| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究现状 | 第12-13页 |
| 1.3 论文主要工作 | 第13-14页 |
| 1.4 本文组织方式 | 第14-15页 |
| 第2章 研究基础 | 第15-23页 |
| 2.1 云环境下的组件副本管理策略 | 第15-16页 |
| 2.2 时间序列分析方法 | 第16-17页 |
| 2.2.1 相关系数 | 第16-17页 |
| 2.2.2 时间序列分析方法 | 第17页 |
| 2.3 粒子群优化算法 | 第17-21页 |
| 2.3.1 多目标优化算法 | 第17-18页 |
| 2.3.2 多目标粒子群优化算法 | 第18-21页 |
| 2.4 多元回归分析 | 第21页 |
| 2.5 格贴近度 | 第21-22页 |
| 2.6 本章小结 | 第22-23页 |
| 第3章 面向云服务性能自适应优化的组件副本动态增加方法过程 | 第23-29页 |
| 3.1 问题的提出 | 第23-25页 |
| 3.2 面向云服务性能自适应优化的组件副本动态增加的实现过程 | 第25-27页 |
| 3.3 关键技术的基本处理过程 | 第27-28页 |
| 3.4 本章小结 | 第28-29页 |
| 第4章 面向不同并发特征的应用用户并发量预测方法 | 第29-45页 |
| 4.1 面向不同并发特征的应用用户并发量预测过程 | 第29-31页 |
| 4.2 基于自相关系数的应用用户并发量特征判定方法 | 第31-34页 |
| 4.3 基于TopK算法应用用户并发量数据预处理算法 | 第34-37页 |
| 4.3.1 平稳型应用用户并发量数据预处理算法 | 第35-36页 |
| 4.3.2 非平稳型应用用户并发量数据预处理算法 | 第36-37页 |
| 4.4 基于时间序列算法的应用用户并发量预测方法 | 第37-42页 |
| 4.4.1 平稳型应用用户并发量预测方法 | 第37-39页 |
| 4.4.2 非平稳型应用用户并发量预测方法 | 第39-42页 |
| 4.5 本章小结 | 第42-45页 |
| 第5章 基于改进多目标粒子群优化算法的待增组件选择方法 | 第45-59页 |
| 5.1 基于改进多目标粒子群优化算法的待增组件选择过程 | 第45-46页 |
| 5.2 基于组件调用关系和调用频率的组件关系模型 | 第46-48页 |
| 5.3 基于AOE网的应用用户并发量分解算法 | 第48-49页 |
| 5.4 待增组件副本选择方法 | 第49-57页 |
| 5.4.1 改进多目标粒子群优化算法中的关键算法 | 第49-54页 |
| 5.4.2 基于改进多目标粒子群算法的待增组件选择方法的实现过程 | 第54-57页 |
| 5.5 本章小结 | 第57-59页 |
| 第6章 基于代价/收益模型的组件副本定位算法 | 第59-71页 |
| 6.1 基于代价/收益模型的组件副本定位过程 | 第59-60页 |
| 6.2 面向云服务系统SLA的CC-RR关系模型 | 第60-64页 |
| 6.3 基于改进格贴近度分析的组件互扰模型 | 第64-65页 |
| 6.4 组件副本定位算法 | 第65-70页 |
| 6.4.1 基于组件资源和组件间互扰因子的代价函数 | 第65-67页 |
| 6.4.2 基于组件并发量的收益函数 | 第67-68页 |
| 6.4.3 基于代价/收益模型的组件副本定位算法的实现过程 | 第68-70页 |
| 6.5 本章小结 | 第70-71页 |
| 第7章 实验及结果分析 | 第71-99页 |
| 7.1 实验环境 | 第71-73页 |
| 7.2 实验场景设计 | 第73-76页 |
| 7.3 预测应用用户并发量的实验 | 第76-78页 |
| 7.4 选择待增组件副本的实验 | 第78-80页 |
| 7.5 定位待增组件副本的实验 | 第80-82页 |
| 7.6 对比实验及结果分析 | 第82-96页 |
| 7.6.1 组件副本选择和定位方法的对比实验及结果分析 | 第82-92页 |
| 7.6.2 预测应用用户并发量对比实验及结果分析 | 第92-96页 |
| 7.7 本章小结 | 第96-99页 |
| 第8章 总结与展望 | 第99-101页 |
| 8.1 工作总结 | 第99-100页 |
| 8.2 展望 | 第100-101页 |
| 参考文献 | 第101-105页 |
| 致谢 | 第105-107页 |
| 攻读硕士期间论文发表情况 | 第107页 |
