一、网络环境下JPEG算法的研究（论文文献综述）
汤萍萍[1]（2021）在《QoS感知的网络流分类和聚集方法研究》文中进行了进一步梳理网络流量分类是执行网络监测、资源管理和安全控制的必要技术手段,是通信网络领域的一个重点关注问题。传统的网络流量分类技术在处理加密流量以及用户隐私方面存在局限性而逐渐被淘汰,基于流特征的分类方法正成为研究热点。根据流特征的不同提取方式,可进一步划分为统计特征方法和深度学习方法。随着分类粒度变细统计特征方法因“特征工程”问题陷入困境;而深度学习方法则要求目标类固定且系统的训练过程庞杂,此外深度学习暂不具备自学习和自适应的能力,因此不适用于在线网络分类。于是本文深入分析网络流量特性,解析流量分类所处困境的根源,在数据相关性的基础上寻求问题解决的关键点,继而引入分形理论实现流量分类技术的革新。此外,流量分类技术最主要的目的是实现区分服务并保障异构网络环境下的端到端Quality of Service（QoS）。流量在分类传输时如果孤立与QoS的关系将会导致:同一个聚集流里的业务流可能有截然不同的QoS需求;而不同聚集流里的一些业务流可能有相同的QoS需求。这样的聚集结果明显不利于端到端QoS的执行,也有悖于众多QoS框架。为此,流量分类聚集研究需要以QoS为驱动,而现有的网络业务流到QoS类的映射一般采用定量的方式,这类方法需要业务流给出确定的QoS参数值以及QoS参数权值,而现实中这些因素往往是不确定且不精确的,于是基于偏好逻辑理论,本文提出一种定性的网络流映射方法以解决上述问题。本文主要研究工作和贡献如下:1)基于流量分形理论提出流分形特性。对流量数据进行大量观测和分析,发现导致统计特征失效的原因在于统计独立性假设,也即,假设流中持续到达的包是统计独立的,包的大小以及间隔时间也是统计独立的;但研究表明这些数据之间是紧密相关的。于是本文摈弃独立性假设,基于数据包相关性论证网络流具有分形的特性,为流分形特征用于网络流量分类提供理论基础。2)基于分形指数的流分类。众多研究表明应用程序发出的数据流总是遵循着特定的协议、传输方式和对话规则,因此同类型的业务流往往有着类似的“流形”。分形指数是分形事物描述自相似程度的一种总体表征,可借助分形指数来粗略描述流量的流形之间存在的总体差异并以此分类。实验数据表明基于分形指数的流分类技术对QQ、PPlive、GAME、BT四种视频流的分类准确率高达97%。可见分形指数对于粗粒度的流分类具有实际意义。3)小波域分形指数感知的流分类。分形指数粗略体现流形的差异,可应用于网络流量的粗粒度分类;但是随着分类粒度变细流形之间的差异减小,模糊的分形指数会导致分类不稳定,为此在小波域内提出一种获得精确分形指数的计算模型以改进不足。在该模型中,首先推导小波域内分形指数的形成过程,再基于代价函数分析最优分段,用聚类差异度方法计算分段分形指数的总体差异量,最后基于最大类间方差阈值实施分类。研究结果表明小波域分形指数具有非常强的稳定性,当实验环境发生变化该方法适应能力较强。4)基于分形谱的QoS感知流量细分类。分形指数的本质是对流形的宏观表征,因其缺乏细节特征而无法应用于细粒度的网络流量分类,为此引入分形谱来描述流形在多尺度上的复杂分形特征,刻画突发数据的细节特点并以此进行细分类。然而在现实中要准确计算网络流量的分形谱并非易事。本文采用数值分析的方法得到其估计值,为此首先定义流的测度函数τ（q）,再基于经典的勒让德变换推导分形谱与测度函数τ（q）之间的等价关系,从而使用现实中容易得到的τ（q）谱来描述流在理论上的复杂分形特征并用于流量的细分类。在测试时从即时视频、流媒体等20种QoS类中随机选取500条流,实验结果表明分形谱感知的流量分类方法在QoS感知的细分类方面性能优越。5)粒子域内QoS感知的流量软分类。在动态网络中数据丢包、重传、乱序随时出现,导致待测数据与训练数据之间出现较大的偏差而不能被正确识别,为此引入粒子计算理论,提出一种改进的流量软分类模型。在软分类模型中,首先定义网络流量粒子,然后分析粒子间的分形特征形成粒关系矩阵。传统的包统计特征是粒关系矩阵当观测角度达到最大时的特例,因此粒关系矩阵对流量特性的描述更为全面,以此进行分类也更为精准。最后将本文方法与I-SVM（Support Vector Machine）,K-L（Kullback Leibler）,SFNN（Traffic Classification with Nearest Neighbor）等方法做比较,当QoS类动态变化时本文方法显示出较好的性能。6)基于偏好逻辑的QoS感知流聚集。流量聚集传输必须建立在QoS基础之上,为此本文提出一种定性的聚集方法,该方法基于偏好逻辑和QoE（Quality of Experience）建模网络业务流的QoS需求,借助非单调推理在动态变化的候选集QoS队列中进行选择,最终实现一种动态聚集方法。实验结果表明本文提出的流聚集方法可有效建模业务流的QoS需求;在高可变的动态环境中,当业务流QoS参数的数值或权重发生变化,或QoS队列发生变化,都能对业务流进行有效的聚集调节以充分利用系统资源。与其他聚集方法相比,本文所提的基于偏好逻辑的流聚集方法在延时、丢包率、吞吐量方面表现优良。
杜丽娜,卓力,杨硕,李嘉锋,张菁[2]（2021）在《基于强化学习的移动视频流业务码率自适应算法研究进展》文中研究指明近几年来,随着HTTP自适应流媒体（HAS）视频数据集和网络轨迹数据集的不断推出,强化学习、深度学习等机器学习方法被不断应用到码率自适应（ABR）算法中,通过交互学习来确定码率控制的最优策略,取得了远超过传统启发式方法的性能。在分析ABR算法研究难点的基础上,重点阐述了基于强化学习（包括深度强化学习）的ABR算法研究进展。此外,总结了代表性的HAS视频数据集和网络轨迹数据集,介绍了算法性能的评价准则,最后探讨了ABR研究目前存在的问题和未来的方向。
李琪,李虎雄,钟将,英昌甜,李青[3]（2021）在《异构计算环境中图划分算法的研究》文中认为复杂网络的研究已经广泛地应用到生物、计算机等各个学科领域。如今,网络规模十分巨大,如何对这些大规模图数据进行有效率的挖掘计算,是研究复杂网络的首要任务。并行计算技术是现在最成熟、应用最广、最可行的计算加速技术之一。而图划分技术是提高并行计算性能的有效手段。图划分问题的研究是随着实际应用的需求而驱动。针对异构计算环境下的分布式集群,本文提出了一种异构感知的流式图划分算法。该方法既考虑到集群中网络带宽及节点计算能力的不同,同时又考虑到了以InfiniBand为代表的高速网络环境下核之间的共享资源的竞争。实验以图算法BFS、SSSP和PageRank为例,相对于未考虑异构环境的流算法,图计算效率分别平均提高了38%、45.7%、61.8%。同时针对流式图划分过程中邻点缓存查找效率低下问题,本文又设计了一种邻边结构的缓存查找算法,在相同条件下,图划分的效率平均提高了13.4%。仿真实验结果表明,本文设计的异构感知图划分算法实现了异构集群环境下图计算效率的提升。
秦轶翚,马涛[4]（2021）在《对等网络环境下多目标任务容错调度方法研究》文中研究说明为了加强网络环境的可靠性、强化系统运算性能,提出对等网络环境下多目标任务容错调度方法。使用PB算法对处理器进行容错处理,划分任务主、副版本,通过分析任务相应版本与所在处理器的运行时间,构建任务模型与故障模型。拟定多目标任务不同开始时间与时限,通过自适应策略拟定启发式多目标任务容错分配策略,将多目标任务转换为回路任务。设定回路任务的数量与主版、副版本在普通处理器内的运行时间,判断调度序列内任务,计算其在处理器内需要消耗的时间,将结果对比之前拟定的时间判断是否调度成功,成功则启动副版本迭代计算。实验结果表明,所提方法不会因为网络节点数量不同,出现大量任务调度失败的问题,提高了系统性能和网络环境安全。
张家森[5]（2021）在《支持远程驾驶的视频控制决策算法研究》文中研究指明随着汽车制造业的不断发展,国内私家车拥有量快速增长,因此而导致的交通拥堵和出行安全问题日益严重,对智能交通系统的建立有着迫切的需求。近些年来,随着车联网技术不断发展,在汽车行业内引起了广泛关注,远程驾驶技术作为其中重要组成部分,它可以实时追踪车辆的行驶状态,并在情况紧急时,在远端控制中心及时对车辆进行接管,实现远程驾驶,防止危险出现,提高车辆安全行驶。由于汽车在道路上进行远程驾驶时,车辆终端通过网络实时回传的视频信息是远端控制中心进行远程驾驶的重要依据,车辆终端通常在众多不同制式的无线网络覆盖范围内行驶,这就要求汽车终端需要通过有效的网络间的切换和自适应调整视频传输的速率来保持视频图像的稳定回传。本文主要对车辆在车联网环境下进行远程驾驶时的无线网络切换问题和视频实时传输自适应调整码率问题进行研究,并提出相应的解决方案。针对车辆终端在车联网场景下进行网络切换时存在响应不及时和切换次数过多导致乒乓效应的问题,提出一种改进算法。本算法首先对待接入网络进行筛选处理,选取符合条件的网络,然后通过模糊层次分析法确定网络属性的权重,TOPSIS算法进行优先级排序,最后根据排序结果进行切换。仿真结果表明,本文算法具有较好的切换性能,且能够降低切换的频率,减少乒乓效应,提升车端网络系统的切换性能和稳定性。针对车端视频实时传输过程中,由于网络环境的变换,不能自适应的调整视频传输速率,出现延迟、拥塞的问题,改进了一种基于探测法的自适应码率调整方法。该算法将视频接收端反馈的网络评估参数作为对实时网络环境进行预测的依据,在原有的网络状态评估参数丢包率的基础上引入时延抖动作为新的评估参数,然后根据本文所改进的视频传输速率调整机制对网络状态的变化做出及时反应,使视频数据传输速率与网络信道实时匹配,测试结果表明,改进后的算法能够准确地调整视频传输速率,更好的满足车端视频数据传输要求。
李敬兆,陈尚凯[6]（2021）在《退避算法改进及其在矿山物联网应用研究》文中认为针对智慧矿山建设中,数据在无线传输过程存在的传输速率低、覆盖范围不足及稳定性差等问题,将退避算法应用到矿山物联网中,来提升无线网络的性能。而目前常用的退避算法由于缺乏适应能力,无法满足网络环境的变化。因此,对退避算法进行改进,引入一个竞争窗口的门限值CWt,来划分网络环境的负载情况,并采用对应的退避策略以适应变化的网络环境。实验结果表明,采用改进的退避算法对网络进行优化后,矿山物联网的性能有了显着提升。
杨昊宁[7]（2021）在《面向内部网络环境的矢量地理数据访问控制方法》文中指出
陈海波[8]（2021）在《超密集异构网络中基于智能方法的网络选择算法研究》文中研究指明
兰振旭[9]（2021）在《面向地理模型分布式应用的数据资源就地共享方法研究》文中指出
何淑庆[10]（2021）在《CED-SOA服务动态协同模型和算法研究》文中研究指明随着物联网、大数据、云计算、人工智能和服务计算等新一代信息技术的发展和深度融合,逐步催生出大规模和智能化的物联网应用。物联网应用中的服务提供朝着精细化、层次化、复杂化和智能化等方向发展,这导致服务动态协同面临诸多新挑战,如复杂计算环境下的服务数据的高效和准确处理、网络边缘服务数据的存储和可控以及服务精准智能化动态协同等。针对上述问题,本文提出CED-SOA服务动态协同技术,对该技术模型和算法进行深入研究。本文的研究工作和创新点如下:（1）提出了基于CEP的物联网服务数据处理优化模型和算法,该模型和算法包括多层级复杂事件模式分治和聚类优化模型和算法及检测策略和基于自适应阈值的不确定流数据处理模型和算法。仿真实验结果表明本文提出的模型和算法在多层级和不确定环境下应用于服务数据处理能够有效降低多层级事件处理的时间延迟和提高不确定流数据处理的综合性能。（2）提出了基于复杂事件的数据存储和可控模型及基于CES的在线离线复杂事件处理算法,该模型和算法主要应用于边缘网络服务数据的存储、可控和处理。仿真实验结果表明在可控环境下,该模型和算法对边缘网络服务数据具有较好的读取性能、存储的资源开销在可承受范围内以及可有效提高在线离线混合处理的性能。（3）提出了基于深度-广度学习的服务动态协同模型和算法,该模型和算法适用于大规模智能化物联网服务提供场景。仿真实验结果表明该模型和算法在协同的精准性和综合性方面取得了较好的效果。
二、网络环境下JPEG算法的研究（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、网络环境下JPEG算法的研究（论文提纲范文）
（1）QoS感知的网络流分类和聚集方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 专用术语注释表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 流分类技术研究 |
| 1.2.2 流聚集技术研究 |
| 1.3 流分类和聚集关键技术问题 |
| 1.3.1 QoS框架 |
| 1.3.2 QoS类边界 |
| 1.3.3 QoS类粒度 |
| 1.3.4 运算速度 |
| 1.3.5 数据偏离问题 |
| 1.3.6 自学习问题 |
| 1.4 本文问题描述 |
| 1.4.1 基于QoS的分类问题描述 |
| 1.4.2 基于QoS的流聚集问题描述 |
| 1.5 本文研究内容 |
| 1.6 本文研究过程 |
| 1.7 论文的主要创新点 |
| 1.8 组织结构 |
| 第二章 相关背景知识介绍 |
| 2.1 分形理论 |
| 2.2 粒子计算理论 |
| 2.3 偏好逻辑 |
| 2.4 本章小结 |
| 第三章 网络流分形 |
| 3.1 流量特性研究 |
| 3.2 网络流分形的论证 |
| 3.3 本章小结 |
| 第四章 分形指数感知的流分类 |
| 4.1 分形指数 |
| 4.2 流分形指数特性 |
| 4.3 基于分形指数的差异度量 |
| 4.3.1 确定分段的最佳个数 |
| 4.3.2 基于阈值的累积差异分析判断 |
| 4.4 实验 |
| 4.4.1 分类系统框架 |
| 4.4.2 实验配置 |
| 4.4.3 评价标准 |
| 4.4.4 计算分形指数 |
| 4.4.5 序列分段问题 |
| 4.4.6 测试分类效果 |
| 4.4.7 与现有方法的对比 |
| 4.5 本章小结 |
| 第五章 小波域内分段Hurst分形指数感知的流分类 |
| 5.1 小波域内精确估计分形指数 |
| 5.2 小波域内分段Hurst指数 |
| 5.3 总体差异量分析 |
| 5.4 实验 |
| 5.4.1 实验配置 |
| 5.4.2 评价标准 |
| 5.4.3 分类系统训练过程 |
| 5.4.4 小波域分形指数 |
| 5.4.5 序列分段问题 |
| 5.4.6 测试分类效果 |
| 5.4.7 与现有方法的对比 |
| 5.5 本章小结 |
| 第六章 基于分形谱的QoS感知流量细分类 |
| 6.1 分形谱 |
| 6.2 核域 |
| 6.3 灰色关联度分析谱差异 |
| 6.4 实验 |
| 6.4.1 数据集 |
| 6.4.2 验证单条流的谱特性 |
| 6.4.3 核域Q|(-q, +q) |
| 6.4.4 分类效果 |
| 6.4.5 与现有方法的对比 |
| 6.5 本章小结 |
| 第七章 粒子域内QoS感知的流量细分类 |
| 7.1 粒子计算与流分类 |
| 7.2 粒计算分类模型GrC |
| 7.2.1 流量粒子 |
| 7.2.2 基于分形的结构粒 |
| 7.2.3 粒关系矩阵 |
| 7.2.4 粒关系矩阵差异度 |
| 7.2.5 判别与阈值设定 |
| 7.2.6 复杂度理论分析 |
| 7.3 实验 |
| 7.3.1 配置环境 |
| 7.3.2 数据集 |
| 7.3.3 计算单条流的粒关系矩阵 |
| 7.3.4 测试分类效果 |
| 7.3.5 与现有方法的对比 |
| 7.3.6 动态性能测试 |
| 7.3.7 时空复杂度 |
| 7.4 本章小结 |
| 第八章 基于偏好逻辑的QoS感知流聚集方法 |
| 8.1 偏好逻辑与流聚集 |
| 8.2 动态聚集方法PLM |
| 8.2.1 基于QoE建模业务流的QoS需求 |
| 8.2.2 最优选项集 |
| 8.2.3 偏好冲突检测与消除 |
| 8.2.4 比例公平配对 |
| 8.2.5 算法复杂度分析 |
| 8.3 实验 |
| 8.3.1 实验环境 |
| 8.3.2 单条流到QoS队列的聚集过程 |
| 8.3.3 适应能力测试 |
| 8.3.4 与现有方法的对比 |
| 8.3.5 变化的QoS需求 |
| 8.3.6 变化的QoS队列 |
| 8.3.7 延时分析 |
| 8.3.8 丢包率分析 |
| 8.3.9 吞吐量分析 |
| 8.4 本章小结 |
| 第九章 总结与展望 |
| 9.1 工作总结 |
| 9.2 工作展望 |
| 参考文献 |
| 附录1 算法伪程序清单 |
| 附录2 攻读博士学位期间撰写的论文 |
| 附录3 攻读博士学位期间申请的专利 |
| 附录4 攻读博士学位期间主持和参加的科研项目 |
| 致谢 |
（3）异构计算环境中图划分算法的研究（论文提纲范文）
| 1 引言 |
| 2 问题定义 |
| 3 集群异构因素的形式化建模 |
| 3.1 流式图划分 |
| 3.2 计算能力 |
| 3.3 通信带宽 |
| 3.4 共享资源竞争 |
| 4 异构环境下的图划分算法 |
| 4.1 异构感知流划分 |
| 4.2 邻边结构 |
| 4.3 更新过程 |
| 4.4 复杂度分析 |
| 5 实验评估 |
| 5.1 评估指标 |
| 5.2 计算能力异构 |
| 5.3 网络通信异构 |
| 5.4 共享资源竞争 |
| 5.5 邻边结构的有效性 |
| 5.6 图计算性能 |
| 5.7 参数设置 |
| 6 结论 |
| Background |
（4）对等网络环境下多目标任务容错调度方法研究（论文提纲范文）
| 1 引言 |
| 2 对等网络环境下多目标任务容错调度 |
| 2.1 任务模型构建 |
| 2.2 故障模型构建 |
| 2.3 任务的主版本与副版本容错可调度条件 |
| 2.4 多目标任务的容错调度算法实现 |
| 3 仿真研究 |
| 3.1 实验环境 |
| 3.2 实验结果分析 |
| 4 结论 |
（5）支持远程驾驶的视频控制决策算法研究（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 |
| 1.2.1 车联网的国内外研究现状 |
| 1.3 远程驾驶技术及其关键技术研究现状 |
| 1.3.1 远程驾驶技术研究现状 |
| 1.3.2 网络切换技术的研究现状 |
| 1.3.3 视频码率自适应算法研究现状 |
| 1.4 主要研究内容及章节安排 |
| 1.4.1 主要研究内容 |
| 1.4.2 章节安排 |
| 第二章 远程驾驶中的视频控制决策相关技术 |
| 2.1 无线网络接入技术 |
| 2.1.1 WI-FI技术 |
| 2.1.2 LTE技术 |
| 2.2 垂直切换技术 |
| 2.2.1 垂直切换分类 |
| 2.2.2 垂直切换过程 |
| 2.2.3 垂直切换算法分析 |
| 2.2.4 模糊层次分析法和TOPSIS算法 |
| 2.3 视频实时传输的关键技术 |
| 2.3.1 压缩编解码技术 |
| 2.3.2 视频传输协议 |
| 2.3.3 网络拥塞 |
| 2.3.4 基于网络的拥塞调控策略 |
| 2.3.5 基于终端的速率调控策略 |
| 2.4 本章小结 |
| 第三章 基于车联网的多属性垂直切换算法研究 |
| 3.1 应用场景分析和传统算法分析 |
| 3.1.1 应用场景分析 |
| 3.1.2 传统算法分析 |
| 3.2 基于车联网的多属性垂直切换算法 |
| 3.2.1 预筛选 |
| 3.2.2 网络判决 |
| 3.3 实验仿真结果与算法性能分析 |
| 3.3.1 仿真模型搭建 |
| 3.3.2 算法性能指标 |
| 3.3.3 仿真实验结果与分析 |
| 3.4 本章小结 |
| 第四章 自适应视频码率控制算法研究 |
| 4.1 应用场景分析和传统算法分析 |
| 4.1.1 应用场景分析 |
| 4.1.2 传统算法分析 |
| 4.2 视频传输自适应码率算法的改进 |
| 4.2.1 基于探测的视频码率自适应调整方法 |
| 4.2.2 改进的视频传输自适应码率调整方法 |
| 4.3 实验环境和实验方案 |
| 4.3.1 实验环境 |
| 4.3.2 实验设备介绍 |
| 4.3.3 实验方案介绍 |
| 4.4 自适应传输性能测试及其对比分析 |
| 4.4.1 网络可用带宽突变状况下的性能测试 |
| 4.4.2 车辆移动状态下的性能测试 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 研究展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（6）退避算法改进及其在矿山物联网应用研究（论文提纲范文）
| 1 典型退避算法分析 |
| (1)BEB算法 |
| (2)MILD算法 |
| 2 退避算法的改进思想 |
| (1) 退避算法的改进步骤 |
| (2)退避算法的改进流程 |
| 3 退避算法在矿山物联网的应用 |
| (1)感控层 |
| (2) 网络层 |
| (3) 应用层 |
| 4 实验与分析 |
| (1)数据和参数设置 |
| (2)实验分析 |
| (3) 实验结论 |
| 5 总结 |
（10）CED-SOA服务动态协同模型和算法研究（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 研究问题与挑战 |
| 1.3 主要研究内容及创新点 |
| 1.4 本文的组织结构 |
| 第二章 CEP与服务协同及相关研究综述 |
| 2.1 复杂事件处理综述 |
| 2.1.1 分布式并行CEP研究 |
| 2.1.2 CEP与云雾计算融合研究 |
| 2.1.3 CEP事件模式研究 |
| 2.2 不确定流数据处理概述 |
| 2.2.1 不确定事件处理 |
| 2.2.2 乱序事件处理 |
| 2.3 事件存储和可控访问概述 |
| 2.3.1 事件存储概述 |
| 2.3.2 数据可信访问控制概述 |
| 2.4 服务协同概述 |
| 2.5 本章小结 |
| 第三章 基于CEP的服务流数据处理模型和算法研究 |
| 3.1 引言 |
| 3.2 CED-SOA物联网服务提供架构 |
| 3.3 基于分治聚类的流数据处理模型 |
| 3.3.1 多层级云雾CEP的事件模型表示 |
| 3.3.2 事件模式的分治和聚类优化算法 |
| 3.3.3 事件模式的调度和检测策略 |
| 3.4 面向不确定流数据的自适应阈值模型 |
| 3.4.1 云雾边多级CEP |
| 3.4.2 自适应阈值事件模型 |
| 3.4.3 事件多源识别和重构算法 |
| 3.4.4 偏序事件检测 |
| 3.4.5 阈值自适配算法 |
| 3.4.6 分层事件处理策略 |
| 3.5 实验结果与分析 |
| 3.5.1 智慧医疗个性化服务 |
| 3.5.2 实验环境 |
| 3.5.3 分治聚类算法实验结果与分析 |
| 3.5.4 自适应阈值模型实验结果与分析 |
| 3.6 本章小结 |
| 第四章 复杂事件混合检测及可信存储模型 |
| 4.1 引言 |
| 4.2 事件存储模型 |
| 4.2.1 研究问题 |
| 4.2.2 多级联动事件存储模型和算法 |
| 4.3 CEP混合事件处理模型 |
| 4.3.1 研究问题 |
| 4.3.2 基于CES的在线离线混合检测 |
| 4.3.3 基于CES的在线离线混合检测算法 |
| 4.4 可信访问控制模型 |
| 4.4.1 研究问题 |
| 4.4.2 雾计算可信存储模型 |
| 4.4.3 协同数据安全管理算法 |
| 4.5 实验结果与分析 |
| 4.5.1 实验环境 |
| 4.5.2 混合检测实验结果与分析 |
| 4.5.3 可控模型实验结果与分析 |
| 4.6 本章小结 |
| 第五章 CED-SOA服务动态协同模型和算法研究 |
| 5.1 引言 |
| 5.2 服务动态协同模型和算法研究问题 |
| 5.2.1 时空特征 |
| 5.2.2 精细化特征 |
| 5.2.3 智能化特征 |
| 5.3 CED-SOA物联网服务动态协同模型描述 |
| 5.3.1 事件和服务模型关系 |
| 5.3.2 基于事件的服务关联模型 |
| 5.4 基于深度-广度学习的服务动态协同模型和算法 |
| 5.4.1 深度-广度学习模型 |
| 5.4.2 模型及问题的形式化定义 |
| 5.4.3 基于深度-广度学习的服务动态协同模型 |
| 5.5 实验结果与分析 |
| 5.6 本章小结 |
| 第六章 结束语 |
| 6.1 论文总结 |
| 6.2 进一步工作 |
| 参考文献 |
| 主要缩略语及中英文对照 |
| 致谢 |
| 攻读博士学位期间发表的学术论文 |
四、网络环境下JPEG算法的研究（论文参考文献）
- [1]QoS感知的网络流分类和聚集方法研究[D]. 汤萍萍. 南京邮电大学, 2021
- [2]基于强化学习的移动视频流业务码率自适应算法研究进展[J]. 杜丽娜,卓力,杨硕,李嘉锋,张菁. 通信学报, 2021(09)
- [3]异构计算环境中图划分算法的研究[J]. 李琪,李虎雄,钟将,英昌甜,李青. 计算机学报, 2021(08)
- [4]对等网络环境下多目标任务容错调度方法研究[J]. 秦轶翚,马涛. 计算机仿真, 2021(08)
- [5]支持远程驾驶的视频控制决策算法研究[D]. 张家森. 北方工业大学, 2021(01)
- [6]退避算法改进及其在矿山物联网应用研究[J]. 李敬兆,陈尚凯. 安徽理工大学学报(自然科学版), 2021(04)
- [7]面向内部网络环境的矢量地理数据访问控制方法[D]. 杨昊宁. 南京师范大学, 2021
- [8]超密集异构网络中基于智能方法的网络选择算法研究[D]. 陈海波. 重庆邮电大学, 2021
- [9]面向地理模型分布式应用的数据资源就地共享方法研究[D]. 兰振旭. 南京师范大学, 2021
- [10]CED-SOA服务动态协同模型和算法研究[D]. 何淑庆. 北京邮电大学, 2021