| 摘要 | 第2-4页 |
| ABSTRACT | 第4-6页 |
| 1. 绪论 | 第9-16页 |
| 1.1 研究背景 | 第9-13页 |
| 1.1.1 传统的虚拟化技术 | 第9页 |
| 1.1.2 基于容器的虚拟化技术 | 第9-10页 |
| 1.1.3 机器学习的发展概况 | 第10-13页 |
| 1.2 研究目的与意义 | 第13-14页 |
| 1.3 研究目标与研究内容 | 第14页 |
| 1.4 研究方法与技术路线 | 第14-16页 |
| 2 相关基础与研究综述 | 第16-32页 |
| 2.1 云计算与云服务 | 第16-18页 |
| 2.2 机器学习概述 | 第18-27页 |
| 2.2.1 机器学习与人工智能和深度学习 | 第18-21页 |
| 2.2.2 机器学习的范围 | 第21-22页 |
| 2.2.3 三大典型机器学习任务 | 第22-27页 |
| 2.3 机器学习问题相关文献综述 | 第27-29页 |
| 2.4 计算资源优化调度问题相关文献综述 | 第29-30页 |
| 2.5 本章小结 | 第30-32页 |
| 3 容器环境下基于Spark MLlib的典型机器学习任务实验及分析 | 第32-64页 |
| 3.1 容器计算环境与性能监控平台 | 第32-35页 |
| 3.1.1 平台搭建目的 | 第32页 |
| 3.1.2 容器计算环境与性能监控平台架构 | 第32-35页 |
| 3.2 实验环境准备 | 第35-44页 |
| 3.2.1 搭建虚拟机及容器基础环境 | 第35-37页 |
| 3.2.2 搭建性能监控平台 | 第37-44页 |
| 3.3 容器环境下基于Spark MLlib的典型机器学习任务实验 | 第44-60页 |
| 3.3.1 实验数据集及Spark MLlib | 第44-50页 |
| 3.3.2 分类实验 | 第50-55页 |
| 3.3.3 回归实验 | 第55-59页 |
| 3.3.4 聚类实验 | 第59-60页 |
| 3.4 容器环境下不同机器学习任务的资源消耗规律分析 | 第60-63页 |
| 3.4.1 计算实验统计分析 | 第60-62页 |
| 3.4.2 算法维度分析 | 第62页 |
| 3.4.3 数据集维度分析 | 第62-63页 |
| 3.5 本章小结 | 第63-64页 |
| 4 容器环境下机器学习任务的调度模型和基于AIMMS的求解 | 第64-71页 |
| 4.1 场景描述 | 第64页 |
| 4.2 问题假设与符号设定 | 第64-65页 |
| 4.3 考虑时间、价格及资源闲置成本的机器学习任务调度模型 | 第65-67页 |
| 4.4 模型求解 | 第67-70页 |
| 4.5 本章小结 | 第70-71页 |
| 5 总结 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 后记 | 第76-77页 |
