| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 图录 | 第10-12页 |
| 表录 | 第12-13页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 研究背景 | 第13-15页 |
| 1.2 问题的量化分析 | 第15-17页 |
| 1.3 本文的解决方案 | 第17-19页 |
| 1.4 本章小结 | 第19-21页 |
| 第二章 相关工作 | 第21-33页 |
| 2.1 虚拟化技术中的资源调度 | 第21-23页 |
| 2.1.1 CPU 虚拟化资源的调度 | 第21-23页 |
| 2.1.2 I/O 虚拟化资源的的调度 | 第23页 |
| 2.2 GPU 资源的管理 | 第23-27页 |
| 2.3 GPU 虚拟化技术及其中的 GPU 资源调度 | 第27-31页 |
| 2.3.1 GViM 和 vCUDA | 第28-30页 |
| 2.3.2 集群上的 GPGPU 虚拟化解决方案 | 第30-31页 |
| 2.4 基于反馈的控制理论在计算机领域中的应用 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 虚拟化 GPU 资源调度框架的设计与实现 | 第33-51页 |
| 3.1 虚拟化平台的选择 | 第33-37页 |
| 3.1.1 虚拟化技术在云游戏架构中的应用 | 第33-34页 |
| 3.1.2 不同虚拟化平台的比较 | 第34-37页 |
| 3.2 系统架构 | 第37-45页 |
| 3.2.1 GPU 虚拟化技术 | 第37-38页 |
| 3.2.2 VMware 的 GPU 虚拟化架构 | 第38-39页 |
| 3.2.3 虚拟化 GPU 资源调度框架 | 第39-42页 |
| 3.2.4 Flush 在图形库函数执行时间预测中的使用 | 第42-44页 |
| 3.2.5 API 概览 | 第44-45页 |
| 3.3 API 拦截模块 | 第45-48页 |
| 3.4 API 的实现 | 第48-49页 |
| 3.5 本章小结 | 第49-51页 |
| 第四章 基于反馈控制的自适应调度算法 | 第51-65页 |
| 4.1 整体设计 | 第51-54页 |
| 4.1.1 游戏的 GPU 编程模型 | 第51-52页 |
| 4.1.2 算法的整体设计 | 第52页 |
| 4.1.3 Sleep 方法的可行性分析 | 第52-54页 |
| 4.2 基于反馈控制的调度算法模型 | 第54-59页 |
| 4.2.1 算法的闭环调度 | 第54-56页 |
| 4.2.2 反馈控制模型 | 第56-59页 |
| 4.3 控制算法的设计与实现 | 第59-63页 |
| 4.3.1 SA 控制算法 | 第59-60页 |
| 4.3.2 FSA 控制算法 | 第60-61页 |
| 4.3.3 ESA 控制算法 | 第61-63页 |
| 4.4 本章小结 | 第63-65页 |
| 第五章 虚拟化 GPU 资源调度框架的测试 | 第65-75页 |
| 5.1 测试环境 | 第65-66页 |
| 5.1.1 软硬件环境 | 第65-66页 |
| 5.1.2 测试游戏 | 第66页 |
| 5.2 PI 控制常数的测试 | 第66-68页 |
| 5.2.1 比例控制常数的测试 | 第66-67页 |
| 5.2.2 累积控制常数的测试 | 第67-68页 |
| 5.3 框架的功能测试 | 第68-72页 |
| 5.3.1 SA 控制算法的测试 | 第69-70页 |
| 5.3.2 FSA 控制算法的测试 | 第70-71页 |
| 5.3.3 ESA 控制算法的测试 | 第71-72页 |
| 5.4 整体性能测试 | 第72-73页 |
| 5.4.1 微测试 | 第72页 |
| 5.4.2 框架性能开销的测试 | 第72-73页 |
| 5.5 本章小结 | 第73-75页 |
| 第六章 展望与总结 | 第75-77页 |
| 6.1 现有的不足 | 第75页 |
| 6.2 全文总结 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81-83页 |
| 攻读硕士学位期间已发表或录用的论文 | 第83-85页 |