论文部分内容阅读
近几年,随着智能终端设备数量的快速增长,网络中数据流量也呈现爆发式的增长,当前集中式位置管理思想的扩展性差、单点故障、次优化路由等问题愈加凸显。为了克服这些问题,分布式位置管理技术成为研究热点。在分布式位置管理策略的研究中,除了将原集中式节点的功能分布化、动态地部署,从而减少核心网压力并提升网络的扩展性外,如何根据人类移动特性进行位置区域的划分、设计位置更新及查找方法,从而保证位置管理策略对于每一个用户而言都是最优,进而达到减少位置管理开销的目的,成为位置管理策略研究的热点。针对上述背景及存在的问题,本论文在调研了人类移动行为特征和位置管理策略的研究现状后,主要工作分以下两部分展开:(1)使用微软亚洲研究院GeoLife项目的人类移动真实数据集,从个体角度对人类移动行为的时空特性进行分析。利用基于时间的途经点提取方法及基于阈值的停留点提取方法,将用户移动轨迹中空间上离散的GPS定位点转化为停留点和途经点。提出改进的Selective-PrefixSpan序列模式挖掘算法,从海量的移动定位数据中提取出用户一天中按时间先后顺序频繁访问的位置序列,优化了算法运行时间和内存占用等性能。(2)提出一种基于人类移动特性的分布式位置管理策略,使用改进的ST-K-Means聚类算法实现位置管理中跟踪区(TA,Tracking Area)的划分,利用改进的Selective-PrefixSpan挖掘频繁移动序列模式用于位置管理中跟踪区列表(TAL,Tracking Area List)的划分,进而应用于分布式位置管理策略设计中,包括分布式部署的策略、跟踪区列表的构建、位置更新及位置查找策略的设计。最后使用GeoLife项目的人类移动真实数据集,对本文提出的位置管理策略进行对比验证,证明了其在位置管理开销方面的性能优势。