网络感知的虚拟计算环境任务迁移问题研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题背景 | 第10-11页 |
| 1.1.1 课题来源 | 第10页 |
| 1.1.2 课题背景 | 第10页 |
| 1.1.3 课题的研究目的及意义 | 第10-11页 |
| 1.2 相关工作 | 第11-16页 |
| 1.2.1 关于服务器节能的研究 | 第11-13页 |
| 1.2.2 关于虚拟机迁移开销的研究 | 第13页 |
| 1.2.3 关于网络感知的虚拟机迁移的研究 | 第13-16页 |
| 1.2.4 关于群体智能算法的研究 | 第16页 |
| 1.3 本文主要的研究内容和组织结构 | 第16-18页 |
| 第2章 网络感知的虚拟机迁移问题定义 | 第18-27页 |
| 2.1 问题描述 | 第18页 |
| 2.2 AppAware原问题的提出 | 第18-21页 |
| 2.3 问题模型的改进 | 第21-24页 |
| 2.3.1 网络通信开销模型 | 第22页 |
| 2.3.2 迁移开销模型 | 第22-24页 |
| 2.3.3 改进后的目标函数 | 第24页 |
| 2.4 问题分类：静态迁移和动态迁移 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 虚拟机静态迁移算法 | 第27-46页 |
| 3.1 遗传算法 | 第27-34页 |
| 3.1.1 遗传算法的一般执行过程 | 第27-28页 |
| 3.1.2 应用遗传算法解决VMIG问题 | 第28-31页 |
| 3.1.3 时间复杂度分析 | 第31-32页 |
| 3.1.4 确定遗传算法的最优参数 | 第32-34页 |
| 3.2 蜂群算法 | 第34-45页 |
| 3.2.1 蜂群算法简介 | 第34-37页 |
| 3.2.2 蜂群算法核心 | 第37-39页 |
| 3.2.3 应用蜂群算法解决VMIG问题 | 第39-42页 |
| 3.2.4 时间复杂度分析 | 第42页 |
| 3.2.5 确定蜂群算法的参数 | 第42-44页 |
| 3.2.6 从原理上分析蜂群算法 | 第44-45页 |
| 3.3 本章小结 | 第45-46页 |
| 第4章 虚拟机动态迁移算法 | 第46-54页 |
| 4.1 动态算法的通用执行流程 | 第46-47页 |
| 4.2 直接优化 | 第47-49页 |
| 4.2.1 LM算法 | 第47-49页 |
| 4.3 差值优化 | 第49-53页 |
| 4.3.1 mCaM算法 | 第50-52页 |
| 4.3.2 mCaM2 算法 | 第52-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第5章 系统模拟与性能测试 | 第54-76页 |
| 5.1 测试环境简介 | 第54-56页 |
| 5.1.1 BRITE生成虚拟机带宽依赖关系 | 第54-55页 |
| 5.1.2 物理拓扑结构 | 第55-56页 |
| 5.2 静态算法测试 | 第56-64页 |
| 5.2.1 静态算法实验参数设置 | 第57页 |
| 5.2.2 确定静态迁移的目标函数权重系数 | 第57-58页 |
| 5.2.3 算法性能比对 | 第58-64页 |
| 5.3 动态算法测试 | 第64-75页 |
| 5.3.1 动态算法参数设置 | 第64-65页 |
| 5.3.2 确定动态迁移的目标函数权重系数 | 第65-66页 |
| 5.3.3 我们的优化算法性能对比 | 第66-69页 |
| 5.3.4 与AppAware性能对比 | 第69-72页 |
| 5.3.5 与经典算法的性能对比 | 第72-75页 |
| 5.4 本章小结 | 第75-76页 |
| 结论 | 第76-78页 |
| 参考文献 | 第78-82页 |
| 攻读学位期间发表的学术论文 | 第82-84页 |
| 致谢 | 第84-85页 |
| 附录——虚拟机迁移开销的公式推导 | 第85-88页 |
