6 本章小结 |
| 第4章 基于离散事件的TCSN性能仿真 |
| 4.1 TCSN仿真系统总体架构和功能模块设计 |
| 4.1.1 TCSN仿真系统总体架构设计 |
| 4.1.2 TCSN仿真系统功能模块设计 |
| 4.1.3 统计的性能参数 |
| 4.2 基于离散事件的TCSN仿真系统设计思路 |
| 4.3 TCSN仿真程序详细设计与实现 |
| 4.3.1 仿真时钟管理模块详细设计与实现 |
| 4.3.2 主控模块详细设计与实现 |
| 4.3.3 流量监管模块详细设计与实现 |
| 4.3.4 入队管理模块详细设计与实现 |
| 4.3.5 流量调度模块详细设计与实现 |
| 4.4 仿真流量产生 |
| 4.5 基于仿真的TCSN系统性能分析 |
| 4.5.1 不同网络带宽下的并发用户数分析 |
| 4.5.2 不同类处理方案下的系统性能仿真分析 |
| 4.5.3 不同监管算法下的系统性能仿真分析 |
| 4.5.4 不同调度算法下的系统性能仿真分析 |
| 4.6 根据仿真结果给出的TCSN使用建议 |
| 4.7 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 致谢 |
| 参考文献 |
| 在读期间的科研工作及论文发表情况 |
（10）冰情检测系统的构建及雾无线网络传输技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 冰情检测技术研究现状 |
| 1.2.1 冰层厚度检测技术的研究进展 |
| 1.2.2 积雪深度检测技术的研究进展 |
| 1.2.3 静冰压力检测技术的研究进展 |
| 1.2.4 河道流凌密度检测技术的研究进展 |
| 1.3 通信网络传输技术研究现状及发展前景 |
| 1.3.1 通信网络传输技术发展历程 |
| 1.3.2 移动通信网络发展历程 |
| 1.3.3 5G移动通信网络研究现状 |
| 1.3.4 通信网络传输技术在冰情检测领域的应用现状 |
| 1.4 本论文的主要研究工作及章节安排 |
| 第二章 冰情检测方法及具有5G网络入网功能的冰情检测传感系统设计 |
| 2.1 引言 |
| 2.2 具有5G网络入网功能的冰情检测系统设计 |
| 2.2.1 NB-IoT技术发展历程 |
| 2.2.2 NB-IoT模块结构 |
| 2.2.3 基于NB-IoT与5G网络数据传输技术的冰情检测系统设计 |
| 2.3 冰层厚度及冰下水位检测传感器 |
| 2.3.1 冰层厚度及冰下水位检测的基本原理 |
| 2.3.2 冰层厚度及冰下水位检测传感器 |
| 2.3.3 基于NB-IoT接口技术的冰层厚度及冰下水位检测传感器设计 |
| 2.4 积雪深度检测传感器 |
| 2.4.1 积雪深度检测的基本工作原理 |
| 2.4.2 积雪深度检测传感器 |
| 2.4.3 基于NB-IoT接口技术的积雪深度传感器电路设计 |
| 2.5 静冰压力检测传感装置 |
| 2.5.1 静冰压力检测的基本原理 |
| 2.5.2 光纤传感器基本工作原理 |
| 2.5.3 基于NB-IoT接口技术的多通道光纤静冰压力检测传感装置设计 |
| 2.6 河道流凌密度检测 |
| 2.6.1 河道流凌密度检测系统设计 |
| 2.6.2 河道流凌密度检测系统及检测数据传输原理 |
| 2.7 本章小结 |
| 第三章 基于冰情检测传感系统动态优先级调度的分簇组网技术 |
| 3.1 引言 |
| 3.2 无线传感器系统组网方法及调度算法原理 |
| 3.2.1 无线传感器系统组网方法 |
| 3.2.2 无线传感器系统调度算法原理 |
| 3.3 基于分簇组网的冰情检测网络 |
| 3.3.1 基于分簇组网的冰情检测传感器网络结构 |
| 3.3.2 基于Zig Bee的冰情检测网络内部传输功能设计 |
| 3.3.3 动态优先级分配的冰情检测网络调度算法 |
| 3.4 基于动态优先级分配的分簇组网冰情检测传输技术仿真分析 |
| 3.4.1 基于动态优先级分配算法仿真参数设置 |
| 3.4.2 仿真测试及结果分析 |
| 3.5 改进的K-means冰情检测数据融合算法理论研究 |
| 3.5.1 数据融合理论模型 |
| 3.5.2 改进的基于距离代价函数的K-means算法 |
| 3.6 基于BP神经网络及改进型K-means算法的冰情检测数据分析 |
| 3.6.1 BP神经网络算法原理 |
| 3.6.2 基于BP神经网络的冰情检测数据分析 |
| 3.6.3 基于BP神经网络及改进型K-means算法的仿真测试与实验分析 |
| 3.7 本章小结 |
| 第四章 基于分层内容分发的5G雾无线网络传输技术及其在河道流凌密度检测应用中建模及仿真研究 |
| 4.1 引言 |
| 4.2 雾无线网络传输技术研究 |
| 4.2.1 5G网络架构及关键技术 |
| 4.2.2 雾无线接入网络架构 |
| 4.2.3 基于分层内容分发的F-RAN网络原理 |
| 4.3 河道流凌检测传输系统模型 |
| 4.3.1 F-RAN传输系统模型 |
| 4.3.2 分层内容分发策略模型 |
| 4.4 河道流凌检测雾无线网络BS和F-UE的传输概率模型 |
| 4.4.1 BS的传输概率理论模型 |
| 4.4.2 F-UE的传输概率理论模型 |
| 4.5 基于分层内容分发雾无线网络的河道流凌密度数据传输技术仿真分析 |
| 4.5.1 BS提供服务的河道流凌密度检测C-UE设备的SCDP |
| 4.5.2 河道流凌密度检测F-UE提供服务的C-UE的SCDP |
| 4.5.3 河道流凌密度检测C-UE的均值SCDP |
| 4.5.4 河道流凌密度检测数据传输方案数值模拟及仿真结果分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文研究工作总结 |
| 5.2 研究工作的不足与展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
四、多媒体数据包调度算法试验系统的设计与实现（论文参考文献）
- [1]基于移动边缘计算的车联网资源调度策略研究[D]. 马燕燕. 北京邮电大学, 2021(01)
- [2]基于E-MBMS的宽带数字集群系统MCVideo视频组播技术的研究与验证[D]. 杨媛. 北京交通大学, 2021(02)
- [3]IP语音数据包的队列调度算法优化研究[D]. 管米利. 西安科技大学, 2021(02)
- [4]基于多径协同的虚拟现实传输系统设计与实现[D]. 赵妍. 北京邮电大学, 2021(01)
- [5]移动边缘智能系统中的资源管理相关技术研究[D]. 郭伯仁. 北京邮电大学, 2021(01)
- [6]面向超低时延场景下的实时媒体流分发策略[D]. 赵印. 北京邮电大学, 2021(01)
- [7]面向超级基站的异构资源池互连关键技术研究[D]. 马英矫. 北京邮电大学, 2020(01)
- [8]基于DPDK二层转发的QoS策略研究[D]. 井红梅. 南京大学, 2020(02)
- [9]列车控制与服务网络流量分类与监管[D]. 汪永斌. 西南交通大学, 2020(07)
- [10]冰情检测系统的构建及雾无线网络传输技术研究[D]. 钟震宇. 太原理工大学, 2020(07)