| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题背景和意义 | 第10-11页 |
| 1.2 国内外本学科领域的发展现状与趋势 | 第11-13页 |
| 1.3 论文的主要工作 | 第13页 |
| 1.4 论文的组织结构 | 第13-15页 |
| 第2章 相关技术研究 | 第15-26页 |
| 2.1 Nginx服务器介绍 | 第15-19页 |
| 2.1.1 Nginx的优点 | 第15-16页 |
| 2.1.2 Nginx的工作过程简述 | 第16页 |
| 2.1.3 Nginx的架构设计 | 第16-17页 |
| 2.1.4 Nginx和ApacheHTTP比较 | 第17-19页 |
| 2.2 负载均衡技术 | 第19-23页 |
| 2.2.1 负载均衡的目的 | 第19页 |
| 2.2.2 负载均衡算法分类 | 第19-20页 |
| 2.2.3 负载均衡常用技术 | 第20-21页 |
| 2.2.4 常用的负载均衡策略 | 第21-23页 |
| 2.3 常用机器学习算法 | 第23-24页 |
| 2.3.1 朴素贝叶斯方法 | 第23-24页 |
| 2.3.2 决策树算法 | 第24页 |
| 2.3.3 支持向量机 | 第24页 |
| 2.4 本章小结 | 第24-26页 |
| 第3章 高并发研究 | 第26-35页 |
| 3.1 课题的项目依托 | 第26页 |
| 3.2 商品抢购场景需求分析 | 第26-28页 |
| 3.2.1 商品抢购业务流程 | 第27页 |
| 3.2.2 商品抢购场景中的用户行为 | 第27-28页 |
| 3.2.3 针对商品抢购业务的优化 | 第28页 |
| 3.3 高并发的原因及影响因素分析 | 第28-34页 |
| 3.3.1 造成高并发访问量的原因 | 第28-30页 |
| 3.3.2 影响高并发的因素分析 | 第30-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 一种基于预测模型和独立训练节点的负载均衡算法的设计 | 第35-47页 |
| 4.1 设计目标 | 第35页 |
| 4.2 相关概念 | 第35-36页 |
| 4.3 影响响应时间因素的分析 | 第36-37页 |
| 4.4 算法适用的集群结构 | 第37-38页 |
| 4.5 算法描述 | 第38-42页 |
| 4.5.1 提取请求中的请求类型 | 第40页 |
| 4.5.2 预测各节点的响应时间 | 第40-41页 |
| 4.5.3 选择具有最少响应时间的服务器节点 | 第41页 |
| 4.5.4 处理请求并记录实际响应时间 | 第41页 |
| 4.5.5 使用实际响应时间矫正响应时间预测模型 | 第41页 |
| 4.5.6 更新预估请求等待时间 | 第41-42页 |
| 4.5.7 记录结点当前负载情况 | 第42页 |
| 4.5.8 给用户发送响应 | 第42页 |
| 4.6 响应时间预测模型 | 第42-45页 |
| 4.6.1 特征选择 | 第42-43页 |
| 4.6.2 机器学习算法选择 | 第43-44页 |
| 4.6.3 模型训练 | 第44-45页 |
| 4.7 性能优化策略 | 第45-46页 |
| 4.7.1 使用独立训练节点减少负载调度器的计算开销 | 第45页 |
| 4.7.2 减少集群内部网络通信 | 第45-46页 |
| 4.8 本章小结 | 第46-47页 |
| 第5章 实验验证 | 第47-57页 |
| 5.1 搭建实验环境 | 第47-52页 |
| 5.1.1 软件介绍 | 第48-49页 |
| 5.1.2 会话保持 | 第49页 |
| 5.1.3 Nginx模块开发 | 第49-50页 |
| 5.1.4 服务器节点性能数据收集 | 第50-52页 |
| 5.1.5 机器学习算法中的特征参数离散化 | 第52页 |
| 5.2 运行实验 | 第52-54页 |
| 5.2.1 实验软硬件环境 | 第52-54页 |
| 5.2.2 实验分组及对照 | 第54页 |
| 5.3 性能测试 | 第54-55页 |
| 5.4 实验结果 | 第55-56页 |
| 5.5 结果分析 | 第56页 |
| 5.6 本章小结 | 第56-57页 |
| 结束语 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 致谢 | 第61-62页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第62页 |