| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-13页 |
| 1.1 研究背景 | 第10页 |
| 1.2 研究内容 | 第10-11页 |
| 1.3 研究目的及意义 | 第11-12页 |
| 1.4 论文组织结构 | 第12-13页 |
| 第二章 云计算环境中的相关关键技术 | 第13-21页 |
| 2.1 云计算环境中的资源预测 | 第13-14页 |
| 2.1.1 基于服务器粒度的资源预测 | 第13-14页 |
| 2.1.2 基于任务粒度的资源预测 | 第14页 |
| 2.2 云计算环境中的任务分配策略 | 第14-16页 |
| 2.2.1 基于任务解耦的分配策略 | 第14-15页 |
| 2.2.2 基于进化算法的任务分配策略 | 第15页 |
| 2.2.3 基于适应算法的任务分配策略 | 第15-16页 |
| 2.2.4 随机任务分配策略 | 第16页 |
| 2.3 云计算环境中的节能方法 | 第16-18页 |
| 2.3.1 基于任务调度的节能方法 | 第16-17页 |
| 2.3.2 基于硬件改进的节能方法 | 第17页 |
| 2.3.3 基于虚拟化技术的节能方法 | 第17-18页 |
| 2.4 人工神经网络 | 第18-19页 |
| 2.5 服务器能耗模型 | 第19-20页 |
| 2.6 本章小结 | 第20-21页 |
| 第三章 基于任务粒度的资源预测模型 | 第21-32页 |
| 3.1 问题描述 | 第21页 |
| 3.2 影响资源消耗的因素 | 第21-23页 |
| 3.2.1 硬件因素 | 第21页 |
| 3.2.2 软件因素 | 第21-22页 |
| 3.2.3 数据规模 | 第22页 |
| 3.2.4 小结 | 第22-23页 |
| 3.3 RPPG model | 第23-31页 |
| 3.3.1 Windows环境和CentOs环境数据采集 | 第23-26页 |
| 3.3.2 基于PauTa Criterion的数据提纯 | 第26-27页 |
| 3.3.3 基于人工神经网络的多维预测 | 第27-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第四章 基于资源预测的任务分配策略 | 第32-52页 |
| 4.1 问题描述 | 第32页 |
| 4.2 任务分配模型 | 第32-34页 |
| 4.3 虚拟机选择机制 | 第34-38页 |
| 4.3.1 最大资源匹配策略Max-Match | 第34-37页 |
| 4.3.2 最小迁移代价策略Min-Cost | 第37-38页 |
| 4.4 虚拟机热迁移机制 | 第38-46页 |
| 4.4.1 BFD适应算法 | 第39-41页 |
| 4.4.2 基于最小能耗的改进BFD适应算法 | 第41-43页 |
| 4.4.3 基于可变阈值的改进BFD适应算法 | 第43-46页 |
| 4.5 工程组织架构 | 第46-51页 |
| 4.5.1 基础平台 | 第46-47页 |
| 4.5.2 能耗的计算 | 第47-48页 |
| 4.5.3 程序设计与实现 | 第48-50页 |
| 4.5.4 工作过程 | 第50-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第五章 实验与结果分析 | 第52-70页 |
| 5.1 基于任务粒度的资源预测实验 | 第52-60页 |
| 5.1.1 实验数据 | 第52-54页 |
| 5.1.2 数据提纯 | 第54-55页 |
| 5.1.3 算法收敛性评估 | 第55-58页 |
| 5.1.4 资源预测对比实验结果 | 第58-60页 |
| 5.2 基于资源预测的任务分配实验 | 第60-69页 |
| 5.2.1 实验数据 | 第60-61页 |
| 5.2.2 任务分配对比实验结果 | 第61-66页 |
| 5.2.3 节能效果评估 | 第66-69页 |
| 5.3 本章小结 | 第69-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 全文结论 | 第70页 |
| 6.2 未来可改进的方向 | 第70-72页 |
| 参考文献 | 第72-75页 |
| 致谢 | 第75-76页 |
| 攻读学位期间发表的学术论文 | 第76页 |