| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-11页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 主要研究内容 | 第12-13页 |
| 1.3 论文组织结构 | 第13-15页 |
| 第2章 研究基础 | 第15-25页 |
| 2.1 SaaS服务模式及系统特征 | 第15-18页 |
| 2.1.1 SaaS模式成熟度模型 | 第15-17页 |
| 2.1.2 SaaS系统特征 | 第17-18页 |
| 2.2 虚拟机性能度量 | 第18-19页 |
| 2.3 灰色-马尔科夫理论与RBF神经网络理论 | 第19-23页 |
| 2.3.1 灰色-马尔科夫预测理论 | 第19-22页 |
| 2.3.2 RBF神经网络预测理论 | 第22-23页 |
| 2.4 SaaS资源管理理论 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 支持间歇性用户使用行为的SaaS资源管理机制 | 第25-35页 |
| 3.1 间歇性用户使用行为特征分析 | 第25-27页 |
| 3.2 支持间歇性用户使用行为的SaaS资源管理过程 | 第27-30页 |
| 3.3 关键问题及其研究思路 | 第30-33页 |
| 3.4 本章小结 | 第33-35页 |
| 第4章 单间歇性用户使用行为的并发请求数预测算法 | 第35-51页 |
| 4.1 传统预测方法存在的不足 | 第35页 |
| 4.2 基于改进的灰色-马尔科夫模型进行并发请求数预测 | 第35-46页 |
| 4.2.1 相对残差比的获取算法 | 第36-39页 |
| 4.2.2 相对残差比的状态分级算法 | 第39-41页 |
| 4.2.3 相对残差比的修正算法 | 第41-45页 |
| 4.2.4 改进的灰色-马尔科夫预测模型的实现 | 第45-46页 |
| 4.3 实验结果分析 | 第46-49页 |
| 4.3.1 实验环境 | 第46-47页 |
| 4.3.2 预测结果分析 | 第47-49页 |
| 4.4 本章小结 | 第49-51页 |
| 第5章 多间歇性用户使用行为的资源占用量预测算法 | 第51-63页 |
| 5.1 虚拟机资源分析 | 第51-52页 |
| 5.1.1 虚拟机性能指标的确定 | 第51-52页 |
| 5.1.2 虚拟机性能模型的建立 | 第52页 |
| 5.2 基于RBF神经网络进行资源占用量预测 | 第52-59页 |
| 5.2.1 并发请求数与资源占用量的拓扑结构 | 第53-54页 |
| 5.2.2 并发请求数与资源占用量的映射关系 | 第54-57页 |
| 5.2.3 资源占用量预测算法的实现 | 第57-59页 |
| 5.3 实验结果分析 | 第59-62页 |
| 5.4 本章小结 | 第62-63页 |
| 第6章 支持间歇性用户使用行为的SaaS资源管理方法 | 第63-73页 |
| 6.1 支持间歇性用户使用行为的SaaS资源管理问题描述 | 第63-64页 |
| 6.2 支持间歇性用户使用行为的SaaS资源管理目标 | 第64-66页 |
| 6.3 基于同构虚拟机的SaaS资源管理方法 | 第66-69页 |
| 6.3.1 同构虚拟机启/停规模 | 第66-67页 |
| 6.3.2 同构虚拟机启/停顺序 | 第67-68页 |
| 6.3.3 基于同构虚拟机的SaaS资源管理方法的实现 | 第68-69页 |
| 6.4 实验结果分析 | 第69-71页 |
| 6.5 本章小结 | 第71-73页 |
| 第7章 总结与展望 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79页 |
