大规模复杂IT系统可靠性、性能、能耗关联建模理论及其优化技术研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 缩略词表 | 第16-18页 |
| 第一章 绪论 | 第18-33页 |
| 1.1 课题的研究背景 | 第18-26页 |
| 1.1.1 能耗问题日趋严重 | 第18-20页 |
| 1.1.2 服务性能备受关注 | 第20-21页 |
| 1.1.3 可靠计算不可或缺 | 第21-24页 |
| 1.1.4 调度管理面临挑战 | 第24-26页 |
| 1.2 关键的研究问题 | 第26-29页 |
| 1.3 论文的主要贡献 | 第29-30页 |
| 1.4 论文的组织结构 | 第30-32页 |
| 1.5 本章小结 | 第32-33页 |
| 第二章 系统建模理论和调度管理技术 | 第33-46页 |
| 2.1 引言 | 第33页 |
| 2.2 系统建模理论相关研究综述 | 第33-37页 |
| 2.2.1 单指标模型 | 第33-35页 |
| 2.2.2 R-P关联模型 | 第35-36页 |
| 2.2.3 P-E关联模型 | 第36-37页 |
| 2.3 调度管理技术相关研究综述 | 第37-40页 |
| 2.3.1 MAS调度管理体系 | 第37-38页 |
| 2.3.2 分层调度管理体系 | 第38-39页 |
| 2.3.3 优化调度管理机制 | 第39-40页 |
| 2.4 R-P-E建模方法和BANS设计理念 | 第40-45页 |
| 2.4.1 级层交互的随机模型 | 第40-43页 |
| 2.4.2 基于BANS的设计理念 | 第43-45页 |
| 2.5 本章小结 | 第45-46页 |
| 第三章 云化传统服务系统下的R-P-E关联模型 | 第46-66页 |
| 3.1 引言 | 第46-47页 |
| 3.2 云化传统服务系统分析 | 第47-49页 |
| 3.2.1 传统服务端迁移的显著特征 | 第47-48页 |
| 3.2.2 云化后的虚拟树形拓扑结构 | 第48-49页 |
| 3.3 基于虚拟化环境CCF的可靠性分析 | 第49-52页 |
| 3.3.1 Semi-Markov可靠性模型 | 第49-51页 |
| 3.3.2 云化服务系统的可靠性分析 | 第51-52页 |
| 3.4 面向实时任务的R-P关联性能分析 | 第52-55页 |
| 3.4.1 云化服务系统排队模型 | 第52-53页 |
| 3.4.2 R-P关联下期望性能 | 第53-55页 |
| 3.5 云化服务系统的R-E关联能耗分析 | 第55-57页 |
| 3.5.1 物理服务器能耗模型 | 第55-56页 |
| 3.5.2 R-E关联下的期望能耗 | 第56-57页 |
| 3.6 实验分析 | 第57-65页 |
| 3.6.1 关联指标评估 | 第57-64页 |
| 3.6.2 效能比分析 | 第64-65页 |
| 3.7 本章小结 | 第65-66页 |
| 第四章 新兴云服务系统下的R-P-E关联模型 | 第66-87页 |
| 4.1 引言 | 第66-67页 |
| 4.2 云服务系统分析 | 第67-69页 |
| 4.2.1 云服务系统的共同特征 | 第67页 |
| 4.2.2 私有云服务系统特征 | 第67-68页 |
| 4.2.3 公有云服务系统特征 | 第68-69页 |
| 4.3 私有云服务系统下的关联模型 | 第69-76页 |
| 4.3.1 级层修复机制下的可靠性模型 | 第69-72页 |
| 4.3.2 Jackson排队网络下的性能模型 | 第72-75页 |
| 4.3.3 R-P-E关联下的系统能耗模型 | 第75-76页 |
| 4.4 公有云服务系统下的关联模型 | 第76-80页 |
| 4.4.1 完全修复行为下的可靠性模型 | 第77-78页 |
| 4.4.2 多VM成批请求下的性能模型 | 第78-80页 |
| 4.4.3 R-P-E关联下的系统能耗模型 | 第80页 |
| 4.5 实验分析 | 第80-86页 |
| 4.5.1 私有云服务系统下的实验分析 | 第80-84页 |
| 4.5.2 公有云服务系统下的实验分析 | 第84-86页 |
| 4.6 本章小结 | 第86-87页 |
| 第五章 大数据处理系统下的R-P-E关联模型 | 第87-103页 |
| 5.1 引言 | 第87-88页 |
| 5.2 两类典型的大数据处理任务 | 第88-89页 |
| 5.3 复杂计算任务下的关联模型分析 | 第89-93页 |
| 5.3.1 任务完成时间限制下的失效分析 | 第89-91页 |
| 5.3.2 基于LST变换的R-P-E关联模型 | 第91-93页 |
| 5.4 大数据量任务下的关联模型分析 | 第93-98页 |
| 5.4.1 任务切分策略及冗余执行策略 | 第94-95页 |
| 5.4.2 并行计算下的R-P-E关联模型 | 第95-98页 |
| 5.5 实验分析 | 第98-102页 |
| 5.5.1 基于复杂计算任务的实验分析 | 第98-100页 |
| 5.5.2 基于大数据量任务的实验分析 | 第100-102页 |
| 5.6 本章小结 | 第102-103页 |
| 第六章 基于R-P-E关联的优化调度管理技术 | 第103-119页 |
| 6.1 引言 | 第103-104页 |
| 6.2 基于Pareto最优解集分析的关联优化 | 第104-106页 |
| 6.2.1 多目标优化模型 | 第104页 |
| 6.2.2 Pareto最优解集分析 | 第104-105页 |
| 6.2.3 实验分析 | 第105-106页 |
| 6.3 基于利润函数的关联优化 | 第106-111页 |
| 6.3.1 离散决策变量下的收敛算法设计 | 第106-108页 |
| 6.3.2 多个决策变量下的遗传算法设计 | 第108-110页 |
| 6.3.3 实验分析 | 第110-111页 |
| 6.4 基于BANS的优化调度管理技术 | 第111-117页 |
| 6.4.1 局部自主管理机制 | 第112-113页 |
| 6.4.2 全局优化调度机制 | 第113-115页 |
| 6.4.3 实验分析 | 第115-117页 |
| 6.5 本章小结 | 第117-119页 |
| 第七章 总结和展望 | 第119-123页 |
| 7.1 总结 | 第119-120页 |
| 7.2 展望 | 第120-123页 |
| 致谢 | 第123-124页 |
| 参考文献 | 第124-137页 |
| 攻博期间取得的研究成果 | 第137-138页 |
