| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景与研究现状 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究现状 | 第11-12页 |
| 1.2 论文的主要贡献 | 第12-13页 |
| 1.3 论文的结构安排 | 第13-14页 |
| 第2章 移动边缘计算技术 | 第14-26页 |
| 2.1 移动边缘计算概述 | 第14-18页 |
| 2.1.1 MEC架构 | 第14-15页 |
| 2.1.2 MEC应用场景 | 第15-17页 |
| 2.1.3 未来挑战 | 第17-18页 |
| 2.2 移动边缘计算的关键用例 | 第18-22页 |
| 2.2.1 计算迁移 | 第18-19页 |
| 2.2.2 移动性管理 | 第19-20页 |
| 2.2.3 数据缓存 | 第20-22页 |
| 2.3 几种主流的MEC解决方案 | 第22-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 基于改进遗传算法的计算迁移和数据缓存联合优化机制 | 第26-39页 |
| 3.1 引言 | 第26页 |
| 3.2 模型介绍与问题描述 | 第26-29页 |
| 3.2.1 模型介绍 | 第26-27页 |
| 3.2.2 问题描述 | 第27-29页 |
| 3.3 基于改进遗传算法的方案设计 | 第29-34页 |
| 3.3.1 染色体编码 | 第30页 |
| 3.3.2 适应度函数 | 第30-31页 |
| 3.3.3 遗传操作 | 第31-32页 |
| 3.3.4 算法设计 | 第32-34页 |
| 3.4 仿真验证和性能评价 | 第34-37页 |
| 3.4.1 设置仿真参数 | 第34页 |
| 3.4.2 仿真结果分析 | 第34-37页 |
| 3.5 本章小结 | 第37-39页 |
| 第4章 基于机器学习的内容流行度预测和数据缓存联合优化 | 第39-56页 |
| 4.1 引言 | 第39-40页 |
| 4.2 框架设计与问题描述 | 第40-43页 |
| 4.2.1 框架设计 | 第40-41页 |
| 4.2.2 问题描述 | 第41-43页 |
| 4.3 问题解决 | 第43-51页 |
| 4.3.1 基于RGBT的流行度预测 | 第44-50页 |
| 4.3.2 基于启发式算法的缓存策略 | 第50-51页 |
| 4.4 仿真验证和性能评价 | 第51-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第5章 总结与展望 | 第56-57页 |
| 5.1 论文总结 | 第56页 |
| 5.2 工作展望 | 第56-57页 |
| 参考文献 | 第57-63页 |
| 攻读硕士学位期间主要的研究成果 | 第63页 |