新書推薦：
《
黄埔军校史 1924-1927
》
售價：HK$
158.7
《
复杂心智：在变动时代重启人类天赋能力
》
售價：HK$
59.8
《
图像工程（第5版）
》
售價：HK$
457.7
《
权力制衡：罗马宪法对近代西欧宪制的影响
》
售價：HK$
89.7
《
间谍大师：情报、技术与以色列商业创新
》
售價：HK$
90.9
《
浪荡子美学与跨文化现代性：一九三零年代上海、东京及巴黎的浪荡子、漫游者与译者
》
售價：HK$
78.2
《
孤独与相遇的社会学
》
售價：HK$
59.8
《
精微植物艺术表现技法大全
》
售價：HK$
227.7
|
| 內容簡介： |
|
《大规模云数据中心智能管理技术及应用》深入探讨了云计算的关键基础设施——云数据中心的关键技术和智能管理方法。在国家重点研发计划项目、国家自然科学基金重点项目以及企事业单位研究所科技合作项目等多个层次的项目支持下，项目组攻克了一系列关键技术挑战。《大规模云数据中心智能管理技术及应用》重点介绍了大规模云数据中心运行数据管理技术、大规模云数据中心运行能效评估与预测技术、大规模云数据中心资源智能管理与调度技术、大规模云工作流智能管理与调度技术。在上述关键技术攻关的基础上，《大规模云数据中心智能管理技术及应用》介绍了云数据中心智能化管理与运维体系架构及相关子系统的设计与开发，并面向典型工业应用开展了应用示范。
|
| 目錄：
|
|
目录序前言第1章 云数据中心智能管理概述11.1 云数据中心智能管理背景与意义11.2 研究现状与主要技术挑战21.2.1 云数据中心运行数据管理现状与挑战21.2.2 云数据中心运行能效评估与预测现状与挑战61.2.3 云数据中心资源管理与调度现状与挑战81.2.4 云工作流管理与调度现状与挑战101.2.5 云数据中心智能管理系统现状与挑战121.3 研究目标与总体技术架构131.3.1 大规模云数据中心运行数据管理关键技术141.3.2 大规模云数据中心运行能效评估与预测关键技术151.3.3 大规模云数据中心资源智能管理与调度关键技术151.3.4 大规模云工作流智能管理与调度关键技术161.3.5 云数据中心智能管理系统研制及应用示范181.4 本章小结18第2章 大规模云数据中心运行数据管理关键技术202.1 多云数据中心运行数据采集方法202.1.1 基于概率性采样的自适应性采集技术202.1.2 面向不同设备粒度的多源数据采集技术272.2 质量感知的数据预处理技术292.2.1 缺失值处理292.2.2 离群点302.2.3 标准化302.3 运行数据冗余发现与删除技术302.3.1 基于压缩点的冗余数据处理技术312.3.2 面向云数据中心集群调度的冗余数据处理优化技术332.4 分布式、支持冗余备份的安全存储系统352.4.1 运行数据高效压缩技术362.4.2 分布式运行数据安全存储模型412.4.3 异构运行数据高效检索方法412.5 本章小结45第3章 大规模云数据中心运行能效评估与预测关键技术463.1 基于深度学习的云数据中心能耗预测方法463.1.1 深度学习基本原理463.1.2 基于深度学习的能效预测算法设计493.1.3 仿真环境中的测试结果分析523.2 基于特征贡献值的工作流可解释性能耗预测方法533.2.1 可解释性机器学习543.2.2 能耗可解释性框架563.2.3 基于交互贡献值的可解释性方法573.2.4 实验结果和分解能耗分析593.3 云数据中心虚拟化环境能耗评估方法643.3.1 虚拟机能耗评估方法643.3.2 基于虚拟机能耗模型的容器能耗评估方法713.4 云数据中心多指标融合的能效定性评估方法753.4.1 云数据中心能效评估指标体系763.4.2 云数据中心多指标融合的能效定性评估模型763.4.3 仿真环境下的实验结果和分析783.5 面向云计算的基于QoS参数的能效评估方法813.5.1 问题描述813.5.2 基于QoS的能效评估模型823.5.3 实验分析与结果展示863.6 本章小结91第4章 大规模云数据中心资源智能管理与调度关键技术924.1 基于深度强化学习的云数据中心集群资源智能调度方法924.1.1 深度强化学习基本原理924.1.2 基于深度强化学习的资源调度算法设计934.1.3 仿真环境中的测试结果分析984.2 成本能耗与服务质量平衡的数据计算密集型任务资源分配与调度方法1014.2.1 数据计算密集型任务资源分配与调度方法1014.2.2 系统架构与问题建模1014.2.3 基于深度强化学习的任务调度方法1024.2.4 基于深度强化学习的云资源分配策略1034.2.5 服务质量感知的计算任务调度策略1064.2.6 实验部署与性能评测1074.3 多云数据中心的用户请求调度方法1094.3.1 基于深度强化学习的多云数据中心调度策略1104.3.2 用户体验感知的多云数据中心调度策略1124.3.3 复杂约束下的成本优化策略1154.4 基于模仿学习的深度强化学习训练优化方法1194.4.1 模仿学习基本原理1194.4.2 模仿学习训练优化技术1204.4.3 基于模仿学习的云端资源自适应调度1204.5 数据驱动的任务群并合智能调度技术1244.5.1 并合调度框架1254.5.2 并合调度算法设计与配置1254.5.3 并合调度算法测试1384.6 本章小结145第5章 大规模云工作流智能管理与调度关键技术1465.1 支持云工作流管理与调度的关键预测技术1465.1.1 基于密集型宽度学习的容器资源使用量预测方法1465.1.2 基于密集型宽度学习的改进型容器云资源的预测方法1495.1.3 基于极限梯度提升的云工作流任务执行时间预测方法1525.1.4 基于多维度特征融合的云工作流任务执行时间预测方法1585.2 大规模云工作流动态优化调度技术1645.2.1 基于用户优先级感知和花费约束的云工作流调度技术1645.2.2 基于分布式策略多云工作流动态调度方法1685.2.3 面向随机混合云工作流实时调度方法1775.3 满足用户个性化需求调度策略1865.3.1 基于云工作流结构和成本感知的预测调度算法1875.3.2 基于改进非支配遗传算法的多目标云工作流调度方法1985.3.3 基于强化学习策略的多目标云工作流调度方法2075.4 本章小结212第6章 云数据中心智能管理系统研制及应用2146.1 云数据中心智能化管理与运维体系架构设计2146.2 云数据中心智能管理系统及其应用2156.2.1 大规模云数据中心运行数据管理子系统研制2166.2.2 大规模云数据中心运行能效评估与预测子系统研制2516.2.3 大规模云数据中心资源管理与调度子系统研制2546.2.4 大规模云工作流智能管理与调度子系统研制2866.3 系统集成——云数据中心智能管理系统2946.3.1 大规模云数据中心资源管理与调度子系统集成2946.3.2 大规模云数据中心运行能效评估与预测子系统集成2946.3.3 大规模云工作流智能管理与调度子系统集成2966.3.4 完整系统集成2966.4 面向典型工业应用开展云数据中心智能化管理系统应用示范3006.4.1 应用示范——设备故障诊断3006.4.2 应用示范——无人驾驶车辆轨迹跟踪控制3056.4.3 应用示范——智能废钢判级系统3086.5 本章小结313参考文献315
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
