本文關(guān)鍵詞：云計算環(huán)境中資源配置技術(shù)研究

  更多相關(guān)文章： 云計算 負載預(yù)測 神經(jīng)網(wǎng)絡(luò) 虛擬機遷移

【摘要】：一個云計算系統(tǒng)可能包括上萬臺節(jié)點,其復(fù)雜性、大規(guī)模性和動態(tài)性,給數(shù)據(jù)中心維護人員帶來極大困難。因此,如何在云計算資源管理中減少人工操作,讓系統(tǒng)可以根據(jù)配置策略自行管理,達到資源的自適應(yīng)管理,是亟待解決的問題和研究熱點。對此需要解決兩個主要問題:如何對資源負載進行預(yù)測;根據(jù)負載預(yù)測結(jié)果制定相應(yīng)的資源配置策略。云計算環(huán)境中的資源負載預(yù)測復(fù)雜,簡單的預(yù)測模型不能達到很好效果。此外傳統(tǒng)的單目標虛擬機資源配置尋優(yōu)算法只能在某一方面,比如遷移次數(shù)或節(jié)點使用個數(shù)取得較好效果,綜合效果差,缺乏實用性。針對第一個問題,本文提出了基于負載相似度的神經(jīng)網(wǎng)絡(luò)負載預(yù)測算法。該算法利用神經(jīng)網(wǎng)絡(luò)適應(yīng)動態(tài)系統(tǒng)優(yōu)點,并結(jié)合負載特征聚類,找出優(yōu)化的神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本,提高預(yù)測準確性。針對第二個問題,本文給出了基于混合分組編碼的多目標遺傳算法實現(xiàn)虛擬機的資源配置,綜合考慮了虛擬機遷移次數(shù)和物理機使用個數(shù)兩個目標。實驗結(jié)果表明,基于負載相似度的神經(jīng)網(wǎng)絡(luò)負載預(yù)測算法可以有效提高資源負載的預(yù)測性能,基于混合分組編碼的多目標遺傳算法能夠在減少虛擬機遷移次數(shù)的同時減少物理機使用個數(shù),降低了系統(tǒng)能耗。
【關(guān)鍵詞】：云計算 負載預(yù)測 神經(jīng)網(wǎng)絡(luò) 虛擬機遷移
【學(xué)位授予單位】：北京理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP302
【目錄】：

• 摘要5-6
• Abstract6-9
• 第1章 緒論9-18
• 1.1 論文研究背景和意義9-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-15
• 1.3 論文研究內(nèi)容及結(jié)構(gòu)安排15-18
• 1.3.1 論文研究內(nèi)容15-16
• 1.3.2 論文結(jié)構(gòu)安排16-18
• 第2章 云計算環(huán)境中資源負載的特征聚類算法18-28
• 2.1 引言18-19
• 2.2 資源負載特征提取19-22
• 2.2.1 負載數(shù)據(jù)的選取及預(yù)處理19-20
• 2.2.2 云計算資源負載特征提取20-22
• 2.3 資源負載聚類算法22-25
• 2.3.1 模糊C-均值聚類算法22-23
• 2.3.2 輸入空間中的模糊核聚類算法KFCM-223-25
• 2.4 模擬實驗及分析25-27
• 2.5 本章小結(jié)27-28
• 第3章 云計算環(huán)境中資源負載預(yù)測算法28-42
• 3.1 引言28-29
• 3.2 基于BP的云資源負載預(yù)測算法29-32
• 3.2.1 BP網(wǎng)絡(luò)模型結(jié)構(gòu)29-30
• 3.2.2 基于BP神經(jīng)網(wǎng)絡(luò)的資源負載預(yù)測算法30-32
• 3.3 基于ELMAN的云資源負載預(yù)測算法32-36
• 3.3.1 Elman網(wǎng)絡(luò)模型結(jié)構(gòu)32-34
• 3.3.2 基于Elman神經(jīng)網(wǎng)絡(luò)的的資源負載預(yù)測算法34-36
• 3.4 改進的神經(jīng)網(wǎng)絡(luò)預(yù)測算法36-39
• 3.5 模擬實驗及分析39-41
• 3.6 本章小結(jié)41-42
• 第4章 云計算環(huán)境中資源配置管理42-53
• 4.1 引言42-43
• 4.2 云計算資源自適應(yīng)管理模型43-45
• 4.3 云計算中虛擬機資源的配置管理45-46
• 4.4 基于混合分組編碼的多目標遺傳算法46-49
• 4.4.1 多目標優(yōu)化方法46
• 4.4.2 算法的設(shè)計與實現(xiàn)46-49
• 4.5 模擬實驗及分析49-52
• 4.6 本章小結(jié)52-53
• 第5章 總結(jié)與展望53-56
• 5.1 本文主要工作53-54
• 5.2 下一步工作及展望54-56
• 參考文獻56-60
• 攻讀學(xué)位期間發(fā)表論文與研究成果清單60-61
• 致謝61

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前4條

1 朱晟,蔣傳文,侯志儉;基于氣象負荷因子的Elman神經(jīng)網(wǎng)絡(luò)短期負荷預(yù)測[J];電力系統(tǒng)及其自動化學(xué)報;2005年01期

2 鄭湃;崔立真;王海洋;徐猛;;云計算環(huán)境下面向數(shù)據(jù)密集型應(yīng)用的數(shù)據(jù)布局策略與方法[J];計算機學(xué)報;2010年08期

3 李強;郝沁汾;肖利民;李舟軍;;云計算中虛擬機放置的自適應(yīng)管理與多目標優(yōu)化[J];計算機學(xué)報;2011年12期

4 祁薇熹;李彬;;多目標演化算法的進展研究[J];計算機與數(shù)字工程;2008年05期

，

本文編號：837675