内容提供者
边缘-云协同系统中基于学习优化方法的虚拟网络功能放置方法.pdf
2023-05-26
10金币
2.3MB
35页
一吃****新冬
实名认证
内容提供者
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10
亲，该文档总共35页，到这已经超出免费预览范围，如果喜欢就直接下载吧～
相关资料
边缘-云协同系统中基于学习优化方法的虚拟网络功能放置方法.pdf
本发明提出了一种边云协同系统中基于学习优化方法的虚拟网络功能放置决策方法,包括以下步骤:S1,获取边缘云和第三方云数据;S2,根据获取的边缘云和第三方云数据进行优化放置决策。本发明首先建立了基于代价的虚拟网络功能放置的优化决策问题,然后将该模型以马尔可夫决策模型进行描述;通过把深度强化学习与组合优化求解相结合提出了基于“行动?判别”的虚拟网络功能放置双重放置框架,提出的网络功能放置算法在不同规模的边云场景下中均具有良好的适应性,并且能够通过合理的虚拟化类型选择和放置位置决策获得更低的系统开销,并为需求方用
2023-05-26
10
2.3MB
基于车载网络边缘的缓存内容放置方法及系统.pdf
本发明提供了一种基于车载网络边缘的缓存内容放置方法及系统。将预定基站通信范围内的车辆定义为请求车辆和服务车辆并划分优先级；针对通信范围内的车辆得出基站所需服务的数据包数量；根据缓存内容的流行度、请求车辆的数量、通信区域内服务车辆的数目、服务车辆中的缓存内容放置状况，得出基站的平均能耗；构建优化问题模型以降低基站的总功耗。本方法综合考虑车辆缓存更新的时间、车辆的数目、车辆移动性、车辆之间的通信时间不固定以及服务车辆无法传递自身存储的所有数据包，在提出车辆选择策略的基础上，制定缓存内容放置方法，并提出优化问题
2023-07-24
10
562KB
移动边缘网络中基于FDQL的多维资源协同优化方法.pdf
现有技术中，移动边缘网络呈现出智能化、多元化、综合化的趋势，使得多维资源最优分配面临诸多挑战。为了提升多维资源优化的精确性，本发明提出一种移动边缘网络中基于FDQL的多维资源协同优化方法。本方法以最小化MOS为优化目标来构建多维资源分配模型，并设计一种双层的决策方案。首先，底层的基站利用双深度Q学习DDQL进行局部模型训练以获得短周期内最优决策；然后，上层的边缘节点利用联邦深度学习FDQL进行全局模型训练以降低长周期内分布式决策的偏差。实验结果表明，所提算法在降低内容服务时延和提高用户体验质量方面都优于其
2023-07-24
10
1.5MB
一种边缘计算的虚拟网络功能部署方法与系统.pdf
本发明的实施例公开了一种边缘计算的虚拟网络功能部署方法与系统，涉及边缘计算技术领域。所述方法，计算当前用户设备到每个边缘设备的最短数据传输距离；根据每个边缘设备当前已部署的虚拟网络功能组件数量，计算每个边缘设备的部署判定值；根据所述部署判定值，筛选出能部署用于响应当前用户设备的新虚拟网络功能组件的边缘设备，作为备选边缘设备；根据当前用户设备与每个备选边缘设备之间的最短数据传输距离和数据传输速度，确定一个备选边缘设备作为用于响应当前用户设备的目标边缘设备；在所述目标边缘设备上部署响应当前用户设备需要的新的虚
2023-07-24
10
692KB
车联网中基于服务的虚拟网络功能放置算法.pptx
车联网中基于服务的虚拟网络功能放置算法目录添加章节标题算法概述算法定义算法目标算法原理算法流程算法实现虚拟网络功能定义虚拟网络功能分类虚拟网络功能选择虚拟网络功能放置策略算法性能评估评估指标评估方法评估结果结果分析算法优势与局限性算法优势局限性分析改进方向应用场景与其他算法的比较比较对象选择算法性能对比优缺点分析适用场景分析THANKYOU
2024-10-04
20
2.3MB