| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-20页 |
| 1.1 课题研究背景与意义 | 第13-14页 |
| 1.2 集群负载均衡技术概述及发展 | 第14-16页 |
| 1.2.1 服务器集群 | 第14-15页 |
| 1.2.2 负载均衡技术发展历程 | 第15-16页 |
| 1.3 国内外研究现状 | 第16-18页 |
| 1.3.1 国外研究现状 | 第16-17页 |
| 1.3.2 国内研究现状 | 第17-18页 |
| 1.4 本文主要研究内容 | 第18-20页 |
| 第二章 动态负载均衡算法的设计基础与框架 | 第20-29页 |
| 2.1 引言 | 第20页 |
| 2.2 常用负载均衡算法的分析 | 第20-22页 |
| 2.2.1 加权轮询算法 | 第21页 |
| 2.2.2 IPHash算法 | 第21-22页 |
| 2.3 负载矢量选择和获取 | 第22-27页 |
| 2.3.1 负载矢量选择 | 第22-23页 |
| 2.3.2 负载矢量获取 | 第23-27页 |
| 2.3.3 负载矢量采集和管理策略 | 第27页 |
| 2.4 动态负载均衡算法设计框架 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 基于人工神经网络算法的负载均衡技术研究 | 第29-41页 |
| 3.1 引言 | 第29-30页 |
| 3.2 人工神经网络概述 | 第30-32页 |
| 3.2.1 人工神经网络 | 第30-31页 |
| 3.2.2 模型训练 | 第31-32页 |
| 3.3 常规神经网络算法及其比较 | 第32-36页 |
| 3.3.1 RBF神经网络 | 第32-34页 |
| 3.3.2 BP神经网络分析 | 第34-36页 |
| 3.3.3 传统神经网络对比 | 第36页 |
| 3.4 改进的自适应BP神经网络算法 | 第36-40页 |
| 3.4.1 传统BP神经网络算法的缺陷分析 | 第36页 |
| 3.4.2 传统BP神经网络算法的改进 | 第36-38页 |
| 3.4.3 改进的BP神经网络模型下的负载均衡信息处理 | 第38-40页 |
| 3.5 神经网络算法对比分析 | 第40页 |
| 3.6 本章小结 | 第40-41页 |
| 第四章 基于粒子群优化算法的最优参数优化 | 第41-59页 |
| 4.1 粒子群概述 | 第41-48页 |
| 4.1.1 粒子群基本原理 | 第41-43页 |
| 4.1.2 基本粒子群算法的设计及实现 | 第43-45页 |
| 4.1.3 最优参数优化 | 第45-48页 |
| 4.2 基于改进粒子群的集群系统负载均衡研究 | 第48-51页 |
| 4.2.1 基于改进粒子群算法的负载均衡实现流程 | 第48-50页 |
| 4.2.2 粒子群算法对比分析 | 第50-51页 |
| 4.3 基于改进的粒子群优化自适应BP神经网络的负载均衡算法 | 第51-58页 |
| 4.3.1 自适应BP神经网络-PSO算法优化系统流程 | 第51-54页 |
| 4.3.2 案例分析验证 | 第54-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第五章 基于组合算法的负载均衡系统设计测试及分析 | 第59-76页 |
| 5.1 引言 | 第59页 |
| 5.2 负载均衡系统设计与实现 | 第59-69页 |
| 5.2.1 均衡系统总体设计 | 第59-64页 |
| 5.2.2 负载均衡系统实现 | 第64-69页 |
| 5.3 均衡系统测试环境 | 第69-72页 |
| 5.3.1 测试环境搭建 | 第70-71页 |
| 5.3.2 测试流程 | 第71-72页 |
| 5.4 测试结果分析 | 第72-75页 |
| 5.4.1 集群响应时间对比 | 第72页 |
| 5.4.2 集群吞吐量对比 | 第72-73页 |
| 5.4.3 服务器实时负载对比 | 第73-75页 |
| 5.5 本章小结 | 第75-76页 |
| 总结与展望 | 第76-78页 |
| 总结 | 第76-77页 |
| 展望 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 攻读硕士学位期间申请的专利 | 第82-84页 |
| 致谢 | 第84页 |
