| 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 | 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12-13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 第2章 研究基础 | 第14-24页 |
| 2.1 云环境的服务性能预测 | 第14-16页 |
| 2.1.1 服务性能预测的定义 | 第14-15页 |
| 2.1.2 常用的服务性能预测方法 | 第15-16页 |
| 2.2 灰色预测理论和BP神经网络理论 | 第16-19页 |
| 2.2.1 灰色预测理论 | 第16-17页 |
| 2.2.2 BP神经网络理论 | 第17-19页 |
| 2.3 蚁群算法理论 | 第19-21页 |
| 2.4 虚拟机部署的步骤 | 第21-22页 |
| 2.5 本章小结 | 第22-24页 |
| 第3章 云环境下基于服务性能预测的虚拟机动态部署过程 | 第24-32页 |
| 3.1 云环境下虚拟机动态部署问题 | 第24-26页 |
| 3.1.1 云环境下虚拟机动态部署问题的提出 | 第24-26页 |
| 3.1.2 云环境下虚拟机动态部署问题的描述 | 第26页 |
| 3.2 基于服务性能预测的虚拟机动态部署过程 | 第26-28页 |
| 3.3 虚拟机的动态分配方法 | 第28-30页 |
| 3.4 本章小结 | 第30-32页 |
| 第4章 面向虚拟机动态部署的服务性能预测算法 | 第32-48页 |
| 4.1 面向虚拟机动态部署的服务性能预测过程描述 | 第32-33页 |
| 4.2 服务性能指标因子的分析 | 第33-36页 |
| 4.2.1 服务性能指标因子的确定 | 第33-34页 |
| 4.2.2 服务性能指标数据的预处理 | 第34-36页 |
| 4.3 基于MGM(1,N)-BP神经网络的服务性能预测模型 | 第36-44页 |
| 4.3.1 基于MGM(1,N)-BP神经网络的服务性能预测模型问题的提出 | 第36-37页 |
| 4.3.2 基于MGM(1,N)-BP神经网络的服务性能预测模型的构建 | 第37-44页 |
| 4.4 实验结果分析 | 第44-47页 |
| 4.4.1 实验环境 | 第44-45页 |
| 4.4.2 实验过程及结果分析 | 第45-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第5章 基于改进蚁群算法的虚拟机动态部署方案的生成方法. | 第48-66页 |
| 5.1 虚拟机动态部署方案的生成问题 | 第48-55页 |
| 5.1.1 虚拟机动态部署方案生成问题的研究思路 | 第48-49页 |
| 5.1.2 虚拟机动态部署方案生成问题的优化分析 | 第49-51页 |
| 5.1.3 虚拟机动态部署方案生成问题的模型建立 | 第51-55页 |
| 5.2 基于改进蚁群算法的虚拟机动态部署方案的生成方法 | 第55-60页 |
| 5.2.1 信息素的定义和更新策略 | 第56-59页 |
| 5.2.2 虚拟机动态部署的改进蚁群算法描述 | 第59-60页 |
| 5.3 实验结果分析 | 第60-64页 |
| 5.3.1 实验环境介绍 | 第60-61页 |
| 5.3.2 实验过程及结果分析 | 第61-64页 |
| 5.4 本章小结 | 第64-66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 |
