声明
致谢
主要缩略语对照表
1 绪论
1.1 引言
1.2 研究背景
1.2.1 工业互联网定义及标准体系
1.2.2 工业互联网功能结构
1.3 研究现状
1.4 研究问题及意义
1.5 论文主要工作与创新点
1.6 论文组织结构
2 基于深度学习的工业互联网数据建模方法
2.1 引言
2.1.1 研究背景
2.1.2 相关工作
2.2 端-云协同工业运维数据采集系统设计
2.2.1 工业运维数据采集系统架构
2.2.2 工业运维数据采集流程
2.2.3 工业运维数据集构建
2.3 自注意力即时工业运维服务模型设计
2.3.1 总体框架及其功能模块
2.3.2 状态感知服务模型
2.3.3 序列预测服务模型
2.3.4 服务模型运行机制
2.4 实验与性能评估
2.4.1 实验数据集描述
2.4.2 实验及参数设置
2.4.3 实验结果分析
2.5 本章小结
3 基于强化学习的工业互联网资源适配方法
3.1 引言
3.1.1 研究背景
3.1.2 相关工作
3.2 网络架构与系统模型建立
3.2.1 端边云协同推理网络架构
3.2.2 通信模型
3.2.3 缓存模型
3.2.4 计算模型
3.2.5 系统运行机制
3.3 优化问题描述与转化
3.3.1 多维资源优化问题
3.3.2 马尔可夫决策过程
3.4 资源适配算法设计
3.4.1 TD3算法核心技术
3.4.2 TD3多维资源动态适配算法
3.5 DNN缓存池状态更新机制设计
3.6 实验与性能评估
3.6.1 实验及参数设置
3.6.2 算法收敛性分析
3.6.3 任务调度成功率比较
3.6.4 缓存资源利用率比较
3.7 本章小结
4 基于联邦学习的工业互联网数据隐私保护方法
4.1 引言
4.1.1 研究背景
4.1.2 相关工作
4.2 数据隐私保护联邦学习机制设计
4.2.1 多边协同训练网络架构
4.2.2 参数分级聚合算法
4.3 系统模型建立
4.3.1 时延模型
4.3.2 能耗模型
4.3.3 层级联邦学习评估损失
4.4 优化问题描述与转化
4.4.1 多约束资源优化问题
4.4.2 部分可观马尔可夫决策过程
4.5 多智能体资源适配算法设计
4.5.1 算法核心技术
4.5.2 MASAC资源适配算法
4.5.3 端节点能量资源保护机制
4.5.4 算法计算复杂度分析
4.6 实验与性能评估
4.6.1 实验及参数设置
4.6.2 隐私保护联邦学习收敛性分析
4.6.3 频谱和计算资源利用效率比较
4.6.4 能耗和时间开销评估
4.7 本章小结
5 总结与展望
5.1 总结
5.2 未来研究工作展望
参考文献
作者简历及攻读博士学位期间取得的研究成果
独创性声明
学位论文数据集
北京交通大学;
