包邮LaaS模式云训练系统资源管理余调度方法

第1章 云计算、云仿真和云训练概论 1.1 云计算 1.1.1 云计算的特点 1.1.2 云计算的分类 1.1.3 典型云平台 1.1.4 技术基础 1.2 云仿真 1.2.1 相关研究 1.2.2 基本架构 1.2.3 关键技术 1.3 云训练 1.3.1 云训练产生背景与需求 1.3.2 云训练技术 1.4 多学科融合中的云训练 第2章 IaaS模式云训练系统 2.1 Iaas模式云训练系统构建 2.1.1 云训练系统整体结构 2.1.2 云训练中心层次结构 2.1.3 云训练运行机制 2.2 云训练系统管理 2.2.1 用户管理 2.2.2 系统资源监控 2.2.3 虚拟机管理 2.2.4 系统容错调度管理 2.2.5 系统管理模块间的关系与信息流 2.3 GPU虚拟化 2.3.1 GPU虚拟化技术概述 2.3.2 基于API驱动的GPU虚拟化方法 第3章 虚拟机放置优化方法 3.1 虚拟机放置技术现状分析 3.2 问题分析与形式化描述 3.2.1 虚拟机任务与资源需求的特点 3.2.2 虚拟机放置的特点 3.2.3 虚拟机放置的原则与目标 3.3 多目标优化问题与免疫系统的相关概念 3.3.1 多目标优化问题的相关概念 3.3.2 免疫系统的相关概念 3.4 约束免疫优势记忆克隆优化算法 3.4.1 种群初始化 3.4.2 获得免疫优势与记忆抗体群 3.4.3 优势与记忆抗体群的克隆、重组与变异 3.4.4 抗体群的选择与更新 3.4.5 算法约束 3.4.6 CIMCOA算法特点分析 3.5 仿真分析 3.5.1 典型目标函数测试与分析 3.5.2 虚拟机放置优化实验与分析 第4章 基于集成模型和优化神经网络的资源需求预测算法 4.1 虚拟资源需求预测与调度技术现状分析 4.2 云训练系统资源调度特点及结构 4.2.1 云训练资源调度特点 4.2.2 资源需求预测-调度系统结构 4.3 基于集成模型和优化神经网络的资源需求预测算法 4.3.1 用户的资源需求及预测算法应用分析 4.3.2 基本预测器集成模型 4.3.3 优化神经网络模型 4.4 虚拟资源动态调度 4.5 仿真分析 4.5.1 统计验证指标 4.5.2 预测效果对比与分析 4.5.3 预测方法训练过程优化分析 4.5.4 集成模型对预测效果的影响分析 第5章 基于减模糊聚类的模糊神经网络资源需求预测方法 5.1 基于SFCFNN的资源需求预测系统结构 5.2 模糊神经网络 5.2.1 FNN结构与分析 5.2.2 FNN学习过程 5.3 聚类模型 5.3.1 模糊C-均值聚类 5.3.2 减模糊聚类 5.4 仿真分析 5.4.1 预测效果分析 5.4.2 预测方法学习过程优化分析 5.4.3 聚类在SFCFNN方法中的作用分析 5.5 SFCFNN与EMONN特点分析 第6章 云训练系统自适应容错调度优化方法 6.1 系统容错调度技术现状分析 6.2 容错调度系统结构与原理 6.3 检查点*优间隔优化 6.4 副本容错策略优化 6.4.1 节点及时机选择 6.4.2 副本数量 6.4.3 副本位置分布 6.5 基于虚拟机迁移的容错策略 6.6 仿真分析 附录A 基于API驱动的GPU虚拟化技术性能评估与分析 附录B 缩略语 参考文献