一、核心处理器使用率如何波动?（论文文献综述）
王仪[1]（2021）在《基于Kubernetes的容器云平台资源调度策略研究》文中提出随着容器技术的快速发展,Docker凭借轻量级、启动快、隔离性高和资源损耗低等优势,迅速成为了当前企业部署云平台的首选。在容器云平台中存在大量容器,因此需要一个高效的容器编排系统对集群进行管理。在市场上众多的产品中,具有代表性的开源工具Kubernetes作为新一代的佼佼者,其卓越的性能可以为广大用户提供更加便捷的服务。本文以Kubernetes作为研究对象,介绍了 Kubernetes的系统架构和功能设计,分析了 Kubernetes系统默认的调度机制。在云平台运行过程中,调度任务具有随机性和多元性特征,资源需求处于不断变化的过程。固有的静态资源分配机制缺乏灵活性,很难满足需求变化,资源浪费现象比较严重。针对上述问题,本文设计了一套资源调度的优化策略。首先,针对目前静态资源调度方案滞后性的问题,提出了一种基于预测模型的资源调度机制。通过对云平台资源使用量特性进行观察,发现资源使用量会随着应用负载的波动而变化,包含线性和非线性的特征。因此对适合线性序列预测的ARIMA模型及适合预测非线性序列的BP神经网络进行了研究,并结合两种预测模型提出一种组合预测模型。其次,Kubernetes调度组件无法在应用出现资源消耗瓶颈之前触发资源调度,很容易造成资源消耗的瓶颈。为了提升Kubernetes系统中应用程序的服务质量,将组合预测模型结果应用到资源调度模块中,使得Kubernetes集群应用可以动态地选择调度方案。最后,对当前Kubernetes基础架构进行优化,增加了监控模块、预测模块、自动伸缩模块和资源调度模块等四个模块,并分别对以上模块进行设计与实现。为了验证改进后的Kubernetes云平台使用效果,本文对预测模型的精度、自动伸缩策略和资源调度策略进行了一系列实验。实验结果表明,提出的组合预测模型误差较小,能够较好地反映出应用资源的请求变化规律;自动伸缩策略能够随负载增大而扩大集群规模,提升了集群的可用性;资源调度机制可以更有效地提升应用的资源平衡度,提高了应用的服务质量。
黄磊[2]（2021）在《基于微服务的运维平台设计与异常检测研究》文中研究表明传统电信系统中的运维平台由于历史架构原因,与业务模块耦合较大,使得新模块的接入和兼容工作繁琐,开发效率低下,增加额外运维工作难度。同时运维平台需要关注服务的日志信息,通过过滤获取异常数据进行报警,传统运维平台中采用静态阈值过滤数据导致高负载机器出现大量无效报警影响运维效率。本文通过新的架构模式并运用不同的异常检测算法来解决上述两个问题。首先,本文按照软件工程开发流程,基于微服务架构中核心的服务治理的概念重新开发简易运维平台系统。使用Go语言自主实现了无侵入管理服务模块的网关组件开发,通过洋葱结构的中间件实现了微服务架构中服务发现,负载均衡,心跳探测,权限控制和流量控制等服务治理功能,成功实现了一个微服务体系下完整的系统搭建。该运维平台具有了对常见协议服务节点的管控能力,同时设计租户对象来对服务的流量以及权限进行更细粒度的统计,控制和管理。在此运维平台上接入一个新服务可以做到几乎无侵入的同时对服务的监测,权限,流量和负载等多方面管理,很大程度的提高了运维系统架构层面的扩展性和易用性。其次,本文根据真实电信系统服务器日志的分析结果,通过特征值定义,周期挖掘,动态阈值三个步骤实现了日志异常检测的优化。使用统计学特征值解决了日志规律衡量的标准,配合蚁群算法思想中信息素的思想,解决周期挖掘递归所遇到的复杂度过高和边界条件模糊的问题。通过得到服务器日志周期长度数据与统计学的分布规律最后确定每一个目标区间的动态阈值,该阈值过滤日志能留下更有效报警数据。运维平台落地使用该异常检测算法,能在服务器高负载情况下过滤无用报警,在低负载的情况下提供更敏感的报警监测,提高了运维效率。
周杰[3]（2020）在《无服务器架构下工作流调度算法研究及实现》文中认为工作流技术是一种起源于办公自动化系统的技术。作为过程自动化与协同技术的一种,工作流技术已经在很多领域（如金融业、制造业、科学界等）得到广泛的应用。为了提高工作效率,许多业务过程都会采用工作流技术,其关键是应用计算机技术把业务过程抽象出来,建立对应的工作流模型来实现自动化处理。随着云计算的发展,服务架构从传统的平台即服务（Platform as a Service,Paa S）慢慢演变到无服务器（以下简称Serverless）架构。通过Serverless架构,开发人员不用过多考虑服务器相关的问题,只需要和预先定义好的接口（以下简称API）进行交互。基于Serverless架构,用户只需要为特定函数的执行时间进行付费,相比于用户需要为虚拟机的执行时间片段付费的传统的基础设施即服务（Infrastructure as a Service,Iaa S）架构,极大影响了大规模伸缩系统的性能提升。然而,由于Serverless架构使用了不同的资源模型,其最基本的资源模型是函数而不是Iaa S中的虚拟机,故现有的基于Iaa S的工作流列表调度算法难以在Serverless平台上实现;此外,由于在Serverless平台上无法控制任务执行的CPU运算速率,现有的基于运行时间估计的列表调度算法也难以在Serverless平台上实现。因此,针对Serverless平台的资源模型,研究基于Serverless框架的工作流调度算法是很有意义的。本文的工作主要有:首先,提出了一个基于Serverless架构的工作流调度系统框架,其使用Knative作为Serverless平台,Kubernetes作为集群管理系统,通过调度、监控、调整、反馈、日志等五个模块,实现对Knative Serving的管理和工作流任务向Knative Serving资源的转换;同时,系统形式化定义用户需要提交的工作流格式,方便用户定义并创建工作流。在调度算法方面,本文提出了一个考虑整体执行时间（即工作流提交到工作流完成的时间差,以下简称为Makespan）和截止时间（以下简称Deadline）的基于Serveless架构的工作流动态调度算法,通过将整个集群的资源分配给多个工作流,相比于传统的静态调度算法,能够满足用户在不同时间、提交不同工作流的调度任务;本文提出的算法无须考虑传统的Iaa S平台调度算法需要使用的各类工作流任务运行时间参数,可以避免误差较大的运行时间估计对调度算法的影响;通过监控反馈机制获取更真实的资源使用情况,本算法可以更为精确地调整工作流任务的实例数;此外,本算法还对集群节点伸缩提供了支持,充分利用了Serverless架构自动伸缩的特性。最后,基于上述研究,在Knative平台上实现了提出的工作流调度系统框架及算法,并在搭建的实验平台上验证了调度算法的性能。实验结果表明,由于采用了监控反馈机制来获取资源的使用情况,本文提出的调度算法可以在整体Makespan和按时完成率上取得更好的调度效果,并适应各种不同的调度环境。
唐中[4]（2020）在《高性能低成本CMOS温度传感器研究》文中研究指明CMOS温度传感器因其体积小、易于集成、成本低,而且可直接输出数字信号等优点,广泛用于各类片上系统、工业物联网以及无线传感网络等应用场景。然而不同的具体应用场景对CMOS温度传感器的设计也提出了相应的挑战。如片上系统里的实时时钟校准应用需要高精度的温度传感器;而片上热管理应用强调超小面积以及低电压工作;各类物联网应用则对其功耗提出了苛刻的要求;此外,进一步降低温度传感器在量产中的校准成本也有重要的应用价值。针对上述难点和挑战,本文结合具体的应用场景,按照温度读出电路所处理的不同信号域,开展系统性的CMOS温度传感器研究,先后共完成7款高性能、低成本CMOS温度传感器研制。论文主要的工作和创新点如下:1.电压和电流域读出CMOS温度传感器研究:（1）本文首次分析了带电流增益补偿技术的BJT温度传感器前端电路中存在的多个简并点的问题,提出新型低成本启动电路,保证了电路鲁棒性;（2）结合用于电能计量MCU中RTC校准的应用场景,本文提出新型数字辅助线性化的系统方案,在满足高精度测温需求的同时,兼容多通道复用读出接口,减小了系统设计成本;（3）基于以上创新点,并采用动态元件匹配、电流增益补偿和斩波稳定等技术,本文在标准0.13-μm CMOS工艺下设计了一款兼容性强、精度高的CMOS温度传感器,可实现在-40?C到125?C的温度范围内,一点校准后实测误差仅为±0.47?C（3σ）。（4）针对CMOS温度传感器在先进工艺下设计难度大、在工业应用中校准难等挑战,本文提出了适用于电流域温度读出方案的新型动态电流增益抵消技术,在不增加额外功耗、面积等成本的情况下,提升了测温精度;（5）基于以上技术,本文在标准55-nm CMOS工艺下设计了一款免校准电流域读出CMOS温度传感器,在-40?C到125?C的温度范围内不校准的实测误差为±1.7?C（3σ）,芯片面积仅为0.0146 mm2。2.时域和频域读出CMOS温度传感器研究:（1）本文针对现有占空比调制输出的CMOS温度传感器面积大、工作电压高等问题,提出了新型电容复用电压-占空比转换器,同等条件下减小50%的电容面积,并提升了转换精度;（2）利用所提出的电容复用电压-占空比转换器,本文在标准0.13-μm CMOS工艺下设计了两款高性能低成本CMOS温度传感器。所设计的BJT型传感器可在-10?C到100?C范围内,一点校准后误差仅为±0.38?C（3σ）,芯片面积仅为0.073 mm2。而采用动态偏置电阻前端的传感器则支持1 V以下的供电电压,芯片面积仅为0.025 mm2。（3）本文结合BJT模拟前端和基于环形振荡器的频域读出接口,提出了两步动态范围优化的技术,在标准0.13-μm CMOS工艺下实现了一款支持75 kSa/s转换速率的CMOS温度传感器。3.全数字CMOS温度传感器研究:（1）本文提出基于亚阈值漏电的全数字小面积CMOS温度传感器架构,该设计自带电源波动抑制能力,解决了传统基于环形振荡器的读出架构对电源波动敏感的问题。（2）基于该架构,本文在SMIC 55-nm CMOS工艺实现了一款全数字CMOS温度传感器,该设计核心面积仅为1770μm2,可在0.8 V到1.3 V的宽供电电压范围内正常工作;在-40?C到125?C范围内,两点校准后的误差仅为±0.7?C（3σ）;（3）在上述研究基础上,提出了功耗更低、鲁棒性更强的延时单元结构,并设计了兼容性更强的频率-数字转换器;该设计在UMC 55-nm CMOS工艺进一步流片验证。实测结果显示,改进后的温度传感器在保持小面积（2454μm2）的同时,实现了更低功耗（0.86μW）和更高能量效率（0.26 pJ·K2）,与现有国际同类高水平设计相比,更具先进性。
裴家宁[5]（2020）在《SDN/NFV网络中服务功能链的路由和资源优化研究》文中进行了进一步梳理近年来,新型网络技术和多样化网络用户需求的出现使得网络运营商的业务模型正经历一场革命性的变革。网络功能虚拟化（Network Function Virtualization,NFV）和软件定义网络（Software Defined Network,SDN）已经成为这场变革中很有前景的网络技术。通过虚拟化技术,NFV将网络功能从专用硬件设备中解耦出来,允许软件化的虚拟网络功能（Virtualized Network Function,VNF）运行在通用设备上,大大提升了网络功能部署的灵活性与可扩展性。SDN网络实现了控制平面与数据平面的分离,它将控制平面集中到SDN控制器中,从而方便地对全网设备进行集中式的管理与控制。因此,应用SDN和NFV的新型网络架构可以通过全局网络设备的管理,实现灵活的网络服务部署和高效的资源配置与优化。服务功能链（Service Function Chain,SFC）是一项正在被互联网工程任务组标准化的网络技术,它要求网络流按序经过一系列特定的网络功能,网络运营商可以利用SFC为用户提供定制化的网络服务。然而,SFC技术的实现还存在着诸多问题与挑战。在SDN/NFV网络中,为了提高网络性能、实现网络负载均衡,相同功能的VNF可以灵活地部署在不同的网络设备中,形成了 VNF多实例部署的场景。在进行SFC路由计算的过程中,如何从VNF多实例的网络场景中选择最优的VNF实例（VNF Instance,VNFI）,以及如何产生满足SFC顺序约束的最佳路径,已经成为了学术界重点研究的问题。考虑到网络负载的动态变化,网络运营商需要自适应地调整与优化网络中VNFI的部署数量与部署位置,从而提高网络性能。而且,优秀的VNF部署算法可以根据网络状态以及SFC的路由策略,通过VNFI的优化部署,节省网络中链路带宽资源与节点缓存资源的使用,进而为网络应用以及数据传输提供良好的服务环境。然而,VNF部署问题已经被证明为NP-hard问题。因此,针对复杂的网络状态变化,如何设计灵活高效的VNF部署策略是我们面临的另一大挑战。本文主要研究了 SDN/NFV网络中的SFC路由、VNF部署以及资源优化问题。根据不同的研究性能考量,本文的研究内容主要包含如下三个部分:基于网络流特征匹配的SFC路由研究、基于网络负载自适应的VNF动态部署和路由研究、基于机器学习的SFC路由与资源优化研究。其中,研究点三中又包含两个小研究点:基于深度学习的SFC路由研究和基于深度强化学习的VNF部署和资源优化研究。本论文的工作和主要创新点如下:1)针对网络流的资源偏好特点,定义了资源的相对代价,提出了一种网络流特征匹配的SFC路由算法,提升了网络性能,实现了网络负载均衡。为了实现面向SFC业务的细粒度网络流路由计算,本研究点分析了网络流的资源偏好特性,将网络流按照带宽和计算资源需求量的不同进行了类别区分,并根据全网资源状态情况定义了相对代价。接着,充分利用SDN网络全局控制的优势,对该均衡网络负载的路由优化问题进行了数学建模,并提出了资源感知路由算法（Resource Aware Routing Algorithm,RA-RA）,为 SFC 业务网络流提供差异化的路由计算服务。性能评估显示,RA-RA能够在小规模的网络场景中获得近最优的性能表现,而且其算法的运行速度也优于最优算法。此外,同对比算法相比,RA-RA能够显着提升网络性能。2)针对网络负载动态变化的特性和VNF灵活部署的特点,联合考虑SFC路由以及VNF部署场景,对问题进行了数学建模,结合相对代价,提出了 SFC映射算法和VNF动态释放算法,实现了两者代价的最小化,提高了网络的资源使用率。综合考虑多类网络资源、动态网络负载变化以及网络负载均衡等影响因素,研究了 VNF动态部署与路由问题。我们对该问题进行了数学建模,优化目标是最小化SFC路由计算过程中的VNF部署代价和资源代价值,并且基于拓扑图转化的思想提出了 SFC映射（SFC MAPping,SFC-MAP）算法。借助多层图,SFC-MAP算法实现了 SFC路由计算和VNFI部署的联合求解。接着,提出了VNF 动态释放算法（VNF Dynamic Release Algorithm,VNF-DRA）,它可以根据网络负载的变化情况,周期性地释放网络中冗余部署的VNFI。性能评估显示,SFC-MAP&VNF-DRA算法能够在小规模的网络场景中获得近最优的性能,而且其运算速度能够大幅度超过最优算法。此外,同现有文献中的VNF部署算法相比,SFC-MAP&VNF-DRA算法能获得更好的网络性能,提高网络的资源使用率。3)利用深度信念网络模型,设计了基于深度学习的两阶段SFC路由算法,在保证网络性能的同时提升SFC路由计算的时效性。本研究点基于深度学习强大的特征提取与学习能力,将深度学习技术引入到SFC路由问题中,对SFC路由问题进行了数学建模,其优化目标是最小化SFC路径的端到端时延,并进一步提出了一种基于深度学习的两阶段算法（Deep Learning-based Two-Phase Algorithm,DL-TPA）。DL-TPA 算法将问题求解划分为VNF选择和VNF链化两个阶段,并且设计了 VNF选择网络和VNF链化网络,分别负责这两个阶段的求解工作。此外,为了进一步提升算法的运行效率,DL-TPA优化了 VNF选择网络和VNF链化网络的策略空间。仿真结果显示,DL-TPA的算法时效性能够明显超越基于策略的对比算法,而且还能获得良好的网络性能。4)利用深度强化学习技术,考虑动态网络负载变化场景,设计了基于双深度Q 网络的 VNF 部署算法（Double DQN-based VNF Placement Algorithm,DDQN-VNFPA）,实现了 VNF在网络中的高效部署,提升了网络性能和资源使用率。本研究点综合考虑了网络负载变化特性,对VNF部署问题进行了数学建模,其优化目标是根据未来一段时间内SFC的变化情况,优化该时间段内的VNF部署代价、VNFI运行时间以及SFCR的失败惩罚。进一步,结合深度强化学习技术,本论文提出了 DDQN-VNFPA算法。性能评估显示,DDQN-VNFPA算法能够根据网络负载的变化,灵活地调整与优化网络中的VNFI部署,相比对比算法而言,能够获得更好的网络性能表现。
刘兴晨[6]（2020）在《基于反馈控制的消防维保系统性能优化研究与实现》文中提出软件系统的性能是衡量其运行效果的重要部分,有效的性能优化能够提高软件系统的用户体验,帮助系统更稳定的运行。针对目标软件系统的特征设计优化方案可以达到更好的性能优化效果。本文的研究对象是实验室项目——消防维保系统,该系统旨在规范消防维保公司的维保行为,并方便监管部门对消防维保公司进行监管,包含12个模块,31个功能,具有规模大、功能多、业务逻辑复杂的特点。在系统运行过程中存在以下现象:并发请求量增加时,出现等待时间长,部分事务失败的情况。经过分析发现,系统部分核心业务（如“维保任务提交”）具有使用频度高、使用时间段集中、上传数据量大（有大量图片数据）等特点。并且项目本身具有约束条件的限定:不能改变原有系统硬件配置。系统原有的性能优化方案是基于Nginx的经典负载均衡方案,并不能很好的适应这些特征。本文工作内容则是为了解决以上问题。为了解决系统中存在的问题,本文对消防维保系统的业务和环境特点以及系统中存在的问题进行了分析,并针对系统特征和约束条件,提出一种基于反馈控制的性能优化框架,与消防维保系统整合,对系统的性能起到了较好的优化作用。本文的主要研究内容以及工作如下:（1）对消防维保系统中存在的问题进行分析,提出了基于反馈控制的性能优化框架,并对实现框架需要解决的关键问题进行思路分析,并对相关研究进行了对比分析。（2）对提出的框架进行设计。研究自制计算,利用MAPE控制环路以及CADA自治控制环路模型的思想,设计了框架的整体架构;通过进行日志分析的研究,对负载能力计算方法所需的响应时间、CPU、内存、带宽等信息的有效数据的筛选与处理;设计了服务器负载能力计算方法,更全面贴切的表示服务器节点的负载能力;基于反馈控制理论设计了双层反馈控制器,利用外层反馈控制器做出服务器节点数量方案,利用内层反馈控制器做出负载均衡比例的调整方案;研究动态负载均衡技术,实现动态修改负载均衡策略,避免重新加载Nginx。（3）实现性能优化框架,以此为基础设计实验方案,对性能优化框架作用于消防维保系统的性能优化效果进行测试与分析。本文完成了性能优化框架的设计与实现,并通过对实验结果的分析得出结论:本文设计并实现的性能优化框架对消防维保系统具有有效的性能优化作用。
王宇[7]（2020）在《智慧停车云多租户性能隔离技术的研究与实现》文中研究指明随着云计算与物联网技术的高速发展进步,基于SaaS模式的智慧停车云平台得到了广泛的应用,有效地打破传统停车行业信息不对称、人工管理成本高、车位利用率低的现状。多租户是云平台的核心模式,由于停车场物业们可以共享一组部署在云上的定制化智慧停车服务,云服务供应商的经济成本得以大幅降低。然而,云计算资源的共享导致了租户之间的服务性能竞争。因此,如何保证云平台中的所有租户都拥有高质量的智慧停车服务成为供应商最为关注的问题。不同于传统SaaS应用,智慧停车云通过云计算技术对智能硬件进行整合,为终端用户提供智慧停车服务,覆盖了 Web与物联网两大应用场景。本文首先根据智慧停车云多租户模式的共性,结合容器技术与微服务架构,提出面向租户SLA（Service Level Agreement,SLA）的微服务容器化部署方案;继而根据智慧停车云Web与物联网场景下的特性,分别提出面向Web场景下微服务集群的性能隔离算法和面向物联网场景下订阅/发布模式的性能隔离算法,从而实现有效的多租户性能隔离。具体地,本论文的研究工作如下:1)设计了一种面向停车场物业SLA的微服务容器化部署方案,根据停车场的业务规模与租户签订相应等级的SLA协议,利用容器技术满足不同体量租户的性能需求,并实现不同SLA等级间租户的性能隔离。2)面向Web场景下的微服务集群实现了性能隔离算法,该算法基于反向代理技术,通过动态租户资源消耗量统计,对来自不同租户的HTTP请求进行调度,从而实现了停车云平台Web服务的多租户性能隔离。相比于公平队列算法,该算法在租户请求资源消耗量不同的情况下,能够更好地平衡租户的资源占用。3)面向物联网场景下的订阅/发布模式实现了性能隔离算法,针对物联网常用的通信协议MQTT提出了多租户数据流调度算法。当物联网设备与停车云平台进行通信时,该算法能够有效地减少不同租户设备彼此间的性能干扰,从而为租户的物联网设备间提供有效的性能隔离,相比于令牌桶算法,该算法的隔离性和稳定性更强。4)针对本研究提出的方案和算法实现了智慧停车云性能隔离系统,并针对部署该系统后的智慧停车云平台进行多租户高并发场景的实验。通过分别增大来自部分租户的Web请求与物联网消息并发量,对停车场潮汐效应带来的云服务负载压力进行模拟。实验结果证明本文所提出的性能隔离算法可以在Web与物联网两种场景下有效降低租户之间的性能竞争,保障租户间的性能隔离。
王威[8]（2020）在《数据采集系统中TCP/IP硬件协议栈的研究与FPGA实现》文中提出数据采集系统广泛地应用于工业控制等诸多领域,随着精细化、智能化、多路采集的待测设备和场景越来越多,对采集传输系统的能力提出了越来越高的要求。传统的货架数据采集系统很难满足特定的需求,而非标准产品的采集系统有很强的针对性,且价格昂贵、结构复杂,难以适用于普遍的采集应用场景。因此,实现一个具备高性能、高灵活性和低成本的数据采集系统,是当前社会、工业发展的迫切需求。随着集成电路与信息科学技术的快速发展,为数据采集系统的高性能、集成化设计提供了新思路。借助网络卸载引擎思想,基于FPGA实现TCP/IP协议栈的逻辑设计,实现一种具备高传输速率、高可靠性、灵活性和低成本的以太网传输链路。旨在研究基于硬件可编程器件实现软件协议硬件化的实施方案,为分布式数据采集领域的高速数据卸载和传输链路加速提供一种可行性方案。本文首先结合数据采集系统和TCP/IP协议的功能特点,提出TCP/IP协议族裁剪方案,只保留保证数据高速传输和可靠性的必要协议。采用分层处理、模块化的设计方法,按照“接收解析-数据处理-组帧发送”的顺序,实现了以太网TCP/IP协议通信的基本功能。在此基础上,深入研究TCP关键技术,在FPGA中采用标准算法实现超时与重传;基于RAM设计TCP发送窗口;基于拥塞窗口包计数改进拥塞控制算法,让其在硬件逻辑处理和批量数据高速传输的过程中具备更高的调控效率。除此之外,提出请求应答队列管理机制、校验和预计算算法、CRC32超前计算算法,提高网络数据的卸载和封装速率。其次,基于真实的以太网通信数据编写测试激励源,建立全面的仿真。结合仿真波形详细分析了TCP/IP协议栈的设计细节和功能实现,保证设计在逻辑上的正确性,为实际的测试和应用提供了大量的实例。最后,搭建千兆以太网实物平台,测试结果表明,TCP/IP硬件协议栈的ARP应答,ICMP回显应答,UDP数据接收与发送,TCP服务器的连接建立、数据通信、连接终止、超时重传与恢复等功能均正确实现。针对TCP高速传输性能进行测试,结果表明,在容量为千兆的通用以太网信道中,可达到63%的网络使用率;在TCP传输稳定阶段,可达300Mbit/s速率,性能稳定。本设计相比于传统的和基于ASIC芯片的实现方式,在传输处理速度、灵活性、普适性和成本方面具备很好的优势,适用于广泛的数据采集传输系统,具有良好的实际应用价值。
刘佳琦[9]（2020）在《基于蚁群算法的云数据中心虚拟机迁移研究与实现》文中研究说明随着云计算的普及,各个行业对数据存储和计算能力的需求急剧增长,云数据中心的规模也在不断扩大,对能源的需求也越来越高。高能耗已经成为限制云数据中心发展的主要原因。为降低能耗,可以将虚拟机迁移到合适的服务器上,关闭空闲服务器,提高资源利用率。然而,过度的迁移整合也会造成虚拟机性能下降,影响服务质量。良好的虚拟机迁移策略需要既能确保降低能耗,又能保证服务质量,因此,研究虚拟机迁移策略具有重要意义。针对降低能耗和保证服务质量两个优化目标,本文基于蚁群算法设计并实现了虚拟机迁移策略。为了减少虚拟机迁移次数,选择迁移时间作为启发式因子。为了评价解,设计了参考迁移时间、迁移次数、能耗和活动服务器数量多个因素的评价函数。在迭代中加入变异运算,强化蚁群算法中较优解的信息素和扩大解的搜索范围。在蚁群算法中限制蚁群视野来加速算法的收敛和促进虚拟机迁移。目前的虚拟机迁移策略,只能保证迁移完成时的状态是正常状态,或者说是从过载状态进入到正常状态,却没有考虑虚拟机由于任务变化所增加的资源需求量可能导致服务器过载的情况,因此,通过将马尔可夫链在状态预测上的优势与指数平滑法对数据变化的快速反映相结合,对虚拟机的负载进行预测,在蚂蚁行进求解时,按照虚拟机负载预测值放置虚拟机,以减少迁移后及未来一段时间内发生服务器过载的几率。在仿真平台CloudSim中实现了本文提出的虚拟机迁移策略,设计了相应的实验并进行了仿真。实验结果显示,本文实现的虚拟机迁移策略在降低能耗和保证服务质量上具有一定优越性。
谢渊[10]（2020）在《分布式环境轨迹预测算法研究与实现》文中提出轨迹预测技术在现实中应用广泛。特别是随着大数据时代的到来,利用分布式数据训练轨迹预测模型已经成为了轨迹预测技术的研究重点。当前一般采用分布式神经网络框架训练轨迹预测模型,然而,分布式神经网络框架存在诸如通信效率低下、模型准确率不理想等问题,使得基于分布式数据的轨迹预测算法不能达到理想的训练速度和模型准确率。本文针对在分布式环境下,轨迹预测模型训练收敛效率及准确率偏低的问题,重点攻关基于分布式神经网络的轨迹预测模型框架性能瓶颈,提高轨迹预测模型的收敛速度和准确率。重点工作及创新点如下:（1）提出自适应梯度压缩算法。神经网络在分布式环境训练中,各计算节点间需要传输大量的中间梯度,随着计算节点单机优化效率的提高,网络传输成为了影响分布式神经网络训练效率的主要因素。因此,需要对传输的梯度进行压缩以缩短分布式神经网络训练的时间。但是,传统的梯度压缩算法通常不能有效的动态调节压缩比,因此无法同时兼顾模型准确率与训练效率两个维度的平衡。因此,本文针对神经网络模型训练的特点,动态感知模型收敛的进程,对梯度压缩率进行自适应调整,在最小的准确率降低代价下,尽可能提高模型的收敛速度。通过实验证明,该算法在网络通信代价较大的环境中,有较高的可行性。（2）提出自组织分组动态混合同步算法。不同计算节点间的通信步调直接影响模型训练的精度和速度。目前的通信算法主要有同步通信、异步通信和混合通信三种,其中同步通信算法拥有最高的模型准确率,异步通信算法拥有最高的模型训练速度。在保证准确率的基础上,如何高效利用所有计算节点的计算性能是通信算法的重点研究方向。本文在传统通信算法的基础上,结合自适应梯度压缩算法提出自组织分组动态混合同步算法,通过感知模型训练时集群状态,动态调节通信方案,提高模型的收敛速度。（3）搭建高性能分布式轨迹预测模型系统。在上述两种算法的基础上,搭建高性能分布式轨迹预测模型系统,该系统集成了计算节点管理、任务管理、模型预测等多种功能,通过可视化的方式与系统使用者交互,对节点运行情况、任务完成情况和模型性能等信息进行可视化展示。
二、核心处理器使用率如何波动?（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、核心处理器使用率如何波动?（论文提纲范文）
（1）基于Kubernetes的容器云平台资源调度策略研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 容器技术研究现状 |
| 1.2.2 云资源调度策略研究现状 |
| 1.3 研究内容及论文结构 |
| 1.3.1 研究内容 |
| 1.3.2 论文结构 |
| 1.4 本章小结 |
| 2 相关理论与技术 |
| 2.1 虚拟化技术 |
| 2.1.1 传统虚拟化 |
| 2.1.2 容器虚拟化 |
| 2.1.3 Docker轻量级虚拟化 |
| 2.2 容器集群资源编排系统 |
| 2.2.1 集中式调度系统 |
| 2.2.2 双层式调度系统 |
| 2.2.3 共享式调度系统 |
| 2.3 Kubernetes容器云平台 |
| 2.3.1 Kubernetes介绍 |
| 2.3.2 Kubernetes架构 |
| 2.4 本章小结 |
| 3 资源使用量预测模型 |
| 3.1 建模思想 |
| 3.2 ARIMA时间序列模型 |
| 3.2.1 ARIMA时间序列模型概念与特征 |
| 3.2.2 ARIMA时间序列原理 |
| 3.3 BP神经网络 |
| 3.3.1 BP神经网络预测模型概念与特征 |
| 3.3.2 BP神经网络算法原理 |
| 3.4 基于ARIMA-BP的组合预测模型 |
| 3.5 预测模型评价指标 |
| 3.6 本章小结 |
| 4 Kubernetes云平台调度策略 |
| 4.1 总体架构 |
| 4.2 监控模块 |
| 4.3 预测模块 |
| 4.4 自动伸缩模块 |
| 4.5 资源调度模块 |
| 4.6 本章小结 |
| 5 实验与结果分析 |
| 5.1 测试环境搭建 |
| 5.2 资源使用量预测模型实验 |
| 5.2.1 预测实验过程 |
| 5.2.2 预测实验结果分析 |
| 5.3 Kubernetes资源动态调度实验 |
| 5.3.1 自动伸缩模块实验 |
| 5.3.2 资源调度模块实验 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间主要研究成果 |
（2）基于微服务的运维平台设计与异常检测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 软件架构和异常检测的国内外研究历史与现状 |
| 1.2.1 软件架构国内外研究历史与现状 |
| 1.2.2 异常检测国内外研究历史与现状 |
| 1.3 本文的主要贡献与创新 |
| 1.4 本论文的结构安排 |
| 第二章 相关技术与基础 |
| 2.1 开发语言 |
| 2.1.1 语言定义 |
| 2.1.2 面向对象设计 |
| 2.1.3 协程 |
| 2.2 不同协议的微服务 |
| 2.2.1 HTTP服务 |
| 2.2.2 TCP服务 |
| 2.2.3 基于IDL的服务 |
| 2.3 统计学数据分析 |
| 2.3.1 统计指标 |
| 2.3.2 分布规律 |
| 2.3.3 周期挖掘 |
| 2.4 本章小结 |
| 第三章 运维平台架构设计 |
| 3.1 需求分析 |
| 3.1.1 产品描述 |
| 3.1.2 功能性需求 |
| 3.1.3 非功能性需求 |
| 3.1.4 设计约束 |
| 3.2 平台概要设计 |
| 3.2.1 总体设计 |
| 3.2.2 代理设计 |
| 3.2.3 数据库设计 |
| 3.2.4 接口设计 |
| 3.2.5 前端设计 |
| 3.3 平台流程设计 |
| 3.3.1 服务设计 |
| 3.3.2 代理服务设计 |
| 3.3.3 服务接入设计 |
| 3.4 本章小结 |
| 第四章 运维平台详细设计 |
| 4.1 编码基础 |
| 4.1.1 路由实现 |
| 4.1.2 中间件实现 |
| 4.1.3 代理实现原理 |
| 4.2 公共工具开发 |
| 4.2.1 校验器 |
| 4.2.2 日志检测 |
| 4.3 后台管理开发 |
| 4.3.1 管理员 |
| 4.3.2 服务管理 |
| 4.3.3 租户管理 |
| 4.3.4 大盘管理 |
| 4.4 中间件开发 |
| 4.4.1 流量统计中间件 |
| 4.4.2 流量限制中间件 |
| 4.4.3 协议转换中间件 |
| 4.4.4 黑白名单中间件 |
| 4.4.5 权限控制中间件 |
| 4.5 反向代理开发 |
| 4.5.1 四种负载均衡策略 |
| 4.5.2 服务端发现 |
| 4.5.3 客户端发现 |
| 4.5.4 代码实现 |
| 4.6 前端界面开发 |
| 4.6.1 列表页面 |
| 4.6.2 编辑页面 |
| 4.6.3 信息展示页面 |
| 4.7 平台测试 |
| 4.7.1 测试环境 |
| 4.7.2 功能测试 |
| 4.7.3 性能测试 |
| 4.8 本章小结 |
| 第五章 异常检测算法设计 |
| 5.1 数据处理 |
| 5.1.1 日志分析 |
| 5.1.2 统计学特征定义 |
| 5.2 周期模式挖掘 |
| 5.2.1 需求确定 |
| 5.2.2 算法设计 |
| 5.2.3 验证实验 |
| 5.3 动态阈值 |
| 5.3.1 问题定义 |
| 5.3.2 算法设计 |
| 5.3.3 验证实验 |
| 5.3.4 平台接入 |
| 5.4 平台测试 |
| 5.4.1 测试条件 |
| 5.4.2 实验结果及分析 |
| 5.5 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
（3）无服务器架构下工作流调度算法研究及实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外无服务器架构发展现状 |
| 1.3 国内外研究现状 |
| 1.3.1 无服务器架构相关研究 |
| 1.3.2 工作流调度相关研究 |
| 1.4 研究内容 |
| 1.5 本文的主要创新点 |
| 1.6 论文结构安排 |
| 第二章 相关背景知识介绍 |
| 2.1 无服务器架构简介 |
| 2.1.1 无服务器框架模型分析 |
| 2.1.2 现有国内外无服务器框架简介 |
| 2.1.3 无服务器框架Knative简介及优势 |
| 2.2 工作流相关知识简介 |
| 2.2.1 工作流及其种类 |
| 2.2.2 科学工作流的概念 |
| 2.3 工作流调度算法简介 |
| 2.3.1 工作流调度算法分类 |
| 2.3.2 现有工作流调度算法介绍 |
| 2.4 本章小结 |
| 第三章 基于无服务架构的工作流调度框架设计 |
| 3.1 工作流格式定义 |
| 3.1.1 Yaml格式及其优点 |
| 3.1.2 基于Yaml格式的工作流配置文件 |
| 3.2 工作流调度系统整体框架 |
| 3.2.1 整体架构介绍 |
| 3.2.2 工作流准备池层组件 |
| 3.2.3 工作流控制中心层 |
| 3.2.4 资源池层 |
| 3.3 工作流调度系统运行流程 |
| 3.3.1 整体运行流程 |
| 3.3.2 详细运行流程 |
| 3.4 本章小结 |
| 第四章 面向完成时间优化工作流调度模型与算法 |
| 4.1 基于完成时间优化的工作流调度模型 |
| 4.1.1 工作流定义 |
| 4.1.2 工作流调度模型问题定义 |
| 4.2 基于比例分配的工作流调度算法SWDSA |
| 4.3 本章小结 |
| 第五章 工作流调度系统实现与性能评估 |
| 5.1 系统实现 |
| 5.1.1 对Knative Serving的封装 |
| 5.2 实验平台 |
| 5.2.1 Kubernetes平台 |
| 5.3 实验数据 |
| 5.3.1 工作流结构 |
| 5.3.2 工作流生成器 |
| 5.4 实验结果 |
| 5.4.1 实验数据 |
| 5.4.2 实验指标 |
| 5.4.3 实验方法 |
| 5.4.4 工作流数量对实验结果的影响 |
| 5.4.5 平均提交间隔对实验结果的影响 |
| 5.4.6 工作流Deadline参数对实验结果的影响 |
| 5.4.7 工作流内任务数量对实验结果的影响 |
| 5.4.8 集群节点对实验结果的影响 |
| 5.4.9 对本文算法中自动伸缩功能的评估 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间获得的科研成果 |
（4）高性能低成本CMOS温度传感器研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 缩写、符号清单、术语表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 CMOS温度传感器的挑战 |
| 1.3 CMOS温度传感器的研究现状 |
| 1.4 论文研究内容和目标 |
| 1.5 论文架构和章节安排 |
| 2 CMOS温度传感器的架构分类及关键电路设计技术基础 |
| 2.1 基于信号域的CMOS温度传感器架构分类 |
| 2.2 基于电压/电流域读出的CMOS温度传感器架构 |
| 2.2.1 基于电压域读出的CMOS温度传感器 |
| 2.2.2 基于电流域读出的CMOS温度传感器 |
| 2.2.3 基于电压/电流域读出的CMOS温度传感器架构性能总结 |
| 2.3 基于时域/频域读出的CMOS温度传感器架构 |
| 2.3.1 基于时域读出的CMOS温度传感器 |
| 2.3.2 基于频域读出的CMOS温度传感器 |
| 2.3.3 基于时域/频域读出的CMOS温度传感器架构性能总结 |
| 2.4 其他类型CMOS温度传感器 |
| 2.5 CMOS温度传感器电路设计关键技术基础 |
| 2.5.1 斩波稳定技术 |
| 2.5.2 自动调零技术 |
| 2.5.3 动态元件匹配技术 |
| 2.5.4 过采样和量化噪声整形技术 |
| 2.6 本章小结 |
| 3 基于电压/电流域读出的CMOS温度传感器设计 |
| 3.1 高精度BJT型 CMOS温度传感器设计所面临的挑战 |
| 3.1.1 有限电流增益 |
| 3.1.2 发射极等效电阻 |
| 3.2 降低有限电流增益影响的电路设计技术 |
| 3.2.1 电流增益等效增强技术 |
| 3.2.2 电流增益补偿技术 |
| 3.3 采用电流增益补偿技术后偏置电路的简并点分析 |
| 3.4 用于电能计量MCU的高精度电压域读出CMOS温度传感器设计 |
| 3.4.1 用于电能计量MCU的温度传感器需求介绍 |
| 3.4.2 面向电能计量MCU的电压域高精度温度传感器架构设计 |
| 3.4.3 基于PNP三级管的模拟前端电路电路设计 |
| 3.4.4 电压域读出接口电路设计 |
| 3.4.5 测试结果及分析 |
| 3.5 基于电流域读出的免校准CMOS温度传感器设计 |
| 3.5.1 免校准CMOS温度传感器在片上热管理的应用 |
| 3.5.2 基于PNP三极管的电流域免校准温度传感器读出系统架构 |
| 3.5.3 动态电流增益补偿技术 |
| 3.5.4 具体电路实现 |
| 3.5.5 测试结果及分析 |
| 3.6 本章小结 |
| 4 基于时域/频域读出的CMOS温度传感器设计 |
| 4.1 电容复用的直接电压-占空比转换器 |
| 4.1.1 现有电压/电流-占空比转换器 |
| 4.1.2 电容复用电压-占空比转换器 |
| 4.2 基于BJT的时域占空比调制输出温度传感器设计 |
| 4.2.1 电路实现 |
| 4.2.2 芯片测试和分析 |
| 4.3 基于电阻的时域占空比调制输出温度传感器设计 |
| 4.3.1 CMOS工艺下的电阻 |
| 4.3.2 基于电阻的占空比调制输出温度传感器架构 |
| 4.3.3 电路实现 |
| 4.3.4 测试验证与分析 |
| 4.4 基于BJT的频域读出高速CMOS温度传感器设计 |
| 4.4.1 系统架构设计 |
| 4.4.2 两步动态范围提升 |
| 4.4.3 具体电路设计 |
| 4.4.4 工艺偏差和电压灵敏度仿真分析 |
| 4.4.5 测试结果及分析 |
| 4.5 本章小结 |
| 5 全数字小面积低功耗CMOS温度传感器设计 |
| 5.1 基于RO的全数字CMOS温度传感器的优势和挑战 |
| 5.2 现有抗电源抑制RO读出数字CMOS温度传感器方案 |
| 5.3 所提出的抗电源抑制RO读出数字CMOS温度传感器方案 |
| 5.3.1 漏电流-频率转换 |
| 5.3.2 电压灵敏度分析 |
| 5.4 基于SMIC55-nm CMOS工艺的全数字超小面积CMOS温度传感器设计 |
| 5.4.1 整体电路架构设计 |
| 5.4.2 具体电路设计和仿真分析 |
| 5.4.3 测试结果及分析 |
| 5.4.4 和现有工作比较 |
| 5.5 基于UMC55-nm CMOS工艺的全数字低功耗CMOS温度传感器设计 |
| 5.5.1 低功耗延时单元改进 |
| 5.5.2 电压灵敏度的鲁棒性改进 |
| 5.5.3 低功耗FDC |
| 5.5.4 芯片测试及验证 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来研究展望 |
| 参考文献 |
| 作者简历 |
| 攻读博士学位期间的主要研究成果 |
（5）SDN/NFV网络中服务功能链的路由和资源优化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略词表 |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 软件定义网络概述 |
| 1.3 网络功能虚拟化概述 |
| 1.3.1 网络功能虚拟化架构框架 |
| 1.3.2 网络功能虚拟化的优势、应用场景与面临的挑战 |
| 1.3.3 虚拟网络功能 |
| 1.3.4 SDN/NFV网络 |
| 1.3.5 NFV与SDN的关系 |
| 1.4 服务功能链概述 |
| 1.4.1 服务功能链的概念 |
| 1.4.2 服务功能链架构 |
| 1.5 论文组织结构及主要贡献 |
| 第2章 基于网络流特征匹配的SFC路由研究 |
| 2.1 引言 |
| 2.2 SFC路由研究的相关工作 |
| 2.3 系统模型 |
| 2.3.1 系统描述 |
| 2.3.2 网络流分类 |
| 2.3.3 相对代价 |
| 2.3.4 系统建模 |
| 2.4 资源感知的SFC路由算法的设计与分析 |
| 2.4.1 逻辑功能图 |
| 2.4.2 RA-RA算法 |
| 2.4.3 计算复杂度分析 |
| 2.5 RA-RA算法性能评测 |
| 2.5.1 参数设置 |
| 2.5.2 性能结果与分析 |
| 2.6 本章小结 |
| 第3章 基于网络负载自适应的VNF动态部署和路由研究 |
| 3.1 引言 |
| 3.2 VNF动态部署与路由研究的相关工作 |
| 3.3 系统模型 |
| 3.3.1 系统描述 |
| 3.3.2 系统建模 |
| 3.4 SFC映射算法与VNF动态释放算法的设计与分析 |
| 3.4.1 多层图 |
| 3.4.2 SFC-MAP算法 |
| 3.4.3 VNF-DRA算法 |
| 3.4.4 计算复杂度分析 |
| 3.5 SFC-MAP&VNF-DRA算法性能评测 |
| 3.5.1 参数设置 |
| 3.5.2 性能结果与分析 |
| 3.6 本章小结 |
| 第4章 基于深度学习的SFC路由研究 |
| 4.1 引言 |
| 4.2 基于深度学习的SFC路由研究的相关工作 |
| 4.3 深度信念网络概述 |
| 4.4 系统描述与问题建模 |
| 4.5 基于深度学习的两阶段VNF选择和链化算法的设计与分析 |
| 4.5.1 算法概述 |
| 4.5.2 VNF选择网络 |
| 4.5.3 VNF链化网络 |
| 4.5.4 DL-TPA算法的训练过程 |
| 4.5.5 DL-TPA算法的运行过程 |
| 4.5.6 策略空间的优化 |
| 4.5.7 计算复杂度分析 |
| 4.6 DL-TPA算法性能评测 |
| 4.6.1 参数设置 |
| 4.6.2 性能结果与分析 |
| 4.7 本章小结 |
| 第5章 基于深度强化学习的VNF部署与资源优化研究 |
| 5.1 引言 |
| 5.2 相关工作 |
| 5.3 双深度Q网络简介 |
| 5.4 系统建模 |
| 5.4.1 系统描述 |
| 5.4.2 问题描述 |
| 5.4.3 问题建模 |
| 5.5 基于双深度Q网络的VNF部署算法的设计与分析 |
| 5.5.1 算法概述 |
| 5.5.2 DDQN中神经网络的结构 |
| 5.5.3 产生训练数据 |
| 5.5.4 DDQN-VNFPA算法的训练过程 |
| 5.5.5 DDQN-VNFPA算法的运行过程 |
| 5.5.6 计算复杂度分析 |
| 5.6 DDQN-VNFPA算法性能评测 |
| 5.6.1 参数设置 |
| 5.6.2 性能结果与分析 |
| 5.7 本章小结 |
| 第6章 总结 |
| 6.1 本文总结 |
| 6.2 未来工作 |
| 参考文献 |
| 在读期间发表的学术论文与取得的研究成果 |
| 致谢 |
（6）基于反馈控制的消防维保系统性能优化研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 研究目标与内容 |
| 1.4 本文组织结构 |
| 1.5 本章小结 |
| 第二章 相关理论与技术 |
| 2.1 SSM框架相关基础 |
| 2.2 PID控制算法 |
| 2.3 Nginx服务器 |
| 2.3.1 Nginx服务器简介 |
| 2.3.2 Nginx服务器架构 |
| 2.3.3 Nginx服务器配置 |
| 2.3.4 Nginx服务器负载均衡 |
| 2.4 本章小结 |
| 第三章 消防维保系统问题分析 |
| 3.1 消防维保系统简介 |
| 3.2 系统存在问题的分析 |
| 3.3 性能优化方案中要解决的问题 |
| 3.4 本章小结 |
| 第四章 基于反馈控制的性能优化框架的设计 |
| 4.1 问题解决思路分析 |
| 4.2 框架整体方案设计 |
| 4.2.1 整体架构设计 |
| 4.2.2 功能模块设计 |
| 4.2.3 框架部署方案设计 |
| 4.3 数据采集模块设计 |
| 4.4 数据预处理模块设计 |
| 4.4.1 负载能力值算法设计 |
| 4.4.2 算法参数设置 |
| 4.5 方案决策模块设计 |
| 4.5.1 简单反馈控制器 |
| 4.5.2 PID反馈控制器 |
| 4.5.3 双层反馈控制器 |
| 4.6 方案执行模块设计 |
| 4.7 本章小结 |
| 第五章 基于反馈控制的性能优化框架的实现 |
| 5.1 数据采集模块 |
| 5.2 数据预处理模块 |
| 5.3 方案决策模块 |
| 5.4 方案执行模块 |
| 5.5 本章小结 |
| 第六章 实验测试与分析 |
| 6.1 实验基础 |
| 6.1.1 实验场景设计 |
| 6.1.2 性能指标 |
| 6.1.3 测试环境 |
| 6.1.4 周期与阈值的分析 |
| 6.2 实验方案设计 |
| 6.3 实验结果分析 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 本文不足与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）智慧停车云多租户性能隔离技术的研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 智慧停车云 |
| 1.2.2 多租户性能隔离 |
| 1.3 论文主要工作 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 创新点 |
| 1.4 论文组织与结构 |
| 第二章 相关技术介绍 |
| 2.1 SaaS应用成熟度模型 |
| 2.2 容器技术 |
| 2.2.1 容器技术简介 |
| 2.2.2 SaaS应用的容器化部署 |
| 2.3 微服务架构 |
| 2.3.1 服务发现与治理 |
| 2.3.2 服务网关 |
| 2.3.3 微服务级多租户部署方案 |
| 2.4 物联网云平台 |
| 2.4.1 物联网订阅/发布通信模型 |
| 2.4.2 MQTT协议 |
| 2.5 本章小结 |
| 第三章 智慧停车云多租户性能隔离技术 |
| 3.1 面向SLA的微服务容器化部署方案 |
| 3.2 Web场景下的多租户性能隔离算法 |
| 3.2.1 基于中间件的多租户性能隔离 |
| 3.2.2 请求资源预估算法 |
| 3.2.3 微服务集群的HTTP请求调度算法 |
| 3.3 物联网场景下的多组户性能隔离算法 |
| 3.3.1 MQTT Broker通信原理分析 |
| 3.3.2 异步通信限流算法分析 |
| 3.3.3 MQTT数据流调度算法 |
| 3.4 本章小结 |
| 第四章 智慧停车云性能隔离系统的概要设计 |
| 4.1 需求分析 |
| 4.2 分层架构设计 |
| 4.3 Web性能隔离子系统接口设计 |
| 4.4 物联网性能隔离子系统接口设计 |
| 4.5 本章小结 |
| 第五章 智慧停车云性能隔离系统的详细设计与实现 |
| 5.1 面向SLA的微服务容器化部署方案的实现 |
| 5.2 Web性能隔离子系统的实现 |
| 5.3 物联网性能隔离子系统的实现 |
| 5.4 本章小结 |
| 第六章 智慧停车云性能隔离技术测试与分析 |
| 6.1 实验环境 |
| 6.1.1 软硬件环境介绍 |
| 6.1.2 微服务集群的容器化构建 |
| 6.1.3 压力测试环境搭建 |
| 6.2 面向租户SLA等级的性能隔离测试 |
| 6.3 Web场景下的性能隔离测试 |
| 6.4 物联网场景下的性能隔离测试 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（8）数据采集系统中TCP/IP硬件协议栈的研究与FPGA实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究目的和意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要工作 |
| 1.4 论文组织结构 |
| 第2章 以太网TCP/IP协议 |
| 2.1 TCP/IP协议族 |
| 2.1.1 TCP/IP协议 |
| 2.1.2 TCP/IP通信过程 |
| 2.2 硬件TOE技术 |
| 2.3 TCP/IP硬件协议栈 |
| 2.3.1 以太网MAC帧 |
| 2.3.2 ARP协议 |
| 2.3.3 IP协议 |
| 2.3.4 ICMP协议 |
| 2.3.5 UDP协议 |
| 2.3.6 TCP协议 |
| 2.4 TCP关键技术理论 |
| 2.4.1 滑动窗口 |
| 2.4.2 超时与重传 |
| 2.4.3 拥塞控制 |
| 2.5 其他重要技术 |
| 2.5.1 Internet校验和 |
| 2.5.2 CRC校验和 |
| 2.5.3 RAM缓存IP核 |
| 2.5.4 千兆以太网接口 |
| 2.6 本章小结 |
| 第3章 TCP/IP硬件协议栈的研究与设计 |
| 3.1 TCP/IP硬件协议栈总体设计 |
| 3.2 MAC接收与解析模块 |
| 3.3 ARP、IP、ICMP接收模块 |
| 3.3.1 ARP接收与应答 |
| 3.3.2 IP接收与解析 |
| 3.3.3 ICMP接收与应答 |
| 3.4 UDP设计与实现 |
| 3.4.1 UDP接收解析模块 |
| 3.4.2 UDP发送组帧模块 |
| 3.5 TCP服务器逻辑设计 |
| 3.5.1 TCP服务器状态机 |
| 3.5.2 校验和预计算算法 |
| 3.5.3 超时与重传控制 |
| 3.5.4 改进拥塞控制算法 |
| 3.5.5 请求应答队列管理 |
| 3.6 报文封装与仲裁设计 |
| 3.6.1 CRC32 超前计算算法 |
| 3.6.2 顶层发送仲裁控制 |
| 3.7 TCP/IP协议栈综合结果 |
| 3.8 本章小结 |
| 第4章 TCP/IP硬件协议栈的仿真与实现 |
| 4.1 纯逻辑TCP/IP协议栈仿真方法 |
| 4.2 ARP应答仿真与实现 |
| 4.3 ICMP回显应答仿真与实现 |
| 4.3.1 ICMP接收仿真分析 |
| 4.3.2 ICMP发送仿真分析 |
| 4.4 UDP功能仿真与实现 |
| 4.5 TCP功能仿真与实现 |
| 4.5.1 TCP连接建立 |
| 4.5.2 TCP数据接收与发送 |
| 4.5.3 TCP超时与重传 |
| 4.5.4 请求应答队列管理 |
| 4.6 本章小结 |
| 第5章 系统功能测试与评估 |
| 5.1 硬件测试平台 |
| 5.2 TCP/IP功能测试 |
| 5.2.1 ARP请求与应答测试 |
| 5.2.2 ICMP回显请求与应答测试 |
| 5.2.3 UDP传输性能测试 |
| 5.2.4 TCP通信基本功能测试 |
| 5.3 TCP性能分析 |
| 5.3.1 TCP超时与重传功能测试 |
| 5.3.2 TCP拥塞控制功能测试 |
| 5.3.3 TCP最大速率测试 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
（9）基于蚁群算法的云数据中心虚拟机迁移研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的目标和主要研究内容 |
| 1.4 论文组织结构 |
| 第二章 相关技术简介 |
| 2.1 云数据中心 |
| 2.1.1 云计算概述 |
| 2.1.2 云数据中心发展 |
| 2.2 时间序列预测算法 |
| 2.3 元启发式算法 |
| 2.4 本章小结 |
| 第三章 虚拟机迁移策略研究与设计 |
| 3.1 虚拟机迁移目的与问题分析 |
| 3.1.1 迁移目的 |
| 3.1.2 问题分析 |
| 3.2 虚拟机迁移策略 |
| 3.2.1 编码设计 |
| 3.2.2 变异运算设计 |
| 3.2.3 启发式因子设计 |
| 3.2.4 限制蚁群视野 |
| 3.2.5 评价函数设计 |
| 3.2.6 放置虚拟机策略设计 |
| 3.2.7 算法执行步骤 |
| 3.3 本章小结 |
| 第四章 基于CloudSim的仿真实现与实验 |
| 4.1 CloudSim简介 |
| 4.1.1 CloudSim结构 |
| 4.1.2 评价指标 |
| 4.1.3 CloudSim中现有虚拟机迁移策略 |
| 4.2 虚拟机迁移策略的实现 |
| 4.2.1 仿真流程 |
| 4.2.2 代码实现 |
| 4.3 实验环境及参数配置 |
| 4.4 实验方案 |
| 4.4.1 改进措施效果 |
| 4.4.2 预测算法对比 |
| 4.4.3 虚拟机迁移策略比较 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（10）分布式环境轨迹预测算法研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 轨迹预测算法研究现状 |
| 1.2.2 分布式神经网络研究现状 |
| 1.3 研究目标与内容 |
| 1.4 论文章节安排 |
| 第二章 相关理论与技术 |
| 2.1 神经网络模型 |
| 2.1.1 神经网络基本结构 |
| 2.1.2 神经网络参数优化理论 |
| 2.1.3 长短时记忆神经网络LSTM |
| 2.2 分布式神经网络技术 |
| 2.2.1 分布式神经网络基本架构 |
| 2.2.2 分布式神经网络关键技术 |
| 2.3 本章小节 |
| 第三章 自适应梯度压缩算法 |
| 3.1 引言 |
| 3.2 现有梯度压缩算法分析 |
| 3.2.1 梯度压缩算法 |
| 3.2.2 梯度稀疏化算法带来的问题 |
| 3.3 自适应梯度压缩算法 |
| 3.3.1 指数衰减梯度压缩算法 |
| 3.3.2 自适应梯度压缩算法 |
| 3.4 实验与结果分析 |
| 3.4.1 数据集及实验环境 |
| 3.4.2 实验结果及分析 |
| 3.5 本章小结 |
| 第四章 自组织分组动态混合同步算法 |
| 4.1 引言 |
| 4.2 现有分布式通信算法分析 |
| 4.3 自组织分组动态混合同步算法 |
| 4.3.1 自适应梯度压缩算法 |
| 4.3.2 自组织分组动态混合同步算法 |
| 4.4 实验与结果分析 |
| 4.5 本章小结 |
| 第五章 分布式环境轨迹预测算法研究与实现 |
| 5.1 系统概述 |
| 5.2 总体设计 |
| 5.3 详细设计 |
| 5.3.1 节点管理引擎 |
| 5.3.2 分布式轨迹预测引擎 |
| 5.3.3 Web可视化模块 |
| 5.4 系统展示 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
四、核心处理器使用率如何波动?（论文参考文献）
- [1]基于Kubernetes的容器云平台资源调度策略研究[D]. 王仪. 西安理工大学, 2021(01)
- [2]基于微服务的运维平台设计与异常检测研究[D]. 黄磊. 电子科技大学, 2021(01)
- [3]无服务器架构下工作流调度算法研究及实现[D]. 周杰. 上海交通大学, 2020(01)
- [4]高性能低成本CMOS温度传感器研究[D]. 唐中. 浙江大学, 2020(01)
- [5]SDN/NFV网络中服务功能链的路由和资源优化研究[D]. 裴家宁. 中国科学技术大学, 2020(12)
- [6]基于反馈控制的消防维保系统性能优化研究与实现[D]. 刘兴晨. 西安电子科技大学, 2020(05)
- [7]智慧停车云多租户性能隔离技术的研究与实现[D]. 王宇. 北京邮电大学, 2020(05)
- [8]数据采集系统中TCP/IP硬件协议栈的研究与FPGA实现[D]. 王威. 西南科技大学, 2020(08)
- [9]基于蚁群算法的云数据中心虚拟机迁移研究与实现[D]. 刘佳琦. 北京邮电大学, 2020(05)
- [10]分布式环境轨迹预测算法研究与实现[D]. 谢渊. 电子科技大学, 2020(07)
标签：kubernetes论文; 工作流论文; 工作流管理系统论文; 网络模型论文; 网络优化论文;