随着各类无线电应用的普及,在一定空间范围内,超短波监测过程中的监测数据易受到非同源的同频或邻频信号的影响,仅依靠常规监测中的频谱数据是无法判定信号是否同源的,因而不同监测站点获得的数据缺乏关联性,数据分析结果可能产生误导,降低工作效率。依据人工监测的经验,尝试用计算机视觉等技术分析监测数据的频谱图和时频谱图,结合谱图特性引入角度阈值改进SIFT算法的特征点匹配模式,以适应无线电监测数据分析的需要,并提出以图像特征点检测匹配率为前提,利用卡帕值综合评价两种谱图同源判定结果一致性的方法。通过实验模拟和实例验证,两种谱图同源判定结果的卡帕值为0.7605,达到高度一致;同时,所提方法在实践过程中有提高工作效率的作用,具备操作可行性和实际意义。

异常检测是IaaS云系统运维中的一个关键任务,通过早期预警和提前干预,可有效避免系统崩溃等严重事故的发生。但相较于传统数据中心,IaaS云系统具有较大规模的计算节点,节点拓扑复杂、监测数据量大、缺少标注信息等特点,为IaaS云运维异常检测带来新的挑战。从深度学习的技术框架出发,分析了异常检测问题面临的难点,调研总结了IaaS云系统下常见异常检测算法和相关技术。面向节点异常和系统异常两类典型问题,对深度学习驱动的解决方法进行调研:面向节点级别异常,重点调研了时间依赖的运维数据下由时序数据驱动的检测算法;面向系统级别异常,重点调研了网络拓扑建模下由图数据驱动的检测算法。最后,提出了数据驱动下IaaS云运维数据异常检测中的新问题与新挑战。

为了解决日益增长的延迟敏感型应用程序和用户需求与计算资源受限的冲突,移动边缘计算(Mobile Edge Computing,MEC)已经成为一种很有前途的计算范式。服务提供商通过在边缘环境中部署虚拟化网络功能(Virtual Network Functions,VNF),为用户提供更加高效和可扩展性的服务供应链(Service Function Chain,SFC)来满足用户请求。若在提供服务过程中出现不可靠的服务或严重的服务失败,可能导致用户的巨大损失,所以网络服务提供商必须保证提供持续可靠的服务。针对该问题,考虑了边缘服务器的可靠性,利用计算统一设备架构(Computational Unified Device Architecture,CUDA)支持的门控循环单元(Gate Recurrent Unite,GRU)来预测VNF实例是否可用,通过预测结果,提前对VNF进行备份,避免了过度冗余备份造成的成本过高问题。考虑服务器的存储资源有限,提出了基于VNF实例可用性的放置(RVP)算法,优化服务提供商的成本。最后对提出的算法进行了性能评估,实验结果验证了RVP算法的优越性。

随着数据中心规模的不断扩大,所引起的高能耗、高运营成本和环境污染等问题日益严重,严重影响了数据中心的可持续性。大多数数据中心能耗优化方法为了降低计算能耗,会将任务集中在尽可能少的服务器上,但这样做往往会导致数据中心热点的产生,并且提高了冷却能耗。为了解决这一问题,文中首先对数据中心进行建模,并将数据中心总能耗优化问题建模为一个任务调度问题,并且要求调度过程中不产生数据中心热点。为了解决该问题,文中提出了一种基于深度强化学习的数据中心任务调度方法,并使用奖励塑造对该方法进行优化,在不产生热点的前提下降低数据中心的总能耗。最后,通过仿真环境和真实数据中心负载跟踪数据进行了实验。仿真实验结果表明,所提方法相比其他现有的调度方法能够更好地降低数据中心总能耗,最多降低了25.5%。此外,提出的优化方法还不会产生热点,这进一步证明了其优越性。

对于无线网络频谱分配过程中存在系统收益低和频谱利用率不理想等缺陷,引入干扰价格来控制认知用户发射功率引起的干扰,建立频谱租赁模型,并提出非合作博弈下的动态频谱分配策略,以提高频谱利用率,改善系统收益;创建非合作博弈下的效用函数,推导纳什均衡解,并在权衡网络效用后确定效用权重因子。仿真实验结果证实,所提算法最优发射功率小,频谱利用率高,可获得更优的系统收益。

针对现有边缘计算基础网关服务器既不具备安全、稳定、可靠与通用性强等特点,又无法支持边缘计算场景的计算任务等问题,文中首次在基于ARM架构的鲲鹏920芯片的长虹天宫边缘计算服务器TG225B1上,设计并实现了适用于边缘计算场景的iBMC软硬件架构。该架构采用ARM国产化硬件底座,支持边缘网关硬件管理,实现工控多协议的自适应交互框架。对符合性、功能、性能、易用性、维护性、可靠性、兼容性等指标进行测试,表明iBMC架构能较好满足边缘计算服务器的需求。

老人在卫生间内的跌倒行为存在因救助及时性差而导致严重危害的风险,因此高效快捷的如厕跌倒监测研究具有重要意义。针对当前基于Wi-Fi感知的跌倒监测方法中存在的受噪声影响大而特征提取不充分、监测精度有限的问题,提出了一种基于多级离散小波变换和软阈值处理的信号降噪算法,及一种融合卷积神经网络、双向长短期记忆网络及自注意力机制的非接触式如厕跌倒监测模型WiCare。首先,从原始CSI数据中提取振幅作为基础数据;其次,使用多级离散小波变换和软阈值处理进行感知数据降噪;然后,将感知数据进行多维重构,以更准确地表征跌倒行为特征;最后,利用WiCare提取感知数据中的有效特征,进而实现卫生间如厕跌倒行为监测功能。实验结果表明,WiCare在居家卫生间环境下对跌倒行为监测的准确率为99.41%,与其他同类模型相比,WiCare的识别准确率高,模型复杂度低,且泛化能力更强。

随着智能化、自动化技术的不断发展,室内定位技术的应用场景日益广泛,如何提高室内定位系统的精度和可靠性一直是研究热点。对基站布局进行优化,提升系统整体的定位精度是现有的室内定位系统优化方法之一。对于该方法,现有的研究普遍选择采用其他相似领域的已有方法,主要的两种方法中用于评价卫星共轭的精度稀释因子忽略了基站与标签的距离;作为导弹、惯导系统中落点精度评价因子的概率误差方法没有考虑基站几何结构的影响。对此,提出了一种基于精度稀释因子和概率误差方法的精度评价模型,用于推导三维室内定位系统的最优基站布局,该模型同时考虑了距离和几何结构对室内定位精度的影响,可以很好地应用于室内定位的领域。所提方法在程序模拟和实际定位实验中均取得了优异的效果。在程序模拟中,最优基站布局系统的定位误差均值相比传统四顶角定位系统降低了约14.38%,在实际定位实验中,最优布局的定位精度和效果都得到了显著提升。实验结果验证了精度评价模型的准确性与实用性。所提出的最优基站布局方法在三维室内定位领域具有很高的应用价值和普适性,能够有效提高室内定位系统的精度和效果。

全球智能设备的迅速增长引发了对计算资源下沉至边缘的巨大需求,催生了边缘计算范式的出现。同时,计算资源稀缺的偏远地区用户对算力的需求又推动了在轨边缘计算(Orbit Edge Computing,OEC)概念的提出和发展。在OEC场景下,偏远地区用户可以通过星地和星间通信链路将计算任务卸载至部署在低轨卫星上的边缘服务器,以此突破地面计算通信基础设施的限制,为偏远地区的用户提供低时延和高可靠的服务。然而,OEC场景中卫星算力受有限载荷和太阳能转化效率约束,同时还存在低轨卫星绕地导致的高度动态的星地连接造成的可用时隙有限的限制,面临着计算资源稀缺和可用通信时间有限所带来的挑战。因此,需要高质高效的任务卸载决策算法来保证OEC系统的高效运行。然而,目前在OEC场景下任务卸载方法大多在处理任务时无法兼顾计算任务卸载时延与能耗,此外传统方法还缺少对任务多样性的考量。针对上述问题,提出了一种基于自适应大邻域搜索的在轨边缘计算任务卸载方法OEC-ALNS,该方法以任务类型加权的任务处理成本为优化目标,并针对性地提出了基于最小化时延的破坏算子和修复算子来进一步提升搜索效率和卸载调度质量。基于Walker Delta低轨卫星星座和真实计算任务数据的实验结果表明,与传统的OEC-TA(OEC Task Allocation)方法相比,提出的OEC-ALNS方法在多个任务集异构的OEC场景中最多能够减少42.22%的加权任务处理成本和降低42.46%的平均时延。

移动边缘计算中本地设备可以将计算任务卸载到靠近网络的边缘节点上执行,只将计算结果回传至用户端,从而减小传输时延,降低移动设备的功耗,减轻客户端的负载压力,还可以减少核心网络的计算负载。针对复杂多类边缘节点的移动边缘计算环境,建立了基于线性规划松弛的三级计算任务卸载决策模型,称为CART-CRITIC-LR(CCLR)。首先通过分类回归决策树算法(CART)筛选出本地执行的计算任务;然后采用多属性决策的CRITIC算法确定3个性能指标的权值分配;最后,基于线性规划松弛(LR)对计算卸载问题建模,使计算任务卸载决策的总时延、总能耗和总成本最优。实验比较了其他计算卸载策略的能耗、成本、延迟时间等指标,结果表明CCLR卸载决策算法在保证多目标全局最优的同时,实现了总时延最短,说明了所提算法的有效性与适用性。

中继辅助移动边缘计算(Mobile Edge Computing,MEC)是近年来兴起的一种很有前景的方式,它可以提高5G网络和物联网(Internet of Things,IoT)等低功耗网络的资源利用率和数据处理能力。然而,设计中继选择和计算卸载策略以提高队列稳定系统的能量效率仍然是一个挑战。为解决中继辅助移动边缘计算系统中的能耗优化问题,在任务缓冲队列稳定性约束下,建立混合整数非线性随机优化模型,最小化系统的长期平均能耗。该问题被分解为中继节点选择和中继卸载决策两个阶段进行求解。在中继选择阶段,通过设置权重参数V₁最小化传输能耗和缓冲队列长度的加权和来确定中继节点;在卸载决策阶段,应用李雅普诺夫方法将随机优化问题转化为确定性优化问题,在保持任务缓冲队列稳定的条件下,得到最优中继计算频率、最优中继传输功率,以及最优远程节点计算频率的理论表达式。仿真结果表明,该能量优化策略能够在缓冲队列稳定约束下有效降低系统的长期平均能耗,并收敛到穷举搜索的最优解,同时可通过调整算法中参数V₁和V₂的来取值改变能耗和等待时长的权重。

针对无线传感器网络分簇路由协议的簇首选取不合理,造成网络负载不均和生命周期缩短的问题,提出了一种基于改进蝴蝶优化算法IBOA的簇首选取算法CIBOA。首先,基于蝴蝶优化算法BOA进行改进,引入Circle 混沌映射和非线性动态收敛因子来控制参数值,提高了蝴蝶优化算法的寻优速度、收敛精度,使搜索能力更强。在簇首选取过程中,根据剩余能量、节点基站间的距离和邻居节点平均间距设计了新的适应度函数,使用改进蝴蝶优化算法IBOA改进簇首选取随机的问题,综合择出更优簇首节点。仿真测试结果表明,基于改进蝴蝶优化算法的簇首选取算法CIBOA能够综合考虑节点能量和距离等因素,减少整体网络运行时间。

无线射频识别(Radio Frequency Identification,RFID)系统最基本的功能是标签识别,然而身份验证系统无法检测到伪造或克隆标签,从而出现潜在安全隐患和个人隐私问题。目前有基于加密的认证协议和基于特征提取的解决方法,其中基于加密的认证协议方法不兼容现有的协议,基于特征提取的方法存在特征提取困难或者识别距离短等限制。文中基于标签物理层信号的真实性进行识别,结合深度学习技术,提出标签信号识别方法。其核心思想在于在RFID通信过程中,利用标签的后向散射信号提取与标签逻辑信息无关的信号,将提取的信号送入卷积神经网络进行相似度匹配,根据得到的相似度匹配分数与给定的阈值对比,最后实现标签的真实性识别。采用USRP N210作为RFID系统的阅读器,采用150个超高频商用标签作为信号的发射器,并在实际场景中采集真实的RFID信号。通过实验验证了基于深度学习的标签识别能达到94%以上的识别精度,在识别距离长达2m的情况下其等错误比率(EER)为0.034。

当前传统的云计算模式已经无法满足用户在低延时场景下的需求,于是移动边缘计算应运而生。为使放置于同一区域内的边缘服务器能够拥有更低的总能耗和均衡的工作负载,提出面向能耗优化和负载均衡的蚁群优化放置算法ACO-ELP(Ant Colony Optimization Energy-consumption Load-balancing Placement)。首先通过构建功耗模型和负载均衡模型,对问题进行定义并将实际参数与算法变量进行对应匹配。在迭代过程中对蚁群算法进行优化,通过动态控制信息素的挥发和留存速率加快算法的迭代速度,同时控制信息素的最大最小值,以确保算法可以尽可能搜索全局最优解,不会陷入局部最优。最后利用上海地区的电信基站数据对算法进行了仿真评估,结果表明与基础放置算法相比,所提算法在减少服务器数量和能耗的同时显著降低了负载偏差值。

随着云计算技术的快速发展,越来越多的用户选择使用云服务。负载请求与资源供应的不匹配问题日益凸显,使得用户请求无法得到及时响应,极大地影响云服务质量,实时预测负载请求,将有助于及时供应资源。针对云计算环境中的负载预测方法性能低的问题,提出了一种基于自适应噪声的完备经验模态分解和卷积长时序神经网络组合模型(CEEMDAN-ConvLSTM)的云计算负载预测方法。首先运用自适应噪声的完备经验模态(CEEMDAN)分解技术对数据序列进行分解操作,将其转换为若干个易于分析和建模的子序列;然后运用卷积长时序神经网络(ConvLSTM)预测模型对这一系列子序列进行建模预测,并采用基于多进程并行计算的研究思路,实现多序列并行预测及贝叶斯优化调参;最后将预测值综合叠加以获得整个模型的预测输出,从而实现对原始复杂序列数据进行高精度预测的目标。使用Google集群工作负载数据集进行实验验证,实验结果表明,CEEMDAN-ConvLSTM组合模型具有良好的预测效果,相比自回归差分移动平均模型(ARIMA)、长短期记忆网络(LSTM)和卷积长时序神经网络(ConvLSTM),所提模型预测均方根误差(RMSE)指标分别提升了30.9%,30.1%和22.5%。

无线携能通信网络中发送端获取用户信道状态信息时,会造成时间和频谱资源的浪费。对此,在多用户多输入单输出网络中研究了发送端只有信道分布信息的节能波束形成设计。在信息中断概率、总可用功率以及授权用户可用功率约束下,网络能量效率通过改进的教与学优化算法实现了最大化。此外,针对提出的功率消耗方案,考虑了非线性能量接收机制并提出功率分流机制,使接收机避免进入饱和区,从而提高了功率接收效率。改进的教与学优化算法结合了鲸鱼优化算法的优点,解决了构造得出的非凸优化问题,并提高了收敛速度。仿真实验分析了动态能量分配场景下中断概率、动态功耗系数以及发送端可用功率对系统能量效率的影响,证实了所提算法的有效性。

针对无源UHF RFID标签未激活导致的定位特征缺失问题,鉴于精确建立信道模型存在较大困难,提出了一种基于信号强度欧氏距离-空间欧氏距离线性模型的缺失定位特征估计算法,通过增加特征维数以提高场景分析算法定位精度。对于未激活参考标签,可直接基于线性模型估计所缺失定位特征,以提高场景匹配数据的完备性;对于未激活待定位标签,则基于线性模型首先估计待定位标签与多个基准参考标签的间隔距离,引入最小二乘算法初步估计其位置信息,再基于线性模型反向估计出所缺失定位特征,从而完善待定位标签的定位特征。基于实测实验表明,所提出的缺失定位特征估计计算方法不仅能有效提高所有缺失待定位标签的定位精度,还能提高缺失参考标签周围待定位标签的定位精度,且无需增加硬件设备,符合低成本、高精度的应用需求。

现代列车的正常运行离不开机械和电子系统的相互配合,特别是列车控制和管理系统(TCMS)在其中发挥着关键作用。与TCMS相关的应用程序和服务运行在列车通信网络(TCN)上,该网络是有线的且通常是冗余线路,这就会造成大量的有线链路互联,导致网络部署和维护困难且灵活性差。提出了基于Wi-Fi 6的列车无线通信组网方案,该方案将Wi-Fi 6技术应用于车辆级的ECN网络中,所做的工作包括对网络架构的设计、通信数据的选择和仿真环境下的实验验证。实验结果表明,所提出的基于Wi-Fi 6的列车通信服务质量中时延、抖动和丢包率满足IEC 61375-3-4标准,相对于长期演进技术(LET)也占据了优势。

量子隐形传态是量子通信中研究的热点之一。 有别于传统的隐形传态方案,短距离隐形传态通过加强两个参与者距离上的限制以进一步节约宝贵的量子纠缠资源。但这样的限制同时也增加了传输双方作弊的可能。为此,文中在现有短距离隐形传输研究的基础上加入第三方控制者,提高了传输过程的安全性。同时,由于粒子在传输过程中不可避免地会遭受信道噪声的影响,理想环境下的隐形传输是不可能的。保真度是刻画传输前后量子态相似性的工具,文中进一步分析了作为普遍使用的噪声信道模型即Pauli噪声信道对二粒子受控短距离隐形传输保真度的影响。最终得出,不同类型的Pauli噪声信道下,发送者所传输二粒子的纠缠程度不同保真度也不同。这为短距离隐形传输的实验研究以及量子网络发展提供了一些参考价值。

随着地面网络快速发展以及航空出行逐渐大众化,民用飞机乘客对乘机过程中联网的需求日益强烈。文中从机上联网背景出发,围绕乘客需求、机上联网市场与发展现状出发分析机上联网的必要性。聚焦于机上联网技术发展,发现机上空中互联技术正在从Ku向Ka和高通量Ku演进。针对机上联网的卫星网络接入和机载Wi-Fi软硬件设备以及服务两项关键技术以及应用情况展开分析,分析发现美国在机上联网技术方面相对成熟,Ka以及高通量Ku技术发展仍以美国和欧洲为主,国内实现机上联网全国产化仍需加强两项机载关键技术的投入。机上联网具有很长的产业链,对产业链上的企业来讲既是机会也是挑战。最后从乘客需求、航空公司、第三方服务商以及适航4方面分析了机上联网带来的机遇和挑战。

目前,无线网络相机在环境监控领域、军事监控领域、城市监控领域正发挥越来越重要的作用。在远程或者密闭环境中使用时,无线网络相机由电池供电且不方便更换电池,相机必须满足长时间续航的要求。相机续航时间由相机功耗以及电池容量共同决定,由于电池技术无突破性进展,无线网络相机的低功耗架构设计成为了一个重要的研究方向。首先,罗列和分析了无线网络相机上各种硬件方案以及实际功耗表现。接着,对比了不同编码算法的功耗表现。在相机动态功耗管理方面,提出和分析了无线网络相机的动态功耗模型,为动态功耗管理提供理论基础,还分析了相机状态切换时的功耗模型,确定了超时模式下相机切换状态的阈值时间。最后,提出了无线网络相机的低功耗架构的总体设计流程。

边缘计算已被设想成为增强资源贫乏的智能设备计算能力的有效解决方案。通过任务卸载用户可以将计算复杂的任务卸载到边缘云端执行来满足其对资源的需求。然而,其仍然需要解决能量消耗、可靠性和延时的问题。文中提出了一种基于能耗感知的容错协同任务执行算法,以在减少设备能耗的同时保证卸载到边缘云上的任务成功执行。具体地,首先设计了一种具有容错能力的能耗感知协同任务执行模型,该模型通过将计算卸载模型和容错模型相结合,从而在应用程序的截止完成时间内减少设备能耗。然后,提出了一种基于能耗感知的容错协同任务执行调度算法,该算法包括协同任务执行、初始化调度和在线调度。协同任务执行是通过部分关键路径分析和one-climb策略来确定任务的执行决策;初始化调度是从副本和重新提交中为在边缘端执行的任务选择容错策略,以在发生故障时可针对任务采取相应容错措施;在线调度是在发生故障时实时调整容错策略以确保任务成功处理。最后,在3种具有代表性的任务拓扑上进行了广泛的仿真实验,评估了3种不同方案在任务完成率、能耗比方面的性能差异。结果表明,无论是截止完成时间、传输速率还是容错率的变化,该方法都可以保证任务在截止时间内顺利完成,相比协同任务执行更可靠,而且相比本地执行设备消耗的能量可至少减少30%。

中国高速公路的建设使得目前在公路侧出现了大量计算设备,为在高速公路场景中使用移动边缘计算技术提供了可能。移动边缘计算能够在高速为车辆提供低延时、高带宽和可靠的计算服务,是实现交通智能化的重要手段。考虑到高速公路的特殊环境,文中研究了任务卸载和资源调度等关键技术并结合5G,建立了面向高速公路行车任务的移动边缘计算模型。针对不同种类的计算任务,设计了有效的任务卸载策略,提出一种动态融合的调度策略以实现高效的合理的资源调度,该策略结合了遗传算法和蚁群算法。为验证该模型的有效性,使用负载均衡度作为性能指标对其进行仿真实验。实验结果表明,该算法与同类算法相比能够有效减小负载差异,降低计算成本。

近年来,随着国家“智慧海洋”战略的推进,以及海洋资源开发的需求,基于OFDM调制的水声通信技术得到了飞速发展,其关键问题之一就是主节点如何分配子载波资源以优化系统性能。据此,提出了一种低复杂度的水声OFDM子载波分配算法,以某个准则挑选出每轮待分配的候选节点,选择综合信道状态最差的节点分配子载波,在提高系统整体传输性能的同时兼顾了最差传感器节点的传输性能。此外,针对多轮分配的连续轮空现象,优先为上轮的“空闲”节点分配其上信道状况最好的子载波。仿真结果表明,改进的算法在几乎不降低原算法性能的前提下较好地解决了连续轮空的问题。算法的提出对水下多传感器组网的资源分配有一定的参考意义。

精确和实时的网络流量预测在SDN网络中扮演着重要角色,同时对流量工程、网络控制起到重要作用。由于网络拓补的约束和时间的动态变化,即空间和时间特征,使得网络流量预测问题已经成为一个公认的科学问题。为了有效提取空间和时间特征,提出一种基于神经网络的预测模型,即结合了图卷积和门控循环单元的模型。图卷积网络可以有针对性地提取到复杂拓补的空间特征,同时门控循环单元能提取到流量的时间特征,两者的结合可以有效地预测软定义网络中的流量。在模型性能比较方面,将提出的GCGRU与经典方法进行了比较。评估指标包括MSE,RMSE,MAE。实验结果表明,GCGRU能够更有效地进行流量预测。

文中提出一种基于多天线非正交多址接入的通信系统高能效功率分配方法。在该方法中,基站采用非正交的方式接入用户,将用户分为多个簇,利用迫零接收方法处理簇间的用户干扰,同时采用串行干扰消除方法处理簇内的用户信号。为了提升该系统的能量效率性能,对基站发射功率的分配方案进行了优化。文中建模该功率分配问题为一个分数形式的非凸优化问题,该问题很难直接求解。首先,引入辅助变量将原目标函数转换成为非分数的形式,并采用二分法对辅助变量进行搜索。然后,由于转换后的优化问题仍是一个非凸问题,文中通过二次转换和迭代处理对问题进行了求解。理论分析和仿真结果表明,与传统的正交接入方法相比,所提出的方法可以有效提升通信系统能量效率性能,同时还可以改善系统的数据率性能。另外,该方法通过调节用权重因子,可以保证用户间的公平性。

由于在复杂环境中可以取得良好的定位效果,基于指纹的定位技术一直是研究的热点。通过利用长期演进(Long Term Evolution,LTE)网络,一种基于深度学习的指纹定位方法被提出用来构建良好的定位系统。受到计算机视觉技术的启发,带有地理位置标记的信号指纹被转化为灰度图片然后进行定位,并以最终构建好的灰度图片数据集的分类准确率来表示定位的准确率。文中采用了一种两级分步训练的方法来实现深度神经网络(Deep Neural Network,DNN)的分类识别。首先,利用深度残差网络(Deep Residual Network,Resnet)对指纹库进行预训练并得到粗糙定位模型,然后利用基于反向传播神经网络(Back Propagation Neural Network,BPNN)的迁移学习算法进一步提取信号特征并得到精确定位模型。实验在真实室外环境下进行,且实验结果表明提出的定位系统可以在室外环境下取得较高精度的定位效果。

针对Layered-DBR算法中网络节点需感知全网节点的剩余能量和邻居节点距离的局限性,提出一种可靠的水下传感器网络数据传输策略RTS(Reliable Transmission Strategy),节点仅通过感知自身节点深度信息、剩余能量及网络分层间距来计算当前节点的能量因子和距离因子。制定了一种网络性能评估方法来平衡网络生命周期与数据丢包,并通过仿真实验确定能量因子和距离因子的占比,最终给出消息转发概率的计算公式。仿真对比实验表明,与DBR,DMBR,Layered-DBR等算法相比,RTS算法能够有效控制网络冗余、减少数据丢包,同时网络具有较长的生命周期。

MIMO(Multiple Input Multiple Output)技术与卫星通信相结合,能够充分利用空间分集,在不增加额外功率和带宽的情况下提高增益。在单卫星系统中,由于卫星上的空间大小限制,不利于获得空间分集和复用增益,因此通常考虑利用不同的极化天线构建多天线环境以获得相应增益。文中提出了一种分析交叉极化鉴别率(Cross Polar Discrimination,XPD)对单卫星双极化MIMO通信系统的影响的方法。推导了单卫星双极化MIMO系统中接收天线的SINR(Signal-to-Interference and Noise Ratio),并从误码率和信道容量两个方面分析了不同交叉极化干扰系数在开阔区域、郊区、市区3种环境下对星地链路的影响。仿真结果表明,交叉极化干扰系数越小,系统BER(Bit Error Rate)性能越好,信道容量越大,且信号在市区环境下传输时,信道容量高于开阔区域与郊区。

云任务调度作为云计算体系的一个重要组成部分,其调度策略的效果直接影响到云平台资源利用率及用户服务质量。为解决当前云调度策略中Min-Min算法和Ma-Min算法容易因云任务分布导致负载不均衡、资源综合使用率低和任务总体完成时间较大等问题,提出一种基于三支决策的云任务调度优化算法(Cloud Task Scheduling Algorithm based on three-Way Decision,CTSA-3WD)。根据云任务的执行时间和计算资源的实际情况来标定任务集合中的轻负载任务和重负载任务。借鉴三支决策基本思想,根据两种任务在其任务集合中所占比例进行三支划分,有针对性地对划分后的3个任务集合设计合适的调度策略:针对轻负载任务占比高的任务集合,使用Max-Min算法;针对重负载任务占比高的任务集合,使用Min-Min算法;针对轻重负载任务接近的任务集合,采用基于Min-Min和Max-Min的改进任务调度算法。对分配完毕的节点中的关键资源进行重新调度,在满足总体完成时间减少的前提下选择最匹配的任务分配给轻负载资源。CloudSim仿真平台的实验结果表明,所提出的云任务调度优化算法(CTSA-3WD)相比Min-Min,Max-Min及选择调度算法可以有效提高整体资源利用率,提升了用户的服务质量,同时也使得整个系统中的资源达到更好的负载均衡水平。