| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 缩写清单 | 第13-14页 |
| 1 绪论 | 第14-32页 |
| 1.1 课题研究背景及意义 | 第14-20页 |
| 1.1.1 物联网 | 第15-17页 |
| 1.1.2 云计算 | 第17-19页 |
| 1.1.3 移动云计算 | 第19-20页 |
| 1.2 面向物联设备的云服务模式 | 第20-23页 |
| 1.3 关键问题及相关研究 | 第23-28页 |
| 1.4 本文主要研究内容与组织结构 | 第28-32页 |
| 1.4.1 本文研究内容 | 第28-30页 |
| 1.4.2 本文章节安排 | 第30-32页 |
| 2 最小往返时延的虚拟机放置方法 | 第32-49页 |
| 2.1 引言 | 第32-33页 |
| 2.2 虚拟机动态放置 | 第33-38页 |
| 2.2.1 服务架构 | 第33-35页 |
| 2.2.2 问题描述 | 第35-38页 |
| 2.3 最优往返时延的虚拟机放置算法 | 第38-42页 |
| 2.4 实验及分析 | 第42-48页 |
| 2.5 本章小结 | 第48-49页 |
| 3 权衡云资源利用率与任务时延的任务卸载策略 | 第49-67页 |
| 3.1 引言 | 第49页 |
| 3.2 问题描述 | 第49-53页 |
| 3.3 深度强化学习 | 第53-55页 |
| 3.4 权衡资源利用率与任务时延的任务卸载算法研究 | 第55-60页 |
| 3.4.1 基于深度强化学习的任务卸载算法 | 第55-57页 |
| 3.4.2 基于两层强化学习的任务卸载算法 | 第57-60页 |
| 3.5 实验及分析 | 第60-66页 |
| 3.5.1 算法的比较 | 第61-64页 |
| 3.5.2 算法权衡资源利用率与时延的有效性 | 第64-66页 |
| 3.6 本章小结 | 第66-67页 |
| 4 基于子任务分解策略的自适应服务组合方法 | 第67-84页 |
| 4.1 引言 | 第67-68页 |
| 4.2 基于强化学习的Web服务组合 | 第68-72页 |
| 4.2.1 最优化QoS的Web服务组合问题描述 | 第68-69页 |
| 4.2.2 基于值的Q学习算法 | 第69-70页 |
| 4.2.3 Web服务组合问题建模 | 第70-72页 |
| 4.3 算法描述 | 第72-77页 |
| 4.3.1 子任务分解策略 | 第72-73页 |
| 4.3.2 基于子任务分解策略的Multi-Q learning算法 | 第73-77页 |
| 4.4 实验及分析 | 第77-82页 |
| 4.4.1 Multi-Q learning学习速度 | 第78-79页 |
| 4.4.2 相同子任务的数量对学习速度的影响 | 第79-80页 |
| 4.4.3 子任务的数量对学习速度的影响 | 第80-81页 |
| 4.4.4 多服务组合任务的学习速度 | 第81-82页 |
| 4.5 本章小结 | 第82-84页 |
| 5 构建面向物联设备的云服务平台及应用 | 第84-99页 |
| 5.1 引言 | 第84页 |
| 5.2 相关研究 | 第84-86页 |
| 5.3 基于Linux-Container的物联设备接入框架 | 第86-90页 |
| 5.3.1 系统结构 | 第86-88页 |
| 5.3.2 平台运行机制 | 第88-90页 |
| 5.4 面向物联设备的云平台设计 | 第90-93页 |
| 5.4.1 物联设备与云平台通信 | 第91-92页 |
| 5.4.2 物联设备即服务 | 第92-93页 |
| 5.5 面向物联设备的云平台应用 | 第93-98页 |
| 5.5.1 面向智慧社区的健康检测系统 | 第93-95页 |
| 5.5.2 北京科技大学健康监护服务平台 | 第95-98页 |
| 5.6 本章小结 | 第98-99页 |
| 6 结论 | 第99-102页 |
| 6.1 本文的主要工作 | 第99-100页 |
| 6.2 未来的研究展望 | 第100-102页 |
| 参考文献 | 第102-112页 |
| 作者简历及在学研究成果 | 第112-116页 |
| 学位论文数据集 | 第116页 |
