| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.2.1 云计算研究现状 | 第9页 |
| 1.2.2 任务调度算法研究现状 | 第9-10页 |
| 1.3 本文的主要工作和组织结构 | 第10-12页 |
| 第二章 基于MapReduce的云计算模型研究 | 第12-23页 |
| 2.1 云计算技术 | 第12-14页 |
| 2.1.1 云计算的概念 | 第12-13页 |
| 2.1.2 云计算的体系结构 | 第13-14页 |
| 2.2 云计算的关键技术 | 第14-16页 |
| 2.2.1 云计算的核心技术 | 第14-15页 |
| 2.2.2 云计算的优点 | 第15-16页 |
| 2.3 MapReduce编程模型 | 第16-21页 |
| 2.3.1 MapReduce简述 | 第16页 |
| 2.3.2 MapReduce编程模型 | 第16-17页 |
| 2.3.3 MapReduce实现框架 | 第17-19页 |
| 2.3.4 Hadoop开源平台 | 第19-21页 |
| 2.4 本章小结 | 第21-23页 |
| 第三章 云环境下基于QoS的任务调度算法研究与改进 | 第23-39页 |
| 3.1 现有调度算法研究现状 | 第23-26页 |
| 3.1.1 常用的任务调度算法 | 第24-25页 |
| 3.1.2 基于QoS的任务调度算法研究 | 第25页 |
| 3.1.3 现有算法存在的问题 | 第25-26页 |
| 3.2 遗传算法与蚁群算法概述 | 第26-31页 |
| 3.2.1 遗传算法基本原理 | 第26-28页 |
| 3.2.2 蚁群算法原理 | 第28-31页 |
| 3.2.3 遗传和蚁群算法的融合 | 第31页 |
| 3.3 基于改进遗传与蚁群算法融合的任务调度算法 | 第31-38页 |
| 3.3.1 IGAACO的相关定义 | 第31-33页 |
| 3.3.2 遗传算法的相关设定 | 第33-35页 |
| 3.3.3 蚁群算法的相关设定 | 第35-36页 |
| 3.3.4 IGAACO的任务调度 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 基于MapReduce模型的云计算调度模型研究与改进 | 第39-47页 |
| 4.1 基于MapReduce集群调度模型 | 第39-40页 |
| 4.1.1 调度模型的设计分析 | 第39-40页 |
| 4.1.2 调度模型需要解决的问题及解决方案 | 第40页 |
| 4.2 基于最短平均完成时间的调度策略 | 第40-43页 |
| 4.2.1 任务预计完成时间的评估模型 | 第40-42页 |
| 4.2.2 基于最短平均完成时间的调度策略 | 第42-43页 |
| 4.3 MCTSS-BSACT调度方案阐述 | 第43-46页 |
| 4.3.1 引入AssistMaster节点的调度优化模型 | 第43-45页 |
| 4.3.2 MCTSS-BSACT调度方案 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第五章 实验仿真及性能分析 | 第47-57页 |
| 5.1 仿真平台CloudSim简介 | 第47-49页 |
| 5.2 实验环境 | 第49-51页 |
| 5.2.1 CloudSim环境配置 | 第49页 |
| 5.2.2 CloudSim仿真步骤 | 第49-51页 |
| 5.3 实验结果及分析 | 第51-56页 |
| 5.3.1 IGAACO算法的实验 | 第51-54页 |
| 5.3.2 调度策略TSSACT的实验 | 第54-55页 |
| 5.3.3 MCTSS-BSACT调度模型的性能试验 | 第55-56页 |
| 5.4 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 参考文献 | 第59-61页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第61-62页 |
| 致谢 | 第62页 |
