| 摘要 | 第9-11页 |
| ABSTRACT | 第11-12页 |
| 第一章 绪论 | 第13-24页 |
| 1.1 研究背景和意义 | 第13-16页 |
| 1.1.1 研究背景 | 第13-15页 |
| 1.1.2 研究意义 | 第15-16页 |
| 1.2 国内外研究综述 | 第16-21页 |
| 1.2.1 任务调度研究综述 | 第16-18页 |
| 1.2.2 资源动态调配方法研究综述 | 第18-20页 |
| 1.2.3 文献综述结论 | 第20-21页 |
| 1.3 本文的主要工作和创新点 | 第21-22页 |
| 1.3.1 本文的主要工作 | 第21页 |
| 1.3.2 本文的创新点 | 第21-22页 |
| 1.4 本文的组织结构 | 第22-24页 |
| 第二章 云服务系统中实时任务与资源调度问题分析 | 第24-32页 |
| 2.1 基本概念 | 第24-26页 |
| 2.1.1 云服务系统 | 第24-25页 |
| 2.1.2 实时任务 | 第25页 |
| 2.1.3 资源动态调配 | 第25-26页 |
| 2.2 问题分析 | 第26-29页 |
| 2.2.1 输入 | 第26-28页 |
| 2.2.2 输出 | 第28页 |
| 2.2.3 边界 | 第28-29页 |
| 2.3 研究重点及路线 | 第29-31页 |
| 2.3.1 研究重点 | 第29页 |
| 2.3.2 研究路线 | 第29-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 云服务系统中实时任务调度与资源动态调配模型 | 第32-43页 |
| 3.1 主要符号汇总 | 第32-33页 |
| 3.2 云服务系统中主机模型 | 第33页 |
| 3.3 云服务系统中主机的能耗模型 | 第33-35页 |
| 3.4 云服务系统中虚拟机模型 | 第35-37页 |
| 3.5 实时任务模型 | 第37-39页 |
| 3.6 实时任务及虚拟机调度模型构建 | 第39-42页 |
| 3.6.1 决策变量 | 第39-40页 |
| 3.6.2 优化目标 | 第40-41页 |
| 3.6.3 约束条件 | 第41-42页 |
| 3.6.4 多目标优化模型 | 第42页 |
| 3.7 本章小结 | 第42-43页 |
| 第四章 随机性感知的实时任务调度与资源动态调配算法 | 第43-69页 |
| 4.1 引言 | 第43-44页 |
| 4.2 随机性感知的可扩展调度框架 | 第44-49页 |
| 4.2.1 云服务系统中大规模主机的协同式组织模型 | 第44-47页 |
| 4.2.2 随机性感知的调度框架 | 第47-49页 |
| 4.3 随机性感知的实时任务调度与资源动态调配算法 | 第49-59页 |
| 4.3.1 随机性感知的实时任务调度策略 | 第50-53页 |
| 4.3.2 能耗感知的资源动态调配策略 | 第53-59页 |
| 4.4 算法PRS的性能评估 | 第59-68页 |
| 4.4.1 实验设置 | 第60-62页 |
| 4.4.2 任务量对算法性能的影响 | 第62-63页 |
| 4.4.3 任务截止期对算法性能的影响 | 第63-65页 |
| 4.4.4 执行时间的方差对算法性能的影响 | 第65-66页 |
| 4.4.5 实际任务对算法性能的影响 | 第66-68页 |
| 4.5 本章小结 | 第68-69页 |
| 第五章 机器启动时间感知的实时任务调度与资源动态调配算法 | 第69-79页 |
| 5.1 引言 | 第69-70页 |
| 5.2 STARS调度算法 | 第70-75页 |
| 5.2.1 机器启动时间感知的虚拟机扩展策略 | 第70-72页 |
| 5.2.2 STARS算法设计 | 第72-75页 |
| 5.3 算法STARS的性能评估 | 第75-78页 |
| 5.3.1 实验设置 | 第75-76页 |
| 5.3.2 任务截止期对性能的影响 | 第76-77页 |
| 5.3.3 任务数量对性能的影响 | 第77-78页 |
| 5.4 本章小结 | 第78-79页 |
| 总结与展望 | 第79-81页 |
| 论文的工作总结 | 第79页 |
| 下一步的研究方向 | 第79-81页 |
| 致谢 | 第81-82页 |
| 参考文献 | 第82-89页 |
| 作者在学期间取得的学术成果 | 第89页 |
