大数据平台分布式存储资源自动部署研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究工作的背景与意义 | 第11-13页 |
| 1.1.1 大数据的发展状况 | 第11-12页 |
| 1.1.2 大数据的存储机制 | 第12-13页 |
| 1.1.3 行业现状 | 第13页 |
| 1.2 研究现状与主要挑战 | 第13-15页 |
| 1.2.1 主流存储方案 | 第13-14页 |
| 1.2.2 研究现状 | 第14-15页 |
| 1.2.3 面临的挑战 | 第15页 |
| 1.2.4 解决方案 | 第15页 |
| 1.3 课题研究内容与主要工作 | 第15-16页 |
| 1.4 论文的结构安排 | 第16-18页 |
| 第二章 相关技术背景 | 第18-39页 |
| 2.1 主流云技术的介绍 | 第18-25页 |
| 2.1.1 OpenStack的介绍 | 第18-20页 |
| 2.1.2 CloudStack的介绍 | 第20-21页 |
| 2.1.3 Docker的介绍 | 第21-24页 |
| 2.1.4 对比 | 第24-25页 |
| 2.2 云存储技术的介绍与浅析 | 第25-32页 |
| 2.2.1 MongoDB介绍 | 第25-27页 |
| 2.2.2 HBase介绍 | 第27-30页 |
| 2.2.3 Cassandra介绍 | 第30-31页 |
| 2.2.4 对比 | 第31-32页 |
| 2.3 相关算法介绍 | 第32-38页 |
| 2.3.1 基于阈值规则的算法 | 第32-33页 |
| 2.3.2 强化学习算法 | 第33页 |
| 2.3.3 排队论算法 | 第33-34页 |
| 2.3.4 时间序列分析 | 第34-35页 |
| 2.3.5 基于控制论的负载预测算法 | 第35-38页 |
| 2.4 本章小结 | 第38-39页 |
| 第三章存储资源自动部署系统设计 | 第39-47页 |
| 3.1 主要思想 | 第39页 |
| 3.2 总体系统设计 | 第39-40页 |
| 3.3 集群监控模块 | 第40-41页 |
| 3.4 预测分析模块 | 第41-42页 |
| 3.5 吞吐量性能模块 | 第42-43页 |
| 3.6 数据迁移模块 | 第43-44页 |
| 3.7 决策执行模块 | 第44-45页 |
| 3.8 本章小结 | 第45-47页 |
| 第四章自动伸缩算法研究 | 第47-59页 |
| 4.1 特性与问题 | 第47-48页 |
| 4.1.1 具有的特性 | 第47-48页 |
| 4.1.2 AUTO-SCALING面临的问题 | 第48页 |
| 4.2 预测算法的设计思想 | 第48-49页 |
| 4.3 预测算法公式推导 | 第49-52页 |
| 4.4 预测算法实现 | 第52-56页 |
| 4.5 预测算法分析 | 第56页 |
| 4.6 算法对比 | 第56-57页 |
| 4.7 数据迁移 | 第57-58页 |
| 4.8 本章小结 | 第58-59页 |
| 第五章 实验与测试 | 第59-67页 |
| 5.1 实验环境部署 | 第59页 |
| 5.2 控制调度策略 | 第59-60页 |
| 5.3 负载生成 | 第60-62页 |
| 5.4 工作负载预测 | 第62-64页 |
| 5.5 性能评估 | 第64-66页 |
| 5.5.1 预测算法效果评估 | 第64-65页 |
| 5.5.2 系统性能评估 | 第65-66页 |
| 5.6 本章小结 | 第66-67页 |
| 第六章 全文总结与展望 | 第67-70页 |
| 6.1 本论文的主要工作总结 | 第67-68页 |
| 6.2 后续工作展望 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
