| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 引言 | 第9-10页 |
| 1.2 背景介绍 | 第10-12页 |
| 1.2.1 网络背景 | 第10-11页 |
| 1.2.2 研究现状 | 第11-12页 |
| 1.3 本文的主要工作与内容安排 | 第12-14页 |
| 第二章 基于Wardrop均衡预测的服务器选择机制研究 | 第14-38页 |
| 2.1 引言 | 第14页 |
| 2.2 服务器选择问题 | 第14-18页 |
| 2.2.1 服务器选择问题的建模 | 第14-17页 |
| 2.2.2 用户节点可分流场景中分流的优势 | 第17-18页 |
| 2.3 基于QSS算法的服务器选择机制 | 第18-23页 |
| 2.3.1 Wardrop均衡定义 | 第18-20页 |
| 2.3.2 基于QSS算法的服务器选择机制描述 | 第20-23页 |
| 2.4 服务器选择机制在博弈场景中的仿真测试 | 第23-33页 |
| 2.4.1 对比方案设置 | 第24-25页 |
| 2.4.2 实验场景设置 | 第25-26页 |
| 2.4.3 实验结果以及分析 | 第26-33页 |
| 2.5 服务器选择机制在动态场景中的仿真测试 | 第33-37页 |
| 2.5.1 仿真场景设置 | 第33-34页 |
| 2.5.2 实验结果以及分析 | 第34-37页 |
| 2.6 本章小结 | 第37-38页 |
| 第三章 基于相关均衡的服务器选择机制研究 | 第38-59页 |
| 3.1 引言 | 第38页 |
| 3.2 相关均衡的引入以及预测算法 | 第38-43页 |
| 3.2.1 相关均衡的引入 | 第38-39页 |
| 3.2.2 CE的定义 | 第39-40页 |
| 3.2.3 Regret-matching learning | 第40-41页 |
| 3.2.4 Modified Regret-matching learning | 第41-43页 |
| 3.3 基于相关均衡的服务器选择机制 | 第43-48页 |
| 3.3.1 机制描述 | 第43-44页 |
| 3.3.2 仿真实验 | 第44-48页 |
| 3.4 基于相关均衡预测的遗传框架TE优化 | 第48-50页 |
| 3.4.1 遗传算法简介 | 第48-49页 |
| 3.4.2 算法介绍 | 第49-50页 |
| 3.5 遗传TE方案的表现测试 | 第50-57页 |
| 3.5.1 仿真场景设置 | 第50-52页 |
| 3.5.2 对比方案设置 | 第52页 |
| 3.5.3 对不同网络负载下遗传TE方案的考察 | 第52-55页 |
| 3.5.4 对不同用户数目下遗传TE方案的考察 | 第55-57页 |
| 3.6 本章小结 | 第57-59页 |
| 第四章 基于松弛算法的ISP-CP模型均衡预测 | 第59-72页 |
| 4.1 引言 | 第59-60页 |
| 4.2 系统模型 | 第60-62页 |
| 4.2.1 ISP-CP模型 | 第60-61页 |
| 4.2.2 松弛算法 | 第61-62页 |
| 4.2.3 松弛算法模型在计算ISP-CP的Nash均衡当中的应用 | 第62页 |
| 4.3 松弛算法的应用场景测试 | 第62-67页 |
| 4.3.1 仿真实验设置 | 第63-65页 |
| 4.3.2 实验结果 | 第65-67页 |
| 4.4 ISP-CP博弈场景中Nash均衡点的性能研究 | 第67-71页 |
| 4.4.1 实验设置 | 第68页 |
| 4.4.2 实验数据和分析 | 第68-71页 |
| 4.5 小结 | 第71-72页 |
| 第五章 总结与展望 | 第72-74页 |
| 5.1 全文总结 | 第72-73页 |
| 5.2 下一步研究建议 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-78页 |
| 攻读硕士学位期间的研究成果 | 第78-79页 |
