| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 数据中心的发展背景与新挑战 | 第13-15页 |
| 1.2 国内外研究热点问题 | 第15-18页 |
| 1.2.1 基于Fat-tree的负载均衡算法 | 第15-17页 |
| 1.2.2 基于深度学习的流量预测研究 | 第17-18页 |
| 1.3 论文主要贡献 | 第18-20页 |
| 1.4 论文结构安排 | 第20-21页 |
| 第2章 Fat-tree拓扑的负载均衡路由方案 | 第21-42页 |
| 2.1 Fat-tree拓扑与路由 | 第21-30页 |
| 2.1.1 Fat-tree拓扑 | 第21-25页 |
| 2.1.2 Fat-tree中的路由 | 第25-30页 |
| 2.2 全局轮询路由算法 | 第30-37页 |
| 2.2.1 全局轮询算法 | 第31-33页 |
| 2.2.2 改进型的全局轮询算法 | 第33页 |
| 2.2.3 讨论与分析 | 第33-37页 |
| 2.3 仿真验证 | 第37-40页 |
| 2.3.1 均匀数据源 | 第37-38页 |
| 2.3.2 突发数据源 | 第38-39页 |
| 2.3.3 热点数据源 | 第39-40页 |
| 2.4 本章小结 | 第40-42页 |
| 第3章 全局轮询路由算法理论分析 | 第42-51页 |
| 3.1 吞吐量分析 | 第42-46页 |
| 3.1.1 GRR吞吐量分析 | 第42-45页 |
| 3.1.2 IGRR吞吐量分析 | 第45-46页 |
| 3.2 时延分析 | 第46-50页 |
| 3.2.1 排队论理论 | 第46-47页 |
| 3.2.2 GRR时延理论分析 | 第47-48页 |
| 3.2.3 IGRR时延理论分析 | 第48-49页 |
| 3.2.4 仿真验证 | 第49-50页 |
| 3.3 本章小结 | 第50-51页 |
| 第4章 基于深度学习的流量预测研究 | 第51-71页 |
| 4.1 流量预测模型与数理统计方法 | 第52-54页 |
| 4.1.1 流量预测模型描述 | 第52页 |
| 4.1.2 传统数理统计方法 | 第52-54页 |
| 4.2 神经网络模型 | 第54-60页 |
| 4.2.1 BP神经网络 | 第55-56页 |
| 4.2.2 RBF神经网络 | 第56-57页 |
| 4.2.3 RNN神经网络 | 第57-58页 |
| 4.2.4 网络模型选择 | 第58-60页 |
| 4.3 递归神经网络原理 | 第60-63页 |
| 4.3.1 常用RNN神经单元 | 第60-62页 |
| 4.3.2 BPTT算法 | 第62-63页 |
| 4.4 基于Tensorflow的RNN网络设计与实现 | 第63-69页 |
| 4.4.1 Tensorflow介绍 | 第63页 |
| 4.4.2 流量数据集介绍与预处理 | 第63-64页 |
| 4.4.3 神经网络参数确定 | 第64-68页 |
| 4.4.4 性能对比与分析 | 第68-69页 |
| 4.5 本章小结 | 第69-71页 |
| 第5章 总结与展望 | 第71-73页 |
| 参考文献 | 第73-76页 |
| 个人简历、在学期间的研究成果及发表的论文 | 第76页 |