流媒体边缘云的智能存储资源调度策略研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 流媒体云与传统流媒体服务系统 | 第10-11页 |
| 1.1.1 传统流媒体服务技术 | 第10-11页 |
| 1.1.2 流媒体边缘云 | 第11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.2.1 流媒体云资源调度研究现状 | 第11-12页 |
| 1.2.2 流媒体系统存储资源调度研究现状 | 第12-13页 |
| 1.3 本文主要研究工作 | 第13-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第2章 相关技术简介 | 第16-30页 |
| 2.1 流媒体存储资源调度 | 第16-21页 |
| 2.1.1 基于启发式策略方法 | 第17-19页 |
| 2.1.2 基于规划方法 | 第19-20页 |
| 2.1.3 基于机器学习相关方法 | 第20-21页 |
| 2.2 强化学习 | 第21-25页 |
| 2.2.1 强化学习模型 | 第21-22页 |
| 2.2.2 值函数 | 第22-23页 |
| 2.2.3 常见强化学习方法 | 第23-25页 |
| 2.3 深度强化学习 | 第25-29页 |
| 2.3.1 深度Q强化学习 | 第26-27页 |
| 2.3.2 基于蒙特卡洛方法的深度强化学习 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 基于规划的两阶段调度算法 | 第30-46页 |
| 3.1 问题描述 | 第30-31页 |
| 3.2 策略总体描述 | 第31-32页 |
| 3.3 会话迁移策略 | 第32-35页 |
| 3.3.1 会话迁移计算模型 | 第33-35页 |
| 3.3.2 迁移执行模型 | 第35页 |
| 3.4 存储调度策略 | 第35-42页 |
| 3.4.1 存储资源分配计算模型 | 第36-39页 |
| 3.4.2 分配执行策略 | 第39-41页 |
| 3.4.3 算法流程 | 第41-42页 |
| 3.5 实验与仿真 | 第42-44页 |
| 3.5.1 实验参数设置 | 第42页 |
| 3.5.2 结果分析 | 第42-44页 |
| 3.6 本章小结 | 第44-46页 |
| 第4章 基于深度强化学习的存储调度策略 | 第46-66页 |
| 4.1 整体框架建模 | 第47-48页 |
| 4.2 动作集合设计 | 第48-50页 |
| 4.3 状态变量 | 第50-54页 |
| 4.3.1 副本增加网络的输入 | 第50-51页 |
| 4.3.2 服务器选择网络的输入 | 第51-53页 |
| 4.3.3 副本删除网络的输入 | 第53-54页 |
| 4.4 网络搭建 | 第54-57页 |
| 4.4.1 副本增加子网络 | 第54-55页 |
| 4.4.2 服务器选择子网络 | 第55页 |
| 4.4.3 副本删除子网络 | 第55-56页 |
| 4.4.4 价值估计子网络 | 第56-57页 |
| 4.5 回报函数 | 第57-58页 |
| 4.6 算法流程与训练细节 | 第58-60页 |
| 4.6.1 算法流程 | 第58-59页 |
| 4.6.2 训练细节 | 第59-60页 |
| 4.7 实验与仿真 | 第60-64页 |
| 4.7.1 存储资源分配计算模型搭建 | 第60-61页 |
| 4.7.2 参数设置 | 第61-62页 |
| 4.7.3 仿真实验结果与分析 | 第62-64页 |
| 4.8 本章小结 | 第64-66页 |
| 第5章 总结与展望 | 第66-68页 |
| 5.1 工作总结 | 第66-67页 |
| 5.2 未来展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-74页 |
| 在读期间发表的学术论文与取得的研究成果 | 第74页 |
