随着物联网、5G通信技术和大数据的发展，支持边缘计算的终端设备的快速普及与低时延高可靠通信需求的日益提升，传统的资源管理与优化技术已经无法满足移动物联网用户的多样化需求。为提升移动网络通信容量以及推动移动通信系统可持续发展，本书对智能通信与计算融合技术进行了阐述，包括面向通信与计算融合的泛在智能网络、面向通信与计算融合的智能网络服务延伸和面向通信与计算融合的智能网络算力增强三个部分。
本书适合于通信工程、计算机科学和软件工程专业的高年级本科生和研究生，以及从事IT领域的工程技术人员学习和参考。
作者多年物联网、边缘计算和人工智能相关领域教学和科研成果的基础上撰写而成
对智能通信与计算融合技术进行了阐述，包括面向通信与计算融合的泛在智能网络、面向通信与计算融合的智能网络服务延伸和面向通信与计算融合的智能网络算力增强三个部分
宁兆龙
博士，重庆邮电大学教授，主要研究内容为车联网高 效接入、通信和计算。近三年作为第 一或通信作者发表论文70余篇，包括：ESI 0.1%热点论文5篇，ESI 1%高被引论文23篇，中科院一区论文20余篇，中科院二区论文近40篇，相关研究成果发表在：IEEE COMST、IEEE TII、IEEE COMMAG、IEEE WCOM、IEEE TITS、IEEE TVT、IEEE TASE、IEEE IoT、IEEE TETC、IEEE TCCN、ACM Mobicom、WWW等，授权专利6项。
第 1章 基于移动边缘计算的动态服务迁移 1
1.1 引言 1
1.2 服务迁移模型 2
1.2.1 服务执行效用 4
1.2.2 服务迁移开销 6
1.3 问题描述 6
1.4 基于移动边缘计算的动态服务迁移算法 7
1.4.1 基于李雅普诺夫优化的队列稳态 7
1.4.2 基于采样平均近似的未来效用估计 8
1.4.3 基于马尔可夫优化的动态服务部署 9
1.5 实验评估 10
1.5.1 实验环境及参数设置 10
1.5.2 系统性能分析 11
第 2章 面向普适边缘计算的多智能体模仿学习：分布式计算卸载算法 14
2.1 引言 14
2.2 系统模型和问题表述 16
2.2.1 系统概述 16
2.2.2 通信和计算模型 18
2.2.3 问题公式化 19
2.3 基于多智能体模仿学习的计算卸载算法 20
2.3.1 算法概述 20
2.3.2 随机博弈公式 21
2.3.3 优化问题转化 22
2.3.4 专家策略 23
2.3.5 智能体策略 26
2.3.6 算法分析 29
2.4 性能评价 30
2.4.1 仿真设置 30
2.4.2 仿真结果 30
第3章 关键信龄最小化：部分观测下基于模仿学习的调度算法 36
3.1 引言 36
3.2 系统模型与问题构建 38
3.2.1 系统模型 38
3.2.2 AoCI 40
3.2.3 问题构建 41
3.3 信息感知启发式算法 44
3.3.1 子问题转换 44
3.3.2 总体步骤 45
3.4 基于模仿学习的调度算法 46
3.4.1 问题转换 47
3.4.2 通过模仿的信息更新调度 48
3.4.3 基于模仿学习的调度 50
3.4.4 理论分析 52
3.5 性能评估 53
3.5.1 仿真设置 53
3.5.2 仿真结果 54
第4章 移动区块链中集中式资源管理 59
4.1 系统模型 61
4.2 问题建模 64
4.3 解决方案 65
4.4 性能评估 70
4.4.1 仿真参数设置 70
4.4.2 仿真设计 73
4.4.3 性能分析 73
第5章 基于移动边缘计算的医疗物联网健康监测 77
5.1 引言 77
5.2 动机 78
5.3 医疗物联网模型 79
5.3.1 医疗重要性 80
5.3.2 监测数据新鲜度 80
5.3.3 监测能耗 81
5.4 问题描述 82
5.4.1 系统开销最小化问题 83
5.4.2 IWS子问题 84
5.4.3 BWS子问题 84
5.5 无线人体局域网内部合作博弈 85
5.6 无线人体局域网外部非合作博弈 86
5.7 实验评估 88
5.7.1 实验环境及参数设置 88
5.7.2 系统性能分析 88
第6章 基于5G无人机 社区的计算卸载：协同任务调度和路径规划 91
6.1 系统模型 93
6.1.1 通信模型 94
6.1.2 计算模型 95
6.2 问题描述 96
6.2.1 问题概述 96
6.2.2 约束分析 96
6.2.3 问题描述 97
6.2.4 问题转化 98
6.3 协同路径规划和任务调度 99
6.3.1 基于社区的时间近似 99
6.3.2 基于吞吐量最大化的拍卖 100
6.3.3 动态任务调度 102
6.3.4 性能分析 103
6.4 性能评估 105
6.4.1 仿真设置 105
6.4.2 数值结果 106
第7章 智能交通系统中分布式资源管理 110
7.1 系统模型 111
7.1.1 终端层 113
7.1.2 边缘层 114
7.1.3 远端管理层 115
7.2 问题建模 115
7.2.1 用户数据安全 116
7.2.2 系统时延 117
7.2.3 用户效用 120
7.2.4 问题公式化 121
7.3 解决方案 122
7.3.1 问题分解 123
7.3.2 解决问题P7.1的基于深度强化学习的算法 125
7.3.3 解决问题P7.2′的交替方向乘子法算法 128
7.3.4 求解问题P7.3′的基于双边匹配的算法 135
7.4 性能评估 136
7.4.1 仿真设置 138
7.4.2 问题P7.1的性能 139
7.4.3 问题P7.2′的性能 141
7.4.4 问题P7.3′的性能 146
第8章 基于DRL的智能车联网计算卸载方案 147
8.1 动机 148
8.2 贡献 148
8.3 系统模型 149
8.3.1 模型概述 149
8.3.2 微云模型 150
8.3.3 雾模型 151
8.3.4 重定向模型 152
8.4 问题描述 153
8.4.1 优化目标 153
8.4.2 流重定向 154
8.4.3 卸载决策 155
8.5 DRL概述 155
8.6 基于DRL的卸载算法 156
8.6.1 流重定向 156
8.6.2 最小化能耗的DRL 157
8.6.3 复杂度分析 159
8.7 性能评估 160
第9章 基于边缘计算的5G车联网部分卸载 165
9.1 引言 165
9.2 5G车联网模型 166
9.2.1 5G车联网场景介绍 166
9.2.2 卸载策略 167
9.2.3 系统利润函数 168
9.3 问题描述 170
9.4 部分卸载和自适应任务调度算法 171
9.4.1 传输调度策略 171
9.4.2 最优卸载比率 173
9.4.3 计算卸载服务定价 173
9.5 实验评估 174
9.5.1 实验环境及参数设置 174
9.5.2 系统性能分析 175
第 10章 迁移感知的智能车联网联合资源分配策略 178
10.1 引言 178
10.2 迁移感知的资源分配模型 180
10.2.1 通信模型 181
10.2.2 计算模型 181
10.2.3 缓存模型 182
10.3 问题描述 183
10.3.1 效益函数 183
10.3.2 目标函数 184
10.4 基于DRL的资源分配算法 185
10.4.1 基于DRL的车联网系统框架 185
10.4.2 基于策略梯度的DRL算法 186
10.5 实验评估 189
10.5.1 实验环境及参数设置 189
10.5.2 收敛性分析 190
10.5.3 系统性能分析 191
第 11章 基于模仿学习的在线VEC任务调度 194
11.1 引言 194
11.2 系统模型与问题表述 196
11.2.1 系统概述 196
11.2.2 服务时延和能源消耗模型 197
11.2.3 问题规划 199
11.3 基于模仿学习的任务调度算法 200
11.3.1 算法概述 200
11.3.2 SPV聚类 201
11.3.3 专家模仿学习 203
11.3.4 算法分析 205
11.4 性能评估 206
11.4.1 仿真设置 206
11.4.2 仿真结果 208
第 12章 边缘协同的IoV联合资源分配策略 215
12.1 引言 215
12.2 边缘协同资源分配模型 217
12.2.1 通信模型 218
12.2.2 计算模型 218
12.2.3 缓存模型 220
12.2.4 系统开销 221
12.3 问题描述 222
12.4 在线边缘协同卸载策略 223
12.4.1 李雅普诺夫优化框架 223
12.4.2 边缘协同平衡算法 225
12.5 智能资源联合分配策略 228
12.5.1 分支定界优化框架 228
12.5.2 基于模仿学习的分支定界算法 229
12.6 实验评估 232
12.6.1 实验环境及参数设置 232
12.6.2 系统性能分析 233
12.6.3 时间复杂度分析 236
参考文献 238
新书资讯