| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 主要研究内容 | 第12页 |
| 1.4 本文组织结构 | 第12-14页 |
| 第2章 研究基础 | 第14-24页 |
| 2.1 服务响应时间预测方法概述 | 第14-16页 |
| 2.1.1 基于时间序列的服务响应时间预测 | 第14-15页 |
| 2.1.2 基于协同过滤的服务响应时间预测 | 第15页 |
| 2.1.3 基于排队论的服务响应时间预测 | 第15-16页 |
| 2.2 相似度理论 | 第16-17页 |
| 2.3 灰色马尔可夫理论 | 第17-20页 |
| 2.4 GA-BP神经网络理论 | 第20-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 基于BP神经网络的云服务响应时间预测方法 | 第24-34页 |
| 3.1 云服务的部署及服务组件特征分析 | 第24-27页 |
| 3.2 云服务响应时间预测问题的提出 | 第27-29页 |
| 3.3 基于BP神经网络的云服务响应时间预测过程 | 第29-32页 |
| 3.4 本章小结 | 第32-34页 |
| 第4章 组件总并发请求数预测算法 | 第34-44页 |
| 4.1 组件总并发请求数预测研究思路 | 第34-35页 |
| 4.2 基于GM(1,1)的并发请求数预测 | 第35-37页 |
| 4.3 基于马尔可夫模型的并发请求数预测值修正 | 第37-42页 |
| 4.3.1 基于标准正态分布等概率原则的并发请求数残差序列状态划分 | 第37-38页 |
| 4.3.2 并发请求数残差状态转移矩阵的构建 | 第38-40页 |
| 4.3.3 并发请求数预测值修正 | 第40-41页 |
| 4.3.4 基于灰色马尔可夫模型的组件总并发请求数预测算法描述 | 第41-42页 |
| 4.4 虚拟机上组件并发请求数计算方法 | 第42页 |
| 4.5 本章小结 | 第42-44页 |
| 第5章 虚拟机上组件响应时间预测算法 | 第44-58页 |
| 5.1 虚拟机上组件响应时间预测研究思路 | 第44-45页 |
| 5.2 虚拟机配置相似度计算模型 | 第45-48页 |
| 5.2.1 虚拟机相似度计算中属性值选取 | 第46-47页 |
| 5.2.2 虚拟机相似度计算 | 第47-48页 |
| 5.3 基于GA-BP神经网络的虚拟机上组件响应时间的预测 | 第48-56页 |
| 5.3.1 用于虚拟机上组件响应时间预测的BP神经网络的构建 | 第48-51页 |
| 5.3.2 基于BP网络的虚拟机上组件响应时间预测过程 | 第51-52页 |
| 5.3.3 优化BP网络权值的遗传算法参数设置 | 第52-55页 |
| 5.3.4 基于GA-BP神经网络的虚拟机上组件响应时间预测算法描述 | 第55-56页 |
| 5.4 云服务响应时间计算 | 第56页 |
| 5.5 本章小结 | 第56-58页 |
| 第6章 实验结果及分析 | 第58-66页 |
| 6.1 实验环境 | 第58页 |
| 6.2 组件总并发请求数预测实验及分析 | 第58-61页 |
| 6.3 虚拟机上各组件响应时间预测结果及分析 | 第61-65页 |
| 6.4 本文服务响应时间预测与时间序列预测结果比较 | 第65页 |
| 6.5 本章小结 | 第65-66页 |
| 第7章 总结与展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72页 |
