网络资源论文范文
前言：我们精心挑选了数篇优质网络资源论文文章，供您阅读参考。期待这些文章能为您带来启发，助您在写作的道路上更上一层楼。
第1篇
论文关键词：精品课程网络资源库SCORM共享
1精品课程网络资源建设中存在的主要问题
近年来，国内各高校纷纷响应教育部的号召，大规模进行精品课程及其网络化建设。然而，精品课程网络资源的共享性和复用性作为其中的一个重要问题，引起越来越多的关注。一方面，精品课程网络资源分散且孤立，严重阻碍课程资源在高层次、大尺度上的共享和交流:另一方面，各高校都根据自己的需求定义出系统内部的资源描述格式或者使用己有的资源格式，并以不同方式组合，直接导致现有的精品课程可移植性差，造成教育资源重复建设、开发的局面。
因此，要想在最大限度上利用现有的精品课程网络资源，必须在共享资源的制作和管理上遵循标准化原则，实现资源复用和协同操作。基于知识管理的SCORM(SharableContentObjectReferenceModel，可共享内容对象参考模型)标准及相关技术为实现此目标提供了强有力的支持。
2知识管理视野下的SCORM规范
JerenmyGalbreath将教育领域的知识管理定义为;知识管理就是应用技术工具和程序来处理数字化存储教育领域的知识和智慧，并通过网络使整个教育领域的知识和经验得到传播、共享和访问。
SCORM是在己有的网络教育技术标准的基础上建立的具有可访问性、协作性、持久性和可重用性的特定模型fa7。通过对学习内容单元的元数据在开放系统进行登记，允许人们通过开放机制对其进行搜索、链接、组合、交换，以支持教育资源的有效利用和学习系统自动智能地发现、组建、共享和扩展教育资源，方便地实现知识的管理。
3系统设计
3.1课程设计及制作
1)课程学习对象的制作。学习对象的制作包含学习内容的制作和学习对象’的元数据描述。许多软件已经具备将课程资源制作成学习对象元数据的功能，如Thesis(它支持MicrosoftOffice.Flash.DreamWeaver)3,ReloadEditor2004等应用软件，不仅可以用来创建和配置符合SCORM标准的多媒体学习内容，而且内容可以在任何符合SCORM标准的学习管理系统上运行。
2)课程学习对象开发。课程学习对象开发包括交互代码嵌入和学习对象包装。交互代码包括AP工，提供学习者交互信息的表单和传递javascript的函数。学习对象的包装主要为学习对象创建元数据文件、内容清单文件和包交换文件。学习者可以从其中提取必要信息注册到学习资源注册系统，而学习对象本身则存储在某个LMS(LearningManagementSystem，学习管理系统)的学习资源库中。
3)课程包装。课程包装是把整个网络课程看作一个学习对象，为其构建元数据文件、内容清单文件和包装交换文件。课程包装的操作可以参照上述学习对象包装，但是在构建内容清单时最好采用子内容清单的方法构建。
4)课程与LMS集成(图1)。LMS提供学习内容传送，跟踪、报告、管理学习内容和学生学习进度、学生交互等一整套功能}4aoSCORM中LMS被看做是一个智能化服务端，由它决定传送什么课程资源，何时传送以及进行学习管理。将精品课程与支持学习对象标准的LMS集成能更好地适应不同学习者需要以及跨平台等特性。集成时可以将整个网络课程的包交换文件直接导入，也可以分学习对象逐个导入，LMS通过解析内容清单文件即可生成课程目录。
3.2数据库设计数据库采用SQLServer2003，分为3大部分，即基本信息库、XML数据库和课程库。基本信息库用来存储课程和用户的基本信息;XML数据库是对学习者学习过程进行记录的数据库，其中每门课程、课程的每个SCO都有自己的XML文件;课程库则存储所有的课程。
3.3系统结构设计如图2所示，资源库系统采用B/S多层模式结构，软件层采用J2EE平台及JSP}--Servlet十JavaBean的开发结构，从而保证系统具有良好的可维护性、可扩展性。
4关键技术的实现
4.1SCO与LMS间接口的技术实现在对SCO进行Wrapper时，建立APIWrapper.js这样一个javascript文件，分别对应上述APIAdapter的API函数建立相应的function，示例如下:
FunctiondoLMSInitialize(){Varapi=getAPIHandle();
If(api==null){Alert“无法完成LMS的API启动”);
Return"false";}
Varresult=api.LMSInitialize(““);//此处调用Adapter和LMS间的通信
If(result.toString()!=”true”){Var
err=ErrorHandler();}
Returnresult.toString();}
在建立好相应的AP工Wrapper.js后，就可以在制作的学习对象中实现对这些function的调用，以完成SCO与Adapter间的通信。例如，在可执行学习对象中加入这样一段javascript:
javascript:……
Varresult=doLMSInitialize();
If(result!一true){..…}
Result:=ReadURL(“javascript:
doLMSInitialize()”，100)
这样就初步实现SCO与APIAdapter间的通信，也为LMS的Launch工作做了初始化。但是对于LMS还是无法使用和显示，因为APIWrapper.js只是对SCO的一个打包过程，使它符合DataModel，并没有实现与Server端的LMS进行通信。要实现这一步，需要在Server端建立一个APIAdapter.java来完成Adapter与ServerLMS的通信，实现DataModelSCE的数据传送。
4.2学习对象显示
接口的技术实现APIAdapterApplet.java是一个严格按照标准制定的类，通过编写该类实现sco在LMS中的通信和共享所需要的符合SCORM规范的API。该Applet在LMS启动时自动启动，在该类中实现全部的API函数，以LMSInitialize为例:
PublicStringLMSInitialize(Stringparam)//SCO调用的第一个且唯一调用的API
{Stringresult;
Result=cmiBooleanFalse;//初始化为未启动
StringtempParm=String.value0f(param);
If((tempParm.equals("null”)日tempParm.
equals(“”))!二true){
This.1msErrorManager.
SetCurrentErrorCode("201");
Returnresult;}
第2篇
关键词：医院计算机网络信息资源医院信息资源管理
引言
计算机网络信息技术是现代社会进步的一个重要标志，随着计算机技术和现代通讯技术的发展和影响，人类社会已经步入以数字化信息和网络化信息为特征的知识经济时代时期，在计算机网络信息技术快速发展的巨大影响下，医院也进入了网络信息资源管理时期。而经过100多年的发展，医院信息管理的过程已经经历了传统管理时期，技术管理时期，信息资源管理时期，现在正逐渐向“网络信息资源管理”阶段演进。这种演进和发展对信息管理工作模式和服务模式造成巨大的变化和影响，产生了新的社会需求，而医院计算机网络信息资源管理正是这种新需求下的产物。医院信息资源和医院信息资源管理将随人类社会的发展和技术的进步而不断的发生变化。在医院管理中，计算机网络信息资源管理促进了我国医疗事业单位的发展，特别是信息高速公路的浪潮，也将革命性地改变医院获取知识、信息的速度。因此说医院计算机网络信息将成为医院建设与发展中不可缺少的手段。
一、医院计算机网络信息资源的含义
关于我们对医院计算机网络信息资源的理解，归纳起来主要有两种：一是侠义的理解，认为医院计算机信息资源就是指医院文献资源或者医院数据资源，或者医院各种媒介和形式的信息的集合，包括医院各种文字，声像，印刷品，电子信息，人力资源信息，医疗器械，人员管理，数据库等等，这都是限于信息的本身。而广义的理解是，认为医院信息资源是信息活动中各种要素的总称，这既包含恶劣信息本身，也包含了信息相关的人员，设备，技术和资金等等各种资源。随着互联网发展进程的加快，信息资源网络化成为一大潮流，与传统的计算机网络资源相比，医院计算机网络信息资源在数量，结构，分布和传播的范围，载体形态，内涵传递手段，等方面都显示出新的特点。这些新的特点赋予了医院网络信息资源管理新的内涵。
二、医院计算机网络信息资源的特点
2.1存储数字化医院传统信息资源由纸张上的文字变为磁性介质上的电磁信号或者光介质上的光信息，是信息的存储和传递，查询更加方便，而且所存储的信息密度高，容量大，可以无损耗地被重复使用。以数字化形式存在地信息，既可以在计算机内高速处理，又可以通过信息网络进行远距离传送。
2.2表现形式多样化医院传统信息资源主要是以文字活数字形式表现出来的信息。而医院计算机网络信息资源则可以是文本，图像，音频，视频，软件，数据库等多种形式存在的，涉及领域和行业广泛。
2.3以网络为传播媒介医院传统的信息资源存储载体为纸张，磁带，磁盘，而医院计算机网络信息资源的存在是以网络为载体，以虚拟化的姿势状态展示的，人们得到的是网络上的信息，而不必过问信息是存储在磁盘上还是磁带上的，体现了医院计算机网络资源的社会性和共享性。
2.4数量巨大CNNIC一年两次的《中国互联网络发展状况统计报告》，全面反映和分析了中国互联网络发展状况，以其权威性著称。从本次报告中可以看出，截至到2002年12月31日，我国上网计算机数量为2083万台；CN下注册的域名数量达到17.9万个；网站数量达到了37.1万个；国际出口带宽总量为9380M。
医院计算机网络信息资源不是传统的网络信息资源，它是对传统计算机网络信息资源的合理运用。在市场经济迅速发展的今天，医院和医院、医药市场、药店之间的竞争也日渐激烈，医院计算机网络信息资源将成为一种战略资源，它同医疗器械设备和人力资源技术等一样成为推动医院向前发展的支柱。各种信息的收集，加工和利用将有效的改变医院面貌，为医院的正常运作注入了新鲜血液，为医院获取最大的经济效益和社会效益提供了有力的保证。医院的发展面临着激烈的竞争，除了医疗技术、医疗设备，优质的服务质量和合理医疗价格等各方面的竞争，更重要的是它将会是医学信息的竞争。医院的信息管理系统、图书情报、病案统计等部门提供的统计资料尤为重要。医院决策部门需要先进的信息服务系统，以获取最新的信息资料，掌握最新信息，以击败竞争对手，占领医疗市场。医疗及科研人员可以通过最新的信息服务来获取新知识、新技术，更好的为患者服好务，治好病，这样患者就能从更大范围内选取最新的医疗技术，治好他们的病，从而为医院赢得良好的声誉。
三、医院计算机网络信息资源管理的内容核心是数据库建设
在医院计算机网络信息资源管理活动中，数据库建设及数据库技术占据着至关重要的地位，它是一切信息和数据的基础和源泉，数据库技术具有非常广泛的应用领域，它是实现资源共享，节省开支，提供系统的反映能力，工作质量和服务水平的重要手段和技术保证。医院的数据库不仅反映医院当前的盈利能力，而且反映医院未来的盈利能力。医院的工作即使是重点放在客户服务和管理上，但仍要以客户数据库为基础，以提高顾客忠诚度为核心、正确运用各种市场营销组合，优化客户组合，提升服务利润链，扩大医院的品牌形象，提高医院竞争力。品牌的竞争是心理层面上的与客户沟通及交流，现在的医院在医疗技术、价格严重同质化的情况下，针对医院的特色，优点，特性及患者群体的分类对客户服务予以细分，具体到每一个环节，第一个步骤，就能堵住各种可能造成的就医后遗留问题，后期客户服务扩展为其提供增值服务，从服务层面上体现产品与竞争对手的差异化，提高医院的品牌形象，用医院的文化和理念打动客户，才能在整个医疗市场中立于不败之地。
四、医院计算机网络信息资源的管理和利用
计算机网络信息技术不仅是一个浏览新闻、娱乐的场所，也是绝佳的学习窗口和平台，同时它也是科研信息的重要源泉，新的信息技术不断的渗透到医院信息管理的过程之中，计算机的普遍应用成为提高医疗管理水平和医疗诊断、治疗、康复过程中必不可少的工具之一，其巨大的存储能力把医院内部及相关医院、社区及医疗服务等所有的信息完整、有序的存储起来，并可以上网提供远程医疗服务，医院从上至下各级管理人员包括患者都可及时、迅速的获取各自所需的医疗信息、统计信息等等。利用E—mail和FTP文件传输可以把这些信息迅速快捷的传递给所需方。这种远程医疗信息传递功能可以将医院总部医疗信息传递到医院分支机构或者远程上网的合作医疗单位的工作站上，减少许多不必要的环节。医院计算机网络信息资源作为一个大系统以完成医疗、教学、科研的协作及资源的共享，在网上各个环节的信息迅速流动，医院可以利用网络和网络信息完成多项工作。计算机网络信息已经成为了医院经济管理的基础。通过网络，医院之间能够开展更多的远程医疗会诊，可以更经济更方便更快捷的进行医院内部、外部的信息交流和传播，让医院在大范围内的运作中获取最大的经济效益和社会效益。:
五、结语
虽然现在医院计算机网络信息资源管理在医院管理中越来越得到人们的理解和重视，但是目前这一领域仍有许多需要研究和解决的问题，需要我们努力去探索研究解决。现在医院计算机网络信息资源在社会发展中正日益占据主导地位，只有对医院计算机网络信息资源进行有效的管理，才能将网络信息环境变为有序的信息空间，实现信息资源效用最大化，发挥它的最大潜能。总之，我们应注重医院网络信息资源的开发、建设与利用，密切关注国内外医院信息服务商家的运作趋势，密切跟踪计算机网络技术与应用的最新动向，对新的技术进行最及时的应用和开发，这样才能更好的促进医疗事业的更快发展。
第3篇
用户行为在一定程度上体现了用户的需求，基于对当前用户行为的分析与研究，可预测用户在未来一段时间内的行为，提前预知潜在的通信需求和规律，主动地完成无线资源配置。用户行为分为两种：一种是表示用户与用户之间关系的静态用户行为，另一种是用户动态行为。静态用户行为挖掘，注重用户组织关系的预测，而动态用户行为挖掘则注重用户轨迹的分析。
1.1静态用户关系预测
静态用户关系预测是指通过研究非直接关联的两个用户之间的相似性，估计这两个用户发生关联的可能性。目前基于复杂网络的链路预测模型可以有效地实现静态用户关系的预测。链路预测模型如图1所示。用户之间存在着串联的关系链，被称为复杂网络中的拓扑路径，用户之间发生联系的可能性取决于拓扑路径对用户之间相似性的传递能力。基于复杂网络的链路预测方法是通过研究用户端点之间拓扑路径对相似性传递的影响来实现预测模型的构建。如果两个端点之间信息传递的能力越强，那么这两个端点越相似，未来两个端点发生直接关联的可能性就越大。为了数值化表示相似性，预测模型通过对拓扑路径的研究来估计端点之间的相似性S，S值越大两个端点发生连接的可能性越大。根据拓扑路径长度，链路预测算法可以分为：局部路径相似性算法，例如公共邻居算法(CN)、阿达米克阿达算法(AA)、资源分配算法(RA)；全局路径相似性算法，如凯茨算法(Katz)；半局部路径相似性算法，如本地路径(LP)、本地随机游走(LRW)、叠加随机游走(SRW)[9]。各算法的预测准确性可用受试者工作特征曲线下面积（AUC）度量指标进行衡量。虽然基于全局路径相似性的算法具有较好的预测准确性，但是复杂度高，实用性差。因此本文将重点讨论局部路径相似性算法和半局部路径相似性算法。通过对网络模型的研究，进一步提出优化算法，并在有代表性的几个实际网络上进行验证。代表性网络包括：美国航空网USAir、美国国家电网PG、蛋白质作用网Yeast、网络科学家合作网络NS、爵士乐手合作网Jazz、新陈代谢网络CE、脸书好友网络Slavko、电子邮电网络E-mail、传染病网络Infec、欧洲合作网ES、UC大学社交网络UcSocial、生物链网络FW和Small&Griffith以及Descendants引文网。
1.1.1局部路径相似性算法基于局部路径相似性算法仅研究长度为2的拓扑路径。研究两个端点公共邻居的属性，依据“朋友的朋友就是朋友”的原则，公共邻居越多则通过共同好友传递相似性的能力就越强，两个端点越相似。但是传统关系预测算法在不同用户关系网中缺乏适应性，尤其是对用户弱关系性能的差异呈现出较低的敏感性。因此本文在AA和RA算法的基础上，构建增强弱关系的预测模型，以实现更好的预测性能。将OAA和ORA算法在5个代表性网络中进行AUC性能仿真验证，结果如图2和表1所示。从仿真结果可以看出并非所有网络都在β=-1时取得最优。但通过调整β，可以准确地找到适合每个网络的最优β。在多数网络下OAA和ORA算法预测准确性优于传统的局部相似性算法CN、AA和RA。
1.1.2半局部路径相似性算法传统的基于半局部路径相似性算法在降低算法复杂度的同时具有较高的预测准确性。然而，传统半局部路径相似性算法忽略了不同路径组成节点的差异性，而且忽略了路径端点影响力中存在冗余影响力的问题。（1）路径异构性问题的研究在传统半局部路径相似算法中，路径被建模成一条路由线路，两个端点之间的相似性取决于它们之间的路径条数。实际上，路径是由不同属性的节点组成的，应该在路径建模时考虑路径中间节点的属性，给予信息传输能力强的路径更高的权重。据此本文提出了在不同网络中突出路径中小度节点作用，削弱大度节点作用的SignificantPath算法（有意义路径算法，简称SP算法）[11]。设q表示任意一条连接节点x和y的路径，M(q)表示路径q去除端点之外所有中间节点组成的集合，vi表示路径q的任意一个中间节点，ki表示节点vi的度值，P2(vx,vy)和P3(vx,vy)分别表示端点x和y之间长度是2和3的路径集，α∈[0,1]是路径长度的惩罚因子，β是节点度惩罚因子。可以看出，不论α取何值，AUC均在β<0时达到最优，并且最优曲线对应的α远小于1。SP算法突出了较短路径和强信息传递能力的路径，并且相比于传统算法，SP算法的预测准确性在大多数网络中都有明显的改进。（2）控制端点冗余影响力问题的研究传统算法在研究端点影响力对端点相似性的作用时，忽略了端点影响力实际存在的冗余问题。冗余影响力不利于准确发现节点的相似性，因此需要研究如何控制端点冗余影响力。研究方法主要有两种：通过惩罚无贡献冗余影响力增强预测的准确性和通过抽取有效影响力建模端点之间相似性。（a）通过惩罚无贡献冗余影响力增强预测准确性无贡献关系惩罚(NRP)算法[12]是通过惩罚大冗余影响力突出小冗余影响力以增强预测准确性。首先建模单条路径连通性，设vi表示路径中间节点，|E|表示网络连边集中的连边数，t表示所研究的最长路径长度，P(vi+1|vi)表示从节点vi到vi+1的转移概率，C(x,y)|jl表示长度为l的第j条路径中间节点总转移概率。为了验证NRP算法的性能，本文在9个真实网络中进行了NRP的AUC性能实验以及与传统算法的比较实验，结果如图4和表3所示。可以看出最优值出现在β<1，即β-1<0，说明对无贡献大度进行惩罚可以明显改善预测准确性；相反取值β>0时性能会急剧下降，表明突出无贡献关系会降低预测准确性，并且NRP算法明显优于传统算法。说明通过惩罚端点无贡献关系即冗余影响力，可以极大改善链路预测的准确性。（b）通过抽取有效影响力建模端点之间相似性端点吸引节点与之发生关联主要依靠有效影响力。因此端点影响力建模可以采取直接抽取有效影响力的方式，如联合考虑有效影响力和强信息传播能力建模有效路径（EP）算法[13]。通过添加指数参数控制不同网络下路径信息传输能力的差异性，使算法具有适应性并且突出强信息传播路径，即取最优值β>1。则长度为l的所有路径对于信息传播能力的影响为：接着将可达对端的路径条数建模为有效影响力。设|Pathslxy|表示在端点X和y之间长度为l的路径个数，进一步结合长度为2到t的路径总信息传输能力，得到端点X和y之间总的相似性预测模型为：由于存在较长路径贡献小而代价大的问题，而对节点相似性贡献最多的路径长度是2和3，因此仅考虑长度为2和3的路径可以取得较好的预测效果。为了验证EP算法的预测准确性，本文利用15个网络仿真了不同β取值对预测准确性AUC的影响以及EP与传统算法性能的比较，如图5和表4所示。可以看出最优值出现在β>1的位置，并且EP算法AUC准确性要明显高于其他算法。综上说明通过考虑有效影响力和强信息传输能力可以有效增强链路预测的准确性。
1.2动态用户行为分析
除了静态人类组织关系行为外，人类移动行为的研究和预测对无线资源调度和分配也非常重要。目前对人类移动行为的研究和预测主要基于统计学和信息技术展开，分析结论表明[14]：人类活动包含两类，其一是时间和空间上的周期性活动，其二是同社交关系相关的随机跳跃活动。近距离活动多体现出时间和空间的周期重复特性，同社交关系关联不大。远距离活动受社交关系影响比较明显。研究表明社交关系可以解释10%～30%的人类活动，而周期性模式可以解释50%～70%的人类活动。依据从签到网站和移动终端获得的数据，研究者们绘制出了关于人群的行为模式。图6是在某城市中某一时刻人群在家中和工作单位的空间位置分布图以及一天中人们在家和工作单位的时间分布图，从图中可以看出明显的聚集性。图7显示的是在某城市中，从中午到午夜时刻，人群移动模式随时间变化的关系，可以看出具有明显的周期规律性，白天向工作地点聚集，夜晚向家的方向聚集。图7人们行为的移动模式和聚集趋势（图中的x和y轴数值是与最远距离的归一化相对值）除了在地理和空间位置维度表现出周期性短距离的人群移动行为外，还有受社交关系影响的非周期性长距离行为。人们有时候会因为探亲访友产生出一些非规律性的行为，这些行为大多是由社交关系引起的。根据人们移动行为模式规律建立模型，预测未来人们发生行为的时间和空间位置是非常有意义以及可行的。研究者们提出了许多方法，具有代表性的是根据人们行为的周期性进行预测的周期性移动行为模型periodicmobilitymodel，周期移动模型（PMM）和进一步考虑了社交关系的社交周期移动模型（PSMM）[14]。利用对人类行为的预测来预测未来人群聚集发生的时间和空间位置，并引导无线通信资源的分配，能够极大地提升资源的利用率和用户满意度。
2用户行为驱动的网络资源配置
由用户构建的社交网络与实际通信设备部署网络之间并非一一对应的关系，因此在获取和预测用户行为特征之后需要结合实际应用场景，选取合适的预测特征和数据完成实际通信设备网络部署的资源优化配置。
2.1基于小区负载的覆盖容量自优化对所提取的用户行为特征加以利用将有助于提升网络整体的承载能力。因此，可利用对个体用户时间、空间行为的周期性、区域性特征的分析及预测，获取群体用户在一定时间、空间范围的聚集行为。而群体用户的空间聚集行为将直接决定各小区的负载情况，然后基站便可结合各小区负载的差异性进行覆盖与容量的自优化调整。如图8所示，基站可通过对天线配置、发射功率等射频参数进行联合调整的方式，将潜在的业务轻载小区的无线资源通过射频参数调整的方式投射到业务热点区域，使网络资源对用户周期性、区域性业务需求具有灵活的空间流性匹配能力，动态完成对不同区域、不同需求的用户的流性适配，达到提升网络覆盖容量综合性能的目的。覆盖容量的优化过程需要考虑射频参数的调整对覆盖及容量性能的诸多方面影响。比如较小的天线仰角会扩大本小区覆盖范围而提升边缘用户的性能，但同时也会对邻区用户带来更大的干扰并影响邻区容量。因此，对覆盖容量的联合优化需要兼顾覆盖性能与容量性能、本小区性能与邻区性能的折衷。考虑到射频参数的调整与所达到的覆盖容量联合性能没有直接的映射关系，因此覆盖容量的联合优化更倾向于采用机器学习等人工智能方式。根据邻区潜在负载差异及覆盖容量综合性能情况完成对射频参数的自优化调整，并通过对优化经验的归纳总结，提升基站的自主优化决策能力。所实现的网络SINR分布性能及覆盖容量综合性能优化效果如图9、图10所示[15]。经过自优化，各小区的射频参数会由于负载的差异而有所不同，重载小区的覆盖范围较小，其边缘用户将移至覆盖范围扩大了的轻载小区接受服务。并且，基于小区负载的覆盖容量自优化方案性能相较于未考虑负载差异的优化方法得到了有效提升。
2.2基于设备直通协作多播的数据分发策略蜂窝网络所产生的大部分流量是流行内容的下载，例如视频、音频或移动应用程序。鉴于大多数用户行为具有这种共性下载的特点，如果基站把这种具有相同业务请求的用户数据卸载到设备直通（D2D）网络，那么就可以有效缓解蜂窝网络基础设施的负担，提高频谱效率以及用户满意度，并在一定程度上解决无线通信系统频谱资源匮乏的问题。由于大多数用户行为具有共性以及流动性，并且用户间的社交关系也体现出了用户间的协同意愿，那么把用户之间相同的数据请求通过基站多播方式实现数据分发，就可以极大的提高整个系统的资源利用率。由于D2D协作多播系统是由独立的蜂窝用户组成，用户间的连接关系时断时续。而在现实生活中，人们的社交关系相对稳定，因此利用数据挖掘获得的用户社交关系可帮助蜂窝网络建立可靠的D2D传输链路，如图11所示。D2D协作多播网络容量增益如图12所示，该图比较了传统蜂窝数据分发与不同多播半径情况下的平均网络容量累计分布函数（CDF）曲线。由图可知，D2D协作多播算法所达到的网络容量要优于传统蜂窝数据分发算法，并且随着多播半径R逐渐减小，D2D簇内多播速率增加。
2.3个性用户业务服务资源配置在通过预测获取用户个性化特征之后可以根据提取出的潜在业务发起位置及业务需求等个性化特征进行资源的提前预配置。图13所示，用户（UE）经常由A出发到B，并在B点被动的接收一定量的数据（例如B为展览馆，UE为一个管理员，需要接收一定的解说信息，而解说信息会定期更新）。由于UE经常往返于A和B，在网络侧长期的历史信息搜集统计中，可以通过用户关系预测得出UE从A到B之间最常接入的基站集合。根据UE在这些基站中所上报的信道质量历史信道信息，可以预测出UE在经过这些基站时的平均信息速率。同时根据UE的导航信息，可以获知UE在从A到B中所需的平均时间。由于B点接收信息较大，如果等用户A到达B点再更新信息的话，会带来较多的等待时延。为此，一种新的解决思路是利用上述预测信息，让UE在B点需要的数据，在预测的中途基站中进行预传输，从而达到提升用户体验质量的效果。具体分析如下。与传统的资源分配相比，基于预测的资源分配可以有效缓解B点处的通信业务压力。提前配置考虑了节能、基站负载等因素，极大的优化了网络的整体性能。同时这种预测提前通信也大大减少了用户等待时间，提升了用户体验质量。
3结束语
