發(fā)布時間：2022-01-13 14:03

　　SaaS（Soft as a Service）,是一種打破傳統(tǒng)軟件銷售模式的商業(yè)模式。為了給SaaS服務(wù)的開發(fā)和運營提供穩(wěn)定、有針對性的服務(wù)平臺,SaaS服務(wù)提供商構(gòu)建了SaaS平臺以統(tǒng)一管理眾多SaaS服務(wù),負(fù)責(zé)軟件的開發(fā)、部署、組合和維護,從他們的客戶中獲得穩(wěn)定、持續(xù)的收入。然而,如何合理地將SaaS服務(wù)部署在相應(yīng)的虛擬機上以最大化SaaS服務(wù)提供商的經(jīng)濟效益,是SaaS平臺需要考慮的重要問題。隨著SaaS平臺上SaaS服務(wù)的用戶訪問量不斷變化,SaaS服務(wù)的資源需求量也隨之變化,此時,單一的服務(wù)部署方案并不能保證系統(tǒng)穩(wěn)定,因此,在SaaS平臺的運行過程中,需要不斷地調(diào)整SaaS服務(wù)的部署方案。目前研究中,大多以最小化虛擬機的租用成本來最大化SaaS服務(wù)提供商的經(jīng)濟效益;SaaS服務(wù)初始部署階段的求解算法易陷入局部最優(yōu),求解質(zhì)量不高;在動態(tài)部署階段,大多研究中提出的算法在調(diào)整服務(wù)部署時過于被動,容易造成服務(wù)質(zhì)量下降;服務(wù)遷移策略缺乏對SaaS服務(wù)資源需求和虛擬機資源消耗之間的相關(guān)性、互補性以及SaaS服務(wù)之間交互的考慮。針對以上問題,本文將提出相應(yīng)的解決方案。本文將最大化SaaS服... 

【文章來源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：87 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
縮略語對照表
第一章 緒論
    1.1 選題背景
    1.2 選題意義
        1.2.1 理論研究意義
        1.2.2 現(xiàn)實應(yīng)用意義
    1.3 國內(nèi)外研究現(xiàn)狀
        1.3.1 服務(wù)初始部署相關(guān)研究
        1.3.2 服務(wù)動態(tài)部署相關(guān)研究
    1.4 本文的主要工作
    1.5 本文的組織結(jié)構(gòu)
第二章 SaaS服務(wù)部署優(yōu)化
    2.1 SaaS服務(wù)初始部署優(yōu)化問題分析
    2.2 SaaS服務(wù)動態(tài)部署優(yōu)化問題分析
    2.3 本章小結(jié)
第三章 基于混合模擬退火和粒子群的SaaS服務(wù)初始部署
    3.1 SaaS服務(wù)部署優(yōu)化問題模型
    3.2 粒子群優(yōu)化算法(PSO)
    3.3 模擬退火算法(SA)
    3.4 混合模擬退火和粒子群算法(SAPSO)
        3.4.1 粒子的位置
        3.4.2 粒子的速度
        3.4.3 適應(yīng)度函數(shù)
        3.4.4 位置初始化
        3.4.5 算法流程
    3.5 實驗與分析
        3.5.1 參數(shù)設(shè)置
        3.5.2 實驗數(shù)據(jù)分析
    3.6 本章小結(jié)
第四章 基于Prophet-LSTM的資源預(yù)測模型
    4.1 Prophet模型
    4.2 LSTM神經(jīng)網(wǎng)絡(luò)模型
    4.3 Prophet-LSTM組合資源需求預(yù)測模型
        4.3.1 參數(shù)設(shè)置
        4.3.2 實驗數(shù)據(jù)分析
    4.4 本章小結(jié)
第五章 動態(tài)資源需求下的SaaS服務(wù)遷移策略
    5.1 遷移時機判斷
    5.2 擬遷移服務(wù)篩選
    5.3 目的虛擬機篩選
    5.4 算法設(shè)計與流程
        5.4.1 資源整合算法
        5.4.2 資源負(fù)載均衡算法
    5.5 實驗與分析
        5.5.1 參數(shù)設(shè)置
        5.5.2 實驗數(shù)據(jù)分析
    5.6 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻
致謝
作者簡介


【參考文獻】：
期刊論文
[1]基于APMSSGA-LSTM的容器云資源預(yù)測[J]. 謝曉蘭,張征征,鄭強清,陳超泉.  大數(shù)據(jù). 2019(06)
[2]基于云自適應(yīng)粒子群優(yōu)化算法和隨機森林回歸（CAPSO-RFR）的負(fù)載均衡預(yù)測[J]. 李雨泰,李偉良,尚智婕,王洋,董希杰.  微型電腦應(yīng)用. 2019(10)
[3]Prophet-LSTM組合模型的銷售量預(yù)測研究[J]. 葛娜,孫連英,石曉達,趙平.  計算機科學(xué). 2019(S1)
[4]基于模擬退火的粒子群算法在函數(shù)優(yōu)化中的應(yīng)用[J]. 李淑香.  沈陽工業(yè)大學(xué)學(xué)報. 2019(06)
[5]基于模糊校正的深度時序信息安全評估算法[J]. 魏明樺,鄭金貴.  河海大學(xué)學(xué)報(自然科學(xué)版). 2018(05)
[6]云環(huán)境中面向服務(wù)軟件的演化部署優(yōu)化方法[J]. 李琳,應(yīng)時,董波,王蕊.  中國科學(xué):信息科學(xué). 2017(06)
[7]基于混合遺傳模擬退火算法的SaaS構(gòu)件優(yōu)化放置[J]. 孟凡超,初佃輝,李克秋,周學(xué)權(quán).  軟件學(xué)報. 2016(04)

博士論文
[1]存儲敏感的云服務(wù)優(yōu)化重部署關(guān)鍵技術(shù)研究[D]. 閆慧寧.國防科學(xué)技術(shù)大學(xué) 2017
[2]云計算中數(shù)據(jù)安全及隱私保護關(guān)鍵技術(shù)研究[D]. 董鑫.上海交通大學(xué) 2015
[3]SaaS應(yīng)用中多租戶若干關(guān)鍵技術(shù)研究[D]. 顧平莉.北京郵電大學(xué) 2012

碩士論文
[1]面向動態(tài)資源需求的SaaS服務(wù)部署優(yōu)化研究[D]. 向克進.西安電子科技大學(xué) 2019
[2]云環(huán)境下虛擬資源利用率預(yù)測研究[D]. 張超坤.華北電力大學(xué) 2019
[3]云計算虛擬機的負(fù)載預(yù)測與調(diào)度策略研究[D]. 高玉嬌.燕山大學(xué) 2018
[4]基于ARIMA-BP組合模型的某餐飲O2O企業(yè)訂單預(yù)測研究[D]. 施佳.北京交通大學(xué) 2018
[5]基于一種組合預(yù)測模型的自動伸縮Docker集群關(guān)鍵技術(shù)研究[D]. 王天澤.西安工程大學(xué) 2018
[6]SaaS多租戶數(shù)據(jù)模型及實現(xiàn)技術(shù)研究[D]. 張偉.西北大學(xué) 2016
[7]可定制SaaS應(yīng)用建模及其優(yōu)化放置研究[D]. 商曉.哈爾濱工業(yè)大學(xué) 2015
[8]SaaS多租戶數(shù)據(jù)存儲技術(shù)研究與應(yīng)用[D]. 王歡.華南理工大學(xué) 2014
[9]云計算中面向SaaS的QoS建模研究與分析[D]. 李杰.南京航空航天大學(xué) 2012



本文編號：3586564