| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·论文背景 | 第7-9页 |
| ·高性能计算与集群 | 第7-8页 |
| ·GPU 异构集群 | 第8-9页 |
| ·相关技术及研究现状 | 第9-10页 |
| ·集群管理系统的相关研究 | 第9页 |
| ·作业调度的相关研究 | 第9-10页 |
| ·本文的主要研究工作 | 第10页 |
| ·章节安排 | 第10-13页 |
| 第二章 集群管理与作业调度概述 | 第13-23页 |
| ·主流集群管理系统的介绍 | 第13-15页 |
| ·CONDOR | 第14页 |
| ·LVS | 第14-15页 |
| ·COMS | 第15页 |
| ·调度算法的介绍与分析 | 第15-19页 |
| ·作业调度过程 | 第16-17页 |
| ·常见的调度算法 | 第17-19页 |
| ·调度器的相关介绍 | 第19-21页 |
| ·集中式调度器 | 第19-20页 |
| ·分布式调度器 | 第20页 |
| ·分层式调度器 | 第20-21页 |
| ·本章小结 | 第21-23页 |
| 第三章 支持 GPU 的 Torque 集群平台的扩展 | 第23-41页 |
| ·Torque 概述 | 第23-24页 |
| ·构建基于 Torque 的异构集群平台 | 第24-26页 |
| ·硬件平台搭建 | 第24页 |
| ·软件部署 | 第24-26页 |
| ·Torque 体系结构和工作流程分析 | 第26-29页 |
| ·Torque 体系结构 | 第26-28页 |
| ·Torque 工作流程分析 | 第28-29页 |
| ·Torque 的源码分析 | 第29-36页 |
| ·关键数据结构分析 | 第29-32页 |
| ·调度模块的分析 | 第32-36页 |
| ·Torque 作业调度的缺陷与不足 | 第36页 |
| ·支持 GPU 的 Torque 系统的扩展 | 第36-40页 |
| ·GPU 资源的获取和保存 | 第36-39页 |
| ·作业请求 GPU 资源的解析 | 第39页 |
| ·节点筛选时增加对 GPU 资源的匹配 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第四章 面向异构集群的自学习调度算法设计与实现 | 第41-53页 |
| ·算法提出的背景及意义 | 第41页 |
| ·问题描述和相关定义 | 第41-42页 |
| ·问题描述 | 第41-42页 |
| ·相关概念的定义 | 第42页 |
| ·面向异构集群的自学习调度算法的设计 | 第42-44页 |
| ·关键问题及其解决方法 | 第44-52页 |
| ·负载信息的采集 | 第44-45页 |
| ·性能的统一化描述 | 第45-46页 |
| ·基于剩余性能的任务分配 | 第46-47页 |
| ·作业的跟踪与记录 | 第47-48页 |
| ·基于自学习的负载变化估计 | 第48-51页 |
| ·针对 GPU 作业的特殊考虑 | 第51-52页 |
| ·本章小结 | 第52-53页 |
| 第五章 应用实例与性能评价 | 第53-59页 |
| ·实验环境 | 第53-55页 |
| ·实验用例与结果分析 | 第55-58页 |
| ·实验用例 | 第55-56页 |
| ·实验结果与分析 | 第56-58页 |
| ·本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 致谢 | 第61-63页 |
| 参考文献 | 第63-66页 |