导读:本文包含了移动迁移论文开题报告文献综述、选题提纲参考文献，主要关键词:边缘,互联网,正压,数据,用户,磷脂,移动性。
移动迁移论文文献综述写法
殷佳,管昕洁,白光伟[1]（2019）在《基于移动边缘计算的任务迁移和协作式负载均衡机制》一文中研究指出由于使用中心云服务会产生相应的延迟和通信成本,更靠近移动用户的移动边缘计算已经成为处理计算密集型和延迟敏感型应用程序的主要技术。位于网络边缘的小型云数据中心被称为微云,其能够为周围邻近的移动设备提供计算能力,减少服务交付的时延。然而,在移动微云组成的边缘网络环境下,负载均衡问题直接影响了任务的响应时间。为了提高用户服务质量,文中提出基于移动边缘计算的任务迁移和协作式负载均衡机制,包括分别针对用户和微云设计的延迟感知目标选择策略LATS和协作式负载均衡策略CLB。LATS根据微云当前的负载信息为移动用户选择最优的任务迁移对象;CLB使用Balls-into-bins模型,只需要获取局部信息就可以有效地实现移动微云之间的负载均衡。仿真结果表明,所提策略能够有效减小系统延迟和负载差异,同时降低通信和计算成本。(本文来源于《计算机科学》期刊2019年12期）
薛庆水,李凤英[2]（2019）在《一种均衡的移动云计算任务迁移决策算法》一文中研究指出移动云计算可以通过任务迁移将计算复杂型应用从移动设备卸载至云端执行。然而,任务迁移涉及数据的无线传输,会导致传输延时和传输能耗。为了作出任务迁移的最佳决策,提出一种均衡的移动云计算任务迁移决策算法。算法将任务迁移决策问题建立为Lagrange乘子的非线性优化模型,模型同步考虑了任务迁移后的执行时间代价和执行能耗代价;为了更准确地求解迁移决策,设计一种考虑用户应用动态行为的统计回归模型进行任务执行时间的估算,从而获得时间-能耗均衡性能的任务迁移决策。利用N皇后问题和面部识别应用两种任务类型对算法进行了仿真测试分析。结果表明,在平均执行时间、执行能耗、预测准确性等方面,所提算法较对比算法均表现出较好的优势。(本文来源于《计算机应用与软件》期刊2019年12期）
景天琦,刘婷薇,俞菲,杨绿溪[3]（2019）在《移动边缘计算中的联合优化迁移决策和资源分配》一文中研究指出移动边缘迁移计算中,边缘服务器之间的协作能为用户提供更高效的服务。本文对正交频分复用上行无线通信系统,基于移动边缘计算技术的任务迁移的子载波选择、用户发射功率和迁移量的联合优化问题进行了研究。在公平性原则下,本文考虑最小化迁移计算的最大时延问题,并提出了一种非凸问题的拉格朗日对偶法解决方案。首先将min-max问题转化为最小化问题,再用泰勒级数将其近似为一个凸问题,最后用拉格朗日对偶法求解。本文还给出特殊情况下的简便算法,适用于低信噪比的通信环境下。仿真结果证实了本算法的收敛性和实用性。(本文来源于《信号处理》期刊2019年08期）
刘艳妮,姚艳粉[4]（2019）在《猪肺磷脂注射液联合经鼻间歇正压通气治疗新生儿呼吸窘迫综合征的临床疗效及其对血清人高迁移率族蛋白B1、重组人巨噬细胞移动抑制因子水平的影响》一文中研究指出目的分析猪肺磷脂注射液联合经鼻间歇正压通气(NIPPV)治疗新生儿呼吸窘迫综合征(NRDS)的临床疗效及其对血清人高迁移率族蛋白B1(HMGB1)、重组人巨噬细胞移动抑制因子(MIF1)水平的影响。方法选取2015年7月—2018年8月山东省立第叁医院第二新生儿病房收治的NRDS患儿80例,采用随机数字表法分为对照组和观察组,每组40例。两组患儿均给予常规治疗及NIPPV,观察组患儿同时给予猪肺磷脂注射液;两组患儿均连续治疗2周。比较两组患儿临床疗效,辅助通气时间及氧疗时间,治疗前后动脉血气分析指标[包括动脉血氧分压(PaO_2)、动脉血二氧化碳分压(PaCO_2)、动脉血氧饱和度(SaO_2)]及血清HMGB1、MIF1水平,并观察两组患儿治疗期间不良反应发生情况。结果 (1)观察组患儿临床疗效优于对照组(P<0.05)。(2)观察组患儿辅助通气时间、氧疗时间短于对照组(P<0.05)。(3)治疗前两组患儿PaO_2、PaCO_2、SaO_2比较,差异无统计学意义(P>0.05);治疗后观察组患儿PaO_2、SaO_2高于对照组,PaCO_2低于对照组(P<0.05)。(4)治疗前两组患儿血清HMGB1、MIF1水平比较,差异无统计学意义(P>0.05);治疗后观察组患儿血清HMGB1、MIF1水平低于对照组(P<0.05)。(5)两组患儿治疗期间不良反应发生率比较,差异无统计学意义(P>0.05)。结论猪肺磷脂注射液联合NIPPV治疗NRDS的临床疗效确切,可有效改善患儿动脉血气指标及通气状况,降低血清HMGB1、MIF1水平,有利于减轻患儿炎性反应及肺组织损伤程度,且安全性较高。(本文来源于《实用心脑肺血管病杂志》期刊2019年06期）
陈慧,荣迪[5]（2019）在《移动互联网时代社群学习对培训迁移的影响研究》一文中研究指出移动互联网时代使社群互联网生态逐步形成、网络文明回归社群时代,传统的正式学习方式越来越难以满足人们的学习需求和企业的培训期望,不少企业试图通过社群学习来改变培训迁移效果不佳的窘况,但效果不尽人意。此外,相关领域的实证研究文献相对较少,亟待深入研究、补充。基于此,本文从机制、关系、交互和情感要素出发,研究移动互联网时代的社群学习并利用结构方程模型来检验研究框架并确定移动互联网时代社群学习对培训迁移效果的影响机制。结果显示,社群学习通过个人培训迁移效果的中介作用对组织培训迁移效果有着显着正向影响。最后,本文基于研究结果提出培训干预建议以期为企业提升培训迁移效果提供支撑。(本文来源于《现代商业》期刊2019年20期）
郑利阳,刘茜萍[6]（2019）在《移动云计算环境下基于任务依赖的计算迁移研究》一文中研究指出移动终端硬件的资源受限问题可以通过将本地计算任务迁移至云端来缓解。然而,相比远程云端,某些实时要求较高的复杂应用更适合迁移至微云。这类应用中各任务之间的依赖关系也会对迁移方案产生较大影响。结合任务之间的依赖关系及微云的特点,基于遗传算法思想提出一种计算迁移方法。根据不同微云处理不同类型任务时的能力,将微云进行类型划分。根据移动应用中不同任务之间时序与数据的双重依赖关系,结合能耗和响应时间的考量,设计一个计算迁移算法,以获取具有较优效用值的迁移方案。通过仿真验证了该方法的可行性和有效性。(本文来源于《计算机应用与软件》期刊2019年07期）
张鹤[7]（2019）在《移动边缘计算中任务卸载及迁移算法研究》一文中研究指出随着移动互联网和物联网技术的快速发展,人类已经进入万物互联的时代。为了解决传统云计算的高延迟和用户有限的处理能力的问题,提出了移动边缘计算(Mobile Edge Computing,MEC)技术。MEC将计算和存储功能从远程数据中心迁移到靠近用户的网络边缘,旨在快速直接地提供计算服务。移动用户可以将任务卸载到MEC中处理,同时,任务也可以在MEC间进行迁移。因此,本论文在移动边缘计算的框架下,研究任务卸载及迁移问题。首先,在现实网络场景中,用户是随时移动的。用户的移动性将会对任务卸载产生很大的影响。针对此问题,本文研究了在MEC网络中,用户的移动性对任务迁移的影响。其中用户与MEC之间的连接时间是不确定的,若分配的任务与实际连接时间不匹配,则会导致任务迁移。首先,使用多阶段随机规划解决连接时间不确定性的影响。同时,考虑到移动用户可以同时存在多个候选MEC服务器,引入了用于MEC选择的多臂赌博机模型。因此,本文提出了基于随机规划与多臂赌博机的任务卸载及迁移算法(Task Offloaing and Migration Algorithm based on Stochastic Programming and Multi-Arm Bandit,TMSM)。仿真结果表明,该算法在降低时延、能耗、成本以及提高收益方面的有效性。此外,相比于传统的云计算,MEC的计算资源较小。当用户任务量非常大的时候,MEC产生的计算和通信时延也会随之增大,这将成为制约MEC发展的重要因素。因此,从降低时延的角度出发,提出一种通信与计算时延联合优化的任务卸载及迁移算法(Joint Optimization of Communication and Computational Delay of Task Offloading and Migration Algorithm,JOCCM)。该算法可以在MEC网络中判断任务是否进行迁移以及解决任务迁移到何处的问题。仿真实验表明该算法可以有效地降低系统时延。(本文来源于《重庆邮电大学》期刊2019-06-02）
王哲[8]（2019）在《面向车联网的移动云服务迁移机制研究》一文中研究指出信息与通信产业的飞速发展,促进社会总体结构和人们生活方式发生了全面变革,也为交通运输行业带来了新的机遇,以构建“人-车-路-云”协同为目标的智能交通系统应运而生。而车联网移动云服务迁移作为一种可有效扩展车辆终端计算能力和存储能力的重要手段,是保障未来智能交通应用高效稳定运行的核心技术。为了保证移动云服务迁移的有效性及稳定性,从而提升公路交通系统的事故避免率、道路畅通性及运行智能化水平,研究适用于车联网的移动云服务迁移机制具有重要意义。本论文在实际、具体的车载网络环境下,从解读车辆移动性对于移动云服务迁移机制和相关通信性能所产生各类影响的本质出发,构建了动态环境下移动云服务迁移机制的设计体系。论文的创新性工作主要包括如下几个方面:1)针对无中心车联网的数据迁移,提出了基于车辆移动性感知的数据迁移机制,解决了同时满足高迁移公平性和大数据吞吐量两方面要求的问题。综合考量了车辆密度、移动性以及无线信道模型等各类影响因素,提出了用户车辆与移动云服务器无线链路持续时间预测方法,量化表征了数据吞吐量和多用户迁移公平性的影响,提出了联合考量车辆移动性及车辆间链路持续时间的数据迁移机制。仿真验证了所提出的数据迁移机制在保证迁移公平性的条件下提升了数据迁移吞吐量,且具有可扩展性。2)针对车联网协作计算迁移,提出了基于中继车辆辅助的协作计算迁移机制,解决了用户车辆与单个移动云服务器链路持续时间短暂带来的计算迁移性能下降的问题。综合考虑了车辆移动性及任务执行逻辑顺序,建立了动态网络拓扑条件下多移动云服务器计算中继条件,提出了基于链路持续时间感知的移动云服务器分类算法,从而实现移动云服务器之间的协作迁移,分别针对单移动云服务器场景及多移动云服务器场景提出了最小化应用完成时间的计算迁移机制。理论推导和仿真结果表明,所提出的计算迁移机制有效地降低了应用任务完成时间和用户能耗。3)针对车联网应用中存在不同的任务逻辑结构,提出了多样应用任务结构和动态随机车辆移动模型条件下的计算迁移机制,解决了在车辆未来移动轨迹不能完全确定条件下各类任务结构应用的计算迁移决策问题。利用马尔科夫决策过程刻画了车辆运动状态随机变化过程,构建了线性任务结构迁移决策问题的数学模型,针对问题求解过程中出现的维数灾难问题,考虑了状态转移特性以及状态空间可分解特性,提出了基于局部信息的计算迁移机制。在线性结构任务的研究基础上,分别对并发性任务结构及树状任务结构提出了相应的启发式计算迁移机制。理论推导和仿真结果表明,所提出的计算迁移机制能够提升系统迁移性能,在降低问题求解复杂度的同时,提高了迁移效率。4)针对车联网准确完整网络信息难以获知的特性,提出了基于不完整车联网网络信息的计算迁移机制,解决了网络拓扑信息不完全可知条件下需要同时满足不同任务对于完成时间要求的挑战。基于描述车联网的随机先验信息,建立了基于半马尔科夫决策过程的移动云计算资源分配与迁移决策的数学模型,并通过该模型得到了适用于多用户车辆多移动云服务器复杂场景的计算迁移机制。该机制在综合考量了计算迁移即时收益和成本的基础上,对任务进行动态迁移决策及对计算资源进行分配,从而获得了系统最大期望收益。(本文来源于《北京交通大学》期刊2019-05-31）
吕昕晨[9]（2019）在《移动边缘计算任务迁移与资源管理研究》一文中研究指出近年来,增强/虚拟现实、智慧城市和自动驾驶等新兴移动应用快速发展,其计算和存储资源需求远超移动终端能力。随着软件定义网络和网络功能虚拟化技术的发展,边缘网络设备逐渐变为可编程的通用处理设备,并具备强大的计算、存储和通信能力。移动边缘计算(Mobile Edge Computing,MEC)技术利用上述计算、存储和通信能力,在边缘网络对复杂任务进行分布式处理,提升网络数据处理能力,并提供低时延高可靠计算服务,以满足未来移动应用对计算能力与服务质量的需求。其中,任务迁移和资源管理直接影响系统处理能力、服务时延及开销,是移动边缘计算的关键研究问题。针对移动边缘计算的任务迁移和资源管理问题,本论文分别从用户任务迁移、多用户—单小区任务迁移与资源管理以及边缘计算组网叁个方面展开研究,对系统吞吐量、服务时延、系统稳定性以及能耗进行优化。主要工作和创新点如下。第一,考虑边缘计算中无线信道、任务到达和计算资源等环境动态特性,分别针对单用户—边缘服务器任务迁移和多移动用户协作场景进行研究。具体地,对于单用户—边缘服务器场景,将边缘计算的复杂环境变化建模为控制理论中不可测的系统随机扰动,并通过滚动时域控制技术和多目标动态规划方法提出了自适应任务迁移方案,从而显着提升动态边缘计算环境下的任务迁移性能。另一方面,对于多用户协作计算场景,考虑移动用户自私特性,基于李雅普诺夫优化理论和点对点文件共享中的投桃报李激励方案,提出了多用户协作计算的分布式在线任务迁移方案,在时延网络中保证用户参与并通过多跳方式协作处理任务。相比现有单跳集中式协作方案,能显着减少系统能耗,并提升系统吞吐量。第二,在多用户—单小区移动边缘计算场景中,考虑系统频谱和计算资源的稀缺性,分别针对普通移动应用、时延敏感任务以及海量设备连接的物联网应用的任务迁移与资源管理进行优化。首先,对于普通移动应用,给出了均衡任务计算时延与处理能耗的效用函数,并结合凸优化、准凸优化和次模优化技术,对任务卸载决策、无线资源管理和计算资源分配进行联合优化,提升系统性能。其次,对于时延敏感任务,基于量化动态规划技术提出了接入控制和资源分配联合优化方案,并调节量化区间实现方案最优性损失和复杂度的权衡。最后,对于物联网应用,基于加扰李雅普诺夫优化提出了物联网边缘计算在线资源调度方案,最大化系统效用,并设计了用户选择性上报策略,显着降低网络信令开销,保证海量设备连接的可扩展性。第叁,在移动边缘计算组网场景中,考虑边缘服务器的广地域分布和处理能力异构性,分别针对普通应用的大规模边缘计算和分布式机器学习的组网资源管理进行优化。具体地,针对普通应用的大规模边缘计算组网资源管理,提出了大规模边缘计算分布式资源管理和协作域划分方案,以在动态网络环境中最小化时间平均系统开销。首次提出的边缘计算协作域分布式优化可为每个计算节点确定其到达任务的卸载区域,在保证方案最优性同时,避免扩大协作域所增加的时延和开销,提升边缘计算在大规模异构网络中的性能。另一方面,针对分布式机器学习的边缘计算组网资源管理,设计了针对分布式机器学习的数据均匀度指标,并基于随机梯度下降技术提出了数据接入、分配和处理的联合在线优化方案,在保证网络稳定条件下最大化系统效益,并减小分布式机器学习参数同步频率与开销。(本文来源于《北京邮电大学》期刊2019-05-30）
陈佳熠[10]（2019）在《移动终端分布式网络环境下计算迁移任务调度技术研究》一文中研究指出移动终端分布式网络一般由相互对等的终端设备构成,各节点承担任务处理和任务转发工作。如何充分利用设备有限的能量,保证网络平稳运行,以及提高任务处理效率是该领域的关键技术问题。已有研究工作一般采用集中式算法进行任务调度,将网络划分为多个区域子中心,难以充分利用设备的整体资源。计算迁移技术侧重于将高负载节点的计算任务迁移至低负载节点进行,从而提高全网资源利用水平。高效的任务调度方法,对于利用计算迁移技术延长移动终端分布式网络的生命周期,降低任务处理时延至关重要,相关研究相对匮乏。为此,本文围绕移动终端分布式网络环境下计算迁移任务调度技术,开展了如下工作:(1)提出了一种能量受限情况下最大化移动终端网络生命周期的补偿式计算迁移算法。该算法通过对移动终端分布式网络建模,利用图论中的最小费用最大流算法确定理想迁移最佳方案,随后通过迭代式补偿,求得逼近最优解的近似解。该算法的最终目的是在能量受限情况下,通过任务调度调整各个节点的计算能耗和传输能耗,最终实现全网生命周期均衡,达到保证服务质量的目的。经过实验验证,所提出的算法能够将网络生命周期提升至原有的1 70～240%。(2)提出了一种数据流量受限情况下最小化移动终端任务处理时延的计算迁移算法。该算法基于移动终端分布式网络中的计算迁移,利用动态规划和背包理论确定最佳迁移方案,将部分终端的高时延任务迁移至其邻近终端执行,降低整体任务处理时延,提升响应速度,优化用户体验,有效缓解部分节点的拥塞情况。经过实验验证,所提出的算法能够将原有网络响应时延降低20～40%。本文所提出的移动终端分布式网络环境下计算迁移任务调度技术可为相关领域的研究工作和工程实践提供理论参考。(本文来源于《北京邮电大学》期刊2019-05-28）
移动迁移论文开题报告范文
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
移动云计算可以通过任务迁移将计算复杂型应用从移动设备卸载至云端执行。然而,任务迁移涉及数据的无线传输,会导致传输延时和传输能耗。为了作出任务迁移的最佳决策,提出一种均衡的移动云计算任务迁移决策算法。算法将任务迁移决策问题建立为Lagrange乘子的非线性优化模型,模型同步考虑了任务迁移后的执行时间代价和执行能耗代价;为了更准确地求解迁移决策,设计一种考虑用户应用动态行为的统计回归模型进行任务执行时间的估算,从而获得时间-能耗均衡性能的任务迁移决策。利用N皇后问题和面部识别应用两种任务类型对算法进行了仿真测试分析。结果表明,在平均执行时间、执行能耗、预测准确性等方面,所提算法较对比算法均表现出较好的优势。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
移动迁移论文参考文献
[1].殷佳,管昕洁,白光伟.基于移动边缘计算的任务迁移和协作式负载均衡机制[J].计算机科学.2019
[2].薛庆水,李凤英.一种均衡的移动云计算任务迁移决策算法[J].计算机应用与软件.2019
[3].景天琦,刘婷薇,俞菲,杨绿溪.移动边缘计算中的联合优化迁移决策和资源分配[J].信号处理.2019
[4].刘艳妮,姚艳粉.猪肺磷脂注射液联合经鼻间歇正压通气治疗新生儿呼吸窘迫综合征的临床疗效及其对血清人高迁移率族蛋白B1、重组人巨噬细胞移动抑制因子水平的影响[J].实用心脑肺血管病杂志.2019
[5].陈慧,荣迪.移动互联网时代社群学习对培训迁移的影响研究[J].现代商业.2019
[6].郑利阳,刘茜萍.移动云计算环境下基于任务依赖的计算迁移研究[J].计算机应用与软件.2019
[7].张鹤.移动边缘计算中任务卸载及迁移算法研究[D].重庆邮电大学.2019
[8].王哲.面向车联网的移动云服务迁移机制研究[D].北京交通大学.2019
[9].吕昕晨.移动边缘计算任务迁移与资源管理研究[D].北京邮电大学.2019
[10].陈佳熠.移动终端分布式网络环境下计算迁移任务调度技术研究[D].北京邮电大学.2019