| 摘要 | 第10-11页 |
| ABSTRACT | 第11-12页 |
| 第一章 绪论 | 第13-17页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 本文主要工作 | 第14页 |
| 1.3 论文结构 | 第14-17页 |
| 第二章 相关研究现状 | 第17-26页 |
| 2.1 数据中心网络 | 第17-20页 |
| 2.1.1 数据中心网络体系结构 | 第17-19页 |
| 2.1.2 InfiniBand网络 | 第19-20页 |
| 2.2 网络故障诊断相关技术 | 第20-25页 |
| 2.2.1 基于规则的故障诊断方法 | 第21页 |
| 2.2.2 基于事例推理的故障诊断方法 | 第21-22页 |
| 2.2.3 基于模型推理的故障诊断方法 | 第22-23页 |
| 2.2.4 基于编码的故障诊断方法 | 第23页 |
| 2.2.5 基于贝叶斯网络的故障诊断方法 | 第23-24页 |
| 2.2.6 基于神经网络的故障诊断方法 | 第24页 |
| 2.2.7 基于数据挖掘的故障诊断方法 | 第24-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 数据中心网络并发自适应分布式采集方法 | 第26-44页 |
| 3.1 问题提出 | 第26-29页 |
| 3.1.1 问题描述 | 第26-27页 |
| 3.1.2 常用的网络数据采集方法 | 第27-29页 |
| 3.2 分布式数据采集节点部署方法DANDM | 第29-33页 |
| 3.3 并发自适应分布式采集方法SADAM | 第33-39页 |
| 3.3.1 SADAM相关策略描述 | 第34-36页 |
| 3.3.2 SADAM方法描述 | 第36-39页 |
| 3.4 实验验证 | 第39-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 数据中心网络故障诊断方法 | 第44-62页 |
| 4.1 问题提出 | 第44-46页 |
| 4.2 基于冗余消减机制的故障诊断方法RRMCA | 第46-54页 |
| 4.2.1 归一化处理 | 第46-49页 |
| 4.2.2 拓扑相关性分析 | 第49-50页 |
| 4.2.3 时间相关性分析 | 第50-51页 |
| 4.2.4 相关度描述 | 第51-53页 |
| 4.2.5 RRMCA算法描述 | 第53-54页 |
| 4.3 基于自学习机制贝叶斯分类的故障诊断方法IL_Bayes | 第54-57页 |
| 4.4 实验验证 | 第57-61页 |
| 4.4.1 实验环境 | 第57-59页 |
| 4.4.2 实验结果 | 第59-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第五章 大规模数据中心网络故障管理系统设计与实现 | 第62-74页 |
| 5.1 大规模数据中心网络故障管理系统的总体设计 | 第62-63页 |
| 5.2 基于Spring的管理框架设计 | 第63-68页 |
| 5.2.1 状态监视框架设计 | 第63-65页 |
| 5.2.2 事件监视框架设计 | 第65-68页 |
| 5.3 系统应用 | 第68-73页 |
| 5.3.1 网络视图 | 第68-72页 |
| 5.3.2 故障视图 | 第72-73页 |
| 5.4 本章小结 | 第73-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 总结 | 第74页 |
| 6.2 工作展望 | 第74-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 作者在学期间取得的学术成果 | 第81页 |