导读:本文包含了网络学习资源管理论文开题报告文献综述及选题提纲参考文献，主要关键词:网络切片,资源管理,部分观察马尔可夫决策过程,Q网络
网络学习资源管理论文文献综述
杨友超[1]（2019）在《基于强化学习的网络切片动态资源管理算法研究》一文中研究指出未来的通信业务将更加丰富多样,由于不同业务有不同的通信需求,而传统网络只能满足单一服务需求,因此网络切片技术应运而生,该技术允许在一个物理网络上建立多个逻辑网络满足各业务的通信需求。为了保证网络切片优异的通信质量,高效的资源管理机制是极其重要的。因此,本文的工作重点是在接入网切片场景下,致力于优化资源管理的方案,且本文的研究工作总结如下:针对很多文献中拓扑感知不符合实际的问题,提出了一种基于部分观察马尔可夫决策过程(Partial Observation Markov Decision Process,POMDP)的多资源联合管理方案。针对物理网络拓扑设计了一种心跳包检测机制部分感知当前的拓扑情况。基于完全的队列状态和部分感知的拓扑状态利用POMDP决策出切片内各服务功能链的计算和链路资源的编排和映射方式。混合启发式值迭代算法因其复杂度较低而用于求解该POMDP模型,并获得近似最优资源管理策略。仿真实验表明该方案可以在动态拓扑情况下优化决策资源编排和映射而降低时延且最小化修复成本,实现低成本的低时延通信并提升资源利用率。针对终端在接入网切片内移动时造成的高时延问题,基于强化学习方法提出了一种感知移动性的资源管理方案。基于马尔可夫决策过程(Markov Decision Process,MDP)建立了一个感知切片内终端的移动情况和环境变化而决策计算、链路和无线资源的联合编排和映射的MDP模型。Q-learning方法应用于该MDP模型中解决移动状态和环境状态的转移概率无法获得的问题。为了降低Q-learning方法的求解复杂度,设计并训练一种深度Q网络(Deep Q Network,DQN)从而有效获得近似最优的资源管理策略。仿真结果表明该方案可以动态优化有移动终端的接入网切片的时延,同时能降低切片内的数据损失量,实现低数据损失的低时延通信并提升切片吞吐量。(本文来源于《重庆邮电大学》期刊2019-06-02）
陈明哲[2]（2019）在《未来蜂窝网络中基于机器学习的资源管理技术研究》一文中研究指出下一代蜂窝无线网络需要支持超可靠,低延迟的通信,并且需要支持在高度动态的环境中实时智能地管理大量物联网设备。不仅如此,下一代蜂窝网络还需要具有智能化的管理功能,从而能够根据不同的网络与用户状态对蜂窝网络管理策略进行调整。这些要求只能通过在无线基础设施和终端用户设备上集成机器学习的方法来实现。因此,研究如何利用机器学习算法与人工智能技术对蜂窝通信网络实现自组织地、智能化地、实时地管理与控制具有较高的价值。机器学习算法在蜂窝通信网络中主要分为两大应用:一是对蜂窝网络环境进行识别并根据网络环境对网络资源与用户进行管理与调度,二是利用网络的已有数据对网络状态进行预测,从而优化网络性能。本文的研究内容主要包括如何利用机器学习算法对网络频谱资源与用户进行调度与管理,如何利用机器学习算法对网络状态与用户行为进行预测,以及如何优化机器学习算法使其适用于蜂窝无线网络环境。具体而言,本文首先介绍了新型网络的架构以及基于新型网络架构的无线蜂窝网络所存在的技术问题。然后详细介绍了如何利用机器学习算法对授权与非授权频谱资源管理、对缓存管理、对UAV的部署与规划以及对360°内容传输和缓存的管理。论文的具体研究内容及创新性工作如下:(1)研究授权与非授权频谱的分配以及上下行解耦的用户连接。本文提出了基于回声状态网络的资源管理与用户连接算法,从而实时地根据网络环境优化授权与非授权频谱资源分配与用户连接并且最大化用户吞吐量。(2)缓存管理的研究。本文提出了利用用户的行为信息决定缓存内容的算法,从而降低网络中前程与后程链路的负载并且优化用户有效容量。本文提出了基于回声状态网络的预测算法。所提出的算法能够对用户移动性与用户内容请求概率分布进行预测,从而确定基站与云端的基带处理单元缓存的内容。(3)研究无人机的部署与规划。本文提出了基于conceptor的状态回声网络的预测算法。该算法能够对用户行为进行分析与预测。根据预测的用户内容请求概率以及用户移动模式确定用户连接、无人机的最优部署位置、以及无人机的最优缓存内容,从而优化用户性能。(4)研究360°内容的传输与缓存。为了克服液态机无法保证具有循环记忆特性的缺点,本文提出了基于液态机与状态回声网络结合的机器学习算法。所提出的算法能够有效地管理360°内容与可视内容的传输与存储,从而最大化用户的传输可靠性。(本文来源于《北京邮电大学》期刊2019-05-17）
陈天[3]（2019）在《深度强化学习在网络资源管理问题中的应用》一文中研究指出计算机系统与网络中的资源管理问题的研究无处不在。例如计算集群的任务调度,视频流中的比特率自适应,因特网电话中的中继选择,云计算中的虚拟机放置,拥塞控制等等。目前的大多数解决这些问题方法为启发式算法。但是启发式算法存在一些关键的不足之处:当底层系统较为复杂时通常无法精确建模,每当问题的某些方面发生变化时,必须修改模型。此外,预设好的模型很难在具有噪声影响的输入以及多变的环境下做出较好的实时决策。最近机器学习被成功的应用到一些决策制定领域的问题研究中,特别是机器学习中的强化学习与深度学习结合应用到例如计算机下围棋,玩视频游戏等等。受到以上启发,让系统利用深度强化学习并自己学会资源管理也并非不可能。鉴于今天面临的许多资源管理问题的规模和复杂性,有许多领域可以使用深度强化学习。本文的研究重点专注于如下几个方面:(1)云计算资源管理中资源集群的任务调度问题,本文参考现有的任务模型,拓展了任务模型并利用深度强化学习中的深度Q网络(Deep Q-Networks,DQN)算法解决任务调度问题中预设的各种优化目标。首先拓展任务模型为单阶段任务和多阶段任务,然后任务还具有优先级。接下来,利用深度强化学习算法学习包括最小化平均任务slowdown、最小化平均任务完成时间、最大化任务优先级区分度等复杂优化目标的策略,提出了基于深度Q网络的资源管理(Deep Q-Networks Resource Management,DQRM)算法。最后从该算法的各个参数和结构层面、任务负载方面分析了算法的性能。经过实验,该算法在不同优化目标上均不同程度的优于最短任务优先(Shortest Job First,SJF)、Tetris*、Packer等经典任务调度算法。(2)提高传输控制协议(Transmission Control Protocol,TCP)连接吞吐量的研究,本文通过深度强化学习在数据中心网络等几种不同网络场景下改变TCP初始拥塞窗口提高吞吐量。首先选择数据中心网络、卫星网络、有损链路、具有小缓冲区的瓶颈链路等四种不同的网络场景,然后设定深度强化学习的优化目标为最大化平均吞吐量,提出了基于深度Q网络的拥塞控制(Deep Q-Networks Congestion Control,DQCC)实现算法。最后从算法的参数和网络场景的不同配置层面分析了算法的性能。经过仿真测试验证,该算法能够自动学习出不同网络环境下较优的TCP初始拥塞窗口大小来提升吞吐量。(本文来源于《电子科技大学》期刊2019-03-27）
董瑶[4]（2019）在《基于微课资源的网络管理与学习平台的设计与实现——以南京城市职业学院为例》一文中研究指出以南京城市职业学院为例,探索适合学院的基于微课资源的网络管理与学习平台的设计与实现。该平台的设计思路以学院资源建设的实际工作过程和用户实际使用需求为基础,实现在平台上完成微课资源项目在线管理、学习资源PC端和移动端在线分类索引与关键词搜索等多项功能。(本文来源于《南京广播电视大学学报》期刊2019年01期）
陈张,余志翔,汪千惠,郑祥雨,金善红[5]（2018）在《财政统筹高校建设网络学习资源平台对学生学业进行引导与管理研究——以安徽省蚌埠市为例》一文中研究指出大数据技术与共享经济的快速发展,使得网络搜索成为了高校学生搜寻资料的主要途径之一,但其存在的搜索时间长,相关性弱等问题也暴露出来。此外,高校学生对学习笔记、课程讲解等学习资料有着大量的需求,不仅限于传统纸质资料,更多的是图片、视频等电子化资料。传统的纸质资料很大程度限制了学习资源的利用与共享。本文就是分析目前我国高校网络学习资源的利用现状、存在的问题以及提出如何建立相应的网络资源共享平台建议与构想。(本文来源于《今日财富》期刊2018年04期）
罗胜涛,梁斌[6]（2016）在《基于云计算的广州市基础教育网络学习资源管理策略的研究》一文中研究指出研究运用问卷调查法和内容分析法,发现广州市基础教育网络学习资源存在着网络学习资源配置不均衡、网络学习资源利用率不高、网络学习资源获取不精准、网络学习资源需求冗余度高、网络学习资源建设不规范等主要问题。针对这些问题,本文分析了云计算对基础教育网络学习资源的管理优势,构建了基于云计算的基础教育网络学习资源管理模型。依托云计算模型上的网络应用服务,提出了广州市基础教育网络学习资源管理中的四个策略,对其中叁个策略做了效果研究,结果表明这些策略的应用能比较有效地解决广州市基础教育网络学习资源管理中存在的主要问题。(本文来源于《教育信息技术》期刊2016年Z2期）
冯陈伟,袁江南[7]（2015）在《基于强化学习的异构无线网络资源管理算法》一文中研究指出为了充分利用各种无线网络的资源,需要实现异构网络的融合,而异构网络的融合又面临接入控制与资源分配的问题。为此,提出一种基于强化学习的异构无线网络资源管理算法,该算法引入D2D(device-to-device)通信模式,并可以根据终端不同的业务类型、终端移动性及网络负载条件等状态,选择合适的网络接入方式。同时,为降低存储需求,采用神经网络技术解决连续状态空间问题。仿真结果表明,该算法具有高效的在线学习能力,能够有效地提升网络的频谱效用,降低阻塞率,从而实现自主的无线资源管理。(本文来源于《电信科学》期刊2015年08期）
孟凡菊[8]（2015）在《硕士生网络自主学习中资源管理策略研究》一文中研究指出随着通信技术、计算机网络和多媒体技术的快速发展,网络上丰富且易得的学习资源极大地促进着学习者的学习。硕士生的培养方式要求他们利用丰富多元的网络资源积极开展自主学习,目前,网络自主学习己成为硕士生重要的学习方式。网络学习策略是影响学习质量的核心因素之一,其水平的高低表现出学习者对网络学习方式的适应情况。资源管理策略作为学习策略的重要分支,网络学习环境管理的复杂性更加凸显出其重要性。目前,国内外对资源管理策略的研究主要集中在传统学习中,对其在网络学习中的研究缺少全面、系统的研究,针对硕士生这一特定群体的研究更为缺乏。据此,探讨硕士生网络自主学习中资源管理策略这一课题是非常有必要的。本研究以硕士生为研究对象,选取“网络自主学习”这一特定的学习方式,主要采用问卷调查和访谈法开展研究,旨在了解硕士生网络自主学习中资源管理策略的现状,探索硕士生网络自主学习中资源管理策略方面的问题及影响因素,进而提出相应对策以提升其资源管理能力。本研究的研究框架如下：第一部分：问题的提出。在文献资料查阅和整理的基础上,概括和分析当前国内、外资源管理策略的研究现状。根据已有研究的启示,确定本研究拟解决的问题,进而将问题细化为具体的研究内容,最后从理论和实践两个方面阐明了本研究的意义。第二部分：相关概念界定及理论基础。对资源管理策略、自主学习和网络自主学习等相关概念进行界定,并对研究相关的理论基础及对本研究的启示进行阐释。第叁部分：研究思路与研究设计。依据量的研究和质的研究两条主线阐明研究思路,从研究方法和研究手段两个方面阐明研究设计。第四部分：调查问卷的编制与修订。以迈克卡等人对资源管理策略的分类及研究,结合网络环境下资源管理策略的发展及硕士生网络自主学习中的特点,自主编制《硕士生网络自主学习中资源管理策略调查问卷》,并对问卷进行预测与修订,形成正式问卷。第五部分：调查问卷的施测与调查结果分析。选取广西师范大学部分硕士生进行问卷调查,运用spss20.0和Microsoft Excel2010等软件对调查问卷进行数据统计分析,对硕士生网络自主学习的情况进行描述性统计,对硕士生网络自主学习中资源管理策略现状进行描述性统计分析和差异性检验。第六部分：访谈实施与分析。依据资源管理策略的组成部分分别设置问题，形成《硕士生网络自主学习中资源管理策略访谈提纲》,采用访谈法开展个案分析,并对访谈结果进行归类整理。第七部分：研究结果的讨论。对硕士生网络自主学习中资源管理策略及其分策略进行讨论,探索其中的问题及可能性原因,并提出具体的建议提升硕士生网络自主学习中资源管理能力,为硕士生网络自主学习能力的提高提供有价值的参考。然后,对研究的不足及展望进行阐述。第八部分：结论。1.硕士生的资源管理策略总体不高,分策略之间存在差异。硕士生网络自主学习中资源管理策略处于中等水平,但不足以满足其自主学习的需要,仍需在教师指导及自身加强管理能力上提升。在资源管理策略中,硕士生的努力管理水平最高,时间管理和学习环境管理上能力相对不足。2.从研一到研二,硕士生的资源管理能力有所提升,但到研叁却有所下降,这种趋势在资源管理策略各个分维度上也是一致的。3.硕士生的学习环境管理能力在年级上存在显着差异。本研究从性别、年级和专业类别叁个方面对硕士生网络自主学习中资源管理策略进行差异性检验,研二学生的学习环境管理能力显着高于研一学生,其他方面之间不存在差异,总的资源管理策略在叁个方面上也不存在显着性差异。4.性别和专业类别导致的资源管理策略的差异与以往研究不同。本文将资源管理策略定位在硕士生网络自主学习上,得到的研究结果是性别和专业类别差异并未导致资源管理策略的差异,但是以往的研究多数证实男生的资源管理策略高于女生,文科生的资源管理策略高于理科生。产生这种差异的原因可能是网络学习与传统学习方式的不同,或者研究群体的不同造成的。(本文来源于《广西师范大学》期刊2015-04-01）
李康海,秦宏毅[9]（2015）在《高校网络安全知识技能学习资源平台的开发与管理构建》一文中研究指出随着网络信息技术的发展,互联网技术的低接口、深入性、便捷化越来越明显,微电子技术使得信息传递和扩散的速度越来越快。整合信息资源、开发管理平台对信息进行筛选、管理,建立有效的信息管控机制,这是引导高校互联网健康发展、促进大学校园网络和谐的必然选择。(本文来源于《高教论坛》期刊2015年01期）
贺国平,樊玮[10]（2013）在《基于S2SH的网络学习资源管理系统的研究》一文中研究指出B/S已经成为软件开发中最为主要的实现模式,但是,与传统的C/S模式不同,B/S结构的开发面对许多新的问题。为了探讨更有效的开发方法,本文以网络资源管理系统为例,通过使用S2SH进行实践,来分析如何更有效的进行B/S模式应用程序的开发。(本文来源于《电子制作》期刊2013年14期）
网络学习资源管理论文开题报告
（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：
下一代蜂窝无线网络需要支持超可靠,低延迟的通信,并且需要支持在高度动态的环境中实时智能地管理大量物联网设备。不仅如此,下一代蜂窝网络还需要具有智能化的管理功能,从而能够根据不同的网络与用户状态对蜂窝网络管理策略进行调整。这些要求只能通过在无线基础设施和终端用户设备上集成机器学习的方法来实现。因此,研究如何利用机器学习算法与人工智能技术对蜂窝通信网络实现自组织地、智能化地、实时地管理与控制具有较高的价值。机器学习算法在蜂窝通信网络中主要分为两大应用:一是对蜂窝网络环境进行识别并根据网络环境对网络资源与用户进行管理与调度,二是利用网络的已有数据对网络状态进行预测,从而优化网络性能。本文的研究内容主要包括如何利用机器学习算法对网络频谱资源与用户进行调度与管理,如何利用机器学习算法对网络状态与用户行为进行预测,以及如何优化机器学习算法使其适用于蜂窝无线网络环境。具体而言,本文首先介绍了新型网络的架构以及基于新型网络架构的无线蜂窝网络所存在的技术问题。然后详细介绍了如何利用机器学习算法对授权与非授权频谱资源管理、对缓存管理、对UAV的部署与规划以及对360°内容传输和缓存的管理。论文的具体研究内容及创新性工作如下:(1)研究授权与非授权频谱的分配以及上下行解耦的用户连接。本文提出了基于回声状态网络的资源管理与用户连接算法,从而实时地根据网络环境优化授权与非授权频谱资源分配与用户连接并且最大化用户吞吐量。(2)缓存管理的研究。本文提出了利用用户的行为信息决定缓存内容的算法,从而降低网络中前程与后程链路的负载并且优化用户有效容量。本文提出了基于回声状态网络的预测算法。所提出的算法能够对用户移动性与用户内容请求概率分布进行预测,从而确定基站与云端的基带处理单元缓存的内容。(3)研究无人机的部署与规划。本文提出了基于conceptor的状态回声网络的预测算法。该算法能够对用户行为进行分析与预测。根据预测的用户内容请求概率以及用户移动模式确定用户连接、无人机的最优部署位置、以及无人机的最优缓存内容,从而优化用户性能。(4)研究360°内容的传输与缓存。为了克服液态机无法保证具有循环记忆特性的缺点,本文提出了基于液态机与状态回声网络结合的机器学习算法。所提出的算法能够有效地管理360°内容与可视内容的传输与存储,从而最大化用户的传输可靠性。
（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。
网络学习资源管理论文参考文献
[1].杨友超.基于强化学习的网络切片动态资源管理算法研究[D].重庆邮电大学.2019
[2].陈明哲.未来蜂窝网络中基于机器学习的资源管理技术研究[D].北京邮电大学.2019
[3].陈天.深度强化学习在网络资源管理问题中的应用[D].电子科技大学.2019
[4].董瑶.基于微课资源的网络管理与学习平台的设计与实现——以南京城市职业学院为例[J].南京广播电视大学学报.2019
[5].陈张,余志翔,汪千惠,郑祥雨,金善红.财政统筹高校建设网络学习资源平台对学生学业进行引导与管理研究——以安徽省蚌埠市为例[J].今日财富.2018
[6].罗胜涛,梁斌.基于云计算的广州市基础教育网络学习资源管理策略的研究[J].教育信息技术.2016
[7].冯陈伟,袁江南.基于强化学习的异构无线网络资源管理算法[J].电信科学.2015
[8].孟凡菊.硕士生网络自主学习中资源管理策略研究[D].广西师范大学.2015
[9].李康海,秦宏毅.高校网络安全知识技能学习资源平台的开发与管理构建[J].高教论坛.2015
[10].贺国平,樊玮.基于S2SH的网络学习资源管理系统的研究[J].电子制作.2013
标签：网络切片; 资源管理; 部分观察马尔可夫决策过程; Q网络;