深度強化學習：云計算中作業(yè)與資源協(xié)同自適應調(diào)度的理論及應用

第1篇基 礎 理 論
第1章云計算概述
1.1云計算技術概述
1.1.1云計算的3種服務模式
1.1.2云計算的4種署模型
1.2云計算的核心技術
1.3云計算資源配置與任務調(diào)度模型
1.4云計算提出的挑戰(zhàn)
1.4.1虛擬化技術帶來的挑戰(zhàn)
1.4.2虛擬機資源和應用系統(tǒng)參數(shù)提出的挑戰(zhàn)
1.4.3工作流任務和虛擬化資源進行協(xié)同自適應調(diào)度提出的挑戰(zhàn)
1.4.4資源利用率和服務等級協(xié)議提出的挑戰(zhàn)
第2章深度強化學概述
2.1深度卷積經(jīng)網(wǎng)絡
2.2強化學
2.3深度強化學
2.3.1DQN算法主要用到的關鍵技術
2.3.2DQN模型訓練過程
第2篇云作業(yè)調(diào)度算法
第3章隨機作業(yè)化調(diào)度策略
3.1引言
3.2國內(nèi)外研究現(xiàn)狀
3.2.1理論分析
3.2.2能耗管理
3.2.3資源分配
3.3系統(tǒng)模型
3.3.1作業(yè)調(diào)度子模塊
3.3.2作業(yè)執(zhí)行子模塊
3.3.3作業(yè)傳輸子模塊
3.4基于強化學的作業(yè)調(diào)度算法
3.4.1強化學
3.4.2基于強化學的用戶作業(yè)調(diào)度算法
3.4.3狀態(tài)簡約
3.5性能評估
3.5.1云平臺實驗驗證
3.5.2真實云平臺實驗驗證
3.6小結
第4章混合作業(yè)調(diào)度機制
4.1引言
4.2國內(nèi)外發(fā)展現(xiàn)狀
4.2.1靜態(tài)調(diào)度法
4.2.2動態(tài)調(diào)度法
4.2.3混合調(diào)度法
4.2.4局限性分析
4.3云平臺模型
4.4混合作業(yè)調(diào)度算法
4.5基于強化學的混合作業(yè)調(diào)度算法
4.6實驗結果與分析
4.7小結
第5章基于多智能體系統(tǒng)的云工作流作業(yè)化調(diào)度
5.1研究背景
5.2相關工作
5.3系統(tǒng)模型
5.3.1云工作流系統(tǒng)
5.3.2云工作流模型組件介紹
5.4基于多智能體系統(tǒng)的粒子群遺傳化算法
5.4.1粒子群化算法
5.4.2云工作流環(huán)境下的粒子群算法
5.4.3多智能體系統(tǒng)下粒子群的自組織模型
5.4.4MASPSOGA算法步驟
5.5算法與分析
5.5.1實驗數(shù)據(jù)和參數(shù)設置
5.5.2實驗結果及分析
5.6小結
第6章基于深度強化學的云環(huán)境下的多資源云作業(yè)調(diào)度策略
6.1引言
6.2系統(tǒng)模型及表示
6.3算法說明與偽代碼
6.4實驗環(huán)境與參數(shù)設置
6.5實驗結果與分析
6.6小結
第7章基于深度強化學的多數(shù)據(jù)中心云作業(yè)調(diào)度
7.1引言
7.2系統(tǒng)模型
7.3作業(yè)調(diào)度
7.4實驗平臺設計
7.5實驗及結果分析
7.6小結
第3篇虛擬化資源調(diào)度
第8章基于強化學的云計算資源分配研究
8.1引言
8.2研究現(xiàn)狀
8.3系統(tǒng)模型
8.3.1云計算平臺架構
8.3.2作業(yè)響應時間
8.3.3分段SLA
8.3.4有效單位時間花費
8.4基于強化學的云資源調(diào)度機制
8.4.1相關概念
8.4.2基于基本強化學的資源調(diào)度算法
8.4.3化的資源分配策略
8.5實驗結果
8.5.1云平臺驗證
8.5.2真實云平臺上進行性能驗證
8.6小結
第9章基于DQN的多目標化的資源調(diào)度框架
9.1引言
9.2國內(nèi)外發(fā)展現(xiàn)狀
9.2.1基于啟發(fā)式算法的資源調(diào)度研究
9.2.2基于強化學的資源調(diào)度研究
9.2.3基于深度強化學的資源調(diào)度研究
9.3系統(tǒng)模型
9.3.1作業(yè)負載層
9.3.2調(diào)度控制層
9.3.3數(shù)據(jù)中心層
9.4問題分析
9.4.1用戶作業(yè)負載模型
9.4.2能源消耗模型
9.4.3數(shù)學描述
9.5算法說明與偽代碼
9.6實驗與結果分析
9.6.1實驗步驟和參數(shù)設置
9.6.2實驗結果與分析
9.7小結
第10章容器云環(huán)境虛擬資源配置策略的化
10.1引言
10.2容器云資源配置
10.2.1虛擬機資源配置
10.2.2容器資源配置
10.2.3虛擬機/容器遷移
10.3問題描述與數(shù)學建模
10.3.1問題描述
10.3.2數(shù)據(jù)中心的能耗模型
10.4主機選擇策略及改進
10.4.1常用物理機選擇策略
10.4.2物理機選擇策略的改進
10.4.3算法的復雜度分析
10.5實驗結果及分析
10.5.1實驗環(huán)境
10.5.2實驗場景
10.6小結
第11章兩段虛擬資源協(xié)同自適應調(diào)度
11.1引言
11.2國內(nèi)外發(fā)展現(xiàn)狀
11.2.1靜態(tài)調(diào)度法
11.2.2動態(tài)調(diào)度法
11.2.3混合調(diào)度法
11.2.4局限性分析
11.3系統(tǒng)模型
11.3.1虛擬機租用段系統(tǒng)子模型
11.3.2虛擬機使用段系統(tǒng)子模型
11.4數(shù)據(jù)中心選擇算法
11.4.1深度強化學
11.4.2虛擬機租用段的數(shù)據(jù)中心選擇
11.4.3虛擬機租用段的數(shù)據(jù)中心選擇算法
11.4.4虛擬機使用段的數(shù)據(jù)中心選擇
11.4.5虛擬機使用段的數(shù)據(jù)中心選擇算法
11.5實驗驗證
11.5.1虛擬機租用段實驗結果與分析
11.5.2虛擬機使用段實驗結果與分析
11.6小結
第4篇云作業(yè)和虛擬化資源協(xié)同自適應調(diào)度
第12章基于異構分布式深度學的云任務調(diào)度與資源配置框架
12.1引言
12.2系統(tǒng)框架與問題闡述
12.2.1系統(tǒng)框架
12.2.2問題闡述
12.3異構分布式深度學模型
12.4實驗與結果分析
12.4.1實驗設計與參數(shù)說明
12.4.2網(wǎng)絡模型驗證實驗
12.4.3算法比較實驗
12.5小結
第13章云工作流任務與虛擬化資源協(xié)同自適應調(diào)度機制
13.1引言
13.2自適應協(xié)同調(diào)度研究現(xiàn)狀及其局限性分析
13.3系統(tǒng)模型
13.4多智能體社會下工作流任務與虛擬化虛擬機資源自適應調(diào)度機制
13.5多智能體社會下工作流任務與虛擬化虛擬機資源協(xié)同調(diào)度機制
13.6實驗驗證
13.7小結
 
參考文獻