面向云计算资源的收益优化模型与任务分配算法的研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.2 国内外研究现状分析 | 第13-14页 |
| 1.3 主要工作内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第2章 相关技术介绍 | 第17-27页 |
| 2.1 虚拟化 | 第17-21页 |
| 2.1.1 处理机的虚拟化 | 第19-20页 |
| 2.1.2 内存虚拟化 | 第20页 |
| 2.1.3 I/O虚拟化 | 第20-21页 |
| 2.2 SLA协议 | 第21-24页 |
| 2.2.1 SLA参数 | 第21-23页 |
| 2.2.2 SLA协商 | 第23页 |
| 2.2.3 SLA监控 | 第23-24页 |
| 2.3 MapReduce编程机制 | 第24-27页 |
| 第3章 云资源收益优化模型 | 第27-41页 |
| 3.1 资源管理框架 | 第27-31页 |
| 3.1.1 云计算环境模型 | 第27-28页 |
| 3.1.2 云数据中心资源模型 | 第28-30页 |
| 3.1.3 云资源分配的特点 | 第30-31页 |
| 3.2 云资源收益优化模型 | 第31-41页 |
| 3.2.1 响应时间模型 | 第34-35页 |
| 3.2.2 处理时间模型 | 第35-36页 |
| 3.2.3 收益模型 | 第36-37页 |
| 3.2.4 用户满意度模型 | 第37-39页 |
| 3.2.5 目标函数 | 第39-41页 |
| 第4章 基于PSO-ACO算法的资源分配模型求解 | 第41-55页 |
| 4.1 粒子群-蚁群算法单机求解 | 第41-50页 |
| 4.1.1 粒子群算法原理 | 第41-43页 |
| 4.1.2 蚁群算法原理 | 第43-45页 |
| 4.1.3 粒子群-蚁群PSO-ACO算法描述 | 第45-46页 |
| 4.1.4 粒子编码 | 第46-47页 |
| 4.1.5 群体初始化 | 第47-48页 |
| 4.1.6 粒子更新 | 第48-50页 |
| 4.2 基于MapReduce的粒子群-蚁群算法 | 第50-55页 |
| 4.2.1 并行粒子群—蚁群算法描述 | 第50-52页 |
| 4.2.2 并行粒子群编码 | 第52-55页 |
| 第5章 实验及结果分析 | 第55-65页 |
| 5.1 实验环境 | 第55-58页 |
| 5.1.1 实验软硬件配置 | 第55-56页 |
| 5.1.2 Hadoop实验集群搭建 | 第56-58页 |
| 5.2 实验参数设置 | 第58页 |
| 5.3 实验结果及分析 | 第58-64页 |
| 5.3.1 单价环境下实验结果结果及分析 | 第58-61页 |
| 5.3.2 并行环境下实验结果及分析 | 第61-62页 |
| 5.3.3 两种环境下实验结果对比与分析 | 第62-64页 |
| 5.4 算法复杂度分析 | 第64页 |
| 5.5 本章小结 | 第64-65页 |
| 第6章 总结与展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-73页 |
| 攻读硕士学位期间的论文和项目情况 | 第73页 |
