| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 引言 | 第11-17页 |
| 1.1 课题的背景和意义 | 第11页 |
| 1.2 组件服务性能预测研究现状 | 第11-14页 |
| 1.3 研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第二章 研究基础 | 第17-29页 |
| 2.1 CACC算法 | 第17-19页 |
| 2.2 ELM算法 | 第19-21页 |
| 2.2.1 单隐层前馈神经元网络 | 第19-21页 |
| 2.3 烟花算法 | 第21-23页 |
| 2.4 CRF模型 | 第23-26页 |
| 2.4.1 条件随机场 | 第23-26页 |
| 2.4.2 CRF++工具 | 第26页 |
| 2.5 小结 | 第26-29页 |
| 第三章 基于FA-ELM的组件服务响应时间单值预测方法 | 第29-47页 |
| 3.1 基于FA-ELM的组件服务响应时间预测 | 第29-32页 |
| 3.1.1 组件服务响应时间影响因素分析 | 第29-30页 |
| 3.1.2 组件服务响应时间与资源状态映射关系表示 | 第30-31页 |
| 3.1.3 基于FA-ELM的组件服务响应时间预测过程 | 第31-32页 |
| 3.2 基于FA-ELM组件服务响应时间与资源状态映射关系建模 | 第32-40页 |
| 3.2.1 组件服务响应时间与资源状态映射关系的神经网络模型 | 第32-35页 |
| 3.2.2 基于FA-ELM的组件服务响应时间模型参数学习算法设计 | 第35-38页 |
| 3.2.3 基于FA-ELM的组件服务响应时间模型参数学习算法 | 第38-40页 |
| 3.3 实验分析 | 第40-46页 |
| 3.3.1 实验环境及数据 | 第40-41页 |
| 3.3.2 实例方案设计 | 第41-43页 |
| 3.3.3 实验结果分析 | 第43-46页 |
| 3.4 小结 | 第46-47页 |
| 第四章 基于CRF的组件服务响应时间序列值预测方法 | 第47-63页 |
| 4.1 基于CRF组件服务响应时间预测 | 第47-51页 |
| 4.1.1 虚拟机资源状态序列对组件服务响应时间影响分析 | 第47-48页 |
| 4.1.2 组件服务响应时间序列与资源状态序列映射关系表示 | 第48-49页 |
| 4.1.3 基于CRF的组件服务响应时间趋势预测过程 | 第49-51页 |
| 4.2 基于CRF的服务响应时间序列与资源状态序列映射关系建模 | 第51-57页 |
| 4.2.1 服务响应时间序列与资源状态序列映射关系的CRF模型 | 第51-53页 |
| 4.2.2 基于CRF的组件服务响应时间特征模板设计 | 第53-57页 |
| 4.4 实验分析 | 第57-62页 |
| 4.4.1 实验环境及实验数据 | 第58页 |
| 4.4.2 实验方案设计 | 第58-59页 |
| 4.4.3 实验结果分析 | 第59-62页 |
| 4.5 小结 | 第62-63页 |
| 第五章 组件服务响应时间预测方法的应用实例分析 | 第63-71页 |
| 5.1 云环境SBS资源初始配置工具概述 | 第63-66页 |
| 5.1.1 基于服务选取的云服务资源配置方法 | 第63页 |
| 5.1.2 云环境SBS资源初始配置工具 | 第63-66页 |
| 5.2 响应时间预测方法在云环境SBS资源初始配置中的应用实例 | 第66-69页 |
| 5.2.1 基于响应时间预测方法的组件服务备选逻辑服务集生成 | 第66-67页 |
| 5.2.2 响应时间预测方法在SBS资源初始配置中的应用实例分析 | 第67-69页 |
| 5.3 小结 | 第69-71页 |
| 第六章 结论 | 第71-73页 |
| 6.1 本文主要工作 | 第71-72页 |
| 6.2 未来工作展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77页 |
