LTE移动通信网络内容热度预测及基站缓存策略研究
发布时间：2021-06-29 15:08
LTE移动通信系统（4G）所提供的服务已经延伸到我们生活的方方面面。即将到来的第五代移动通信系统（5G）将会以更快的传输速度、更低的时延、更高的连接密度,为人们提供更为丰富和优质的通信服务,无人驾驶、智慧城市、智慧家庭、车联网、物联网等一系列应用场景也将会变为现实。实现这些场景,会使通信网络关键节点的回程连接承接巨大的数据传输压力,如果不能妥善解决这一问题,将导致网络在用户使用峰值期出现极大的延迟甚至崩溃。仅仅通过物理设备的增加无法应对数据流量成百上千倍的增加。而内容分发网络（CDN）可以实现将热点内容缓存到网络的底层基站中,让大量高重复性的数据通过底层基站传输完成,从而缓解顶层回程连接的流量压力。基于这种背景,本文研究LTE移动通信系统中内容的热度预测问题和内容在基站的缓存优化问题,提出了两种内容热度预测算法和两种内容缓存算法。本文的主要工作如下。1.研究了 HTTP信令数据预处理问题。对LTE信令数据的格式、属性和特点进行了深入分析,针对数据特点给出了数据预处理的系统方法。从程序设计、多线程运用、数据库构建和SQL语句优化等角度对数据进行预处理。所提出的方法可有效应对和处理大规模、...
【文章来源】：中国科学院大学(中国科学院大学人工智能学院)北京市
【文章页数】：111 页
【学位级别】：硕士
【部分图文】：
图２．１?ＳＩ接口示例图??Ｆｉｇｕｒｅ?２．１?ＳＩ?ｉｎｔｅｒｆａｃｅ?ｅｘａｍｐｌｅ??
自动驾驶、车联网、ＶＲ游戏等新型通信服务即将来临，这些新型服务??对现网在连接密度、传输速率、延时等指标方面提出了更高的要求。这些要??求的瓶颈之一在顶层网络的回程连接节点处１５］（图３．１的黄线所连接的??ｃｅｎｔｒａｌ?ｓｃｈｅｄｕｌｅｒ）。因为整个网络所有服务数据的传输都必须通过回程连接??节点，导致该处在网络高峰期承载了太多的数据流量压力。用户在日常生??活中，通信服务所占据的回程连接数据量很小，在流量中占主导地位的是??浏览网页、看视频、玩游戏等服务，这些数据有一个共同点，是通过ＵＲＩ来??实现服务连接的，我们将这种数据称作内容数据。因此内容数据是我们研??究的重点。为了缓解回程连接节点的数据流量压力，我们建立了内容缓存??机制，将用户即将请求的高热度内容数据提前缓存到底层的小区和ＭＳＣ中，??实现对顶层节点的流量分流。??２３??
ｔｙｐｅ?编号为?３；??Ｃｏｎｔｅｎｔ－Ｌｅｎｇｔｈ?为?２６５５；??打开ＵＲＩ地址我们可以看到，该链接指向的是一张图片如图３．２，包含??的一条新闻。??．＇．？■ｇａ?ＥＬＭＬＬＭＬ１３ＢＬＬＭ?ｆｔ??：似?，？的？＃．?？咐，?叹ｉ?含：??．ｖ?？＇％＇＞?ｈｒ／??ｊｌｕ．＊?ｒ?？ｖｎｆ．＇－ｓｅｕｓｉｄ－－－＞?＊?ｔ??■？＊？？？＞？（＊；．?ｎ？＊．ＡＴ??Ｈｆ．?ｒ，ｆ．＊ｔｎ?？＊．?ｊ＜ｒ?１??，？：蠖．ＫＨＡＩＭＳ??ｎ＜ｖｒ．？？ｒ＊?？??？?Ｖ？＜？？爾Ｍ＊＊？＊，Ｕ＊？．?厂??飙，－?？ｔｒ??ｓｉ．?３Ｒ？暴＊Ｊｅｊｉｔ丨＆？＊．?ａｖｔｔ雇ｎ爾”霉ｒ．?ｃａｖａ??＊Ｔ？？？Ｋ＊Ｐ?ｆｔ＾ＫＫ?－ｆｔｆｔＣＫＳ？Ｋｆｆｒ．ｎｉｅ？ａｒＡ．?ＯＣ．?Ｏｉ．?Ｈ＞Ａ？．?ｉｍ＞？??ｋｗ．?瓤Ａａ＊ｒ??＜ｔ?－Ｍｊｔｎｔ＇．！．?．＜＊？？ｇ？？＊ｃ．ｔ＊??Ｒ．?？ｒｉｒｆｔｔ．?？？？，？，？！？？；？．?？?ｔ?Ｖ＊８??．？？?＊?＊ＲＳ?麵．儀：？?＞ｊ－＊ｔ?Ｔ．！；ａ？？：ｉ．?ｃｃｔｖｔｒ．??＾＾３大学生魏则西之死将百度推向风口浪尖??＿癉尔撤绍织霣格泡２：ｔＨ霣杀式Ｈ５箏件??图３．２?ＵＲ丨链接所指向的内容??Ｆｉｇｕｒｅ?３．２?Ｔｈｅ?ｃｏｎｔｅｎｔｓ?ｏｆ?ｔｈｅ?ＵＲＩ?ｌｉｎｋ??我们采集到的数据是２０１６年５月５日２４小吋全Ｎ的用户ＨＴＴＰ诘求??数椐。将该条内＇容在全Ｈ出现的情况进行统计
【参考文献】：
期刊论文
[1]基于深度学习的短时交通流量预测[J]. 乔松林,孙仁诚,刘吉. 青岛大学学报(自然科学版). 2017(04)
[2]5G移动通信网络关键技术综述[J]. 赵国锋,陈婧,韩远兵,徐川. 重庆邮电大学学报(自然科学版). 2015(04)
[3]面向5G无线通信系统的关键技术综述[J]. 杨绿溪,何世文,王毅,代海波. 数据采集与处理. 2015(03)
[4]5G移动通信发展趋势与若干关键技术[J]. 尤肖虎,潘志文,高西奇,曹淑敏,邬贺铨. 中国科学:信息科学. 2014(05)
[5]基于EMD与神经网络的中国股票市场预测[J]. 王文波,费浦生,羿旭明. 系统工程理论与实践. 2010(06)
[6]时间序列中自相关与偏相关函数分析[J]. 于宁莉,易东云,涂先勤. 数学理论与应用. 2007(01)
[7]时间序列分析:历史回顾与未来展望[J]. 程振源. 统计与决策. 2002(09)
博士论文
[1]时间序列分析的早期发展[D]. 聂淑媛.西北大学 2012
[2]基于神经网络模型的人民币汇率预测研究[D]. 丁晖.湖南大学 2008
硕士论文
[1]数据中心内部负载均衡与基于深度学习的网络流量预测研究[D]. 钱喆敏.浙江大学 2018
[2]基于深度学习的SDN流量预测研究[D]. 鹿如强.浙江工商大学 2018
[3]基于LSTM和灰色模型集成的短期交通流预测[D]. 谈苗苗.南京邮电大学 2017
[4]基于神经网络的电力负荷预测研究与实现[D]. 石德琳.山东大学 2016
[5]基于LSTM神经网络的美股股指价格趋势预测模型的研究[D]. 孙瑞奇.首都经济贸易大学 2016
[6]数据挖掘中数据预处理的方法研究[D]. 方洪鹰.西南大学 2009
本文编号：3256665
【文章来源】：中国科学院大学(中国科学院大学人工智能学院)北京市
【文章页数】：111 页
【学位级别】：硕士
【部分图文】：
图２．１?ＳＩ接口示例图??Ｆｉｇｕｒｅ?２．１?ＳＩ?ｉｎｔｅｒｆａｃｅ?ｅｘａｍｐｌｅ??
自动驾驶、车联网、ＶＲ游戏等新型通信服务即将来临，这些新型服务??对现网在连接密度、传输速率、延时等指标方面提出了更高的要求。这些要??求的瓶颈之一在顶层网络的回程连接节点处１５］（图３．１的黄线所连接的??ｃｅｎｔｒａｌ?ｓｃｈｅｄｕｌｅｒ）。因为整个网络所有服务数据的传输都必须通过回程连接??节点，导致该处在网络高峰期承载了太多的数据流量压力。用户在日常生??活中，通信服务所占据的回程连接数据量很小，在流量中占主导地位的是??浏览网页、看视频、玩游戏等服务，这些数据有一个共同点，是通过ＵＲＩ来??实现服务连接的，我们将这种数据称作内容数据。因此内容数据是我们研??究的重点。为了缓解回程连接节点的数据流量压力，我们建立了内容缓存??机制，将用户即将请求的高热度内容数据提前缓存到底层的小区和ＭＳＣ中，??实现对顶层节点的流量分流。??２３??
ｔｙｐｅ?编号为?３；??Ｃｏｎｔｅｎｔ－Ｌｅｎｇｔｈ?为?２６５５；??打开ＵＲＩ地址我们可以看到，该链接指向的是一张图片如图３．２，包含??的一条新闻。??．＇．？■ｇａ?ＥＬＭＬＬＭＬ１３ＢＬＬＭ?ｆｔ??：似?，？的？＃．?？咐，?叹ｉ?含：??．ｖ?？＇％＇＞?ｈｒ／??ｊｌｕ．＊?ｒ?？ｖｎｆ．＇－ｓｅｕｓｉｄ－－－＞?＊?ｔ??■？＊？？？＞？（＊；．?ｎ？＊．ＡＴ??Ｈｆ．?ｒ，ｆ．＊ｔｎ?？＊．?ｊ＜ｒ?１??，？：蠖．ＫＨＡＩＭＳ??ｎ＜ｖｒ．？？ｒ＊?？??？?Ｖ？＜？？爾Ｍ＊＊？＊，Ｕ＊？．?厂??飙，－?？ｔｒ??ｓｉ．?３Ｒ？暴＊Ｊｅｊｉｔ丨＆？＊．?ａｖｔｔ雇ｎ爾”霉ｒ．?ｃａｖａ??＊Ｔ？？？Ｋ＊Ｐ?ｆｔ＾ＫＫ?－ｆｔｆｔＣＫＳ？Ｋｆｆｒ．ｎｉｅ？ａｒＡ．?ＯＣ．?Ｏｉ．?Ｈ＞Ａ？．?ｉｍ＞？??ｋｗ．?瓤Ａａ＊ｒ??＜ｔ?－Ｍｊｔｎｔ＇．！．?．＜＊？？ｇ？？＊ｃ．ｔ＊??Ｒ．?？ｒｉｒｆｔｔ．?？？？，？，？！？？；？．?？?ｔ?Ｖ＊８??．？？?＊?＊ＲＳ?麵．儀：？?＞ｊ－＊ｔ?Ｔ．！；ａ？？：ｉ．?ｃｃｔｖｔｒ．??＾＾３大学生魏则西之死将百度推向风口浪尖??＿癉尔撤绍织霣格泡２：ｔＨ霣杀式Ｈ５箏件??图３．２?ＵＲ丨链接所指向的内容??Ｆｉｇｕｒｅ?３．２?Ｔｈｅ?ｃｏｎｔｅｎｔｓ?ｏｆ?ｔｈｅ?ＵＲＩ?ｌｉｎｋ??我们采集到的数据是２０１６年５月５日２４小吋全Ｎ的用户ＨＴＴＰ诘求??数椐。将该条内＇容在全Ｈ出现的情况进行统计
【参考文献】：
期刊论文
[1]基于深度学习的短时交通流量预测[J]. 乔松林,孙仁诚,刘吉. 青岛大学学报(自然科学版). 2017(04)
[2]5G移动通信网络关键技术综述[J]. 赵国锋,陈婧,韩远兵,徐川. 重庆邮电大学学报(自然科学版). 2015(04)
[3]面向5G无线通信系统的关键技术综述[J]. 杨绿溪,何世文,王毅,代海波. 数据采集与处理. 2015(03)
[4]5G移动通信发展趋势与若干关键技术[J]. 尤肖虎,潘志文,高西奇,曹淑敏,邬贺铨. 中国科学:信息科学. 2014(05)
[5]基于EMD与神经网络的中国股票市场预测[J]. 王文波,费浦生,羿旭明. 系统工程理论与实践. 2010(06)
[6]时间序列中自相关与偏相关函数分析[J]. 于宁莉,易东云,涂先勤. 数学理论与应用. 2007(01)
[7]时间序列分析:历史回顾与未来展望[J]. 程振源. 统计与决策. 2002(09)
博士论文
[1]时间序列分析的早期发展[D]. 聂淑媛.西北大学 2012
[2]基于神经网络模型的人民币汇率预测研究[D]. 丁晖.湖南大学 2008
硕士论文
[1]数据中心内部负载均衡与基于深度学习的网络流量预测研究[D]. 钱喆敏.浙江大学 2018
[2]基于深度学习的SDN流量预测研究[D]. 鹿如强.浙江工商大学 2018
[3]基于LSTM和灰色模型集成的短期交通流预测[D]. 谈苗苗.南京邮电大学 2017
[4]基于神经网络的电力负荷预测研究与实现[D]. 石德琳.山东大学 2016
[5]基于LSTM神经网络的美股股指价格趋势预测模型的研究[D]. 孙瑞奇.首都经济贸易大学 2016
[6]数据挖掘中数据预处理的方法研究[D]. 方洪鹰.西南大学 2009
本文编号：3256665
本文链接：https://www.wllwen.com/kejilunwen/wltx/3256665.html
