基于神经网络的虚拟机能耗预测模型研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 研究背景和意义 | 第9-13页 |
| 1.1.1 研究背景 | 第9-11页 |
| 1.1.2 研究意义 | 第11-13页 |
| 1.2 国内外虚拟机功耗预测问题研究现状 | 第13-15页 |
| 1.2.1 物理服务器功耗预测现状 | 第13-14页 |
| 1.2.2 虚拟机功耗预测现状 | 第14-15页 |
| 1.3 论文内容 | 第15-16页 |
| 1.4 论文创新点和结构 | 第16-19页 |
| 1.4.1 论文主要创新点 | 第16-17页 |
| 1.4.2 论文结构 | 第17-19页 |
| 第二章 考虑物理机负载的虚拟机能耗预测问题 | 第19-25页 |
| 2.1 能耗预测问题模型 | 第19-20页 |
| 2.2 物理机负载与虚拟机功耗的非线性关系 | 第20-22页 |
| 2.3 虚拟机功耗预测系统 | 第22-24页 |
| 2.3.1 虚拟机运行状态采集子系统 | 第22-23页 |
| 2.3.2 虚拟机功耗训练预测子系统 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 虚拟机功耗预测常用模型方法概述 | 第25-31页 |
| 3.1 多元线性回归模型 | 第25-26页 |
| 3.2 混合高斯模型 | 第26-27页 |
| 3.3 分段多元线性回归模型 | 第27-28页 |
| 3.4 支持向量回归(SVR)模型 | 第28-29页 |
| 3.5 二维表查找方法 | 第29-30页 |
| 3.6 本章小结 | 第30-31页 |
| 第四章 神经网络模型概述 | 第31-49页 |
| 4.1 人工神经网络的优点 | 第31-32页 |
| 4.2 人工神经元模型 | 第32-34页 |
| 4.3 人工神经网络的激活函数 | 第34-36页 |
| 4.4 多层前馈型人工神经网络 | 第36-37页 |
| 4.5 神经网络学习过程 | 第37-39页 |
| 4.5.1 有教师学习 | 第37-38页 |
| 4.5.2 无教师学习 | 第38-39页 |
| 4.6 常用人工神经网络 | 第39-47页 |
| 4.6.1 反向传播(BP)神经网络 | 第39-43页 |
| 4.6.2 径向基函数(RBF)神经网络 | 第43-47页 |
| 4.7 本章小结 | 第47-49页 |
| 第五章 基于RBF神经网络的虚拟机能耗预测模型 | 第49-59页 |
| 5.1 RBF神经网络模型结构 | 第49-50页 |
| 5.2 RBF神经网络输入参数 | 第50-54页 |
| 5.2.1 输入参数获取和工具介绍 | 第50-53页 |
| 5.2.2 相关性分析 | 第53-54页 |
| 5.3 参数的测量与归一化方法 | 第54-55页 |
| 5.4 RBF神经网络训练学习 | 第55-56页 |
| 5.5 模型预测 | 第56-57页 |
| 5.6 本章小结 | 第57-59页 |
| 第六章 实验结果及分析 | 第59-67页 |
| 6.1 实验环境 | 第59页 |
| 6.2 对比模型和方法 | 第59-60页 |
| 6.3 评价指标 | 第60页 |
| 6.4 实验结果数据与分析 | 第60-66页 |
| 6.5 本章小结 | 第66-67页 |
| 第七章 总结与展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-75页 |
| 作者攻读学位期间发表的学术论文目录 | 第75页 |
