| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第12-30页 |
| 1.1 课题研究背景与意义 | 第12-22页 |
| 1.1.1 课题研究背景 | 第12-13页 |
| 1.1.2 云数据中心网络 | 第13-19页 |
| 1.1.2.1 虚拟化特征 | 第13-15页 |
| 1.1.2.2 流量特征 | 第15-17页 |
| 1.1.2.3 结构特征 | 第17-19页 |
| 1.1.3 挑战与机遇 | 第19-22页 |
| 1.1.3.1 传统流量管理技术面临的挑战 | 第19-20页 |
| 1.1.3.2 新兴技术的发展带来的机遇 | 第20-22页 |
| 1.1.4 研究意义 | 第22页 |
| 1.2 研究现状与问题提出 | 第22-27页 |
| 1.2.1 研究现状 | 第23-26页 |
| 1.2.2 问题提出 | 第26-27页 |
| 1.3 本文的研究内容与贡献 | 第27-28页 |
| 1.4 本文的结构与安排 | 第28-30页 |
| 第二章 基于虚拟机放置的云数据中心网络流量分布优化算法 | 第30-42页 |
| 2.1 引言 | 第30-31页 |
| 2.2 模型描述 | 第31-33页 |
| 2.3 算法设计 | 第33-37页 |
| 2.3.1 个体编码与种群初始化 | 第33-34页 |
| 2.3.2 变异操作 | 第34页 |
| 2.3.3 交叉操作 | 第34页 |
| 2.3.4 基于?松弛的多子群精英选择策略 | 第34-36页 |
| 2.3.5 MDDE-NVMP算法流程 | 第36-37页 |
| 2.4 仿真实验与结果分析 | 第37-40页 |
| 2.4.1 实验环境设置 | 第37页 |
| 2.4.2 实验结果分析 | 第37-40页 |
| 2.4.2.1 算法性能分析 | 第37-38页 |
| 2.4.2.2 优化效果分析 | 第38-40页 |
| 2.5 本章小结 | 第40-42页 |
| 第三章 基于SDN的云数据中心网络多路径流调度机制 | 第42-54页 |
| 3.1 引言 | 第42-43页 |
| 3.2 总体架构设计 | 第43-45页 |
| 3.2.1 大流检测 | 第44-45页 |
| 3.2.2 大流调度 | 第45页 |
| 3.3 关键算法设计 | 第45-49页 |
| 3.3.1 大流选择算法 | 第45-48页 |
| 3.3.1.1 大流选择问题的数学模型 | 第45-46页 |
| 3.3.1.2 粒子群算法 | 第46页 |
| 3.3.1.3 粒子相关参数和操作的重定义 | 第46-48页 |
| 3.3.2 全局最佳适应算法 | 第48-49页 |
| 3.4 实验结果与分析 | 第49-53页 |
| 3.4.1 实验环境设置 | 第49-50页 |
| 3.4.2 实验结果分析 | 第50-53页 |
| 3.4.2.1 优化效果分析 | 第50-51页 |
| 3.4.2.2 控制开销分析 | 第51-53页 |
| 3.5 本章小结 | 第53-54页 |
| 第四章 基于松弛时间与累计发送量的混合流调度机制 | 第54-66页 |
| 4.1 引言 | 第54-55页 |
| 4.2 问题分析 | 第55-57页 |
| 4.3 STAM的整体结构 | 第57-59页 |
| 4.4 优先级调整策略设计 | 第59-62页 |
| 4.4.1 松弛时间计算方法 | 第59-60页 |
| 4.4.2 优先级调整策略 | 第60-62页 |
| 4.5 实验结果与分析 | 第62-64页 |
| 4.5.1 实验环境设置 | 第62-63页 |
| 4.5.2 实验结果分析 | 第63-64页 |
| 4.6 本章小结 | 第64-66页 |
| 第五章 总结与展望 | 第66-68页 |
| 5.1 研究工作总结及创新 | 第66-67页 |
| 5.2 存在不足及下一步工作 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-75页 |
| 作者简历 | 第75页 |