| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 课题背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 大规模深度学习推理 | 第13-15页 |
| 1.2.2 分布式系统任务调度研究现状 | 第15-17页 |
| 1.3 论文主要工作 | 第17-18页 |
| 1.4 本章小结 | 第18-20页 |
| 第二章 相关技术背景介绍 | 第20-26页 |
| 2.1 大规模深度学习计算平台 | 第20-23页 |
| 2.1.1 单机环境下的深度学习计算平台 | 第21-22页 |
| 2.1.2 分布式环境下的深度学习计算平台 | 第22-23页 |
| 2.2 分布式系统下的调度问题 | 第23-25页 |
| 2.2.1 作业调度及任务调度 | 第23页 |
| 2.2.2 任务调度问题的描述 | 第23-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 基于主从架构的任务管理机制 | 第26-42页 |
| 3.1 总体架构设计 | 第26-28页 |
| 3.1.1 分布式推理系统整体功能介绍 | 第26-27页 |
| 3.1.2 任务管理机制的主从架构设计 | 第27-28页 |
| 3.2 任务划分及迁移机制设计 | 第28-34页 |
| 3.2.1 任务划分 | 第29-31页 |
| 3.2.2 任务监测 | 第31-33页 |
| 3.2.3 任务迁移 | 第33-34页 |
| 3.2.4 结果收集 | 第34页 |
| 3.3 系统容错机制设计 | 第34-41页 |
| 3.3.1 主节点容错 | 第34-38页 |
| 3.3.2 工作节点容错 | 第38-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 基于微服务的系统信息管理机制 | 第42-58页 |
| 4.1 研究背景及动机 | 第42-43页 |
| 4.2 信息收集与处理的概念介绍 | 第43-45页 |
| 4.2.1 分布式系统任务调度关键步骤描述 | 第43-44页 |
| 4.2.2 信息收集器与信息处理器概念 | 第44-45页 |
| 4.3 基于微服务架构的系统信息管理机制的设计 | 第45-50页 |
| 4.3.1 总体架构设计 | 第45-47页 |
| 4.3.2 信息收集器与处理器的注册 | 第47-48页 |
| 4.3.3 信息收集器与处理器的运行管理 | 第48-49页 |
| 4.3.4 数据管理 | 第49-50页 |
| 4.3.5 可扩展性和平台无关性 | 第50页 |
| 4.4 应用实例 | 第50-57页 |
| 4.4.1 原型系统设计 | 第51-53页 |
| 4.4.2 信息收集器及信息处理器的设计与注册 | 第53-54页 |
| 4.4.3 所用调度算法描述 | 第54-55页 |
| 4.4.4 不同节点性能评估方法下的任务划分均衡度 | 第55-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 系统测试与分析 | 第58-64页 |
| 5.1 实验环境 | 第58-60页 |
| 5.1.1 智能计算机集群 | 第58-59页 |
| 5.1.2 实验所用网络模型及数据集 | 第59-60页 |
| 5.2 可靠性测试 | 第60页 |
| 5.3 性能测试 | 第60-62页 |
| 5.3.1 测试目的及方法 | 第60-61页 |
| 5.3.2 测试结果及分析 | 第61-62页 |
| 5.4 集群规模可扩展性测试 | 第62-63页 |
| 5.4.1 测试目的及方法 | 第62页 |
| 5.4.2 测试结果及分析 | 第62-63页 |
| 5.5 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64-65页 |
| 6.2 展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-72页 |
| 在读期间发表的学术论文与取得的研究成果 | 第72页 |