| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 国内研究现状 | 第11-13页 |
| 1.2.2 国外研究现状 | 第13-14页 |
| 1.3 本文主要工作 | 第14-15页 |
| 1.4 章节安排 | 第15-17页 |
| 第二章 相关理论及技术 | 第17-29页 |
| 2.1 弹性云平台 | 第17-18页 |
| 2.2 Ganglia 集群监控 | 第18-21页 |
| 2.2.1 工作原理 | 第18-20页 |
| 2.2.2 监控指标 | 第20-21页 |
| 2.3 人工神经网络 | 第21-26页 |
| 2.3.1 生物神经元及人工神经元 | 第21-23页 |
| 2.3.2 人工神经网络模型 | 第23-24页 |
| 2.3.3 学习规则 | 第24-26页 |
| 2.3.4 BP 神经网络 | 第26页 |
| 2.4 No-SQL 数据库 | 第26-28页 |
| 2.4.1 MongoDB | 第26-27页 |
| 2.4.2 BSON | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 自动化预测的总体设计 | 第29-40页 |
| 3.1 自动化预测的概述 | 第29-31页 |
| 3.1.1 需求分析 | 第29页 |
| 3.1.2 设计目标 | 第29-31页 |
| 3.2 功能模块设计 | 第31-37页 |
| 3.2.1 负载数据的收集 | 第31-32页 |
| 3.2.2 用户服务包含虚拟机的统计 | 第32-33页 |
| 3.2.3 负载数据的检查和清洗 | 第33-35页 |
| 3.2.4 BP 神经网络的预测 | 第35-37页 |
| 3.2.5 页面展示 | 第37页 |
| 3.3 总体结构 | 第37-39页 |
| 3.3.1 总体结构设计 | 第37-38页 |
| 3.3.2 拓扑结构 | 第38-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 自动化预测的详细设计及实现 | 第40-67页 |
| 4.1 负载数据的自动化收集 | 第40-43页 |
| 4.1.1 自动化收集 | 第40-42页 |
| 4.1.2 负载数据在 No-SQL 数据库里面的存储 | 第42-43页 |
| 4.2 用户服务的统计 | 第43-45页 |
| 4.3 负载数据的检查和清洗 | 第45-53页 |
| 4.3.1 数据的有效性检查 | 第47-48页 |
| 4.3.2 数据的清洗 | 第48-53页 |
| 4.4 BP 神经网络的预测 | 第53-61页 |
| 4.4.1 数据的归一化和反归一化设计 | 第54-56页 |
| 4.4.2 预测方法 | 第56-57页 |
| 4.4.3 训练样本的制作 | 第57-58页 |
| 4.4.4 BP 神经网络流程 | 第58-60页 |
| 4.4.5 参数设定 | 第60-61页 |
| 4.5 预测结果的处理 | 第61-65页 |
| 4.5.1 预测结果的存储 | 第61-63页 |
| 4.5.2 前台页面展示 | 第63-65页 |
| 4.6 日志记录 | 第65-66页 |
| 4.7 本章小结 | 第66-67页 |
| 第五章 自动化预测及效果展示 | 第67-80页 |
| 5.1 自动化预测 | 第67-76页 |
| 5.1.1 运行环境介绍 | 第67-68页 |
| 5.1.2 收集负载数据 | 第68-71页 |
| 5.1.3 自动化预测 | 第71-76页 |
| 5.2 预测的准确性 | 第76-77页 |
| 5.3 页面效果展示 | 第77-79页 |
| 5.4 本章小结 | 第79-80页 |
| 第六章 总结与展望 | 第80-81页 |
| 参考文献 | 第81-83页 |
| 致谢 | 第83-84页 |
| 附件 | 第84页 |