云計算及其應(yīng)用

章 緒論
1．1 云計算的概念
1．2 云存儲
1．3 云作業(yè)調(diào)度算法
1．4 云計算資源管理技術(shù)
1．5 研究的背景、意義及內(nèi)容
1．6 云計算在科技和教育資源管理領(lǐng)域中的應(yīng)用
第2章 云計算資源管理關(guān)鍵技術(shù)及系統(tǒng)架構(gòu)
2．1 引言
2．2 云計算資源管理的定義和特點
2．3 云計算資源管理目標(biāo)
2．4 云計算資源管理模型
2．5 云計算資源管理策略
2．6 云計算調(diào)度算法概述
2．7 云計算系統(tǒng)的架構(gòu)
2．8 基于云計算的科技資源信息共享模式的構(gòu)建
2．9 云計算平臺下的慕課
第3章 云計算中碎片資源管理關(guān)鍵技術(shù)
3．1 引言
3．2 資源調(diào)度技術(shù)綜述
3．3 問題分析
3．4 云計算碎片資源描述與能力劃分
3．5 云計算環(huán)境下具有Qos保障的分布式資源調(diào)度機制
第4章 云存儲及相關(guān)調(diào)度機制
4．1 引言
4．2 分布式文件系統(tǒng)
4．3 云存儲的副本技術(shù)
4．4 Hadoop中云存儲存在的問題
4．5 云存儲中的資源調(diào)度機制
4．6 實驗分析
第5章 云計算負(fù)載均衡的相關(guān)技術(shù)
5．1 引言
5．2 負(fù)載均衡算法
5．3 云存儲中的GFS及HDFS
5．4 云存儲中的副本技術(shù)
5．5 虛擬機動態(tài)遷移
第6章 基于Hadoop的云存儲的負(fù)載均衡優(yōu)化策略
6．1 引言
6．2 Hadoop數(shù)據(jù)存儲負(fù)載均衡的原理
6．3 超負(fù)載機架優(yōu)先處理的策略
6．4 隊列排列的優(yōu)化策略
6．5 實驗分析
第7章 多因素優(yōu)化的云存儲負(fù)載均衡模型
7．1 引言
7．2 多因素優(yōu)化的云存儲負(fù)載均衡模型的思想
7．3 基于多因素優(yōu)化的云存儲負(fù)載均衡模型的算法描述
7．4 實驗分析
第8章 基于動態(tài)副本技術(shù)的負(fù)載均衡策略
8．1 引言
8．2 基于文件熱度的動態(tài)副本策略的原理
8．3 基于文件熱度的動態(tài)副本策略的算法描述
8．4 實驗分析
第9章 基于虛擬機遷移的資源調(diào)度負(fù)載均衡策略
9．1 引言
9．2 相關(guān)定義
9．3 基于虛擬機遷移的資源調(diào)度負(fù)載均衡策略的描述
9．4 實驗分析
0章 MapReduce平臺上基于預(yù)期的調(diào)度算法
10．1 引言
10．2 相關(guān)概念
10．3 基于預(yù)期的調(diào)度算法設(shè)計
10．4 實驗和分析
1章 基于事件驅(qū)動云平臺的兩步調(diào)度算法
11．1 引言
11．2 相關(guān)工作介紹
11．3 兩步調(diào)度算法設(shè)計
11．4 TSS設(shè)計和實現(xiàn)
11．5 實驗和分析
2章 彈性云平臺任務(wù)調(diào)度算法
12．1 引言
12．2 相關(guān)工作介紹
12．3 算法設(shè)計
12．4 實驗和分析性能
3章 面向任務(wù)特性和資源約束的資源任務(wù)模型
13．1 引言
13．2 相關(guān)工作
13．3 基于熵優(yōu)化的資源任務(wù)模型
13．4 模型實現(xiàn)
13．5 結(jié)論
4章 基于Hopfield Neural Network的負(fù)載均衡策略
14．1 引言
14．2 Hopfield Neural Network
14．3 基于Hopfield Neural Network的作業(yè)調(diào)度策略
14．4 基于Hopfield Neural Network的存儲策略
5章 基于改進的植物生長算法的調(diào)度模型
15．1 引言
15．2 模擬植物生長算法模型
15．3 改進的植物生長算法的云作業(yè)調(diào)度模型
15．4 一種基于IPGSA的多處理機調(diào)度算法
6章 基于云計算的數(shù)字化校園解決方案
16．1 需求分析
16．2 高校數(shù)字化校園云平臺總體規(guī)劃設(shè)計
16．3 數(shù)字校園云平臺建設(shè)方案
參考文獻(xiàn)