| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景 | 第10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.3 本文主要工作 | 第12-13页 |
| 1.4 本文组织方式 | 第13-14页 |
| 第2章 研究基础 | 第14-18页 |
| 2.1 多元回归分析 | 第14页 |
| 2.2 BP神经网络 | 第14-15页 |
| 2.3 遗传算法 | 第15-16页 |
| 2.4 本章小结 | 第16-18页 |
| 第3章 面向并发用户请求的单PM下多VM资源自适应调整过程 | 第18-24页 |
| 3.1 传统单PM下多VM资源自适应调整过程 | 第18-19页 |
| 3.2 面向并发用户请求的单PM下多VM资源自适应调整过程 | 第19-20页 |
| 3.3 关键问题 | 第20-22页 |
| 3.3.1 并发用户请求的预测 | 第20-21页 |
| 3.3.2 C-R模型的建立 | 第21页 |
| 3.3.3 P-R模型的建立 | 第21-22页 |
| 3.3.4 最优决策的选择 | 第22页 |
| 3.3.5 经验数据库的建立与使用 | 第22页 |
| 3.4 本章小结 | 第22-24页 |
| 第4章 基于BP神经网络及多元回归分析的虚拟机资源需求量评估方法 | 第24-36页 |
| 4.1 基于BP神经网络的并发用户请求量的预测 | 第25-31页 |
| 4.1.1 并发用户请求数据预处理 | 第25-27页 |
| 4.1.2 基于BP神经网络的并发用户请求样本数据的训练及预测过程 | 第27-30页 |
| 4.1.3 并发用户请求量均值计算 | 第30-31页 |
| 4.2 基于多元回归分析的C-R模型的建立 | 第31-34页 |
| 4.3 虚拟机资源需求量的评估方法 | 第34-35页 |
| 4.4 本章小结 | 第35-36页 |
| 第5章 基于GA的最优资源调整策略选择方法 | 第36-50页 |
| 5.1 基于GA的最优调整策略选择过程 | 第36-39页 |
| 5.2 基于多元回归分析的P-R模型的建立 | 第39-40页 |
| 5.3 收益函数的设计 | 第40-44页 |
| 5.3.1 资源分配量的计算 | 第40-42页 |
| 5.3.2 资源消耗量的计算 | 第42页 |
| 5.3.3 性能损失量的计算 | 第42-44页 |
| 5.4 终止条件的设计 | 第44页 |
| 5.5 经验数据库的建立与使用 | 第44-48页 |
| 5.5.1 经验数据的建立 | 第45-46页 |
| 5.5.2 经验数据的使用 | 第46-48页 |
| 5.6 本章小结 | 第48-50页 |
| 第6章 实验及结果分析 | 第50-70页 |
| 6.1 实验环境 | 第50-52页 |
| 6.2 并发用户请求量预测 | 第52-56页 |
| 6.3 虚拟机资源需求量评估 | 第56-61页 |
| 6.4 最优决策选择 | 第61-64页 |
| 6.5 经验数据库建立 | 第64-66页 |
| 6.6 对比试验设计 | 第66-69页 |
| 6.7 本章小结 | 第69-70页 |
| 第7章 总结与展望 | 第70-74页 |
| 7.1 工作总结 | 第70-71页 |
| 7.2 展望 | 第71-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78-80页 |
| 攻读硕士期间论文发表情况 | 第80页 |
