| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第13-35页 |
| 1.1 5G光与无线融合接入网 | 第13-18页 |
| 1.1.1 5G无线接入网的演进 | 第13-16页 |
| 1.1.2 5G移动光前传网 | 第16-17页 |
| 1.1.3 融合边缘云的5G移动光前传网 | 第17-18页 |
| 1.2 5G光与无线融合接入网面临的挑战 | 第18-19页 |
| 1.2.1 异构资源的联合优化问题 | 第18页 |
| 1.2.2 低时延保障问题 | 第18-19页 |
| 1.2.3 多业务灵活承载问题 | 第19页 |
| 1.2.4 网络资源智能管控问题 | 第19页 |
| 1.3 国内外研究进展和标准化工作进展 | 第19-25页 |
| 1.3.1 国内外研究进展 | 第19-23页 |
| 1.3.2 国际标准化进展 | 第23-25页 |
| 1.4 论文主要工作和创新点 | 第25-27页 |
| 参考文献 | 第27-35页 |
| 第二章 5G光与无线融合接入网多维资源灵活管控方案 | 第35-63页 |
| 2.1 5G光与无线融合接入网资源管控灵活性问题概述 | 第35-36页 |
| 2.2 基于多波长RoF的光与无线融合接入网络架构 | 第36-39页 |
| 2.2.1 光与无线融合接入网络架构 | 第36-38页 |
| 2.2.2 波长可重构的RRU结构 | 第38-39页 |
| 2.3 联合光和无线的一体化资源调度方案 | 第39-48页 |
| 2.3.1 联合光和无线的一体化资源调度方案 | 第39-41页 |
| 2.3.2 MAC层控制机制 | 第41-44页 |
| 2.3.3 IRS算法和动态波长共享算法 | 第44-48页 |
| 2.4 仿真和结果分析 | 第48-59页 |
| 2.4.1 一体化资源调度性能分析 | 第49-56页 |
| 2.4.2 波长的负载均衡性能分析 | 第56-59页 |
| 2.5 本章小结 | 第59页 |
| 参考文献 | 第59-63页 |
| 第三章 边缘计算协同的5G移动光前传网低时延保障方案 | 第63-87页 |
| 3.1 低时延问题概述 | 第63-64页 |
| 3.2 低时延业务分析 | 第64页 |
| 3.3 边缘计算协同的移动光前传网络架构 | 第64-67页 |
| 3.3.1 融合边缘云的移动光前传网 | 第65-66页 |
| 3.3.2 融合移动边缘计算的移动光前传网 | 第66页 |
| 3.3.3 基于分层边缘云的移动光前传网 | 第66-67页 |
| 3.4 基于流量卸载的低延时业务保障方案 | 第67-74页 |
| 3.4.1 网络架构和流量卸载方案 | 第68-70页 |
| 3.4.2 仿真和结果分析 | 第70-74页 |
| 3.5 基于负载感知的动态流量迁移策略与资源编排方案 | 第74-83页 |
| 3.5.1 负载感知动态流量迁移策略 | 第75-77页 |
| 3.5.2 SDN实验验证方案和资源编排流程 | 第77-79页 |
| 3.5.3 实验结果分析 | 第79-83页 |
| 3.6 本章小结 | 第83页 |
| 参考文献 | 第83-87页 |
| 第四章 边缘计算协同的5G移动光前传网络切片方案 | 第87-107页 |
| 4.1 移动光前传网络切片问题概述 | 第87-88页 |
| 4.2 网络架构和网络切片编排方案 | 第88-93页 |
| 4.2.1 5G典型业务场景分析 | 第89页 |
| 4.2.2 网络架构 | 第89-90页 |
| 4.2.3 网络切片资源编排 | 第90-91页 |
| 4.2.4 基于分层边缘云的功能分离方案 | 第91-92页 |
| 4.2.5 切片管理的信令流程 | 第92-93页 |
| 4.3 一体化网络切片资源管理 | 第93-97页 |
| 4.3.1 网络模型 | 第94页 |
| 4.3.2 一体化网络资源管理算法 | 第94-96页 |
| 4.3.3 时延分析 | 第96-97页 |
| 4.4 仿真与结果分析 | 第97-103页 |
| 4.4.1 仿真案例 | 第97-98页 |
| 4.4.2 结果分析 | 第98-103页 |
| 4.5 本章小结 | 第103页 |
| 参考文献 | 第103-107页 |
| 第五章 人工智能协同的5G城域汇聚光传输网络切片方案 | 第107-131页 |
| 5.1 研究背景 | 第107-108页 |
| 5.2 基于人工智能的负载感知网络切片方案 | 第108-110页 |
| 5.3 基于BP-ANN的流量预测 | 第110-117页 |
| 5.3.1 数据集与数据预处理 | 第110页 |
| 5.3.2 基于BP-ANN的流量预测算法 | 第110-113页 |
| 5.3.3 流量预测实验结果分析 | 第113-117页 |
| 5.4 基于LSTM深度学习的流量预测算法 | 第117-123页 |
| 5.4.1 数据集与数据预处理 | 第117页 |
| 5.4.2 基于LSTM深度学习的流量预测算法 | 第117-120页 |
| 5.4.3 流量预测实验结果分析 | 第120-123页 |
| 5.5 基于MILP的网络切片封装算法 | 第123-128页 |
| 5.5.1 网络模型 | 第123页 |
| 5.5.2 基于MILP的网络切片封装模型 | 第123-125页 |
| 5.5.3 网络切片封装启发式算法 | 第125-126页 |
| 5.5.4 仿真与结果分析 | 第126-128页 |
| 5.6 本章小结 | 第128页 |
| 参考文献 | 第128-131页 |
| 第六章 论文总结与展望 | 第131-135页 |
| 6.1 论文工作总结 | 第131-132页 |
| 6.2 未来相关工作展望 | 第132-135页 |
| 附录 缩略语 | 第135-139页 |
| 致谢 | 第139-141页 |
| 攻读学位期间取得的学术成果列表与参与项目情况 | 第141-142页 |
