| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 1 绪论 | 第10-14页 |
| 1.1 研究背景 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 云计算研究现状 | 第10-11页 |
| 1.2.2 任务调度算法研究现状 | 第11-12页 |
| 1.3 本文的主要工作和组织结构 | 第12-14页 |
| 2 Map Reduce云平台调度算法基础理论 | 第14-34页 |
| 2.1 云计算平台相关理论 | 第14-20页 |
| 2.1.1 云计算的模式 | 第14页 |
| 2.1.2 云计算的结构 | 第14-16页 |
| 2.1.3 云计算的技术 | 第16-19页 |
| 2.1.4 云计算的优点 | 第19-20页 |
| 2.2 Map Reduce编程模型 | 第20-23页 |
| 2.2.1 Map Reduce简述 | 第20页 |
| 2.2.2 Map Reduce编程模型 | 第20-21页 |
| 2.2.3 Map Reduce实现框架 | 第21-23页 |
| 2.3 Hadoop相关知识 | 第23-26页 |
| 2.4 遗传算法与蚁群算法概述 | 第26-33页 |
| 2.4.1 遗传算法的相关理论 | 第27-29页 |
| 2.4.2 蚁群算法的相关理论 | 第29-32页 |
| 2.4.3 遗传和蚁群算法的融合 | 第32-33页 |
| 2.5 本章小结 | 第33-34页 |
| 3 基于Map Reduce调度算法分析与改进 | 第34-49页 |
| 3.1 现有算法存在的问题 | 第34页 |
| 3.2 结合遗传与蚁群算法的任务调度算法 | 第34-40页 |
| 3.2.1 IGAACO 的相关定义 | 第34-36页 |
| 3.2.2 遗传算法的设定 | 第36-38页 |
| 3.2.3 蚁群算法的设定 | 第38-39页 |
| 3.2.4 IGAACO的任务调度 | 第39-40页 |
| 3.3 基于Map Reduce集群调度模型 | 第40-42页 |
| 3.3.1 任务调度分析策略 | 第41页 |
| 3.3.2 调度模型需要解决的问题及解决方案 | 第41-42页 |
| 3.4 最短平均完成时间的调度方案 | 第42-44页 |
| 3.4.1 任务完成时间评估策略 | 第42-43页 |
| 3.4.2 最短平均完成时间的调度方案 | 第43-44页 |
| 3.5 MRIG-TSSACT调度方案阐述 | 第44-48页 |
| 3.5.1 基于Assist Master节点的调度优化模型 | 第45-46页 |
| 3.5.2 MRIG-TSSACT调度设计 | 第46-48页 |
| 3.6 本章小结 | 第48-49页 |
| 4 实验结果与分析 | 第49-59页 |
| 4.1 实验环境 | 第49-52页 |
| 4.1.1 云计算仿真工具Cloud Sim | 第49-50页 |
| 4.1.2 Cloud Sim环境搭建 | 第50页 |
| 4.1.3 Cloud Sim仿真过程 | 第50-52页 |
| 4.2 IGAACO任务调度模型的仿真实验 | 第52-55页 |
| 4.3 TSSACT调度模型的仿真实验 | 第55-57页 |
| 4.4 MRIG-TSSACT调度模型的仿真试验 | 第57-58页 |
| 4.5 本章小结 | 第58-59页 |
| 结论 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 作者简历 | 第63-64页 |
| 学位论文数据集 | 第64-65页 |