| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 课题研究背景 | 第9-10页 |
| 1.2 课题相关领域研究现状 | 第10-17页 |
| 1.2.1 网络代理服务器 | 第10-12页 |
| 1.2.2 自律计算 | 第12-14页 |
| 1.2.3 自律计算与强化学习结合 | 第14-17页 |
| 1.3 研究内容和论文结构 | 第17-19页 |
| 第2章 课题相关理论与技术介绍 | 第19-30页 |
| 2.1 MAPE-K 自律循环模型 | 第19-21页 |
| 2.2 代理缓存替换算法 | 第21-25页 |
| 2.3 Q-learning 算法 | 第25-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 基于自律计算的分布式代理系统设计 | 第30-40页 |
| 3.1 分布式代理系统框架结构 | 第30-32页 |
| 3.2 自律的分布式代理系统模型 | 第32-34页 |
| 3.3 基于二级域名的缓存内容热度预测 | 第34-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 基于自律计算的分布式代理系统实现 | 第40-54页 |
| 4.1 系统整体架构 | 第40-41页 |
| 4.2 基于 Q-learning 的自律决策模块 | 第41-45页 |
| 4.2.1 基于 BP 神经网络的 Q-learning 模型 | 第41-43页 |
| 4.2.2 基于 BP 神经网络的 Q-learning 算法 | 第43-44页 |
| 4.2.3 基于 Q-learning 的自律决策框架 | 第44-45页 |
| 4.3 态势参数的处理模块 | 第45-51页 |
| 4.3.1 态势参数的选取 | 第45-47页 |
| 4.3.2 态势参数的处理模块 | 第47-51页 |
| 4.4 缓存内容热度预测模块 | 第51-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第5章 实验结果与分析 | 第54-67页 |
| 5.1 基于二级域名的缓存内容热度预测实验分析 | 第54-58页 |
| 5.2 基于 Q-learning 的自律决策实验分析 | 第58-66页 |
| 5.3 本章小结 | 第66-67页 |
| 结论 | 第67-69页 |
| 参考文献 | 第69-74页 |
| 攻读学位期间发表的学术论文 | 第74-76页 |
| 致谢 | 第76页 |
