| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 虚拟机动态部署研究现状 | 第11-13页 |
| 1.3 本文主要研究内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第2章 研究基础 | 第16-24页 |
| 2.1 BP神经网络理论与时间序列预测理论概述 | 第16-19页 |
| 2.1.1 BP神经网络理论 | 第16-18页 |
| 2.1.2 时间序列预测理论 | 第18-19页 |
| 2.2 蚁群算法 | 第19-21页 |
| 2.3 装箱问题 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基于CPU利用率预测的虚拟机动态部署机制 | 第24-32页 |
| 3.1 云环境下虚拟机动态部署问题的提出 | 第24-26页 |
| 3.2 基于CPU利用率预测的虚拟机动态部署过程 | 第26-28页 |
| 3.3 关键问题 | 第28-31页 |
| 3.3.1 服务器CPU利用率的预测 | 第29页 |
| 3.3.2 待部署服务器和虚拟机的选择 | 第29-30页 |
| 3.3.3 目的服务器的选择 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 面向虚拟机动态部署的CPU利用率预测算法 | 第32-50页 |
| 4.1 面向虚拟机动态部署的CPU利用率预测过程研究思路 | 第32-33页 |
| 4.2 CPU利用率历史数据的预处理 | 第33-35页 |
| 4.2.1 CPU利用率历史数据的收集 | 第33页 |
| 4.2.2 CPU利用率历史数据的预处理 | 第33-35页 |
| 4.3 基于ARIMA-BP神经网络的CPU利用率预测模型 | 第35-42页 |
| 4.3.1 基于ARIMA-BP神经网络的CPU利用率预测模型的提出 | 第35-36页 |
| 4.3.2 基于ARIMA-BP神经网络的CPU利用率预测模型的构建 | 第36-42页 |
| 4.4 实验结果分析 | 第42-48页 |
| 4.4.1 实验环境 | 第42-43页 |
| 4.4.2 实验数据获取 | 第43页 |
| 4.4.3 实验过程及结果分析 | 第43-48页 |
| 4.5 本章小结 | 第48-50页 |
| 第5章 基于CPU利用率预测的虚拟机动态部署方案的生成方法 | 第50-66页 |
| 5.1 虚拟机动态部署方案生成的研究思路 | 第50-51页 |
| 5.2 虚拟机动态部署方案模型的建立 | 第51-53页 |
| 5.3 基于CPU利用率预测的虚拟机动态部署方法 | 第53-61页 |
| 5.3.1 服务器CPU利用率的评估方法 | 第53-55页 |
| 5.3.2 待部署虚拟机的选择算法 | 第55-57页 |
| 5.3.3 基于改进蚁群算法的目的服务器选择算法 | 第57-61页 |
| 5.4 实验结果分析 | 第61-65页 |
| 5.4.1 实验环境介绍 | 第61-62页 |
| 5.4.2 实验过程及结果分析 | 第62-65页 |
| 5.5 本章小结 | 第65-66页 |
| 第6章 总结与展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72页 |
