边缘云辅助异构网络中基于视频转码业务的资源分配研究
发布时间：2022-09-17 11:29
随着无线网络的高速发展和手持设备（智能手机和平板电脑等）的迅速普及,用户对多媒体业务的需求呈爆炸性增长。由于用户设备的多样性,源视频必须被转码为不同的版本,但视频转码却是一个计算昂贵且耗时的过程。由于无线网络的动态特性及计算资源的稀缺性,为用户提供满足时延要求的视频转码业务是一项巨大的挑战。鉴于此,本文针对点播视频转码和直播视频转码两种不同的业务展开了研究,具体内容如下:1)针对点播视频转码业务,本论文提出一种基于移动边缘计算的异构网络框架,通过将终端设备的视频卸载到移动边缘计算服务器上进行转码,能有效地减轻终端的计算负担。与现有的文献不同,由于运营商是以盈利为目的的,本文联合卸载决策和计算资源分配以最大化卸载的视频数量来提高移动运营商的收益,并且降低时间延迟。另外,边缘计算服务器为每个用户开辟了一个缓冲队列,用于存储在一个时隙内还没有被转码的视频。在效用函数中,这个队列长度被定义为惩罚项以避免严重的时间延迟。本文采用一种基于actor-critic加强学习的资源分配算法来解决此优化问题。仿真结果表明,本文提及的算法能获取最佳策略使被转码视频的数量最大化,并能降低时延。2)针对直播视频...
【文章页数】：68 页
【学位级别】：硕士
【文章目录】：
中文摘要
ABSTRACT
第一章 绪论
1.1 课题研究的背景及意义
1.2 国内外研究现状
1.2.1 5G网络资源分配研究现状
1.2.2 无线网络视频传输研究现状
1.2.3 视频转码研究现状
1.2.4 强化学习的研究现状
1.3 本文的研究内容和主要贡献
1.3.1 本文的研究内容
1.3.2 本文的主要贡献
第二章 强化学习与5G资源
2.1 5G资源
2.1.1 异构网络
2.1.2 5G网络资源
2.2 机器学习
2.3 强化学习
2.3.1 强化学习的定义
2.3.2 强化学习的模型
2.4 本章小结
第三章 基于点播视频转码业务的资源分配研究
3.1 系统模型
3.1.1 网络模型
3.1.2 计算任务队列模型
3.1.3 移动边缘计算模型
3.1.4 优化目标
3.2 问题建模
3.3 基于Actor Critic的资源分配
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 仿真结果分析
3.4 本章小结
第四章 基于直播视频转码业务的资源分配研究
4.1 系统模型
4.1.1 网络模型
4.1.2 视频直播模型
4.1.3 移动边缘计算模型
4.1.4 下行链路通信模型
4.1.5 QoE模型
4.1.6 优化目标
4.2 问题建模
4.3 基于Q-learning的资源分配
4.3.1 Q-Learning算法
4.3.2 算法仿真与数据分析
4.4 基于策略的Policy Gradient算法
4.4.1 Policy Gradient算法
4.4.2 算法仿真与数据分析
4.5 基于增强型Actor Critic的资源分配
4.5.1 增强型Actor Critic算法
4.5.2 算法仿真与数据分析
4.6 本章小结
第五章 总结与展望
参考文献
攻读学位期间取得的研究成果及参与的科研项目
致谢
个人简况及联系方式
【参考文献】：
期刊论文
[1]云计算关键技术及发展态势[J]. 杨滨旭. 电子技术与软件工程. 2018(19)
博士论文
[1]基于强化学习的卫星规模化在线调度方法研究[D]. 王海蛟.中国科学院大学(中国科学院国家空间科学中心) 2018
硕士论文
[1]基于机器学习的多孔介质渗透率预测研究[D]. 李佳.浙江大学 2019
[2]基于最大熵马尔科夫模型的组件系统在线可靠性预测研究[D]. 费欢欢.东南大学 2018
[3]基于强化学习的冰壶比赛策略生成方法研究[D]. 邵蔚.哈尔滨工业大学 2018
[4]移动边缘计算环境下的服务迁移策略设计与实现[D]. 陈建业.北京邮电大学 2018
本文编号：3679145
【文章页数】：68 页
【学位级别】：硕士
【文章目录】：
中文摘要
ABSTRACT
第一章 绪论
1.1 课题研究的背景及意义
1.2 国内外研究现状
1.2.1 5G网络资源分配研究现状
1.2.2 无线网络视频传输研究现状
1.2.3 视频转码研究现状
1.2.4 强化学习的研究现状
1.3 本文的研究内容和主要贡献
1.3.1 本文的研究内容
1.3.2 本文的主要贡献
第二章 强化学习与5G资源
2.1 5G资源
2.1.1 异构网络
2.1.2 5G网络资源
2.2 机器学习
2.3 强化学习
2.3.1 强化学习的定义
2.3.2 强化学习的模型
2.4 本章小结
第三章 基于点播视频转码业务的资源分配研究
3.1 系统模型
3.1.1 网络模型
3.1.2 计算任务队列模型
3.1.3 移动边缘计算模型
3.1.4 优化目标
3.2 问题建模
3.3 基于Actor Critic的资源分配
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 仿真结果分析
3.4 本章小结
第四章 基于直播视频转码业务的资源分配研究
4.1 系统模型
4.1.1 网络模型
4.1.2 视频直播模型
4.1.3 移动边缘计算模型
4.1.4 下行链路通信模型
4.1.5 QoE模型
4.1.6 优化目标
4.2 问题建模
4.3 基于Q-learning的资源分配
4.3.1 Q-Learning算法
4.3.2 算法仿真与数据分析
4.4 基于策略的Policy Gradient算法
4.4.1 Policy Gradient算法
4.4.2 算法仿真与数据分析
4.5 基于增强型Actor Critic的资源分配
4.5.1 增强型Actor Critic算法
4.5.2 算法仿真与数据分析
4.6 本章小结
第五章 总结与展望
参考文献
攻读学位期间取得的研究成果及参与的科研项目
致谢
个人简况及联系方式
【参考文献】：
期刊论文
[1]云计算关键技术及发展态势[J]. 杨滨旭. 电子技术与软件工程. 2018(19)
博士论文
[1]基于强化学习的卫星规模化在线调度方法研究[D]. 王海蛟.中国科学院大学(中国科学院国家空间科学中心) 2018
硕士论文
[1]基于机器学习的多孔介质渗透率预测研究[D]. 李佳.浙江大学 2019
[2]基于最大熵马尔科夫模型的组件系统在线可靠性预测研究[D]. 费欢欢.东南大学 2018
[3]基于强化学习的冰壶比赛策略生成方法研究[D]. 邵蔚.哈尔滨工业大学 2018
[4]移动边缘计算环境下的服务迁移策略设计与实现[D]. 陈建业.北京邮电大学 2018
本文编号：3679145
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3679145.html
