| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第1章 绪论 | 第8-19页 |
| ·研究背景及意义 | 第8-11页 |
| ·相关领域研究现状 | 第11-16页 |
| ·系统可信性的研究进展 | 第11-13页 |
| ·自律计算 | 第13-16页 |
| ·自律计算与系统可信性相结合 | 第16页 |
| ·论文的研究内容 | 第16-17页 |
| ·论文的组织结构 | 第17-19页 |
| 第2章 基于自律计算的系统可信性自优化模型 | 第19-43页 |
| ·引言 | 第19页 |
| ·传统系统可信性模型 | 第19-23页 |
| ·自律系统概念模型与理论分析模型 | 第23-32页 |
| ·自律计算概念模型 | 第24-26页 |
| ·自律属性与可信属性的映射关系 | 第26-31页 |
| ·自律特性系统的理论分析模型 | 第31-32页 |
| ·基于自律计算的系统可信性自优化模型 | 第32-42页 |
| ·自律管理模块 | 第33-39页 |
| ·关键特征参数提取模块 | 第39-40页 |
| ·自优化模块 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 第3章 系统可信性关键特征参数提取方法 | 第43-52页 |
| ·系统可信性关键特征参数提取模型 | 第43-45页 |
| ·基于贝叶斯网络的分类方法 | 第45-48页 |
| ·分类器的定义 | 第46页 |
| ·基于粒子群优化算法的信息熵特征参数约简算法 | 第46-48页 |
| ·OFE 分类算法 | 第48页 |
| ·实验与分析 | 第48-51页 |
| ·本章小结 | 第51-52页 |
| 第4章 基于 Q-Learning 的系统可信性自优化算法 | 第52-64页 |
| ·引言 | 第52页 |
| ·Q-Learning 描述 | 第52-54页 |
| ·基于 Q-learning 的系统可信性能自优化方法 | 第54-56页 |
| ·BP 神经网络 | 第55页 |
| ·基于 Q 学习算法的系统可信性能优化结构图 | 第55-56页 |
| ·网络系统服务性能实时调度算法 | 第56-60页 |
| ·“状态－动作”对选取方法 | 第56-58页 |
| ·基于系统可信性能参数约束的评价函数 | 第58-59页 |
| ·算法流程 | 第59-60页 |
| ·仿真实验和结果分析 | 第60-63页 |
| ·实验环境 | 第60-61页 |
| ·结果分析 | 第61-63页 |
| ·本章小结 | 第63-64页 |
| 第5章 总结与展望 | 第64-66页 |
| ·工作总结 | 第64-65页 |
| ·前景展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-71页 |
| 攻读硕士学位期间的研究成果 | 第71页 |