| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 缩写和符号清单 | 第15-17页 |
| 1 绪论 | 第17-29页 |
| 1.1 研究背景及意义 | 第17-24页 |
| 1.1.1 雾计算的发展历程 | 第17-20页 |
| 1.1.2 雾计算的应用场景 | 第20-22页 |
| 1.1.3 雾计算面临的挑战 | 第22-24页 |
| 1.1.4 研究意义 | 第24页 |
| 1.2 论文的研究内容及主要创新点 | 第24-27页 |
| 1.2.1 本文的具体研究内容 | 第25-26页 |
| 1.2.2 本文的主要创新点 | 第26-27页 |
| 1.3 论文的组织与安排 | 第27-29页 |
| 2 雾计算资源管理国内外研究现状 | 第29-38页 |
| 2.1 雾计算架构国内外研究现状 | 第29-30页 |
| 2.2 资源贡献国内外研究现状 | 第30-32页 |
| 2.3 激励机制国内外研究现状 | 第32-35页 |
| 2.4 资源分配国内外研究现状 | 第35-37页 |
| 2.5 本章小结 | 第37-38页 |
| 3 类人体神经系统的雾计算架构研究 | 第38-48页 |
| 3.1 引言 | 第38页 |
| 3.2 架构提出 | 第38-41页 |
| 3.3 资源管理模式 | 第41-44页 |
| 3.3.1 资源管理功能介绍 | 第41-43页 |
| 3.3.2 资源管理流程介绍 | 第43-44页 |
| 3.4 应用场景 | 第44-45页 |
| 3.5 资源管理关键问题 | 第45-47页 |
| 3.6 本章小结 | 第47-48页 |
| 4 雾计算资源贡献模型研究 | 第48-62页 |
| 4.1 引言 | 第48页 |
| 4.2 雾计算资源贡献问题描述 | 第48页 |
| 4.3 基于微分博弈的雾计算资源贡献模型 | 第48-50页 |
| 4.3.1 相关参数计算 | 第48-49页 |
| 4.3.2 雾节点资源贡献最优化模型 | 第49-50页 |
| 4.4 基于微分博弈的雾计算资源贡献模型求解 | 第50-56页 |
| 4.4.1 无限时域下资源贡献最优策略求解 | 第50-53页 |
| 4.4.2 有限时域下资源贡献最优策略求解 | 第53-56页 |
| 4.5 仿真与验证 | 第56-61页 |
| 4.5.1 有限时域内的结果分析 | 第57-58页 |
| 4.5.2 无限时域内的结果分析 | 第58-61页 |
| 4.6 本章小结 | 第61-62页 |
| 5 雾计算激励机制研究 | 第62-75页 |
| 5.1 引言 | 第62页 |
| 5.2 雾计算激励机制问题描述 | 第62页 |
| 5.3 基于重复博弈的雾计算激励模型 | 第62-67页 |
| 5.3.1 单阶段博弈过程 | 第63-65页 |
| 5.3.2 无限次重复博弈过程 | 第65-67页 |
| 5.4 基于重复博弈的雾计算激励模型求解 | 第67-69页 |
| 5.5 仿真与验证 | 第69-74页 |
| 5.5.1 激励模型参数选取及仿真方法描述 | 第69-70页 |
| 5.5.2 最优奖励策略及性能分析 | 第70-74页 |
| 5.6 本章小结 | 第74-75页 |
| 6 雾计算资源分配模型及算法研究 | 第75-91页 |
| 6.1 引言 | 第75页 |
| 6.2 雾计算资源分配问题描述 | 第75-76页 |
| 6.3 雾计算资源分配模型 | 第76-80页 |
| 6.3.1 服务延迟描述 | 第76-77页 |
| 6.3.2 稳定性描述 | 第77-79页 |
| 6.3.3 模型建立 | 第79-80页 |
| 6.4 RAS-IN资源分配算法 | 第80-83页 |
| 6.4.1 RAS-IN雾计算资源分配算法基本流程 | 第80-82页 |
| 6.4.2 编码和初始化 | 第82页 |
| 6.4.3 改进的拥挤距离计算 | 第82-83页 |
| 6.5 仿真与验证 | 第83-90页 |
| 6.5.1 仿真场景介绍 | 第83-85页 |
| 6.5.2 RAS-IN算法性能分析 | 第85-90页 |
| 6.6 本章小结 | 第90-91页 |
| 7 结论与展望 | 第91-93页 |
| 7.1 工作总结 | 第91页 |
| 7.2 研究展望 | 第91-93页 |
| 参考文献 | 第93-103页 |
| 作者简历及在学研究成果 | 第103-106页 |
| 学位论文数据集 | 第106页 |