一、多用户分布式虚拟海洋环境的实现（论文文献综述）
叶晋[1]（2021）在《基于区块链和联邦学习的数据安全研究》文中认为现今,海洋资源的利用和交互受到很大的关注。以往海洋物联网技术主要是云计算架构,然而大数据时代,云计算逐渐面临网络时延等挑战。移动边缘计算的诞生解决了这些问题。但由于参与者之间缺乏信任以及用户对隐私的关注,需要提出更可靠的解决方案。目前的方案有的利用区块链解决数据安全问题,有的利用联邦学习解决隐私问题,但这些方法并未结合海洋的特殊环境,且未考虑节点的安全性。本文提出了一种基于联邦学习和区块链技术的边缘计算框架下海洋物联网数据安全共享的方法。联邦学习以其特殊的分布式架构和海洋物联网的边缘计算架构相结合,以保证节点隐私。区块链作为一种分散的方法来存储和管理联邦学习的工人,以达到不可篡改和安全性。本文引入质量和声誉意见的概念作为联邦学习工人选择的度量标准。这防止了可能有边缘节点上传不可靠的数据,导致联邦学习任务中发生欺骗行为的情况。同时,本文设计了一种质量证明算法（PoQ）,并将其应用到区块链中,使得区块链中记录的边缘节点也更加高质量,提高整体模型效果。此外,本文还构建了海洋环境模型,基于此模型进行分析,使得本文提出的方法更适用于海洋环境。通过仿真实验得到的数值结果清楚地表明,本文所提出的方案在海洋环境下能够在保证安全可靠的前提下显着提高学习的精度。最后,本文设计了适合海洋物联网的数据安全共享方案,使海洋物联网边缘计算框架具有更高效的数据处理以及更安全的数据保护能力,并通过实验证明了该方案的有效性。
杨晓慧[2]（2021）在《边缘计算中可信协同服务与计算迁移策略研究》文中进行了进一步梳理随着物联网、大数据以及5G技术的发展与普及,云计算已无法满足网络边缘设备产生的海量数据和计算任务。边缘计算应运而生,通过将计算任务迁移到网络边缘的可计算设备上执行,缓解云中心计算负载的同时拓展了网络边缘节点计算资源,为实现“就地、就近”服务提供一种新的解决方案。其中,迁移节点的选择、综合性能评价和迁移策略直接影响计算迁移的服务质量,是边缘计算可信协同服务的关键研究问题。本文主要研究工作如下:通过构建基于节点综合性能评价的任务驱动协同虚拟服务池,提出一种基于综合性能评价的边缘计算协同服务策略（cooperative service in edge computing based on comprehensive performance evaluation,CSEC-CPE）。构建节点连接概率预测模型,抑制连接趋优的马太效应;融合直接信任度与推荐信任度构建节点综合信任度计算模型,联合综合信任度、鲁棒性、资源共享等影响盟员节点选择的因素,构建综合性能评价模型筛选候选盟员节点。然后,基于任务驱动,协同服务盟主节点根据备选盟员节点的综合性能评价快速选取可信、鲁棒、性能优良的盟员节点,完成边缘计算资源的自主融合,构建协同虚拟服务池。以负载均衡能力、丢包率、延迟、任务完成率等为指标衡量构建的协同服务池的性能。通过建立协同服务效用博弈模型证明其具有纳什均衡稳态。基于Route Views公开数据集设计实现了一个近海海域边缘计算协同服务仿真系统,模拟边缘计算中的协同服务、任务协同、交互行为等。仿真结果表明,所提机制与KNN、Kmeans聚类算法相比,盟员聚合度分别提高64.40%和51.56%,系统平均聚合能力提高34.5%和15.67%,综合信任度提高12.66%和28.99%;与AODV、SR路由算法相比,协同池任务接收率提高64.41%和51.65%,协同服务成功率提高52.54%和40.63%。在构建的可信协同服务池中,对盟员节点能量的合理利用有利于计算的良性迁移。且当节点能量耗尽,掉线易致使网络抖动,且任务无法继续完成。因此,将边缘节点的能耗作为可信协同服务池内任务迁移的评价要素,以其中一个可信盟员簇为应用场景,通过建立能耗约束的迁移策略模型,改善节点因能量耗尽导致的边缘网络不稳定,进而提高边缘计算的服务质量。根据源迁移节点任务的算力、能量等需求特征和迁移节点的剩余能量、计算能力等特征,将任务迁移至合适的节点执行,提出一种面向能耗约束的智能计算混合迁移策略（hybrid offloading strategy constrained by node energy,HOS-NE）。采用上行与平行结合的迁移模式,根据任务需求选择迁移模式,当任务计算量大时,采用以能耗为约束的上行迁移;而对于延迟敏感任务采用以延迟为约束的平行迁移,即簇内执行。考虑到边缘节点的多样异构性,且功率差异较大,本文使用边缘节点的剩余供电时长表示节点的状态,综合考虑计算迁移时边缘迁移节点的负载情况和能量利用率等因素,将迁移能耗最小化问题转化为剩余电量最大化问题进行求解。约束优化问题直接求解算法复杂度高,为了优化求解能力,本文利用粒子群优化算法（particle swarm optimization,PSO）和模拟退火（simulated annealing,SA）算法求解优化HOS-NE,提高网络的稳定性、吞吐量,实现负载均衡。实验结果表明,基于智能算法优化的迁移策略与随机迁移算法、贪心算法相比,网络吞吐量、剩余能量分别提高了16.7%,28.6%,丢包率降低了5%～10%。
闫佳佳[3]（2020）在《基于ArcGIS Server的海上溢油监管系统的设计与实现》文中认为目前海上石油或其炼制品在开采、运输、装卸等过程中,导致排放和泄露进入到海洋环境中而造成的污染,已经成为一种世界性的严重的海洋污染。因此,充分利用我国现有的监控手段,及时且准确地获取溢油区域的监测数据,并且能对回传的数据进行快速和有效的分析处理,从而使海事人员采取合理有效的油污清除措施,提高水上反应能力,减少海洋污染,是非常有必要的。本文结合海上特殊的监测环境,从实际项目需求出发,充分利用我国自主研发的北斗卫星导航系统相关技术,结合浮标跟踪技术和无人机航拍技术,设计并实现了一种基于Arc GIS Server的海上溢油监管系统,可实现对海上溢油区域的动态监控和立体监控。本文具体内容如下:首先,以海事局溢油监管平台项目为开发背景,深入分析了当前海上溢油监管系统存在的问题,以提高数据实时传输效率、跟踪定位溢油扩散方向、直观化显示数据统计结果等为目标,对海上溢油监管系统进行需求分析、技术分析,提出基于Arc GIS Server的海上溢油监管系统的总体方案设计。其次,根据由浮标、无人机和监测站三者组成的立体监控手段,提出了一种多种服务器共同服务的分布式建设方案来应对海量数据。开发和部署阿里云的IOT平台和视频直播服务实现无人机Pos数据、浮标采集数据和无人机航拍视频的实时传输,并转发到各个客户端显示;以Arc GIS Server为电子海图应用平台,在服务器实现集中管理海图相关功能,支持多用户的海图应用;以Tomcat为基础Web服务器,负责接收客户端发出的请求信息并将其转发给其它相应的服务器。该方案充分利用了系统资源,解决了单一服务器性能不足、不易扩展的缺点。最后,以用户体验为核心,在满足系统可行性的前提下,实现系统的各个功能模块。采用Arc GIS API For Java Script前端开发框架实现客户端相关海图功能的操作,采用Echarts前端技术实现数据统计分析结果的直观化显示。在整个系统开发完成后,搭建基于云服务器ECS的测试环境,对系统的功能性和非功能性展开全面测试。大量测试结果表明,本文提出的基于Arc GIS Server的海上溢油监管系统,有效的解决了传统方案的不足之处,在数据传输的实时性、服务器的处理性能和数据直观化显示方面有了很大的提高。
孟令达[4]（2019）在《海量时间频率科学数据管理与服务关键技术研究》文中研究指明随着国防、科研、经济社会各行业对高精度时间的依赖不断提升,为提高我国的高精度时间同步服务水平和保障能力,国家先后开展了高精度地基授时系统、国家时间频率体系、空间站时频实验系统等面向服务的基础大科学装置和试验仪器的建设,将时间频率服务纳入基础设施建设,时间频率科学数据将迈入大数据和信息服务时代。海量时间频率科学数据高效管理不仅是实现时间频率科学大数据存储与分析、提供高效时间频率信息服务的基础,更为时间频率科学大数据知识获取和科学发现提供技术支撑。本文从面向服务的角度以海量时间频率科学数据的管理体系、存储与并行处理方法为研究对象,利用云计算和大数据处理技术对面向服务的海量时间频率科学数据管理关键技术展开研究,所作的主要工作及创新点体现在以下几个方面:（1）研究并设计了面向服务的多元海量时间频率科学数据一体化管理模型、技术架构和多样化服务方式:针对独立建设的时频科学数据管理系统在管理规范、数据标准等方面多样差异,造成数据管理复杂、数据使用困难、数据产品单一问题。结合时间频率科学大数据特征和面向服务的应用需求,构建了数据管理标准体系和原型系统。采用面向服务体系架构的设计理念和松耦合特性,综合运用多种数据存储管理和分析方法,设计了面向服务的多元海量时间频率科学数据一体化管理模型、技术架构和多样化服务方式,并对其中的关键技术进行了改进,进而实现海量时间频率科学数据高效管理。（2）研究了海量时间频率科学数据非结构化、半结构化及时序化,多数据结构并存的数据存储管理方法:针对海量时间频率科学数据多数据结构并存的特点,结合面向服务的海量历史数据快速查询和在线数据实时读写的应用场景。研究了基于“分布式文件系统+分布式列数据库+时间序列数据库”的组合存储管理和表设计方法,解决时频科学数据传统集中式、统一存储效率低、扩展复杂问题。同时根据时间频率科学数据中文件数多、数据量小和关联分析特点,提出了采用小文件聚合和考虑数据关联性的多副本哈希时频数据分布算法,进一步提高了时频科学数据存储管理效率和存储资源利用率。（3）研究了分布式并行编程框架下海量历史数据离线并行分析方法:针对海量历史时间频率科学数据离线分析中数据量与计算量大导致传统时频分析模式计算效率低或无法计算问题,研究了基于Map Reduce并行编程框架的分布式并行分析方法。根据时频分析算法中多阶滑动差分特征,提出时频科学数据分段和矩阵分块法,在优化时频分析算法的同时实现了时间间隔误差和频率源钟差模型参数并行化计算,并对算方法性能进行测试。结果表明本文提出的并行化海量离线时频分析方法有效解决数据量大、计算复杂时传统单机无法有效计算问题。（4）针对面向服务应用交互频繁、高实时性的海量时间频率科学数据分析问题,研究了基于Spark内存并行计算框架的海量时间频率科学数据实时分析方法。实现了基于Spark并行化的Allan、MTIE计算方法,同时针对时频分析中典型的测量数据粗差剔除问题,开展了基于光纤时间比对的溯源钟差粗探测方法（ODTD）研究并实现了Spark-ODTD。通过实验验证了算法有效性与性能优势。（5）针对高精度地基授时系统、国家时间频率体系等重大科学工程以及时频用户对远程高精度时间比对、同步和溯源服务需求。采用本文提出的数据管理体系和相关技术与方法,对传统卫星共视远程时间比对系统的系统架构、数据存储与处理方法和服务模式进行优化。设计并实现的云服务原型系统可通过动态扩展支持10000台终端设备业务数据在线处理、交互以及1000个用户的在线访问。本论文的研究将进一步提升时间频率科学数据标准化管理水平,为面向服务的时频时间频率科学发展和应用提供标准化数据和技术支撑。解决目前海量时间频率科学数据存储管理效率低、数据分析困难或无法计算的问题。同时本文的海量数据存储和并行分析技术,为国家时间频率体系、高精度地基授时系统等重大科学工程建设分布式时间频率数据中心架构设计提供解决途径,为时间频率科学大数据知识获取和科学发现奠定基础。
任晨珊[5]（2019）在《边缘计算中的高能效与负载均衡技术研究》文中研究表明图像处理、智能交通、增强现实与自动驾驶等复杂新兴应用对网络数据处理能力、时延和可靠性提出了更高的挑战。移动边缘计算（Mobile Edge Computing,MEC）在靠近智能设备的网络边缘部署云计算与存储资源,为网络提供泛在计算服务,满足新兴应用对时延、可靠性以及连接密度的需求,是第五代移动通信（The Fifth Generation Mobile Communication,5G）的关键技术之一。能效和负载均衡是移动边缘计算的关键研究问题,决定边缘计算网络数据处理能力与用户体验。本论文分别从边缘计算能效和负载均衡展开研究。针对能效问题,本文分别在单小区与多小区场景中提出了动态环境中多用户在线学习资源管理方案,最大化能量受限移动设备与网络的能效。针对负载均衡问题,本文考虑边云协同框架,分别提出了边缘和云端服务器间计算与存储任务的在线分布式负载均衡方案,根据任务特性与网络负载自适应优化任务处理决策,整合边缘计算就近服务与云计算处理能力的优势。本文主要工作和创新点如下:在单小区边缘计算能效研究中,针对动态无线信道环境中基站仅可获取非实时设备信息的挑战,提出了基于混合在线学习框架的高能效资源管理方案,分布式地在用户端本地优化实时任务处理决策以及在基站侧进行预测性计算卸载调度。提出方案利用拉格朗日对偶原理,将机器学习中的随机梯度下降法和在线凸优化方法融合在主对偶优化框架中,实现分布式混合在线学习,增强网络可扩展性,并最大化用户时间平均总体能效。提出方案被证明具有渐近最优特性,且基站侧非实时设备信息引起的性能损失将随学习步长减小而渐近消失。在多小区边缘计算能效研究中,针对边缘服务器与移动设备在计算和无线传输能力的不一致特性,提出了基于分布式在线学习的高能效资源管理方案,分布式优化各边缘服务器与移动设备的任务卸载、任务处理与结果返回决策,最大化网络整体时间平均能效。提出方案通过随机梯度下降法将各优化变量在时间上解耦,并对解耦问题进行重构,统一各节点传输能力,转化为图论中多点匹配问题。该问题可在各节点以线性时间复杂度进行分布式近似求解,近似的性能损失被证明可随学习时间的增长而渐近消失。在边云协同计算负载均衡研究中,针对物联网设备数据分析应用,提出了大规模边云网络中基于李雅普诺夫优化的分布式在线协同计算方案,以最小化网络整体时间平均能耗。到达的数据可根据任务负载与链路条件自适应卸载至各服务器进行预处理操作,并将预处理结果传输至云端数据中心进行存储与分析。考虑到物联网设备存储空间十分紧张,提出方案根据网络拓扑、链路条件与服务器处理能力为各网络设备设计虚拟队列偏置,保证李雅普诺夫优化方案的运行。物联网设备虚拟队列偏置设计问题可转化为分层图中的最短路问题,并通过贝尔曼福特算法进行分布式求解。提出方案能显着提升网络数据处理能力,并降低数据服务的端到端时延。最后,在边云协同存储负载均衡研究中,针对移动数据缓存分发应用,提出了基于在线学习的分布式文件分发方案,并优化缓存协作域划分,将文件分发限制在对应协作域内,避免缓存请求的无效分配,降低网络服务时延。提出方案通过随机梯度下降将优化变量在不同时间解耦,在线优化文件请求分配、缓存处理和文件分发决策,最大化时间平均网络效用,并根据网络拓扑结构和请求到达推导各边缘服务器数据队列的上下界,以分布式构建协作缓存区域。提出方案可与现有的缓存策略联合使用,实现高效的缓存部署与文件分发,提升移动边缘计算用户体验。
吕昕晨[6]（2019）在《移动边缘计算任务迁移与资源管理研究》文中研究说明近年来,增强/虚拟现实、智慧城市和自动驾驶等新兴移动应用快速发展,其计算和存储资源需求远超移动终端能力。随着软件定义网络和网络功能虚拟化技术的发展,边缘网络设备逐渐变为可编程的通用处理设备,并具备强大的计算、存储和通信能力。移动边缘计算（Mobile Edge Computing,MEC）技术利用上述计算、存储和通信能力,在边缘网络对复杂任务进行分布式处理,提升网络数据处理能力,并提供低时延高可靠计算服务,以满足未来移动应用对计算能力与服务质量的需求。其中,任务迁移和资源管理直接影响系统处理能力、服务时延及开销,是移动边缘计算的关键研究问题。针对移动边缘计算的任务迁移和资源管理问题,本论文分别从用户任务迁移、多用户—单小区任务迁移与资源管理以及边缘计算组网三个方面展开研究,对系统吞吐量、服务时延、系统稳定性以及能耗进行优化。主要工作和创新点如下。第一,考虑边缘计算中无线信道、任务到达和计算资源等环境动态特性,分别针对单用户—边缘服务器任务迁移和多移动用户协作场景进行研究。具体地,对于单用户—边缘服务器场景,将边缘计算的复杂环境变化建模为控制理论中不可测的系统随机扰动,并通过滚动时域控制技术和多目标动态规划方法提出了自适应任务迁移方案,从而显着提升动态边缘计算环境下的任务迁移性能。另一方面,对于多用户协作计算场景,考虑移动用户自私特性,基于李雅普诺夫优化理论和点对点文件共享中的投桃报李激励方案,提出了多用户协作计算的分布式在线任务迁移方案,在时延网络中保证用户参与并通过多跳方式协作处理任务。相比现有单跳集中式协作方案,能显着减少系统能耗,并提升系统吞吐量。第二,在多用户—单小区移动边缘计算场景中,考虑系统频谱和计算资源的稀缺性,分别针对普通移动应用、时延敏感任务以及海量设备连接的物联网应用的任务迁移与资源管理进行优化。首先,对于普通移动应用,给出了均衡任务计算时延与处理能耗的效用函数,并结合凸优化、准凸优化和次模优化技术,对任务卸载决策、无线资源管理和计算资源分配进行联合优化,提升系统性能。其次,对于时延敏感任务,基于量化动态规划技术提出了接入控制和资源分配联合优化方案,并调节量化区间实现方案最优性损失和复杂度的权衡。最后,对于物联网应用,基于加扰李雅普诺夫优化提出了物联网边缘计算在线资源调度方案,最大化系统效用,并设计了用户选择性上报策略,显着降低网络信令开销,保证海量设备连接的可扩展性。第三,在移动边缘计算组网场景中,考虑边缘服务器的广地域分布和处理能力异构性,分别针对普通应用的大规模边缘计算和分布式机器学习的组网资源管理进行优化。具体地,针对普通应用的大规模边缘计算组网资源管理,提出了大规模边缘计算分布式资源管理和协作域划分方案,以在动态网络环境中最小化时间平均系统开销。首次提出的边缘计算协作域分布式优化可为每个计算节点确定其到达任务的卸载区域,在保证方案最优性同时,避免扩大协作域所增加的时延和开销,提升边缘计算在大规模异构网络中的性能。另一方面,针对分布式机器学习的边缘计算组网资源管理,设计了针对分布式机器学习的数据均匀度指标,并基于随机梯度下降技术提出了数据接入、分配和处理的联合在线优化方案,在保证网络稳定条件下最大化系统效益,并减小分布式机器学习参数同步频率与开销。
熊柏松[7]（2019）在《海底管道不停产维修工艺的虚拟现实技术研究》文中研究指明深海管道维修技术复杂、工程风险大,成本高,在实施现场安装之前,对操作人员进行有效的培训一直是一个亟待解决的难题。海底管道维护维修虚拟现实仿真技术可以为深海油气管道维护维修培训提供技术支持,因此,研究海底管道维修虚拟现实仿真技术非常迫切。文章通过研究数字模型采集原理和方法、选取合适的模型数据结构和建模软件平台,提出了一种虚拟现实的数字模型开发逻辑关系和仿真开发流程。提出基于有限元分析结果为计算基点的Vortex动力解算方法,解决了Vortex海洋环境动力解算误差大的问题。建立了深海环境下的结构物运动学模型。运用ANSYS CFX有限元工具进行海洋环境中结构物的流固耦合分析,得出海洋环境对结构物阻力-速度曲线关系,并使用最小二乘法拟合成数学关系式。分析深海海底管道不停产维修工艺流程,提出海底管道不停产维修机具的选用原则。设计了一套虚拟现实系统的总体开发框架、硬件搭建布局。使用Multi Gen Creator、Vega Prime和Vortex软件工具构建虚拟现实模型,得出海底管道不停产虚拟现实系统工作流程和深海海底管道不停产的虚拟作业流程。
林娜[8]（2018）在《水声OFDM通信系统信道补偿技术研究》文中研究说明目前,随着人们对海洋深入探索的需求不断增加,对于水下通信系统传输信息的需求大大增加,且对水下通信系统传输信息可靠性的要求越来越高。然而由于水声信道（UnderwaterAcoustic Channel,UAC）存在复杂多变的强多径、严重的多普勒效应和噪声干扰,会引起传输信号的畸变,所以需要对水声信道产生的影响进行补偿,以增强水声系统的鲁棒性。本文主要是对基于水声正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）系统的信道补偿技术进行了研究,包括信道预测技术、预编码技术和脉冲噪声干扰消除技术,并通过仿真算法、水池实验和海洋试验来验证所提出方法的可行性。本文主要的创新点如下:（1）提出了基于水声OFDM信道稀疏性的时域信道预测技术。论文对采用信道预测的水声OFDM系统进行了研究,对时域信道预测方法和频域信道预测方法进行了介绍,并分析了时域信道预测方法的优点,且在利用估计得到的信道信息进行信道预测前,先利用空载波对多普勒频移进行了估计和补偿,以消除多普勒对信道预测的影响。仿真算法、水池实验和海洋试验均表明提出的利用水声信道的稀疏性,基于压缩感知（Compressed sensing,CS）技术进行信道预测的方法具有很好的性能。（2）提出了基于水声OFDM信道预测的预编码技术。论文对采用预编码的水声OFDM系统进行了研究,并对采用预编码的水声OFDM系统进行了建模。通过将均衡模块转移到发送端,简化了接收机,同时考虑了多普勒频移的影响和信道状态信息在反馈过程中出现的传输延迟问题,通过采用信道预测技术,提供更具可靠性的CSI反馈给发送端。仿真结果、水池实验结果和海洋试验结果均表明在发送端采用预编码后,水声OFDM系统的性能有很大的提升,且采用非线性（non-linear）预编码的水声OFDM系统的性能优于采用线性（linear）预编码的系统性能。不过,non-linear预编码的实现难度较大,linear预编码的实现较为简单。（3）提出了基于水声OFDM的脉冲噪声干扰消除技术。论文对海洋脉冲噪声干扰下的水声OFDM系统进行了研究,主要是对时域脉冲噪声和大幅度单频噪声的消除技术进行了研究。在对时域脉冲噪声和大幅度单频噪声消除前,先对脉冲噪声干扰下的水声OFDM系统进行了建模,然后对分布式消除技术进行了介绍,并对联合时域脉冲噪声和大幅度单频噪声的估计消除方法进行了研究,且对两种消除方式进行了比较。在对时域脉冲噪声和大幅度单频噪声进行消除时,采用的是压缩感知技术,并利用空载波上的能量作为约束条件,对时域脉冲噪声和大幅度单频噪声进行迭代消除。仿真结果和实验结果均表明,分布式消除方法和联合估计消除方法对时域脉冲噪声和大幅度单频噪声的消除均具有很好的效果,而联合估计消除方法中的先对大幅度单频噪声进行消除的方法具有更优的性能。
李云[9]（2017）在《生物友好的认知水声网络组网关键技术研究》文中研究指明水下声传感器网络（Underwater Acoustic Sensor Networks,UASNs）在民用和军事等领域得到广泛应用。论文为提高水下系统容量并生物友好,考虑了多用户干扰、中断概率因素,基于认知水声技术,提出了面向中断概率最小化的功率分配策略,联合功率与信道分配的动态频谱分配机制,感知链路状态的路由机制,从而实现了多用户频谱共享和提高了系统容量。主要创新性研究成果如下:1、针对水下声传感器网络多用户干扰问题,论文提出了认知水声网络的功率分配策略。通过建立多用户干扰模型,提出了面向中断概率最小化的功率分配算法,并建立了多用户干扰区域图。仿真结果表明:该功率分配算法在避免伤害海洋哺乳动物的前提下,实现多用户频谱共享,中断概率最小化。此外,该机制为动态频谱分配机制提供了接入授权频谱的使用约束,为感知链路状态的路由机制提供了链路状态信息。2、针对水声多用户频谱分配与容量受限问题,论文提出联合功率与信道分配的动态频谱分配机制。面向中断概率最小化的功率分配算法和多用户干扰区域图,以容量最大化为目标,提出了联合功率和信道分配的动态频谱分配算法。该算法通过马尔科夫模型获知频谱使用状态,次节点在接入授权频谱使用约束下,以最大化效用函数为目标,实现最优的频谱分配。仿真结果表明:该算法实现了较好的多用户频谱分配,提高了系统容量。3、针对路由链路断裂,重传概率高的问题,论文提出了感知链路状态的路由机制。通过功率分配策略获得了可靠的链路状态信息,基于HSV计算机图形学模型给出了不相交的链路,进一步,建立跨层认知决策框架,提出了感知链路状态的路由算法。仿真结果表明:在避免伤害海洋哺乳动物的前提下,算法感知可靠链路状态信息,降低了重传概率,提高了投递率。最后,基于上述功率分配策略,联合功率与信道分配的动态频谱分配机制,感知链路状态的路由机制,论文分析了现有的认知水声网络面临的挑战,设计了基于生物友好的认知水声网络体系架构。该架构以多网络共存为目标,搭建了多功能网络试验床,为研究人员提供更精确的水下网络仿真与实验平台。
韩博[10]（2016）在《海洋云服务流形式化描述与系统实现》文中研究说明随着我国海洋信息化进程的不断发展,海洋信息系统在处理海量的海洋信息中扮演着关键角色,然而目前我国海洋经济的发展仍处于薄弱阶段,海洋经济占全国GDP比重只有10%左右,因此大力发展海洋经济对于我国有着重要的经济意义和战略意义。为了给我国海洋事业的发展提供有力的信息保障和技术支撑,国家海洋局实施了“数字海洋”项目,建成了大量海洋业务应用系统。这些系统在促进我国海洋事业发展的同时也越来越多的显现出资源占用多、运行成本高、缺乏系统规划和系统维护困难等问题。国家海洋局拟用新兴的云计算与云服务技术整合现有海洋环境信息系统建立一个最终用户按需提供服务、绿色节能、高效的海洋环境信息云计算平台。云计算的发展促使基于云平台的Web服务技术与工作流技术相互结合,使得基于海洋信息云环境的资源共享与服务集成成为海洋信息化建设应用领域的现实需求。由于海洋环境信息数据资源的异构性、分散性和多样性等特点,缺乏柔性的工作流模型并不能完全适应海洋环境信息动态、松耦合的要求。本文以海洋云服务流形式化描述与系统实现为内容,以工作流技术为基础实现服务的动态组合,并设计实现了动态服务流,其中,将服务流解析为流中子服务及它们之间的依赖关系,其动态、分布、松散耦合的主要特征能够适应海洋环境信息任务的需求。本文的主要工作和创新点如下:一、对海洋环境信息云服务流的交互协议及前后端交互机制进行了研究,设计实现了服务流模型,制定了交互协议的标准规范。二、在分析海洋环境云计算与云服务整体功能的需求基础上,进行了海洋云平台的整体架构设计。设计并实现了服务流引擎,它负责控制与协调诸计算模型的执行,服务流的解析与重组、服务流的调度。三、设计并实现了服务流监控模块及服务流运行机制中的关键算法PRSF,以最高的并行效率和最低的处理开销执行服务流。结合服务流前后端交互接口,实现了监控模块的核心——任务执行进度抽取器。四、最后搭建原型示范系统,初步实现了海洋环境信息云平台下服务流系统。通过乘潮水位和海洋环境信息可视化两种典型应用对原型示范系统进行测试。实验从整体上验证了平台和系统的功能实现,证明了海洋云平台服务流系统可以有效的、灵活的、可伸缩的处理云平台服务流任务并在处理大规模数据时有较高的优势,有较高的服务流执行效率。
二、多用户分布式虚拟海洋环境的实现（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、多用户分布式虚拟海洋环境的实现（论文提纲范文）
（1）基于区块链和联邦学习的数据安全研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题的研究目的和意义 |
| 1.2 国内外研究发展现状 |
| 1.2.1 区块链方法 |
| 1.2.2 联邦学习方法 |
| 1.2.3 问题 |
| 1.3 本文的研究内容及章节安排 |
| 1.3.1 研究内容 |
| 1.3.2 后续章节安排 |
| 2 相关技术 |
| 2.1 边缘计算架构 |
| 2.1.1 边缘计算简介 |
| 2.1.2 边缘计算应用 |
| 2.2 区块链技术 |
| 2.2.1 区块链简介 |
| 2.2.2 区块链应用 |
| 2.3 联邦学习技术 |
| 2.3.1 联邦学习简介 |
| 2.3.2 联邦学习应用 |
| 2.4 本章小结 |
| 3 面向海洋物联网环境的模型概述 |
| 3.1 系统模型 |
| 3.1.1 联邦学习模块 |
| 3.1.2 区块链模块 |
| 3.2 环境模型 |
| 3.2.1 洋流的移动性 |
| 3.2.2 通信的不稳定性 |
| 3.3 本章小结 |
| 4 联邦学习工人的评价方案 |
| 4.1 评价指标 |
| 4.1.1 信誉意见 |
| 4.1.2 质量意见 |
| 4.2 评价方案 |
| 4.2.1 主观逻辑模型 |
| 4.2.2 多重主观逻辑模型 |
| 4.3 信誉意见计算 |
| 4.3.1 直接信誉意见 |
| 4.3.2 间接信誉意见 |
| 4.3.3 综合信誉意见 |
| 4.4 质量意见计算 |
| 4.4.1 直接质量意见 |
| 4.4.2 间接质量意见 |
| 4.4.3 综合质量意见 |
| 4.5 本章小结 |
| 5 区块链质量证明算法 |
| 5.1 区块链共识算法概述 |
| 5.2 PoQ算法流程 |
| 5.3 本章小结 |
| 6 仿真实验及结果 |
| 6.1 实验设置 |
| 6.1.1 仿真环境 |
| 6.1.2 参数设置 |
| 6.2 仿真结果及分析 |
| 6.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（2）边缘计算中可信协同服务与计算迁移策略研究（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 国内外研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文组织架构 |
| 第二章 边缘计算可信协同与计算迁移研究进展 |
| 2.1 边缘计算概述 |
| 2.1.1 边缘计算简介 |
| 2.1.2 边缘计算典型应用 |
| 2.2 边缘计算可信协同发展 |
| 2.2.1 信任评价机制研究 |
| 2.2.2 协同服务机制研究 |
| 2.3 边缘计算迁移研究进展 |
| 2.3.1 基于能耗优化目标的迁移决策 |
| 2.3.2 基于延迟优化目标的迁移决策 |
| 2.3.3 多目标联合迁移决策 |
| 2.4 本章小结 |
| 第三章 基于综合性能评价的边缘计算协同服务策略研究 |
| 3.1 基于综合性能评价的协同盟员发现机制 |
| 3.1.1 边缘计算节点连接概率预测建模 |
| 3.1.2 节点综合信任度计算模型 |
| 3.1.3 盟员节点综合性能特征评价模型 |
| 3.2 基于综合性能评价的协同服务池模型 |
| 3.2.1 综合性能协同服务池建模 |
| 3.2.2 综合性能协同服务池效用分析 |
| 3.3 CSEC-CPE性能仿真实验与分析 |
| 3.3.1 仿真环境设置 |
| 3.3.2 CSEC-CPE协同盟员聚合精度和协同服务效用分析 |
| 3.3.3 CSEC-CPE协同服务负载均衡服务能力分析 |
| 3.3.4 CSEC-CPE协同服务综合效用分析 |
| 3.4 本章小结 |
| 第四章 面向能耗约束的智能计算混合迁移模型构建与仿真 |
| 4.1 基于能耗约束的计算迁移模型构建 |
| 4.1.1 平行迁移决策 |
| 4.1.2 上行迁移决策 |
| 4.2 智能算法设计 |
| 4.2.1 基于PSO算法优化的HOS-NE策略 |
| 4.2.2 基于SA算法优化的HOS-NE策略 |
| 4.3 仿真结果及分析 |
| 4.3.1 实验仿真 |
| 4.3.2 结果分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 未来研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（3）基于ArcGIS Server的海上溢油监管系统的设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 Web电子海图的研究现状 |
| 1.2.2 海上溢油管理系统的研究现状 |
| 1.3 论文研究内容与结构安排 |
| 1.3.1 论文研究内容 |
| 1.3.2 论文结构安排 |
| 第2章 ArcGIS Server海上溢油监管系统的关键技术 |
| 2.1 ArcGIS Server平台 |
| 2.1.1 ArcGIS Server概述 |
| 2.1.2 ArcGIS Server架构 |
| 2.1.3 ArcGIS Server服务访问方式 |
| 2.2 ArcGIS API For JavaScript |
| 2.2.1 ArcGIS API For JavaScript介绍 |
| 2.2.2 Dojo开发框架 |
| 2.3 云平台 |
| 2.3.1 云平台概述 |
| 2.3.2 云平台的接入 |
| 2.3.3 云平台的通信协议 |
| 2.4 本章小结 |
| 第3章 基于ArcGIS Server的海上溢油监管系统设计 |
| 3.1 系统需求分析 |
| 3.1.1 系统可行性分析 |
| 3.1.2 系统功能性需求分析 |
| 3.1.3 系统非功能性需求分析 |
| 3.2 系统框架设计 |
| 3.2.1 传统海上溢油监管系统结构设计 |
| 3.2.2 本系统结构设计 |
| 3.2.3 系统层次架构设计 |
| 3.3 系统功能模块设计 |
| 3.3.1 任务管理功能设计 |
| 3.3.2 实时监测功能设计 |
| 3.3.3 历史数据管理功能设计 |
| 3.4 本章小结 |
| 第4章 海上溢油监管系统服务器设计与实现 |
| 4.1 系统服务器结构 |
| 4.2 Node JS服务 |
| 4.2.1 Node JS的原理 |
| 4.2.2 Socket.io模块 |
| 4.3 基于云平台的数据传输功能的设计与实现 |
| 4.3.1 基于IOT平台的数据传输设计与实现 |
| 4.3.2 基于视频直播服务的视频传输功能设计与实现 |
| 4.4 基于ArcGIS Server的电子海图功能的设计与实现 |
| 4.4.1 海图服务功能的整体设计 |
| 4.4.2 海图数据处理 |
| 4.4.3 海图服务的发布 |
| 4.5 系统数据库搭建 |
| 4.5.1 空间数据库搭建 |
| 4.5.2 非空间数据库搭建 |
| 4.6 本章小结 |
| 第5章 ArcGIS Server海上溢油监管系统客户端实现 |
| 5.1 用户登录及管理模块实现 |
| 5.1.1 登录认证模块 |
| 5.1.2 用户管理模块 |
| 5.2 海图相关功能模块实现 |
| 5.2.1 加载海图初始图层 |
| 5.2.2 海图基本功能实现 |
| 5.3 实时监测模块实现 |
| 5.3.1 实时监测功能模块 |
| 5.3.2 实时视频播放 |
| 5.3.3 实时任务监管 |
| 5.4 历史数据管理功能模块 |
| 5.4.1 历史数据显示 |
| 5.4.2 数据统计 |
| 5.5 本章小结 |
| 第6章 ArcGIS Server海上溢油监管系统测试 |
| 6.1 系统测试环境 |
| 6.2 系统功能性测试 |
| 6.2.1 用户登录及管理功能测试 |
| 6.2.2 任务管理功能测试 |
| 6.2.3 实时监测功能测试 |
| 6.2.4 历史数据管理功能测试 |
| 6.3 系统非功能性测试 |
| 6.4 本章小节 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（4）海量时间频率科学数据管理与服务关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状与分析 |
| 1.1.1 时间频率科学数据存储管理 |
| 1.1.2 时间频率科学数据计算模式 |
| 1.1.3 时间频率科学数据服务方式 |
| 1.1.4 现状分析 |
| 1.3 研究目标和主要研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 主要研究内容 |
| 1.4 论文组织结构 |
| 第2章 面向服务的海量时间频率科学数据管理体系设计 |
| 2.1 时频数据特征与管理系统分析 |
| 2.1.1 时间频率科学数据特征 |
| 2.1.2 时间频率科学数据管理原型系统 |
| 2.2 面向服务的海量时间频率科学数据管理体系设计 |
| 2.2.1 面向服务的海量时频数据管理标准体系 |
| 2.2.2 面向服务的海量时频数据管理框架(STFDMA) |
| 2.3 面向服务的海量时间频率科学数据管理实现模型 |
| 2.3.1 云计算与大数据技术 |
| 2.3.2 STFMDA的实现模型 |
| 2.4 本章小结 |
| 第3章 海量时间频率科学数据存储管理方法研究 |
| 3.1 基于HDFS的海量时频数据文件存储方法研究 |
| 3.1.1 HDFS架构与存储特性分析 |
| 3.1.2 基于HDFS的时频数据文件存储架构设计 |
| 3.1.3 分布式时频科学数据文件存储系统优化方法 |
| 3.1.4 实验结果与分析 |
| 3.2 基于HBase的海量半结构化时频数据存储方法研究 |
| 3.2.1 HBase系统特性与架构方案 |
| 3.2.2 基于HBase的GNSS系统时差监测数据存储设计 |
| 3.2.3 实验结果与分析 |
| 3.3 基于时间序列数据库Influx DB的时频数据存储方法研究 |
| 3.3.1 Influx DB系统架构与数据存储管理特征分析 |
| 3.3.2 基于Influx DB的时间序列数据组织与模型设计 |
| 3.3.3 基于Influx DB的时频测量数据存储管理方法研究 |
| 3.3.4 基于Influx DB的CAPS主钟溯源比对数据存储设计 |
| 3.3.5 实验结果与分析 |
| 3.4 本章小结 |
| 第4章 海量时间频率科学数据离线并行分析方法研究 |
| 4.1 基于Map Reduce的时频数据并行处理框架及流程设计 |
| 4.1.1 基于Map Reduce的并行处理框架及功能分析 |
| 4.1.2 基于Map Reduce的离线分析作业运行流程设计 |
| 4.2 基于Map Reduce的并行化时间间隔误差计算方法 |
| 4.2.1 时间间隔误差原理与分析方法 |
| 4.2.2 基于Map Reduce的时间间隔误差算法MR-TIE |
| 4.3 基于Map Reduce的并行化频率源钟差模型计算方法 |
| 4.3.1 频率源钟差模型与计算方法 |
| 4.3.2 基于Map Reduce的频率源钟差模型计算方法MR-CLS |
| 4.4 实验结果与分析 |
| 4.4.1 实验环境部署 |
| 4.4.2 基于MR-TIE的CAPS主钟溯源比对钟差分析 |
| 4.4.3 基于MR-CLS的CAPS主钟溯源比对钟差分析 |
| 4.5 本章小结 |
| 第5章 海量时间频率科学数据实时并行分析方法研究 |
| 5.1 基于Spark的时频数据并行计算框架及流程设计 |
| 5.1.1 基于Spark的并行计算框架及功能分析 |
| 5.1.2 基于Spark的实时并行计算流程设计 |
| 5.2 基于Spark的频率稳定度Allan方差计算方法 |
| 5.2.1 频率稳定度Allan方差计算方法 |
| 5.2.2 基于Spark的并行化Allan方差Spark-Allan |
| 5.2.3 Spark-Allan数据处理流程 |
| 5.3 基于Spark的最大时间间隔误差算法Spark-MTIE |
| 5.3.1 最大时间间隔误差定义及计算方法 |
| 5.3.2 基于Spark的并行化MTIE计算方法Spark-MTIE |
| 5.3.3 Spark-MTIE数据处理流程 |
| 5.4 基于Spark的光纤溯源钟差粗差探测算法 |
| 5.4.1 基于光纤时间传递的溯源钟差模型 |
| 5.4.2 光纤溯源钟差粗差探测算法(ODTD) |
| 5.4.3 基于Spark的光纤溯源钟差粗差探测方法Spark-ODTD |
| 5.5 实验结果与分析 |
| 5.5.1 实验环境搭建 |
| 5.5.2 基于Spark-Allan的CAPS主钟频率稳定度分析 |
| 5.5.3 基于Spark-MTIE的CAPS主钟溯源比对钟差分析 |
| 5.5.4 基于Spark的光纤溯源钟差粗差探测实验分析 |
| 5.6 本章小结 |
| 第6章 远程溯源比对云服务原型系统设计与实现 |
| 6.1 远程溯源比对云服务原型系统总体框架 |
| 6.1.1 远程溯源比对云服务基本原理与系统架构 |
| 6.1.2 远程溯源比对云服务系统总体框架 |
| 6.2 远程溯源比对云服务原型系统模块设计与实现 |
| 6.2.1 远程溯源比对云服务原型系统服务与模块设计 |
| 6.2.2 远程溯源比对云服务原型系统应用界面 |
| 6.3 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及在学期间发表的学术论文与研究成果 |
（5）边缘计算中的高能效与负载均衡技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 5G和移动边缘计算 |
| 1.2 移动边缘计算架构及特点 |
| 1.2.1 移动边缘计算参考架构 |
| 1.2.2 边缘计算服务器分布架构及特点 |
| 1.3 选题意义及研究现状 |
| 1.3.1 选题意义 |
| 1.3.2 研究现状 |
| 1.4 本文主要工作与组织结构 |
| 参考文献 |
| 第二章 单小区动态环境边缘计算高能效在线资源管理 |
| 2.1 研究背景 |
| 2.2 系统模型 |
| 2.2.1 系统状态模型 |
| 2.2.2 网络模型 |
| 2.2.3 问题构建与分析 |
| 2.3 非实时设备状态的混合在线学习方案 |
| 2.3.1 混合在线学习框架 |
| 2.3.2 分布式方案设计 |
| 2.4 理论分析 |
| 2.5 仿真结果及分析 |
| 2.6 本章小结 |
| 参考文献 |
| 第三章 异构多小区边缘计算高能效分布式协作资源管理 |
| 3.1 研究背景 |
| 3.2 系统模型与问题构建 |
| 3.2.1 网络模型 |
| 3.2.2 约束条件及队列更新 |
| 3.2.3 问题构建与分析 |
| 3.3 异构边缘计算的分布式在线学习方案 |
| 3.3.1 在线学习框架与问题转化 |
| 3.3.2 集中式实时协作资源管理 |
| 3.3.3 分布式实时协作资源管理 |
| 3.4 理论分析 |
| 3.4.1 集中式在线学习方案分析 |
| 3.4.2 分布式在线学习方案分析 |
| 3.5 仿真结果及分析 |
| 3.6 本章小结 |
| 参考文献 |
| 第四章 大规模边云协同分布式计算负载均衡 |
| 4.1 研究背景 |
| 4.2 系统模型 |
| 4.2.1 网络模型和级联队列 |
| 4.2.2 约束条件与队列更新 |
| 4.3 充足设备存储空间下分布式计算负载均衡 |
| 4.3.1 问题构建与转化 |
| 4.3.2 充足设备存储空间条件下分布式优化 |
| 4.4 物联网设备存储受限的分布式计算负载均衡与虚拟队列设计 |
| 4.4.1 李雅普诺夫优化的最优性与存储空间分析 |
| 4.4.2 虚拟队列设计与问题构建 |
| 4.4.3 问题转化与分布式优化 |
| 4.5 仿真结果及分析 |
| 4.6 本章小结 |
| 第五章 边云协同在线分布式存储负载均衡 |
| 5.1 研究背景 |
| 5.2 系统模型 |
| 5.3 在线分布式存储负载均衡优化 |
| 5.3.1 问题构建 |
| 5.3.2 在线分布式文件与负载均衡优化 |
| 5.4 文件分发协作域分布式优化 |
| 5.4.1 文件分发协作域定义 |
| 5.4.2 协作域分布式优化 |
| 5.4.3 协作域应用 |
| 5.5 仿真结果及分析 |
| 5.6 本章小结 |
| 参考文献 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 未来研究展望 |
| 致谢 |
| 攻读博士期间发表学术论文列表 |
（6）移动边缘计算任务迁移与资源管理研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 研究背景及研究意义 |
| 1.1.1 移动边缘计算简介 |
| 1.1.2 选题及研究意义 |
| 1.2 任务迁移与资源管理研究现状 |
| 1.3 主要研究内容及挑战 |
| 1.4 论文组织结构 |
| 参考文献 |
| 第二章 动态环境边缘计算用户任务迁移 |
| 2.1 单用户边缘计算的自适应任务迁移 |
| 2.1.1 系统模型与问题构建 |
| 2.1.2 基于滚动时域控制的自适应任务迁移决策 |
| 2.1.3 仿真结果及分析 |
| 2.2 多用户协作计算的分布式在线任务迁移 |
| 2.2.1 系统模型和问题构建 |
| 2.2.2 实时激励条件下的在线分布式协作计算 |
| 2.2.3 非实时激励条件下的在线分布式协作计算 |
| 2.2.4 仿真结果及分析 |
| 2.3 本章小结 |
| 参考文献 |
| 第三章 移动边缘计算单小区任务迁移和资源管理 |
| 3.1 研究背景 |
| 3.2 边缘计算联合无线和计算资源管理与任务卸载 |
| 3.2.1 系统模型与问题构建 |
| 3.2.2 联合无线和计算资源管理与任务卸载 |
| 3.2.3 仿真结果及分析 |
| 3.3 边缘计算时延敏感任务接入控制和资源分配 |
| 3.3.1 系统模型与问题构建 |
| 3.3.2 高效能接入控制与计算资源分配 |
| 3.3.3 仿真结果及分析 |
| 3.4 海量连接的物联网边缘计算在线资源调度 |
| 3.4.1 系统模型及问题构建 |
| 3.4.2 针对物联网应用的低开销在线资源调度 |
| 3.4.3 海量设备连接的选择性上报策略 |
| 3.4.4 仿真结果及分析 |
| 3.5 本章小结 |
| 参考文献 |
| 第四章 移动边缘计算组网资源管理 |
| 4.1 大规模边缘计算分布式优化和协作域划分 |
| 4.1.1 系统模型和问题构建 |
| 4.1.2 大规模边缘计算分布式在线优化 |
| 4.1.3 边缘计算协作域划分与分布式优化 |
| 4.1.4 仿真结果及分析 |
| 4.2 边缘计算分布式机器学习资源管理 |
| 4.2.1 研究背景 |
| 4.2.2 系统模型及问题构建 |
| 4.2.3 边缘计算分布式机器学习的在线资源管理 |
| 4.2.4 仿真结果及分析 |
| 4.3 本章小结 |
| 参考文献 |
| 第五章 总结与展望 |
| 5.1 论文总结与后续工作 |
| 5.2 未来研究展望 |
| 致谢 |
| 攻读博士期间发表学术论文列表 |
（7）海底管道不停产维修工艺的虚拟现实技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究目的和意义 |
| 1.3 国内外研究现状 |
| 1.3.1 虚拟现实技术国内外发展现状 |
| 1.3.2 海底管道维修国内外研究现状 |
| 1.4 论文的主要研究内容 |
| 第2章 虚拟现实技术应用 |
| 2.1 虚拟现实技术简介 |
| 2.2 数字数据建模研究 |
| 2.2.1 数字模型数据采集原理和方法 |
| 2.2.2 模型的数据结构 |
| 2.2.3 建模平台分析 |
| 2.2.4 数字模型优化 |
| 2.3 虚拟现实空间位置技术分析 |
| 2.3.1 位置变换理论 |
| 2.3.2 坐标系的变换 |
| 2.3.3 碰撞检测分析 |
| 2.4 虚拟仿真开发流程 |
| 2.5 本章小结 |
| 第3章 海洋环境对结构物的影响 |
| 3.1 真实海洋环境载荷分析 |
| 3.1.1 海风载荷分析 |
| 3.1.2 波浪载荷分析 |
| 3.1.3 海流载荷分析 |
| 3.2 水下结构物的动力学模型分析 |
| 3.2.1 基础坐标系设定 |
| 3.2.2 结构物受力分析 |
| 3.2.3 水下结构物的运动学方程建立 |
| 3.3 结构物的CFX数值计算仿真 |
| 3.3.1 基于ANSYS的流体数值计算分析过程 |
| 3.3.2 基于模型的CFX仿真计算 |
| 3.4 本章小结 |
| 第4章 海底管道不停产维修工艺 |
| 4.1 海底管道不停产维修技术 |
| 4.1.1 深海海域划分 |
| 4.1.2 深海油气管道 |
| 4.1.3 海底管道不停产维修需求分析 |
| 4.1.4 海底管道不停产维修技术 |
| 4.2 海底管道不停产维修所需工具 |
| 4.2.1 主要安装设施 |
| 4.2.2 辅助安装设施 |
| 4.3 海底管道不停产工艺作业流程 |
| 4.3.1 工艺流程 |
| 4.3.2 工艺流程图 |
| 4.4 本章小结 |
| 第5章 海底管道不停产维修虚拟现实研究 |
| 5.1 海底管道不停产维修虚拟现实总体设计 |
| 5.1.1 分布式虚拟现实仿真系统总体框架设计 |
| 5.1.2 分布式虚拟现实仿真系统工作流程分析 |
| 5.2 海底管道不停产维修虚拟现实关键技术研究 |
| 5.2.1 模型建立与优化 |
| 5.2.2 基于Vega Prime的环境搭建 |
| 5.2.3 基于Vortex的模型搭建 |
| 5.2.4 海底管道不停产维修工艺的虚拟作业流程 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（8）水声OFDM通信系统信道补偿技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 水声OFDM通信 |
| 1.2.1 水声OFDM通信简介 |
| 1.2.2 水声OFDM相关技术 |
| 1.2.3 水声OFDM通信研究现状 |
| 1.2.4 水声OFDM通信的优势 |
| 1.2.5 水声OFDM通信面临的挑战 |
| 1.3 水声信道补偿技术 |
| 1.4 本文主要工作与内容安排 |
| 1.4.1 本文主要工作 |
| 1.4.2 内容安排 |
| 第二章 水声信道特性与海洋噪声干扰分析 |
| 2.1 引言 |
| 2.2 水声信道特性 |
| 2.2.1 传播损失 |
| 2.2.2 时变多径特性 |
| 2.2.3 多普勒效应 |
| 2.3 海洋噪声干扰分析 |
| 2.3.1 环境噪声 |
| 2.3.2 外部干扰 |
| 2.4 水声时变信道参数化表示 |
| 2.5 本章小结 |
| 第三章 采用信道预测的水声OFDM系统 |
| 3.1 引言 |
| 3.2 水声OFDM信道预测基础 |
| 3.3 基于水声OFDM的信道预测技术研究 |
| 3.3.1 基于水声OFDM的时域信道预测的优点 |
| 3.3.2 基于水声OFDM信道稀疏性的信道预测技术 |
| 3.3.3 采用信道预测技术的水声OFDM系统建模 |
| 3.4 仿真算法与性能分析 |
| 3.4.1 水声OFDM系统仿真参数设计 |
| 3.4.2 水声OFDM信道预测仿真性能分析 |
| 3.5 实验性能分析 |
| 3.5.1 水池实验性能分析 |
| 3.5.2 海洋试验性能分析 |
| 3.6 本章小结 |
| 第四章 采用预编码的水声OFDM系统 |
| 4.1 引言 |
| 4.2 预编码技术 |
| 4.2.1 线性预编码技术 |
| 4.2.2 非线性预编码技术 |
| 4.3 基于水声OFDM的预编码技术研究 |
| 4.3.1 采用预编码技术的水声OFDM系统建模 |
| 4.3.2 基于水声OFDM的预编码技术 |
| 4.4 仿真算法与性能分析 |
| 4.4.1 采用预编码技术的OFDM系统仿真参数设计 |
| 4.4.2 采用预编码技术的OFDM系统仿真性能分析 |
| 4.5 实验性能分析 |
| 4.5.1 水池实验性能分析 |
| 4.5.2 海洋试验性能分析 |
| 4.6 本章小结 |
| 第五章 脉冲噪声干扰消除的水声OFDM系统 |
| 5.1 引言 |
| 5.2 脉冲噪声干扰下的水声OFDM通信系统建模 |
| 5.3 时域脉冲噪声和大幅度单频噪声的消除研究 |
| 5.3.1 分布式消除 |
| 5.3.2 联合估计消除 |
| 5.3.3 迭代消除设计 |
| 5.4 仿真算法与性能分析 |
| 5.4.1 仿真参数设计 |
| 5.4.2 仿真结果分析 |
| 5.5 水池实验性能分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的学术成果 |
| 附录A 离散信道时间抽头系数的推导 |
（9）生物友好的认知水声网络组网关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 水下声传感器网络概述 |
| 1.2.1 水声通信信道 |
| 1.2.2 水声通信技术 |
| 1.2.3 水下声传感器网络组网技术 |
| 1.3 认知水下声传感器网络概述 |
| 1.3.1 认知水声通信技术 |
| 1.3.2 认知水声网络的组网技术 |
| 1.4 论文主要内容 |
| 1.4.1 整体框架与工作方案 |
| 1.4.2 论文主要贡献 |
| 1.5 论文组织结构 |
| 第2章 面向中断概率最小化的功率分配机制 |
| 2.1 引言 |
| 2.1.1 功率分配算法研究现状 |
| 2.1.2 海洋哺乳动物的声信号特性 |
| 2.2 基于中断概率最小化的认知水声网络功率分配模型 |
| 2.2.1 传输容量定义 |
| 2.2.2 多用户干扰模型 |
| 2.3 基于中断概率最小化的认知网络功率分配算法 |
| 2.3.1 算法定义 |
| 2.3.2 算法过程 |
| 2.3.3 保护半径 |
| 2.4 面向中断概率最小化的功率分配算法的性能评价 |
| 2.5 本章小结 |
| 第3章 联合功率和信道分配的动态频谱分配机制 |
| 3.1 引言 |
| 3.2 联合功率和信道分配的动态频谱接入机制 |
| 3.2.1 海洋哺乳动物业务行为 |
| 3.2.2 联合功率和信道分配的动态频谱分配机制 |
| 3.3 联合功率和信道分配的动态频谱分配算法 |
| 3.3.1 马尔科夫信道状态预测 |
| 3.3.2 联合功率和信道分配的动态频谱分配算法 |
| 3.4 动态频谱接入算法的性能评价 |
| 3.5 本章小结 |
| 第4章 感知链路状态的路由机制 |
| 4.1 引言 |
| 4.2 感知链路状态的认知水声网络跨层策略 |
| 4.2.1 联合功率分配的跨层结构 |
| 4.2.2 着色模型 |
| 4.3 认知水声网络感知链路状态信息的路由机制 |
| 4.3.1 认知水声网络感知链路状态信息 |
| 4.3.2 感知链路状态的冗余路由算法 |
| 4.4 路由算法的性能评价 |
| 4.5 本章小结 |
| 第5章 基于SDN的认知水声网络体系结构设计 |
| 5.1 引言 |
| 5.2 基于软件定义网络的认知水声网络架构设计 |
| 5.2.1 基于软件定义网络的认知水声网络管理组件 |
| 5.2.2 基于软件定义网络的网络节点 |
| 5.3 水下声传感器网络试验床的设计 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 后续工作展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（10）海洋云服务流形式化描述与系统实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究的目的和意义 |
| 1.3 国内外研究进展及相关工作 |
| 1.3.1 云计算与Hadoop |
| 1.3.2 面向服务的工作流 |
| 1.3.3 海洋云计算研究现状 |
| 1.4 本文研究内容 |
| 1.5 论文组织结构 |
| 第二章 课题相关技术 |
| 2.1 Hadoop新版本特色 |
| 2.1.1 Map Reduce编程框架 |
| 2.1.2 Hadoop分布式文件系统 |
| 2.1.3 Hadoop新版本资源调度平台YARN |
| 2.2 Spark与Hadoop协同服务模式 |
| 2.2.1 Spark的体系结构与特点 |
| 2.2.2 Spark编程模型与容错机制 |
| 2.2.3 Spark与其他系统比较 |
| 2.3 本章小结 |
| 第三章 海洋环境信息云平台上的动态服务流的设计与实现 |
| 3.1 静态工作流模型 |
| 3.1.1 静态工作流形式化定义 |
| 3.1.2 静态工作流状态转换 |
| 3.1.3 静态工作流结构异常检测 |
| 3.1.4 静态工作流和动态服务流比较 |
| 3.2 海洋环境信息云平台上的动态服务流模型 |
| 3.2.1 海洋环境信息云平台上的动态服务流定义 |
| 3.2.2 海洋环境信息云平台上的动态服务流形式化描述和接口实现 |
| 3.2.3 海洋环境信息云平台服务流状态跃迁 |
| 3.3 本章小结 |
| 第四章 海洋环境信息云平台的设计与实现 |
| 4.1 海洋环境信息云平台体系架构设计 |
| 4.1.1 海洋环境信息云平台整体框架分析 |
| 4.1.2 海洋环境信息云平台功能模块设计 |
| 4.2 海洋环境信息云平台下动态服务流系统运行机制 |
| 4.2.1 服务流引擎结构分析 |
| 4.2.2 服务流引擎处理过程 |
| 4.2.3 服务流的解析与算法实现 |
| 4.2.4 服务流引擎的调度策略 |
| 4.3 海洋环境信息云平台下动态服务流监控模块的设计与实现 |
| 4.3.1 服务流监控模块设计 |
| 4.3.2 服务流监控模块执行进度信息抽取器的实现 |
| 4.4 本章小结 |
| 第五章 原型示范系统及测试 |
| 5.1 原型示范系统环境搭建 |
| 5.2 原型示范系统应用实现 |
| 5.2.1 乘潮水位服务流应用 |
| 5.2.2 海洋环境信息可视化应用 |
| 5.3 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者在攻读硕士学位期间公开发表的论文 |
| 作者在攻读硕士学位期间所作的项目 |
| 致谢 |
四、多用户分布式虚拟海洋环境的实现（论文参考文献）
- [1]基于区块链和联邦学习的数据安全研究[D]. 叶晋. 大连理工大学, 2021(01)
- [2]边缘计算中可信协同服务与计算迁移策略研究[D]. 杨晓慧. 江西理工大学, 2021(01)
- [3]基于ArcGIS Server的海上溢油监管系统的设计与实现[D]. 闫佳佳. 北京工业大学, 2020(06)
- [4]海量时间频率科学数据管理与服务关键技术研究[D]. 孟令达. 中国科学院大学(中国科学院国家授时中心), 2019(01)
- [5]边缘计算中的高能效与负载均衡技术研究[D]. 任晨珊. 北京邮电大学, 2019
- [6]移动边缘计算任务迁移与资源管理研究[D]. 吕昕晨. 北京邮电大学, 2019(08)
- [7]海底管道不停产维修工艺的虚拟现实技术研究[D]. 熊柏松. 中国石油大学(北京), 2019(02)
- [8]水声OFDM通信系统信道补偿技术研究[D]. 林娜. 厦门大学, 2018(07)
- [9]生物友好的认知水声网络组网关键技术研究[D]. 李云. 天津大学, 2017(01)
- [10]海洋云服务流形式化描述与系统实现[D]. 韩博. 上海大学, 2016(02)