面向云数据中心的资源管理机制研究
| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第12-21页 |
| 1.1 研究背景 | 第12-14页 |
| 1.1.1 资源监控面临挑战 | 第12-13页 |
| 1.1.2 应用需求复杂多样 | 第13页 |
| 1.1.3 动态资源管理迫切 | 第13页 |
| 1.1.4 多数据中心能耗严重 | 第13-14页 |
| 1.2 研究内容 | 第14-15页 |
| 1.2.1 资源监控 | 第14页 |
| 1.2.2 关联建模 | 第14-15页 |
| 1.2.3 资源管理 | 第15页 |
| 1.3 研究现状 | 第15-18页 |
| 1.3.1 资源监控 | 第15-16页 |
| 1.3.2 建模理论 | 第16-17页 |
| 1.3.3 资源管理 | 第17-18页 |
| 1.4 主要贡献 | 第18-19页 |
| 1.5 组织结构 | 第19-21页 |
| 第二章 相关理论基础 | 第21-28页 |
| 2.1 BANS | 第21-22页 |
| 2.2 通用生成函数 | 第22-25页 |
| 2.3 遗传算法 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于BANS的云资源监控系统 | 第28-37页 |
| 3.1 引言 | 第28-29页 |
| 3.2 基于BANS的云资源监控系统 | 第29-34页 |
| 3.2.1 系统模型 | 第29-31页 |
| 3.2.2 系统特性 | 第31-34页 |
| 3.3 实验分析 | 第34-36页 |
| 3.3.1 准确性验证 | 第34-35页 |
| 3.3.2 效率验证 | 第35-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 基于BANS的云资源自优化管理 | 第37-56页 |
| 4.1 引言 | 第37-38页 |
| 4.2 系统框架 | 第38-39页 |
| 4.3 自优化 | 第39-41页 |
| 4.3.1 监控 | 第39页 |
| 4.3.2 分析预测 | 第39-40页 |
| 4.3.3 MDD | 第40-41页 |
| 4.3.4 重新调度 | 第41页 |
| 4.4 问题建模 | 第41-48页 |
| 4.4.1 可靠性模型 | 第42-44页 |
| 4.4.2 可靠性-性能模型 | 第44-45页 |
| 4.4.3 可靠性-能耗模型 | 第45页 |
| 4.4.4 可靠性-性能-能耗关联模型 | 第45-47页 |
| 4.4.5 问题描述 | 第47-48页 |
| 4.5 调度算法 | 第48-52页 |
| 4.5.1 编码 | 第48-49页 |
| 4.5.2 解码 | 第49页 |
| 4.5.3 交叉 | 第49页 |
| 4.5.4 修正 | 第49-51页 |
| 4.5.5 变异 | 第51页 |
| 4.5.6 适应性 | 第51页 |
| 4.5.7 最大利润VM放置 | 第51-52页 |
| 4.6 仿真分析 | 第52-55页 |
| 4.6.1 可靠性影响 | 第52-53页 |
| 4.6.2 自优化算例 | 第53-55页 |
| 4.7 本章小结 | 第55-56页 |
| 第五章 可靠性感知的多数据中心能耗成本优化 | 第56-74页 |
| 5.1 引言 | 第56页 |
| 5.2 模型分析 | 第56-62页 |
| 5.2.1 系统模型 | 第56-57页 |
| 5.2.2 任务模型 | 第57-58页 |
| 5.2.3 调度模型 | 第58页 |
| 5.2.4 约束模型 | 第58-62页 |
| 5.2.5 功耗模型 | 第62页 |
| 5.3 能耗成本优化 | 第62-69页 |
| 5.3.1 局部优化 | 第62-64页 |
| 5.3.2 全局优化 | 第64-69页 |
| 5.4 仿真分析 | 第69-73页 |
| 5.4.1 可靠性影响 | 第69-72页 |
| 5.4.2 算法求解算例 | 第72-73页 |
| 5.5 本章小结 | 第73-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 论文总结 | 第74-75页 |
| 6.2 下一步展望 | 第75-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-83页 |
| 攻读硕士期间取得的研究成果 | 第83-84页 |
