霧計算：技術(shù)、架構(gòu)及應用

目錄
譯者序
前言
第一部分　霧的通信與管理
第1章　ParaDrop：家用網(wǎng)關(guān)的邊緣計算平臺2
　1.1　引言2
1.1.1　通過ParaDrop實現(xiàn)無線網(wǎng)關(guān)的多重任務管理及相關(guān)應用3
1.1.2　ParaDrop平臺的性能4
　1.2　在ParaDrop平臺上實現(xiàn)服務5
　1.3　為ParaDrop平臺開發(fā)服務7
1.3.1　依托ParaDrop平臺實現(xiàn)監(jiān)控攝像頭業(yè)務7
1.3.2　依托ParaDrop平臺實現(xiàn)環(huán)境傳感器業(yè)務10
　參考文獻10
第2章　管理帶寬11
　2.1　引言11
2.1.1　利用霧12
2.1.2　家庭問題的解決方案12
　2.2　相關(guān)研究14
　2.3　信用分配和最優(yōu)信用支出15
2.3.1　信用分配15
2.3.2　最優(yōu)信用支出17
　2.4　在線帶寬分配算法18
2.4.1　估計其他網(wǎng)關(guān)的支出18
2.4.2　在線信用支出決策和應用優(yōu)先級設置20
　2.5　設計與實現(xiàn)20
2.5.1　流量和設備分類22
2.5.2　速率限制引擎22
2.5.3　流量優(yōu)先級設置引擎23
　2.6　實驗結(jié)果24
2.6.1　速率限制24
2.6.2　流量優(yōu)先級設置25
　2.7　網(wǎng)關(guān)共享結(jié)果26
　2.8　結(jié)論29
　致謝30
　附錄2.A30
　參考文獻33
第3章　面向霧網(wǎng)絡的社交感知協(xié)作D2D與D4D通信35
　3.1　引言35
3.1.1　從社交信任和社交互惠到D2D協(xié)作36
3.1.2　智能電網(wǎng)：社交感知協(xié)作的D2D和D4D通信的物聯(lián)網(wǎng)案例37
3.1.3　主要結(jié)論39
　3.2　相關(guān)研究39
　3.3　系統(tǒng)模型40
3.3.1　物理（通信）圖模型40
3.3.2　社交圖模型42
　3.4　面向霧網(wǎng)絡的社交感知協(xié)作D2D和D4D通信概述42
3.4.1　基于社交信任的中繼選擇43
3.4.2　基于社交互惠的中繼選擇43
3.4.3　基于社交信任和社交互惠的中繼選擇47
　3.5　網(wǎng)絡輔助中繼選擇機制48
3.5.1　互惠中繼選擇循環(huán)發(fā)現(xiàn)48
3.5.2　NARS機制49
3.5.3　NARS機制的特性51
　3.6　仿真53
3.6.1　ER社交圖53
3.6.2　基于實際追蹤的社交圖56
　3.7　結(jié)論58
　致謝59
　參考文獻59
第4章　你值得擁有更好的性能（來自你的智能設備）62
　4.1　為什么需要提供更好的性能62
　4.2　需要在哪里提供更好的性能63
　4.3　需要提供什么性能并且怎樣提供64
4.3.1　透明度64
4.3.2　可預測性能68
4.3.3　開放性73
　4.4　結(jié)論74
　致謝75
　參考文獻75
第二部分　霧的存儲與計算
第5章　提高通信效率的分布式緩存80
　5.1　引言80
　5.2　微微緩存81
5.2.1　系統(tǒng)模型81
5.2.2　來自幫助者節(jié)點的
自適應流84
　5.3　用戶緩存85
5.3.1　基于簇的緩存和D2D通信85
5.3.2　基于ITLinQ的緩存和通信…88
5.3.3　編碼組播93
　5.4　結(jié)論和展望96
　參考文獻96
第6章　無線視頻霧網(wǎng)絡：錯誤可恢復的實時協(xié)作數(shù)據(jù)流99
　6.1　引言99
　6.2　相關(guān)研究102
　6.3　系統(tǒng)運行和網(wǎng)絡模型103
　6.4　問題建模和復雜度105
6.4.1　NC數(shù)據(jù)包選擇優(yōu)化106
6.4.2　廣播者選擇優(yōu)化107
6.4.3　復雜度分析108
　6.5　VBCR:一種用于實時視頻且能實現(xiàn)協(xié)作恢復的分布啟發(fā)式算法108
6.5.1　初始信息交換108
6.5.2　協(xié)作恢復109
6.5.3　更新信息交換111
6.5.4　視頻數(shù)據(jù)包轉(zhuǎn)發(fā)112
　6.6　仿真結(jié)果113
　6.7　結(jié)論116
　參考文獻117
第7章　彈性移動終端云：借助移動終端提供邊緣的云計算服務119
　7.1　引言119
　7.2　設計領(lǐng)域及實例121
7.2.1　Mont-Blanc121
7.2.2　計算與充電并行處理122
7.2.3　FemtoCloud123
7.2.4　Serendipity125
　7.3　FemtoCloud性能評估126
7.3.1　實驗設置126
7.3.2　FemtoCloud仿真結(jié)果127
7.3.3　FemtoCloud原型評估130
　7.4　Serendipity性能評估131
7.4.1　實驗設置131
7.4.2　Serendipity性能增益132
7.4.3　網(wǎng)絡環(huán)境的影響132
7.4.4　工作屬性的影響136
　7.5　挑戰(zhàn)137
　參考文獻138
第三部分　霧的應用
第8章　霧計算在未來汽車行業(yè)中的作用142
　8.1　引言142
　8.2　當前的汽車電子架構(gòu)143
　8.3　汽車E/E架構(gòu)的未來挑戰(zhàn)及解決策略145
　8.4　未來汽車——車輪上的霧節(jié)點149
　8.5　憑借實時計算和時間觸發(fā)技術(shù)實現(xiàn)車輪上的確定性霧節(jié)點150
8.5.1　通過虛擬化解決可擴展性挑戰(zhàn)的確定性霧節(jié)點151
8.5.2　解決連接和安全挑戰(zhàn)的確定性霧節(jié)點152
8.5.3　汽車應用中確定性霧節(jié)點的新用例——全車虛擬化154
　8.6　結(jié)論155
　參考文獻155
第9章　現(xiàn)場網(wǎng)絡的位置尋址156
　9.1　引言156
9.1.1　現(xiàn)場網(wǎng)絡156
9.1.2　現(xiàn)場網(wǎng)絡面臨的挑戰(zhàn)157
　9.2　位置尋址158
　9.3　SAGP:現(xiàn)場的無線位置尋址160
9.3.1　SAGP處理流程160
9.3.2　SAGP重傳啟發(fā)式算法161
9.3.3　SAGP數(shù)據(jù)包傳播示例162
9.3.4　跟隨發(fā)送:有效的SAGP數(shù)據(jù)流動163
9.3.5　迎接挑戰(zhàn)164
　9.4　地理路由:將GA延伸到云端165
　9.5　SGAF:大規(guī)模GA的一種多層架構(gòu)166
9.5.1　不同層之間的橋接167
9.5.2　混合安全架構(gòu)168
　9.6　AT&T實驗室的位置輔助多播架構(gòu)169
　9.7　兩個GA應用實例170
9.7.1　PSCommander170
9.7.2　位置輔助多播游戲172
　9.8　結(jié)論174
　參考文獻174
第10章　面向智慧星球的分布式在線學習和流處理175
　10.1　引言：智慧星球175
　10.2　實例問題：交通運輸177
　10.3　流處理特征178
　10.4　分