| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 课题研究背景及意义 | 第11-14页 |
| 1.1.1 混合云部署的必要性 | 第11-12页 |
| 1.1.2 大数据应用的特点 | 第12-13页 |
| 1.1.3 混合云环境下大数据应用调度面临的问题 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.2.1 混合云环境下作业级调度研究现状 | 第14-15页 |
| 1.2.2 混合云环境下任务级调度研究现状 | 第15-16页 |
| 1.3 本文研究内容 | 第16-18页 |
| 1.4 本文组织结构 | 第18-19页 |
| 1.5 本章小结 | 第19-20页 |
| 第2章 混合云中基于排队论的作业自适应调度算法 | 第20-34页 |
| 2.1 异构环境下多作业类型调度问题分析 | 第20-21页 |
| 2.2 基于Logistic回归的作业分类 | 第21-23页 |
| 2.3 基于作业类型和异构资源的作业排队模型 | 第23-32页 |
| 2.3.1 基于异构资源效用比的资源分类 | 第23-25页 |
| 2.3.2 基于排队模型的作业队列选择依据 | 第25-27页 |
| 2.3.3 基于改进自适应遗传算法的作业队列选择 | 第27-32页 |
| 2.4 基于排队论的作业自适应调度算法描述 | 第32-33页 |
| 2.4.1 基于排队论的作业自适应调度算法 | 第32-33页 |
| 2.4.2 算法复杂度分析 | 第33页 |
| 2.5 本章小结 | 第33-34页 |
| 第3章 混合云中基于BP神经网络时间预测的任务调度算法 | 第34-51页 |
| 3.1 混合云环境下MapReduce任务调度问题分析 | 第34-35页 |
| 3.2 混合云环境下MapReduce任务调度相关定义 | 第35-38页 |
| 3.2.1 基于用户需求和作业特征的作业优先级 | 第35页 |
| 3.2.2 MapReduce作业和任务 | 第35-36页 |
| 3.2.3 混合云资源 | 第36页 |
| 3.2.4 调度目标函数 | 第36-38页 |
| 3.3 基于BP神经网络的任务执行时间预测 | 第38-44页 |
| 3.3.1 现有时间预测的不足与挑战 | 第38-39页 |
| 3.3.2 MapReduce任务执行时间影响因素 | 第39-40页 |
| 3.3.3 基于BP神经网络的任务执行时间预测 | 第40-44页 |
| 3.4 基于BP神经网络时间预测的任务优化调度算法描述 | 第44-50页 |
| 3.4.1 基于BP神经网络时间预测的任务优化调度算法 | 第44-49页 |
| 3.4.2 算法复杂度分析 | 第49-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第4章 实验与结果分析 | 第51-88页 |
| 4.1 实验平台介绍及环境搭建 | 第51-57页 |
| 4.1.1 实验平台介绍 | 第51-53页 |
| 4.1.2 实验环境搭建 | 第53-57页 |
| 4.2 实验基准测试程序集 | 第57-59页 |
| 4.2.1 实验基准测试程序的设计 | 第57-58页 |
| 4.2.2 实验数据来源 | 第58-59页 |
| 4.3 基于排队论的作业自适应调度算法实验验证 | 第59-75页 |
| 4.3.1 实验设计 | 第59-62页 |
| 4.3.2 评价指标 | 第62页 |
| 4.3.3 作业分类及资源分类实验验证 | 第62-66页 |
| 4.3.4 基于改进自适应遗传算法的作业队列选择算法对比实验 | 第66-67页 |
| 4.3.5 实验结果与对比分析 | 第67-75页 |
| 4.3.6 实验结论 | 第75页 |
| 4.4 基于BP神经网络时间预测的任务调度算法实验验证 | 第75-87页 |
| 4.4.1 实验设计 | 第75-80页 |
| 4.4.2 评价指标 | 第80页 |
| 4.4.3 基于BP神经网络的任务执行时间预测验证 | 第80-81页 |
| 4.4.4 实验结果与对比分析 | 第81-87页 |
| 4.4.5 实验结论 | 第87页 |
| 4.5 本章小结 | 第87-88页 |
| 第5章 总结与展望 | 第88-90页 |
| 5.1 本文总结 | 第88-89页 |
| 5.2 研究展望 | 第89-90页 |
| 致谢 | 第90-91页 |
| 参考文献 | 第91-95页 |
| 攻读硕士学位期间发表的论文、专利和参与的项目 | 第95页 |
