一、利用高速緩存調度算法實現(xiàn)通訊信息的緩沖（論文文獻綜述）
薛棟[1]（2021）在《基于DDR3的星載動態(tài)載荷緩存調度及管理技術研究》文中研究表明當今太空探索和對地監(jiān)控是衛(wèi)星的重要任務,隨著衛(wèi)星單次任務量的增加,其攜帶的檢測設備也隨之增加。這些設備都將產(chǎn)生龐大的數(shù)據(jù)量,各設備之間存在錯綜復雜的數(shù)據(jù)交互,部分載荷數(shù)據(jù)的碼率也越來越高,所以如何對高速動態(tài)載荷進行靈活緩存和轉存,使衛(wèi)星在有限的帶寬和工作時間內,傳輸重要信息顯得尤為關鍵?；诖吮尘?本文依托于“XX多載荷高動態(tài)星上路由系統(tǒng)的FPGA設計”項目,針對該項目的高速多載荷接收、動態(tài)緩存調度、快速轉存的設計要求,展開了一系列研究,其中,高速動態(tài)緩存調度和緩存空間管理是本文的核心研究內容。本文針對現(xiàn)如今應用于星上路由系統(tǒng)的主流方案——DDR3 SDRAM緩存陣列,主要對以下問題進行了研究與處理:1)如何在盡可能少的緩存芯片前提下實現(xiàn)對動態(tài)載荷數(shù)據(jù)的緩存調度?提出了一種改進型的WRR調度算法,在初始狀態(tài)為各隊列設定初始優(yōu)先級,并為各優(yōu)先級隊列配置一個固定的權重,在傳輸過程中根據(jù)各優(yōu)先級隊列的當前緩存量以及該隊列對應的載荷碼率來共同決定該隊列的優(yōu)先級,最后再根據(jù)隊列的優(yōu)先級來依次輪詢緩存。當載荷碼率發(fā)生變化后,會重新計算各載荷數(shù)據(jù)對應隊列的優(yōu)先級從而決定輪詢順序,保證了各隊列優(yōu)先級設置的合理性,有效解決了隊列數(shù)量較多時各隊列數(shù)據(jù)緩存延時高的問題。2)在有限的存儲空間下,如何在保證高使用率的情況下管理各載荷數(shù)據(jù)的緩存空間?由于載荷碼率的動態(tài)變化,所以各載荷所占空間無法估計,預分配緩存空間的方法不適用,進而需要對其緩存空間進行精細化管理。在計算合理的基礎緩存單元容量后,將各載荷的基礎緩存單元地址以及其緩存的數(shù)據(jù)類型等信息存放在BAT表中,實現(xiàn)高效管理的同時保證了緩存空間的利用率。本文實現(xiàn)了以FPGA為主控的載荷緩存調度和緩存空間管理,遵照CCSDS協(xié)議對數(shù)據(jù)進行編幀、編碼的同時不妨礙數(shù)據(jù)的高速傳輸。以上設計均進行了RTL仿真以及FPGA板級驗證,確保了設計的準確性和可行性。
張玄[2]（2021）在《異構多核SOC處理器內部存儲架構優(yōu)化》文中提出隨著異構多核技術的發(fā)展,微處理器的性能得到了提升,處理器與外部存儲器之間的帶寬差異嚴重限制了處理器的性能發(fā)揮。本文針對一種用于高密度計算的異構多核So C系統(tǒng),優(yōu)化了存儲設計方案。該方案通過復用一些網(wǎng)絡中閑置的空閑存儲資源作為二級共享緩存來增加訪存帶寬,降低對外部存儲器訪問頻率;同時分布式高速共享二級緩存結構通過結合多路并行訪問外部存儲的層次化存儲結構,縮短系統(tǒng)處理數(shù)據(jù)與外部存儲器間的速度差異,提高數(shù)據(jù)的存取效率,優(yōu)化系統(tǒng)的性能。本文的主要工作內容如下:1.針對異構多核系統(tǒng)的訪存特點與數(shù)據(jù)存儲需求,本文設計了一種能夠復用本地的空閑存儲資源用作二級緩存的層次化存儲結構。該結構將網(wǎng)絡系統(tǒng)中的閑置功能單元的存儲資源進行統(tǒng)一編址,在邏輯功能上為共享存儲結構,而在物理結構上為分布式存儲結構,將統(tǒng)一編址管理的存儲塊用作二級緩存為其他運算節(jié)點存取數(shù)據(jù)。這種分布式緩存、集中式控制的結構節(jié)省了片上存儲資源,減小面積,緩解存片內外存儲速度不匹配的問題,提升了系統(tǒng)的訪存性能。2.根據(jù)設計方案,本文對分布式共享緩存結構進行硬件設計,對緩存的整體硬件架構進行介紹,并根據(jù)功能的不同分出主要的功能模塊,包括緩存控制模塊、數(shù)據(jù)緩存模塊、片上網(wǎng)絡通訊模塊和多路數(shù)據(jù)并行傳輸模塊等;對功能模塊進行介紹,包括工作原理、硬件的架構設計和工作的流程等;對功能模塊的數(shù)據(jù)通道進行了介紹,包括兩大類數(shù)據(jù)通道的設計實現(xiàn)和工作流程等。3.本文將分布式高速共享緩存結構集成到目標系統(tǒng)異構多核系統(tǒng)上,構建測試平臺,加載不同類型的任務,定義性能指標,驗證該結構功能并對資源消耗和性能進行評估。最終實驗結果表明,該結構與無緩存結構相比在單一模式下任務平均性能提升了40.6%,流模式任務的平均性能提升了13.3%。綜上,本文設計的分布式共享緩存結構能有效提升系統(tǒng)性能。
王富[3]（2020）在《基于軟件定義網(wǎng)的多維多域光網(wǎng)絡帶寬資源優(yōu)化技術研究》文中研究表明隨著5G、流媒體、虛擬現(xiàn)實、自動駕駛等新興應用的出現(xiàn),終端用戶對光通信網(wǎng)絡的帶寬、時延和信號靈活性都提出了更高的要求。而光網(wǎng)絡不僅需要增加傳輸帶寬來保證信息傳輸?shù)娜萘?更需要提高光網(wǎng)絡帶寬的靈活性來提高帶寬的效率。而目前光網(wǎng)絡分為接入網(wǎng)、城域網(wǎng)、核心網(wǎng),以及即數(shù)據(jù)中心網(wǎng)。接入網(wǎng)技術的發(fā)展已經(jīng)邁進了50G/100G無源光網(wǎng)絡（PON）階段,所以如何提高PON帶寬分配靈活性從而為用戶提供高質量服務成為目前研究的熱點。城域網(wǎng)速率上已經(jīng)實現(xiàn)單載波百G光信號的百公里傳輸,如何增加光分插復用器（ROADM）的靈活性并完成毫秒級的光路重配,是城域網(wǎng)絡發(fā)展的重點和熱點問題。數(shù)據(jù)中心網(wǎng)（DCN）中,面對DCN的大規(guī)模、高能耗、大帶寬帶來的挑戰(zhàn),如何提高DCN網(wǎng)絡靈活配置和全光交換是未來技術發(fā)展的主題之一。而隨著軟件定義網(wǎng)（SDN）的出現(xiàn),光網(wǎng)絡的發(fā)展帶來了新的契機,采用控制平面和數(shù)據(jù)平面分離的架構可以大幅提高了網(wǎng)絡管控的效率。隨著軟件定義光網(wǎng)絡（SDON）概念的提出,目前該領域已經(jīng)成為光網(wǎng)絡技術研究的熱點問題,受到廣泛關注。然而,SDON技術的發(fā)展還存在不足,很多光網(wǎng)絡上的問題還沒有得到有效解決。本論文在基于軟件定義光網(wǎng)絡概念的基礎上,通過軟件定義的方法來增加光網(wǎng)絡的靈活性,進而實現(xiàn)對光網(wǎng)絡各個領域的帶寬資源管理進行優(yōu)化。本論文對接入網(wǎng)動態(tài)帶寬分配算法,路由與頻譜分配算法,光分組交換端口沖突解決方案,以及數(shù)據(jù)中心負載平衡算法進行了研究。論文的主要研究工作和創(chuàng)新點如下:1.接入網(wǎng)中基于軟件定義的動態(tài)波長-帶寬聯(lián)合分配算法論文研究了波分/時分復用無源光網(wǎng)絡（WDM/TDM-PON）中的波長和時隙的帶寬分配問題。提出一種可以實現(xiàn)波長調度的多子PON架構,并且提出了一種可以有效分配時隙和波長的動態(tài)調度算法。該算法可以對時隙和波長進行二維帶寬分配,并且支持業(yè)務分級來保證高等級業(yè)務的服務質量。該方法采用光線路終端（OLT）對光帶寬分配周期中的時隙實現(xiàn)動態(tài)分配,并通過軟件定義網(wǎng)的控制器來實現(xiàn)波長的分配,在二維資源調度空間中實現(xiàn)更靈活的資源調度。論文通過仿真和實驗對提出的算法進行了研究。2.軟件定義的頻譜靈活光網(wǎng)絡（EON）中基于蟻群優(yōu)化的路由與頻譜分配算法論文研究了以EON為框架的路由和頻譜分配算法,提出了一種多層拓撲模型,并提出了一種基于頻譜連貫度和蟻群優(yōu)化的路由與頻譜分配算法?；谡撐奶岢龅亩鄬油負淠Ｐ图邦l譜連貫度統(tǒng)計方法,將提出的算法與現(xiàn)有算法進行了仿真比較。仿真結果表明相較于目前已有算法,論文提出的算法可以降低5%以上的光路建立的阻塞率,提高鏈路利用率,并且減少頻譜碎片的產(chǎn)生。3.DCN中基于軟件定義網(wǎng)的全光交換機的分組沖突解決方案及負載平衡方案論文研究了基于快速光交換和流控制（Flow Control）的DCN中光分組沖突解決方案和負載均衡問題。提出了基于混合輪詢的光分組沖突解決方案,并基于OPSquare的DCN架構為所提出的方案進行了實驗和仿真研究。結果證明了論文提出的混合輪詢方案能有效降低丟包率,提高吞吐量,并降低平均時延。論文提出了一種基于SDN的負載平衡方案。通過仿真,將提出的方案與現(xiàn)有方案進行比較。結果表明提出的方案可以提高吞吐量,并降低丟包率。
戴柯宇[4]（2020）在《一種基于任務相關性的物聯(lián)網(wǎng)終端調度策略研究》文中研究指明物聯(lián)網(wǎng)被視為信息科技產(chǎn)業(yè)的第三次革命,將廣泛應用于各個領域中。物聯(lián)網(wǎng)終端完成物理世界信息的感知并實現(xiàn)物-物和物-人之間的信息交互,其地位至關重要。由于成本、功耗等因素影響,物聯(lián)網(wǎng)終端的計算能力和存儲能力受限,導致終端任務執(zhí)行效率低,響應速度慢。考慮到物聯(lián)網(wǎng)終端中的許多任務之間存在相關性的特點,為合理調度有限的計算和存儲資源進而提高運行效率,本文提出基于任務相關性的調度策略,該策略包含了任務調度和存儲資源調度兩個部分,主要研究內容如下:1.針對物聯(lián)網(wǎng)終端任務間存在相關關系的特點,本文提出一種基于任務相關性的任務調度策略。該策略設計了以作業(yè)輪詢組為主體的任務模型,根據(jù)任務的執(zhí)行時間建立了優(yōu)先級因子矩陣并以此作為任務調度的憑據(jù)。在每個任務執(zhí)行完畢后生成以任務相關性為參數(shù)的增量矩陣用以動態(tài)修改任務優(yōu)先級,使前驅任務能優(yōu)先執(zhí)行;對于實時性要求較高的非周期任務采用了構建臨時作業(yè)輪詢組的方式進行搶占調度。仿真結果表明,該策略能夠有效提升終端的任務吞吐量,縮短非周期任務響應時間。2.針對物聯(lián)網(wǎng)終端中內存資源緊張的問題,進一步提出基于任務相關性的存儲資源調度策略。該策略利用熵權法計算任務遷出權重并根據(jù)使用數(shù)據(jù)段的任務數(shù)量為每個數(shù)據(jù)段設置裝載優(yōu)先級,當內存使用量超過閾值后根據(jù)任務遷出權重和裝載優(yōu)先級選擇合適的數(shù)據(jù)段從內存遷出至外存,使相關性強的任務的內存需求能夠優(yōu)先滿足。仿真結果表明,該策略能夠有效減少內存過載對任務吞吐量和非周期任務響應時間產(chǎn)生的影響。綜上所述,本文從物聯(lián)網(wǎng)終端中任務間具有的相關性入手,對任務調度和存儲資源調度進行了研究,并分別通過搭建仿真測試平臺進行了相關性能的測試驗證,結果表明所提策略在任務集具有相關性環(huán)境下能夠有效提升任務吞吐量并縮短非周期任務響應時間。
李宇中[5]（2019）在《大陣元超聲相控陣多組掃查系統(tǒng)的局部調度建模與優(yōu)化》文中研究說明超聲相控陣儀器具有空間聲場完整覆蓋（無須移動探頭）、準確度高、抗干擾能力強、全方位實時超聲成像等特點,是適用于材料參量定征、材料失效機理分析與壽命預測等科研工作的重要科學儀器。大陣元超聲相控陣多組掃查系統(tǒng)可增加掃查靈活性、圖像對比度、聚焦法則多樣性,實現(xiàn)分布式掃查,但會產(chǎn)生大量不同到達時間、長度、形式的回波信號,需要耗用儀器大量硬件資源處理。為提高資源利用率、實時性,減少儀器硬件開銷,避免信號處理混疊沖突,需研究資源復用、數(shù)據(jù)處理協(xié)同調度問題。論文以“大陣元超聲相控陣多組掃查系統(tǒng)的局部調度建模與優(yōu)化”為題,重點研究延時聚焦、信號處理等方面的調度理論方法與實現(xiàn)技巧,并應用于超聲相控陣多組掃查儀器研制中。論文研究旨在提高無損檢測儀器的實時性、利用率、協(xié)同性和掃查方式多樣性。論文從大陣元超聲相控陣多組掃查系統(tǒng)的多組延時聚焦調度算法、多組同構流水信號處理調度算法、異構分層多DAG（Directed Acyclic Graph）信號處理調度算法等方面,論述國內外研究進展,確定研究內容。論文主要工作包括:（1）大陣元超聲相控陣多組掃查系統(tǒng)延時聚焦調度與優(yōu)化算法研究。為解決延時精度、資源利用率矛盾,提出基于時分復用超聲相控陣多組掃查架構,抽象出延時聚焦同等并行機調度問題,對其數(shù)學模型和時間復雜度進行分析;研究基于同等并行機問題BF（Bound Fit）算法,提出IBF（Improved Bound Fit）算法,減少全聚焦方法（Total Focus Methos,TFM）幀任務數(shù)據(jù)調度的最大完成時間;仿真實驗對比SPT（Shortest Processing Time）、BF、IBF算法,大陣元超聲相控陣多組掃查延時聚焦調度架構和IBF算法使最大完成時間縮短8.7621.48%,硬件資源減少3040%,提升最高運行頻率6.72%11.22%;現(xiàn)場可編程門陣列（Field Programmable Gate Array,FPGA）仿真實驗表明,相比于LIST算法節(jié)約幀任務時間12.26%。（2）大陣元超聲相控陣多組掃查系統(tǒng)同構流水信號處理調度與優(yōu)化算法研究。分析超聲相控陣延時聚焦和掃查時間,推導出幀任務信號開始時間;提出基于時分復用超聲相控陣多組掃查信號處理架構,抽象出分布流水線車間調度問題,研究其帶開始時間的同構簡化模型,即帶開始時間車間任務調度問題,并根據(jù)該問題提出開始與執(zhí)行時間合并近鄰算法（The sum of start time and processing time adjacent,SSPA）;通過仿真算法實驗,最大完成時間提高4.0036.84%,資源利用率提高1.0121.67%;虛擬邏輯分析儀實驗,與FCFS、SPT算法比較,SSPA算法使最大完成時間縮短11%,資源利用率提高9.72%,并通過架構增加陣元分組靈活性。（3）大陣元超聲相控陣多組掃查系統(tǒng)異構分層多DAG信號處理調度與優(yōu)化算法研究。為增加分布式掃查方式的多樣性,提出片上總線異構多組掃查信號處理架構;基于該架構,針對多組掃查超聲相控陣系統(tǒng)中不同分組掃查方式產(chǎn)生的不同信號處理工作流,與其在特定功能信號處理模塊中的分層處理,抽象出一種異構分層多DAG工作流問題（Heterogeneous Hierarchical Multi DAG Problem,HHMDP）。基于改進的異構最早完成時間（HEFT）算法,提出一種具有前任指針調整的異構前任最早完成時間（Heterogeneous Precedent Earlist Finish Time,HPEFT）算法。與SPT、Round-Robin、HEFT（Heterogeneous Earlist Finish Time）、RHEFT（Reverse Heterogeneous Earlist Finish Time）進行仿真實驗比較,采用最大完成時間、空閑時隙比RITS（Idle Time Slot Ratio）、截止期相對裕量RLD（Relative Laxity with Deadline）和錯失截止期率MDR（Missing Deadline Rate）等指標,HPEFT算法最大完成時間縮短3.8757.68%,RITS最大降低4.326.82%,RLD增加2.278.58%,在嚴重負荷條件下MDR降低25%58%;FPGA前仿真驗證表明,希爾伯特變換模塊調度幀率相比于HEFT算法增加3.56%。（4）大陣元超聲相控陣多組掃查儀器實驗驗證與分析?；谧孕性O計的超聲相控陣傳輸測速平臺,在給邊界條件下,多組延時聚焦采用LIST算法、IBF算法,多組同構流水信號處理采用SPT算法、SPA算法,異構分層多DAG信號處理采用HEFT、HPEFT算法比較,總體幀率提高2.959.36%;將新機型用于成像,對比原機型有更窄的盲區(qū),更好的穿透力和分辨力;陣元數(shù)量成像對比實驗得到64陣元A掃成像對比度是32陣元2.30倍;64陣元TFM掃查相比于32陣元最大信號強度提高22.09%,得出陣元數(shù)量越高,信噪比越好;比較多組掃查成像,可以看出成像效果與單組掃查無明顯差異,并且多組掃查能保證實時幀率,從而驗證多組掃查調度的可行性和有效性。
林晗[6]（2019）在《異構融合平臺上的數(shù)據(jù)流運行時系統(tǒng)研究》文中認為隨著半導體工藝的發(fā)展越來越逼近物理極限,以及大數(shù)據(jù)和人工智能等新型應用不斷涌現(xiàn),為了獲得更好的計算能效比,微處理器芯片也越來越朝著專用化的方向發(fā)展,各種新型的領域專用加速芯片層出不窮。隨著加速硬件的多樣性不斷增加,高性能計算系統(tǒng)也由早期的簡單異構變?yōu)楦訌碗s的異構結構。如何將這些異構的加速器硬件有機地融合在統(tǒng)一的軟件生態(tài)系統(tǒng)里,縮小它們在編程效率和運行效率方面的差異,實現(xiàn)高效能的計算,是一個極為挑戰(zhàn)的問題。特別地,在高度異構系統(tǒng)里,硬件的多樣性將導致同步和數(shù)據(jù)移動的代價十分昂貴。如果采用整體同步這樣的粗粒度并行計算模型,需要依靠大量的同步操作來協(xié)同計算,無法組織起高效的計算;如果采用數(shù)據(jù)流模型來組織細粒度的并行計算,以一種點到點的方式表達任務之間的依賴,不僅可以消除在異構系統(tǒng)中代價高昂的全局同步操作,還可以最大限度地消除由于任務劃分不均勻和硬件多樣性帶來的性能瓶頸。但是,數(shù)據(jù)流計算模型在實際應用中仍然面臨諸多問題,包括:對應用和異構平臺進行一般化的抽象、系統(tǒng)資源分配、在新場景下高效地調度任務,以及在與實際應用結合的過程中如何保證各層次的計算效率等。對這些問題的研究和解決,有助于我們重新思考超異構計算時代的程序執(zhí)行模型,為今后在大規(guī)模復雜異構平臺上實現(xiàn)應用程序的統(tǒng)一編程和高效計算提供借鑒和參考。本文旨在從運行時的角度研究數(shù)據(jù)流模型在異構平臺上的若干關鍵問題,重點研究數(shù)據(jù)流程序執(zhí)行模型如何更有效地組織異構計算。通過對程序和異構平臺進行一般化的抽象,構建數(shù)據(jù)流運行時模擬器和性能模型。在此基礎上,基于異構平臺上數(shù)據(jù)流運行時系統(tǒng)的軟硬件特點,提出具有更高調度效率的細粒度任務調度算法。在實際系統(tǒng)的研究中,則重點討論了面向深度學習的數(shù)據(jù)流運行時軟件系統(tǒng)。本文的主要研究工作和成果主要包括以下四個方面:1.在總結了目前已有的數(shù)據(jù)流程序執(zhí)行模型的基礎上,本文提出了更一般化的抽象機器模型和基于有向無環(huán)圖的抽象程序模型,并構建出一個通用的數(shù)據(jù)流運行時模型,同時設計了數(shù)據(jù)流運行時模擬器TripletRun。在模擬器中一方面實現(xiàn)了多種異構系統(tǒng)上主流的啟發(fā)式任務調度算法,為新調度算法的實現(xiàn)提供了擴展接口;另一方面也為新數(shù)據(jù)流模型的探索提供了新視角。TripletRun對程序執(zhí)行過程中任務的不同行為進行了明確定義,這保證了在運行時層面對程序行為的精確模擬,另外它也為程序性能評估提供了不同衡量指標。2.在異構平臺上的數(shù)據(jù)流運行時中,任務調度問題更為復雜,在研究了異構系統(tǒng)上主流的任務調度算法之后,本文結合數(shù)據(jù)流程序執(zhí)行模型與異構系統(tǒng)的特點,提出了基于任務節(jié)點加權出度的任務調度算法:DONF算法。首先,在數(shù)據(jù)流程序執(zhí)行模型中,任務數(shù)量更多,且任務間依賴關系更復雜,DONF調度算法采用加權出度這種更簡單的方式計算任務優(yōu)先級,在降低了任務選擇階段時間復雜度的情況下,還避免了對程序有向無環(huán)圖的遍歷,以支持動態(tài)調度;其次,異構系統(tǒng)中不同硬件之間差異大,通信在程序執(zhí)行過程中扮演著更重要的角色,DONF調度算法考慮了通信鏈路沖突的情況,構建了通信模型以更好地為被調度任務選擇處理器。與參與實驗評估的異構系統(tǒng)上主流調度算法HEFT、CPOP、PEFT和HSIP相比,DONF系列算法的調度長度比降低了 34.6%-65.8%,并行效率提高了 19%-137%。3.TensorFlow是一個流行的深度學習軟件框架,它基于數(shù)據(jù)流程序執(zhí)行模型構建。本文在神威超級計算機上,基于TensorFlow構建了數(shù)據(jù)流深度學習框架swFLOW。經(jīng)過性能分析與熱點優(yōu)化后,swFLOW在單核組上的性能加速比達到10.42倍。在大規(guī)模分布式深度學習中,本文重點就運行時中的通信和數(shù)據(jù)讀取進行了討論與優(yōu)化,使得swFLOW在512進程時達到81.01%的并行效率。作為神威系統(tǒng)上最早支持分布式深度學習的框架之一,swFLOW對神威系統(tǒng)上深度學習軟件生態(tài)的發(fā)展以及未來針對深度學習的軟硬件協(xié)同設計具有重要的參考意義。4.作為理論研究與實際系統(tǒng)相結合的嘗試,本文融合TripletRun與Tensor-Flow/swFLOW,提出了一種統(tǒng)一的調度框架。統(tǒng)一調度框架隱藏了實際系統(tǒng)中任務調度策略的實現(xiàn)細節(jié),便于新調度算法的快速實現(xiàn)和效果驗證,也允許采用空間搜索等方法實現(xiàn)任務調度或映射;而且統(tǒng)一調度框架可以令TensorFlow/swFLOW自動實現(xiàn)并行計算,免去了由用戶對神經(jīng)網(wǎng)絡進行手動分割及反復試驗尋找最佳分配方案之虞;再次,通過統(tǒng)一調度框架確定的映射策略可以打破一些緊耦合算子被綁定到一起的限制,在更大解空間內尋找并行策略。初步的實驗結果表明了統(tǒng)一調度框架的可行性與實用價值。本文的研究以異構平臺上的數(shù)據(jù)流運行時系統(tǒng)為中心,以任務調度為主線,以通信、數(shù)據(jù)讀取等為重點,涵蓋理論研究與實際系統(tǒng)實踐,對異構平臺上數(shù)據(jù)流運行時系統(tǒng)的關鍵問題進行了深入研究與討論。本文設計的數(shù)據(jù)流運行時系統(tǒng)模型很好地抽象了異構融合平臺上數(shù)據(jù)流程序的執(zhí)行過程,提出的任務調度算法與異構系統(tǒng)上主流調度算法相比具有更好的效果。swFLOW框架的設計與實現(xiàn)則為類似平臺上數(shù)據(jù)流深度學習框架的構建提供了有益借鑒,也對神威系統(tǒng)上深度學習軟件生態(tài)的發(fā)展具有重要的參考意義。
李竹林[7]（2018）在《云環(huán)境下基于負載均衡感知的任務調度算法研究》文中指出云計算作為一種新的高速網(wǎng)絡計算服務受到越來越多的青睞,云計算技術廣泛應用于通訊、交通、金融、制造等領域。通過實施任務的最優(yōu)調度,充分利用現(xiàn)有資源實現(xiàn)任務的最快完成,是云計算中任務調度算法研究的目標。隨著云計算的高速發(fā)展,云系統(tǒng)底層技術構架發(fā)生了明顯變化,云系統(tǒng)結構越來越復雜,資源節(jié)點數(shù)量越來越多,不同云之間的差異性越來越明顯。同時,用戶數(shù)量多、行業(yè)普及、服務需求多、時效性期望高、數(shù)據(jù)海量且多樣化等特點日益明顯。已有的任務調度算法難以滿足新形勢下任務調度的需求,迫切需要研發(fā)更優(yōu)的任務調度算法。為此,本文遵循實現(xiàn)系統(tǒng)負載均衡的基本原則,提出了適于云環(huán)境面向負載均的任務調度算法,以適應新形勢下云環(huán)境及用戶的需求。本文針對云環(huán)境復雜程度不同,分別提出負載評估和負載預測的算法,并對云計算中具有差異性的資源節(jié)點和任務進行聚類分析,在此基礎上提出了新的任務調度算法,取得以下主要創(chuàng)新成果:（1）針對私有云節(jié)點異構等原因產(chǎn)生的負載不均衡現(xiàn)象,提出了節(jié)點負載評估的SARIMA算法。該算法以提高私有云系統(tǒng)資源利用率為目標,采用基于時間序列的兩步法預測CPU工作負載。算法使用WPD法將原始序列轉化為更穩(wěn)定的子序列,通過SVM擬合提高ARIMA模型預測的精度,得到資源節(jié)點負載情況。SARIMA算法得到的資源節(jié)點負載評估結果,可作為任務調度的基礎,也可用于資源節(jié)點負載監(jiān)測。（2）針對公有云多數(shù)據(jù)中心、多資源節(jié)點等特點,提出了適用于公有云的GFCEM資源節(jié)點負載預測算法。為提高負載預測結果的準確性,GFCEM算法允許考慮可能影響節(jié)點負載的主要指標。算法引入三角模糊權重對各個資源節(jié)點的指標進行賦值,應用模糊綜合評價與灰色關聯(lián)理論相結合的方法,預測公有云環(huán)境下的資源節(jié)點負載情況。GFCEM算法預測的負載結果可作為任務調度算法的初始參數(shù),也可作為虛擬機遷移的依據(jù)。（3）針對云計算技術在實際應用中動態(tài)性強、時效性高,資源節(jié)點和云任務數(shù)量大,且往往具有數(shù)值型、分類型多屬性的特點,為優(yōu)化任務調度算法,提出了可實現(xiàn)高維混合屬性對象聚類的MATC算法。算法首先度量對象與類之間的相異性,計算屬性的類模糊質心,結合改進的歐氏距離模型計算對象與類質心的歐氏距離;然后利用熵的理論,計算類的內部熵和類的外部熵,得到基于信息熵的混合屬性對象的聚類結果。MATC聚類算法可以對混合屬性對象進行較為準確的聚類,聚類結果可作為任務調度的基本初始參數(shù)。（4）針對現(xiàn)有任務調度算法不能很好滿足云計算系統(tǒng)規(guī)模差異性大和資源節(jié)點異構性突出的問題,提出面向負載均衡的任務調度算法IAACO和IAPSO,兩種算法均較好的考慮了資源節(jié)點負載均衡的因素。IAACO算法在滿足負載均衡的前提下,重點解決了傳統(tǒng)算法中出現(xiàn)局部最優(yōu)解的弊端。IAPSO算法考慮了節(jié)點的多屬性且差異性明顯的問題,在較好預測節(jié)點負載情況的基礎上完成任務的調度,最終得到理想的任務完成時間。通過以上研究,就新形勢下云環(huán)境中的任務調度問題提出了新的解決方案。經(jīng)系統(tǒng)測試實驗表明,本文提出的任務算法在保持系統(tǒng)負載均衡、提高系統(tǒng)資源利用率和執(zhí)行效率方面優(yōu)勢明顯,可廣泛應用于云系統(tǒng)中。
熊東亮[8]（2017）在《多核系統(tǒng)中處理內存干擾的技術研究》文中認為在多核系統(tǒng)中,內存是一項非常重要的共享資源。同時運行的多個應用程序競爭有限的內存帶寬和容量,并互相干擾對方。應用程序間的內存干擾包含原有行緩沖命中率的破壞、陣列級并行度的破壞、對共享地址和數(shù)據(jù)總線的競爭等。如果這些干擾處理不恰當?shù)脑?會嚴重降低系統(tǒng)性能和公平性,不能預測應用程序性能,甚至導致部分應用程序饑餓的問題。在存儲系統(tǒng)的不同部件中,如內存控制器、高速緩存和互連等,實現(xiàn)對服務質量和應用程序的識別對于控制這些部件中的干擾十分重要,并能減輕甚至消除不公平和不可預測性。為此,前人工作主要從兩個方向來處理內存干擾問題:1)減輕干擾,從而降低應用程序延遲和提高系統(tǒng)性能;和2)精確量化和控制干擾對應用程序的延遲的影響,從而為需要的應用程序提供性能保證。識別應用程序的內存訪問調度算法是一種常用地減輕干擾的方式。大多數(shù)識別應用程序的內存訪問調度算法以獲得高系統(tǒng)性能和公平性為目標,檢測各應用程序的內存訪問特征,并以此按全局的順序排列應用程序,使得易受干擾的應用程序有更高的優(yōu)先級,從而減輕內存干擾。但是對應用程序進行全局的排序會引起高硬件復雜度,以至于關鍵路徑延遲已超過了最新DRAM協(xié)議的最小調度時間。另外,處于優(yōu)先級底部的應用程序會受到不公平的延遲。少數(shù)識別應用程序的內存訪問調度算法以實現(xiàn)低硬件復雜度為目標,通過簡單的機制動態(tài)地將應用程序分成兩個群,并優(yōu)先執(zhí)行易受干擾群中的應用程序,但是它們的系統(tǒng)性能和公平性較差。本文提出了 一種基于動態(tài)多層次優(yōu)先級的內存訪問調度算法DMPS,目標是平衡系統(tǒng)性能、公平性和硬件復雜度。首先,DMPS采用基于MPKC的指標內存占有率來計量干擾,該指標硬件實現(xiàn)簡單,能有效反應應用程序已產(chǎn)生的內存干擾;其次,DMPS將應用程序映射到多層次優(yōu)先級中,既能有效地區(qū)分不同特征的應用程序,又能保持低硬件復雜度;最后,應用程序的優(yōu)先級會隨著已執(zhí)行的請求數(shù)增加而動態(tài)地降低,保證了具有類似特征的應用程序處在相同的優(yōu)先級層次,能夠公平地共享內存帶寬。實驗結果證明了DMPS能夠保持前面兩類調度算法的優(yōu)點,并隱藏它們的缺點,在系統(tǒng)性能、公平性和硬件復雜度上做了很好的折中。在線延遲估計模型是一種量化和控制應用程序干擾的常用方式,主要的挑戰(zhàn)是在內存和高速緩存干擾的存在下如何精確地估計出應用程序的延遲。前人工作對應用程序的延遲有兩種定義:1)受干擾的停頓或執(zhí)行時間與未受干擾的停頓或執(zhí)行時間的比值,和2)未受干擾的請求訪問或執(zhí)行速率與受干擾的請求訪問或執(zhí)行速率的比值。前者需要估計每個請求被干擾拖延的周期數(shù),但是存儲系統(tǒng)中大量的并行使得不同請求的執(zhí)行可以大幅重疊,導致該估計精確度很低。后者賦予被估計的應用程序最高優(yōu)先級訪問內存來最小化干擾,并估計一群請求受到干擾的周期數(shù),大幅提高了估計精確度。但是請求訪問或執(zhí)行速率不能很好地代表計算密集型的應用程序的性能,同時量化干擾周期數(shù)的模型過于簡單。本文提出了一種量化和控制內存干擾的在線延遲估計模型SEM。首先,SEM采用IPC來表示應用程序的性能,并將延遲定義為未受干擾的IPC與受干擾的IPC的比值,既避免了對應用程序的分類,統(tǒng)一了延遲計算公式,又增加了估計精確度,因為IPC是個更加細粒度的指標。其次,SEM在估計應用程序的延遲時賦予該應用程最高優(yōu)先級訪問內存,最小化它受到的干擾,并采用了類似于DRAM結構的干擾檢測結構,考慮了寫干擾、行緩沖干擾和數(shù)據(jù)總線干擾。最后,SEM在量化干擾時考慮了陣列級并行度,更貼近實際運行情形。實驗結果表明了SEM能實現(xiàn)更高的估計精確度,無論高速緩存是否考慮。
夏純中[9]（2014）在《云存儲多數(shù)據(jù)中心QoS保障機制研究》文中進行了進一步梳理云存儲是云計算的核心基礎組件,云存儲的高可靠、高可用和高性能是云計算能夠支撐各類云端業(yè)務的重要保證?；诙鄶?shù)據(jù)中心的云存儲采用廣域網(wǎng)分布式架構,通過遍布全球的數(shù)據(jù)中心實現(xiàn)數(shù)據(jù)的異地多副本存儲,保證數(shù)據(jù)的高可靠和高可用；通過就近訪問和數(shù)據(jù)并行下載,保證數(shù)據(jù)服務的高性能。云存儲多數(shù)據(jù)中心在QoS保障與資源調度方面,和單數(shù)據(jù)中心有較大不同。目前業(yè)界尚無標準和規(guī)范,學術界也缺乏系統(tǒng)性研究。如何通過多數(shù)據(jù)中心之間相互協(xié)作進行資源分配,保障不同QoS級別業(yè)務并提高系統(tǒng)資源利用率,是當前云存儲領域的研究重點。本文以實現(xiàn)云存儲多數(shù)據(jù)中心QoS保障,提高云存儲系統(tǒng)整體資源利用率為目標,深入研究了如何通過優(yōu)化云存儲多數(shù)據(jù)中心資源調度,實現(xiàn)QoS保障的問題。論文結合云存儲多數(shù)據(jù)中心特點,將云存儲服務分解為4個主要子服務（負載均衡、存儲分層、存儲網(wǎng)關、網(wǎng)絡傳輸）,針對不同的子服務采用特定手段實現(xiàn)QoS保障與系統(tǒng)資源優(yōu)化的雙重目標。本文的主要成果和創(chuàng)新點包括以下5點：（1）系統(tǒng)分析了云存儲多數(shù)據(jù)中心資源管理的技術原理,總結了在多數(shù)據(jù)中心架構下,云存儲在QoS保障和資源調度方面的研究現(xiàn)狀和存在問題。本文對云存儲在系統(tǒng)架構、負載均衡管理、存儲分層管理、云存儲網(wǎng)關管理、數(shù)據(jù)中心網(wǎng)絡管理等方面的QOS保障機制和原理進行了綜合分析,歸納出各自的工作思想和優(yōu)缺點,指出了云存儲多數(shù)據(jù)中心管理面臨的挑戰(zhàn),并設計了一個云存儲資源優(yōu)化仿真平臺。這是開展云存儲多數(shù)據(jù)中心QoS保障和資源調度研究工作的理論和實驗基礎。（2）提出QoS全局最優(yōu)的云存儲多數(shù)據(jù)中心負載均衡調度模型,并提出一種基于商空間的層次式負載均衡調度算法（QBHLBSA）。本文分析了云存儲負載均衡機制和云存儲多數(shù)據(jù)中心在負載均衡方面存在的問題,提出了一種QoS全局最優(yōu)的云存儲多數(shù)據(jù)中心負載均衡調度模型。模型的優(yōu)化目標是保證不同QoS級別業(yè)務的性能需求,并使各個數(shù)據(jù)中心資源利用率最大化。本文結合云存儲多數(shù)據(jù)中心層次化管理特點,提出了一種基于商空間的層次式負載衡調度算法。該算法可以在不同粒度上由粗至細地對云存儲負載進行調度,具有更快的收斂速度、避免了傳統(tǒng)算法極易陷入局部最優(yōu)值問題。仿真結果表明,本算法可以提升云存儲的系統(tǒng)整體資源利用率和吞吐率,并且保障高QoS優(yōu)先級業(yè)務的讀寫性能要求。（3）提出面向應用層QoS保障的對象分層存儲系統(tǒng)模型,并提出一種基于定價策略的自動分層調度算法（PBACST）。為了保障云存儲中高QoS優(yōu)先級業(yè)務對存儲性能的要求,本文建立了面向應用層QOS保障的對象分層存儲系統(tǒng)模型。模型的優(yōu)化目標是在充分考慮不同業(yè)務QoS需求、存儲容量和吞吐率約束條件下最大化云存儲高速緩存資源池的利用率。本文結合云存儲多數(shù)據(jù)中心特點,提出了一種基于定價策略的自動分層調度算法。該算法具有分布式?jīng)Q策的特點,各組件相互協(xié)作地完成數(shù)據(jù)對象分層調度。仿真結果表明,本算法可以提升云存儲中高速緩存資源池的利用率,并且保障高QoS優(yōu)先級業(yè)務的讀寫性能要求。（4）提出支持QOS的云存儲多數(shù)據(jù)中心任務調度模型,并提出一種基于動態(tài)帶寬分配的實時任務調度算法（DBABRTSA）。本文分析了云存儲中不同QoS級別業(yè)務競爭有限的帶寬資源時產(chǎn)生的擁塞問題,提出了一種支持QoS的多數(shù)據(jù)中心任務調度模型。模型的優(yōu)化目標是保證高QoS級別實時業(yè)務的性能需求,并提升云存儲系統(tǒng)整體吞吐性能。本文結合云存儲多數(shù)據(jù)中心層次化管理特點,提出了一種基于動態(tài)帶寬分配的實時任務調度算法。該算法可以按照業(yè)務類型優(yōu)先級從高到低,動態(tài)分配任務流量帶寬。仿真結果表明,本算法可以保障高QoS級別實時業(yè)務的讀寫性能要求,同時保證其它各級QoS業(yè)務對帶寬使用的比例公平性,并能提升系統(tǒng)整體的吞吐率。（5）提出面向QOS的數(shù)據(jù)中心間網(wǎng)絡流量調度模型,并提出一種基于雙層多粒子群的網(wǎng)絡流量調度算法（BLMSPSOSA）。本文分析了云存儲多數(shù)據(jù)中心間網(wǎng)絡鏈路帶寬利用不均衡的問題,提出了一種面向QOS的多數(shù)據(jù)中心間網(wǎng)絡流量調度模型。模型的優(yōu)化目標是保證不同QoS級別數(shù)據(jù)傳輸?shù)男阅苄枨?并使數(shù)據(jù)中心間網(wǎng)絡鏈路帶寬資源利用率最大化。本文結合云存儲多數(shù)據(jù)中心層次化管理特點,提出了一種基于雙層多粒子群的網(wǎng)絡流量調度算法。該算法具有更快的收斂速度、避免了傳統(tǒng)算法極易陷入局部最優(yōu)值問題。仿真結果表明,本算法可以提升云存儲多數(shù)據(jù)中心間網(wǎng)絡鏈路帶寬的利用率,并且保障高QoS優(yōu)先級數(shù)據(jù)的傳輸需求。綜上所述,本文通過對不同子服務的資源優(yōu)化調度實現(xiàn)了云存儲多數(shù)據(jù)中心QoS保障,并有效提升了云存儲整體資源利用率和吞吐率。
楊藝[10]（2013）在《網(wǎng)絡仿真模擬平臺的可擴展性與真實性研究》文中研究表明隨著網(wǎng)絡規(guī)模的不斷擴大，研究人員對大規(guī)模網(wǎng)絡實驗平臺的需求也越來越高。由于構建真實網(wǎng)絡環(huán)境的代價過于巨大，所以網(wǎng)絡仿真和模擬平臺在網(wǎng)絡研究中得到普遍應用。本文研究這兩種平臺的可擴展性和真實性，使其能更好地適應大規(guī)模網(wǎng)絡實驗的需要。本文以NS2網(wǎng)絡仿真平臺為基礎，設計實現(xiàn)了高速緩存感知調度算法，通過加快仿真速度來提高其計算性能和可擴展性，并詳細描述了算法出入隊操作的實現(xiàn)。理論分析表明，所設計算法的出入隊操作，相比于默認的日歷隊列算法，加速性能正比于緩存與主存的速度之比。為了直接觀測算法的緩存利用效益，本文使用pfmon工具對緩存的命中率進行監(jiān)測，并通過100個節(jié)點的網(wǎng)絡仿真實驗，證實高速緩存感知算法能夠更有效地利用高速緩存，可以使仿真計算最大加速29倍。本文進一步設計了一個集成網(wǎng)絡模擬平臺。該平臺集成了GNS3、Xen和NetEm三個開源軟件包，使用Xen、GNS3的虛擬化能力來提高平臺的可擴展性，并通過讓網(wǎng)絡端點運行真實的協(xié)議棧、用NetEm模擬網(wǎng)絡的鏈路特性以及引入GNS3模擬真實路由器，來保證該平臺在模擬與仿真方面的真實性。本文通過啞鈴模型的實驗準確地反映了CUBIC和Reno算法的公平性、友好性以及擁塞窗口的增長特性，從而驗證了平臺的可行性和真實性。
二、利用高速緩存調度算法實現(xiàn)通訊信息的緩沖（論文開題報告）
（1）論文研究背景及目的
此處內容要求：
首先簡單簡介論文所研究問題的基本概念和背景，再而簡單明了地指出論文所要研究解決的具體問題，并提出你的論文準備的觀點或解決方法。
寫法范例：
本文主要提出一款精簡64位RISC處理器存儲管理單元結構并詳細分析其設計過程。在該MMU結構中,TLB采用叁個分離的TLB,TLB采用基于內容查找的相聯(lián)存儲器并行查找,支持粗粒度為64KB和細粒度為4KB兩種頁面大小,采用多級分層頁表結構映射地址空間,并詳細論述了四級頁表轉換過程,TLB結構組織等。該MMU結構將作為該處理器存儲系統(tǒng)實現(xiàn)的一個重要組成部分。
（2）本文研究方法
調查法：該方法是有目的、有系統(tǒng)的搜集有關研究對象的具體信息。
觀察法：用自己的感官和輔助工具直接觀察研究對象從而得到有關信息。
實驗法：通過主支變革、控制研究對象來發(fā)現(xiàn)與確認事物間的因果關系。
文獻研究法：通過調查文獻來獲得資料，從而全面的、正確的了解掌握研究方法。
實證研究法：依據(jù)現(xiàn)有的科學理論和實踐的需要提出設計。
定性分析法：對研究對象進行“質”的方面的研究，這個方法需要計算的數(shù)據(jù)較少。
定量分析法：通過具體的數(shù)字，使人們對研究對象的認識進一步精確化。
跨學科研究法：運用多學科的理論、方法和成果從整體上對某一課題進行研究。
功能分析法：這是社會科學用來分析社會現(xiàn)象的一種方法，從某一功能出發(fā)研究多個方面的影響。
模擬法：通過創(chuàng)設一個與原型相似的模型來間接研究原型某種特性的一種形容方法。
三、利用高速緩存調度算法實現(xiàn)通訊信息的緩沖（論文提綱范文）
（1）基于DDR3的星載動態(tài)載荷緩存調度及管理技術研究（論文提綱范文）
| 摘要 |
| abstract |
| 1.緒論 |
| 1.1 課題研究背景及意義 |
| 1.2 國內外現(xiàn)狀分析 |
| 1.2.1 調度算法現(xiàn)狀分析 |
| 1.2.2 星上路由及存儲系統(tǒng)現(xiàn)狀分析 |
| 1.3 課題研究內容 |
| 1.4 論文結構 |
| 2.星載高速緩存需求分析及系統(tǒng)方案設計 |
| 2.1 高速緩存需求分析 |
| 2.2 緩存芯片選擇和需求計算 |
| 2.3 DDR3 SDRAM陣列硬件設計 |
| 2.4 系統(tǒng)硬件架構設計 |
| 2.5 模塊劃分及功能介紹 |
| 2.6 本章小結 |
| 3.動態(tài)調度算法及緩存管理研究 |
| 3.1 動態(tài)數(shù)據(jù)調度問題分析及方案設計 |
| 3.2 調度算法研究 |
| 3.2.1 加權輪詢算法WRR簡介 |
| 3.2.2 改進型加權輪詢算法原理 |
| 3.2.3 路由調度工作原理 |
| 3.3 改進型WRR調度算法實現(xiàn) |
| 3.3.1 碼率檢測模塊設計 |
| 3.3.2 WRR調度控制器設計 |
| 3.3.3 緩存請求模塊設計 |
| 3.4 路由調度單元實現(xiàn) |
| 3.4.1 路由調度控制器設計 |
| 3.4.2 數(shù)據(jù)流量控制模塊設計 |
| 3.5 緩存空間管理方案 |
| 3.5.1 BAT表設計 |
| 3.5.2 緩存管理模塊設計 |
| 3.6 本章小結 |
| 4.DDR3 SDRAM驅動實現(xiàn)及接口設計 |
| 4.1 DDR3 SDRAM驅動模塊設計 |
| 4.1.1 DDR3 SDRAM功能描述 |
| 4.1.2 DDR3 SDRAM工作狀態(tài)及命令 |
| 4.1.3 DDR3 SDRAM IP core用戶端口 |
| 4.1.4 DDR3 SDRAM讀寫模式設計 |
| 4.2 載荷傳輸接口設計 |
| 4.2.1 SRIO傳輸協(xié)議及時序 |
| 4.2.2 上層用戶邏輯設計 |
| 4.3 LVDS接口設計 |
| 4.4 CCSDS空間數(shù)據(jù)協(xié)議 |
| 4.5 本章小結 |
| 5.實驗驗證和分析 |
| 5.1 驗證方法 |
| 5.2 各模塊驗證 |
| 5.2.1 GTH接口傳輸測試驗證 |
| 5.2.2 AOS組幀編碼模塊測試驗證 |
| 5.2.3 WRR隊列調度單元測試驗證 |
| 5.2.4 DDR3 SDRAM驅動測試驗證 |
| 5.2.5 BAT表讀取和更新測試驗證 |
| 5.3 系統(tǒng)級測試驗證 |
| 5.4 本章小結 |
| 6. 總結與展望 |
| 6.1 總結 |
| 6.2 展望 |
| 參考文獻 |
| 攻讀碩士學位期間發(fā)表的論文及所取得的研究成果 |
| 致謝 |
（2）異構多核SOC處理器內部存儲架構優(yōu)化（論文提綱范文）
| 致謝 |
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 研究背景 |
| 1.2 研究現(xiàn)狀 |
| 1.2.1 國內研究現(xiàn)狀 |
| 1.2.2 國外研究現(xiàn)狀 |
| 1.3 主要工作內容 |
| 1.4 課題來源 |
| 1.5 論文結構 |
| 第二章 高速共享緩存的設計原理與目標系統(tǒng) |
| 2.1 緩存相關技術介紹 |
| 2.1.1 緩存的地址映射方式 |
| 2.1.2 緩存的讀寫策略 |
| 2.1.3 緩存的替換策略 |
| 2.1.4 共享緩存與私有緩存 |
| 2.1.5 頁表緩存的相關技術 |
| 2.1.6 緩存的一致性 |
| 2.2 目標系統(tǒng)介紹 |
| 2.2.1 目標系統(tǒng)結構介紹 |
| 2.2.2 目標系統(tǒng)通訊機制以及數(shù)據(jù)訪存機制 |
| 2.2.3 目標系統(tǒng)數(shù)據(jù)組織形式 |
| 2.3 目標系統(tǒng)存儲需求分析 |
| 2.4 本章小結 |
| 第三章 高速共享緩存的設計方案 |
| 3.1 共享緩存結構設計方案綜述 |
| 3.2 分布式共享緩存結構方案 |
| 3.2.1 可復用節(jié)點的選擇 |
| 3.2.2 緩存讀寫策略 |
| 3.2.3 數(shù)據(jù)查找表的設計 |
| 3.3 數(shù)據(jù)通道設計方案 |
| 3.3.1 數(shù)據(jù)通道分析 |
| 3.3.2 數(shù)據(jù)通道分配 |
| 3.3.3 多路并行分時訪存設計 |
| 3.4 共享緩存與私有緩存切換沖突處理 |
| 3.5 本章小結 |
| 第四章 高速共享緩存的結構硬件實現(xiàn) |
| 4.1 共享緩存整體架構設計 |
| 4.2 緩存控制器設計 |
| 4.2.1 緩存數(shù)據(jù)寫入的節(jié)點選擇 |
| 4.2.2 緩存任務的仲裁存儲單元 |
| 4.2.3 緩存任務的下發(fā)單元 |
| 4.2.4 片上通訊網(wǎng)絡接口 |
| 4.3 節(jié)點數(shù)據(jù)緩存模塊 |
| 4.3.1 緩存數(shù)據(jù)的讀出寫入 |
| 4.3.2 可變長批量數(shù)據(jù)記錄表設計 |
| 4.4 數(shù)據(jù)通道設計 |
| 4.4.1 旁路數(shù)據(jù)通道設計 |
| 4.4.2 讀寫緩存任務數(shù)據(jù)通道設計 |
| 4.5 本章小結 |
| 第五章 高速共享緩存的設計驗證 |
| 5.1 資源消耗 |
| 5.2 實驗設計 |
| 5.3 實驗結果分析 |
| 5.3.1 實驗一矩陣轉置應用 |
| 5.3.2 實驗二復數(shù)加應用 |
| 5.3.3 實驗三FFT計算應用 |
| 5.3.4 實驗四混合運算流水線應用 |
| 5.3.5 實驗五混合任務測試應用 |
| 5.3.6 結果分析 |
| 5.4 本章小結 |
| 第六章 總結與展望 |
| 6.1 總結 |
| 6.2 展望 |
| 參考文獻 |
| 攻讀碩士學位期間的學術活動及成果情況 |
（3）基于軟件定義網(wǎng)的多維多域光網(wǎng)絡帶寬資源優(yōu)化技術研究（論文提綱范文）
| 摘要 |
| ABSTRCT |
| 第一章 緒論 |
| 1.1 光網(wǎng)絡的發(fā)展概述 |
| 1.1.1 光網(wǎng)絡架構 |
| 1.1.2 基于軟件定義網(wǎng)的光傳送網(wǎng)絡 |
| 1.1.3 無源光網(wǎng)絡架構及動態(tài)帶寬分配技術 |
| 1.1.4 基于頻譜靈活城域光網(wǎng)絡的路由及頻譜分配技術 |
| 1.1.5 基于SDN的數(shù)據(jù)中心網(wǎng)絡架構及交換技術 |
| 1.2 國內外技術研究現(xiàn)狀 |
| 1.2.1 動態(tài)帶寬分配及控制技術研究現(xiàn)狀 |
| 1.2.2 基于頻譜靈活光網(wǎng)絡的架構及路由-頻譜分配技術研究現(xiàn)狀 |
| 1.2.3 基于SDN的數(shù)據(jù)中心全光交換技術研究現(xiàn)狀 |
| 1.3 論文主要研究內容和創(chuàng)新點 |
| 1.4 論文的組織架構 |
| 參考文獻 |
| 第二章 基于SDN的WDM/TDM-PON中波長-時隙聯(lián)合分配算法研究 |
| 2.1 基于SDN的WDM/TDM-PON架構及動態(tài)帶寬分配技術 |
| 2.1.1 WDM/TDM-PON架構 |
| 2.1.2 動態(tài)帶寬分配技術 |
| 2.2 基于波長分組的軟件定義WDM/TDM-PON的波長-時隙聯(lián)合分配方案 |
| 2.2.1 基于波長分組的軟件定義WDM/TDM-PON組網(wǎng)架構 |
| 2.2.2 基于軟件定義的波長-時隙聯(lián)合分配技術 |
| 2.2.3 實驗和結果 |
| 2.3 本章小結 |
| 參考文獻 |
| 第三章 城域網(wǎng)中基于蟻群優(yōu)化的路由與頻譜分配方案研究 |
| 3.1 EON中多層虛擬拓撲模型及路由與頻譜分配技術 |
| 3.1.1 頻譜靈活光網(wǎng)絡與路由-頻譜分配算法 |
| 3.1.2 基于多層虛擬拓撲的軟件定義EON架構 |
| 3.1.3 RSA問題的啟發(fā)式算法總結 |
| 3.2 基于蟻群優(yōu)化的路由與頻譜分配方案研究 |
| 3.2.1 頻譜連貫性指數(shù)的統(tǒng)計方法 |
| 3.2.2 基于蟻群優(yōu)化的最小鄰接-備選鏈路對連貫度損失RSA算法 |
| 3.2.3 基于蟻群優(yōu)化的最小連貫度損失RSA算法 |
| 3.3 數(shù)值仿真和結果 |
| 3.4 本章小結 |
| 參考文獻 |
| 第四章 軟件定義數(shù)據(jù)中心網(wǎng)中基于混合輪詢的光分組沖突解決方案研究 |
| 4.1 快速光交換技術中的光分組沖突問題 |
| 4.2 基于FOS的OPSquare數(shù)據(jù)中心網(wǎng)絡架構 |
| 4.3 基于混合輪詢的光分組沖突解決方案 |
| 4.4 快速光分組交換的架構性能優(yōu)化 |
| 4.5 光交換原型機中HPACR算法的實驗驗證 |
| 4.6 DCN中HPACR算法的數(shù)值仿真 |
| 4.7 本章小結 |
| 參考文獻 |
| 第五章 基于SDN的數(shù)據(jù)中心網(wǎng)中負載均衡方法研究 |
| 5.1 數(shù)據(jù)中心網(wǎng)負載均衡技術 |
| 5.2 基于ECMP的OPSquare路由技術 |
| 5.3 基于軟件定義的概率路由的負載均衡解決方案 |
| 5.4 結果與分析 |
| 5.5 本章小結 |
| 參考文獻 |
| 第六章 總結與展望 |
| 6.1 總結 |
| 6.2 展望 |
| 致謝 |
| 附錄1: 縮略語列表 |
| 攻讀學位期間發(fā)表的學術成果 |
（4）一種基于任務相關性的物聯(lián)網(wǎng)終端調度策略研究（論文提綱范文）
| 摘要 |
| abstract |
| 注釋表 |
| 第1章 緒論 |
| 1.1 研究背景與意義 |
| 1.2 國內外研究現(xiàn)狀 |
| 1.3 論文主要內容及結構安排 |
| 第2章 物聯(lián)網(wǎng)終端關鍵技術及架構 |
| 2.1 物聯(lián)網(wǎng)定義與架構 |
| 2.2 物聯(lián)網(wǎng)終端任務調度技術 |
| 2.2.1 任務調度評價指標 |
| 2.2.2 經(jīng)典任務調度算法 |
| 2.2.3 考慮相關性的任務調度 |
| 2.3 物聯(lián)網(wǎng)終端存儲技術 |
| 2.3.1 存儲器硬件類型 |
| 2.3.2 存儲管理技術 |
| 2.3.3 經(jīng)典內存置換策略 |
| 2.4 基于任務相關性的調度策略總體方案 |
| 2.5 本章小結 |
| 第3章 基于任務相關性的任務調度策略 |
| 3.1 基于任務相關性的任務模型 |
| 3.1.1 任務模型 |
| 3.1.2 作業(yè)輪詢組任務劃分 |
| 3.1.3 作業(yè)輪詢組優(yōu)先級管理 |
| 3.2 基于任務相關性的任務調度策略 |
| 3.3 仿真與分析 |
| 3.3.1 任務吞吐量 |
| 3.3.2 非周期任務平均響應時間 |
| 3.4 本章小結 |
| 第4章 基于任務相關性的存儲資源調度策略 |
| 4.1 存儲資源調度總體方案 |
| 4.1.1 存儲資源相關定義 |
| 4.1.2 基于任務相關性的存儲資源調度策略流程 |
| 4.2 任務裝載機制 |
| 4.3 基于任務相關性的內存置換策略 |
| 4.3.1 內存緊急狀態(tài)閾值確定 |
| 4.3.2 內存遷出約束條件 |
| 4.3.3 熵權法計算任務置換權重 |
| 4.3.4 遷出數(shù)據(jù)量及順序控制 |
| 4.4 仿真與分析 |
| 4.4.1 任務吞吐量與非周期任務響應時間 |
| 4.4.2 調度失敗率 |
| 4.5 本章小結 |
| 第5章 測試與分析 |
| 5.1 測試環(huán)境搭建 |
| 5.1.1 測試終端應用任務 |
| 5.1.2 硬件測試平臺 |
| 5.1.3 測試服務器 |
| 5.2 任務分組測試 |
| 5.3 應答時間測試 |
| 5.4 本章小結 |
| 第6章 總結與展望 |
| 6.1 本文總結 |
| 6.2 未來工作展望 |
| 參考文獻 |
| 致謝 |
| 攻讀碩士學位期間從事的科研工作及取得的成果 |
（5）大陣元超聲相控陣多組掃查系統(tǒng)的局部調度建模與優(yōu)化（論文提綱范文）
| 摘要 |
| Abstract |
| 主要符號表 |
| 第一章 緒論 |
| 1.1 論文研究背景及研究意義 |
| 1.2 大陣元超聲相控陣多組掃查系統(tǒng)概述 |
| 1.2.1 超聲相控陣系統(tǒng)通用架構與信號處理流程 |
| 1.2.2 大陣元超聲相控陣多組掃查系統(tǒng)提出 |
| 1.3 相關研究內容國內外進展 |
| 1.3.1 多組延時聚焦架構與調度算法 |
| 1.3.2 多組同構流水信號處理架構與調度算法 |
| 1.3.3 異構信號處理架構及調度算法 |
| 1.4 論文研究內容以及章節(jié)安排 |
| 第二章 大陣元超聲相控陣多組掃查系統(tǒng)延時聚焦調度 |
| 2.1 引言 |
| 2.2 LE-UPA-MGSS延時聚焦調度構架設計 |
| 2.2.1 LE-UPA-MGSS多組掃查系統(tǒng)延時聚焦調度架構 |
| 2.2.2 LE-UPA-MGSS4組2 細延時調度模型圖示例 |
| 2.3 大陣元超聲相控陣多組掃查系統(tǒng)延時調度建模與求解 |
| 2.3.1 LE-UPA-MGSS細延時模塊重要參數(shù)定義 |
| 2.3.2 LE-UPA-MGSS細延時模塊調度原則與數(shù)學模型 |
| 2.3.3 LE-UPA-MGSS細延時模塊調度模型的IBF求解 |
| 2.4 大陣元超聲相控陣多組掃查系統(tǒng)延時聚焦調度算法仿真實驗 |
| 2.4.1 LE-UPA-MGSS延時聚焦IBF算法調度性能仿真實驗 |
| 2.4.2 LE-UPA-MGSS延時聚焦調度資源幀率頻率實驗 |
| 2.5 本章小結 |
| 第三章 大陣元超聲相控陣多組掃查系統(tǒng)同構流水信號處理調度 |
| 3.1 引言 |
| 3.2 LE-UPA-MGSS多組掃查同構流水信號處理調度架構設計 |
| 3.2.1 LE-UPA-MGSS同構流水信號處理調度系統(tǒng)框圖 |
| 3.2.2 LE-UPA-MGSS系統(tǒng)同構流水信號處理模塊 |
| 3.2.3 LE-UPA-MGSS4組2 同構流水信號處理調度器示例 |
| 3.3 LE-UPA-MGSS同構流水信號處理調度建模與求解 |
| 3.3.1 LE-UPA-MGSS同構流水信號處理模塊重要參數(shù)定義 |
| 3.3.2 LE-UPA-MGSS同構流水信號處理模塊調度原則與數(shù)學模型 |
| 3.3.3 LE-UPA-MGSS同構流水信號處理模塊的SSPA求解 |
| 3.4 LE-UPA-MGSS同構流水信號處理SSPA調度算法仿真實驗 |
| 3.4.1 LE-UPA-MGSS同構流水信號處理SSPA調度算法性能仿真實驗 |
| 3.4.2 LE-UPA-MGSS同構流水信號處理SSPA任務調度平臺驗證實驗 |
| 3.5 本章小結 |
| 第四章 大陣元超聲相控陣多組掃查系統(tǒng)異構分層多DAG信號處理調度 |
| 4.1 引言 |
| 4.2 LE-UPA-MGSS異構分層多DAG信號處理調度架構設計 |
| 4.2.1 LE-UPA-MGSS異構分層多DAG信號處理調度架構 |
| 4.2.2 LE-UPA-MGSS異構分層多DAG信號處理調度架構示例 |
| 4.3 LE-UPA-MGSS異構分層多DAG信號處理調度建模與求解 |
| 4.3.1 LE-UPA-MGSS異構分層多DAG信號處理調度參數(shù) |
| 4.3.2 LE-UPA-MGSS異構分層多DAG信號處理調度數(shù)學模型 |
| 4.3.3 LE-UPA-MGSS異構分層多DAG信號處理調度HPEFT算法求解 |
| 4.4 LE-UPA-MGSS異構分層多DAG信號處理調度算法實驗 |
| 4.4.1 LE-UPA-MGSS異構分層多DAG信號處理HPEFT調度仿真實驗 |
| 4.4.2 LE-UPA-MGSS異構分層多DAG HPEFT希爾伯特變換調度實驗 |
| 4.5 本章小結 |
| 第五章 大陣元超聲相控陣多組掃查系統(tǒng)實驗與分析 |
| 5.1 引言 |
| 5.2 LE-UPA-MGSS延時聚焦調度效果實驗 |
| 5.2.1 LE-UPA-MGSS延時聚焦調度架構設計 |
| 5.2.2 LE-UPA-MGSS延時聚焦調度效果驗證 |
| 5.3 LE-UPA-MGSS同構流水信號處理調度效果實驗 |
| 5.3.1 LE-UPA-MGSS同構流水信號處理調度架構設計 |
| 5.3.2 LE-UPA-MGSS同構流水信號處理調度效果驗證 |
| 5.4 LE-UPA-MGSS異構分層多DAG信號處理調度效果實驗 |
| 5.4.1 LE-UPA-MGSS異構分層多DAG信號處理調度架構設計 |
| 5.4.2 LE-UPA-MGSS異構分層多DAG信號處理調度效果驗證 |
| 5.5 本章小結 |
| 結論與展望 |
| 參考文獻 |
| 攻讀博士學位期間取得的研究成果 |
| 致謝 |
| 附件 |
（6）異構融合平臺上的數(shù)據(jù)流運行時系統(tǒng)研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第1章 緒論 |
| 1.1 異構融合平臺的出現(xiàn)與發(fā)展趨勢 |
| 1.2 異構融合平臺上數(shù)據(jù)流運行時系統(tǒng)設計的關鍵問題 |
| 1.2.1 數(shù)據(jù)流運行時系統(tǒng)模型 |
| 1.2.2 系統(tǒng)資源分配 |
| 1.2.3 計算任務調度 |
| 1.3 論文主要研究工作 |
| 1.3.1 異構融合平臺上的數(shù)據(jù)流運行時系統(tǒng)建模 |
| 1.3.2 異構融合平臺上的任務調度 |
| 1.3.3 面向國產(chǎn)超算系統(tǒng)的線程級數(shù)據(jù)流運行時系統(tǒng)設計 |
| 1.4 論文結構 |
| 第2章 相關研究工作綜述 |
| 2.1 數(shù)據(jù)流計算模型的發(fā)展 |
| 2.1.1 指令級數(shù)據(jù)流計算模型 |
| 2.1.2 線程級數(shù)據(jù)流計算模型 |
| 2.2 異構系統(tǒng)上的任務調度算法 |
| 2.2.1 異構系統(tǒng)上的任務調度問題 |
| 2.2.2 異構系統(tǒng)上的主流調度算法 |
| 2.3 面向深度學習應用的數(shù)據(jù)流運行時系統(tǒng) |
| 2.3.1 深度學習 |
| 2.3.2 分布式深度學習中的任務映射 |
| 2.4 小結 |
| 第3章 異構融合平臺上的數(shù)據(jù)流運行時系統(tǒng)建模 |
| 3.1 引言 |
| 3.2 異構融合線程級數(shù)據(jù)流計算系統(tǒng)的通用模型 |
| 3.2.1 抽象機器模型 |
| 3.2.2 抽象程序模型 |
| 3.2.3 線程級并行程序執(zhí)行模型 |
| 3.3 TripletRun:一種異構融合數(shù)據(jù)流運行時系統(tǒng)的建模 |
| 3.3.1 機器模型 |
| 3.3.2 程序模型 |
| 3.3.3 程序執(zhí)行流程的模擬與結果輸出 |
| 3.3.4 主流任務調度算法實現(xiàn) |
| 3.4 程序性能分析模型 |
| 3.4.1 基于執(zhí)行時間評估性能 |
| 3.4.2 并行效率 |
| 3.4.3 平均等待時間 |
| 3.4.4 負載平衡 |
| 3.5 小結 |
| 第4章 異構融合數(shù)據(jù)流運行時系統(tǒng)里的任務調度 |
| 4.1 任務調度問題的抽象 |
| 4.2 一種基于節(jié)點出度的任務調度算法的設計 |
| 4.2.1 算法設計思想 |
| 4.2.2 算法復雜度分析 |
| 4.2.3 節(jié)點出度因子的確定 |
| 4.2.4 實驗評估 |
| 4.3 一種統(tǒng)一任務調度框架的設計 |
| 4.3.1 TensorFlow中任務調度存在的問題 |
| 4.3.2 統(tǒng)一任務調度框架設計思想的提出 |
| 4.3.3 統(tǒng)一任務調度框架在TensorFlow上的實現(xiàn) |
| 4.4 小結 |
| 第5章 swFLOW:一個實際的線程級數(shù)據(jù)流運行時系統(tǒng)設計 |
| 5.1 神威·太湖之光 |
| 5.1.1 申威SW26010體系結構 |
| 5.1.2 整體架構與編程環(huán)境 |
| 5.2 神威·太湖之光上面向深度學習應用的數(shù)據(jù)流運行時系統(tǒng)設計與實現(xiàn) |
| 5.2.1 主要設計思想 |
| 5.2.2 實現(xiàn)方案 |
| 5.2.3 卷積神經(jīng)網(wǎng)絡性能分析 |
| 5.2.4 卷積算子優(yōu)化:從核擴展 |
| 5.2.5 分布式實現(xiàn)與優(yōu)化 |
| 5.3 實驗評估 |
| 5.3.1 單進程實驗評估 |
| 5.3.2 數(shù)據(jù)并行多進程實驗評估 |
| 5.3.3 實驗結果綜合分析 |
| 5.4 討論:swFLOW與神威·太湖之光 |
| 5.5 小結 |
| 第6章 全文總結 |
| 6.1 研究工作和成果 |
| 6.2 主要創(chuàng)新 |
| 6.3 局限性與進一步工作 |
| 參考文獻 |
| 致謝 |
| 在讀期間發(fā)表的學術論文與取得的研究成果 |
| 在讀期間參與的科研項目 |
（7）云環(huán)境下基于負載均衡感知的任務調度算法研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 研究背景 |
| 1.1.1 云計算分類 |
| 1.1.2 云平臺承載的大數(shù)據(jù) |
| 1.1.3 云計算平臺 |
| 1.2 存在的問題與挑戰(zhàn) |
| 1.3 研究的目標、內容和創(chuàng)新點 |
| 1.3.1 研究目標 |
| 1.3.2 研究內容 |
| 1.3.3 主要創(chuàng)新點 |
| 1.4 論文組織結構 |
| 第2章 云計算中任務調度關鍵技術研究 |
| 2.1 典型任務調度算法 |
| 2.1.1 傳統(tǒng)任務調度算法 |
| 2.1.2 啟發(fā)式任務調度算法 |
| 2.2 任務調度的研究進展 |
| 2.2.1 負載均衡感知的任務調度 |
| 2.2.2 成本感知的任務調度 |
| 2.2.3 效率感知的任務調度 |
| 2.2.4 能量感知的任務調度 |
| 2.2.5 服務質量感知的任務調度 |
| 2.3 服務于任務調度的負載預測研究 |
| 2.3.1 時間序列線性預測模型 |
| 2.3.2 指數(shù)平滑法預測模型 |
| 2.3.3 神經(jīng)網(wǎng)絡預測模型 |
| 2.4 小結 |
| 第3章 私有云節(jié)點負載評估SARIMA算法 |
| 3.1 研究意義 |
| 3.2 私有云負載評估模型建立 |
| 3.3 SARIMA評估算法 |
| 3.3.1 負載序列處理 |
| 3.3.2 負載評估 |
| 3.3.3 算法流程與代碼實現(xiàn) |
| 3.4 實驗與結果分析 |
| 3.4.1 仿真實驗與結果分析 |
| 3.4.2 真實數(shù)據(jù)測試與結果分析 |
| 3.5 小結 |
| 第4章 公有云環(huán)境GFCEM負載預測算法 |
| 4.1 預備理論 |
| 4.2 模型建立 |
| 4.3 GFCEM評價算法 |
| 4.3.1 指標數(shù)據(jù)處理 |
| 4.3.2 三角模糊權重計算 |
| 4.3.3 三角模糊相似度計算 |
| 4.3.4 灰色關聯(lián)度計算 |
| 4.3.5 GFCEM算法偽代碼 |
| 4.4 實驗與結果分析 |
| 4.4.1 測度指標選取 |
| 4.4.2 節(jié)點負載預測 |
| 4.4.3 結果分析 |
| 4.5 小結 |
| 第5章 面向云任務調度的MATC聚類算法 |
| 5.1 研究的意義 |
| 5.2 模型構建 |
| 5.3 MATC聚類算法 |
| 5.3.1 屬性對象間相異性計算 |
| 5.3.2 數(shù)值型屬性對象聚類 |
| 5.3.3 分類型屬性對象聚類 |
| 5.3.4 混合屬性對象聚類 |
| 5.4 任務調度中MATC的應用 |
| 5.4.1 節(jié)點屬性處理 |
| 5.4.2 任務屬性處理 |
| 5.4.3 算法偽代碼實現(xiàn) |
| 5.5 算法性能測試 |
| 5.6 小結 |
| 第6章 云環(huán)境中面向負載均衡的任務調度算法 |
| 6.1 研究的意義 |
| 6.2 任務調度模型構建 |
| 6.3 IAACO任務調度算法 |
| 6.3.1 算法基礎 |
| 6.3.2 初始負載評估 |
| 6.3.3 IAACO算法 |
| 6.3.4 IAACO算法偽代碼 |
| 6.4 IAPSO任務調度算法 |
| 6.4.1 IAPSO算法 |
| 6.4.2 IAPSO算法優(yōu)化 |
| 6.4.3 IAPSO算法實現(xiàn) |
| 6.5 實驗與結果分析 |
| 6.5.1 IAACO算法實驗 |
| 6.5.2 IAPSO算法實驗 |
| 6.5.3 IAACO與IAPSO算法對比實驗 |
| 6.6 小結 |
| 第7章 結論與展望 |
| 7.1 主要結論 |
| 7.2 工作展望 |
| 參考文獻 |
| 致謝 |
| 攻讀博士學位期間取得的學術成果 |
| 作者從事科學研究和學習經(jīng)歷的簡歷 |
（8）多核系統(tǒng)中處理內存干擾的技術研究（論文提綱范文）
| 致謝 |
| 摘要 |
| Abstract |
| 縮寫、符號清單、術語表 |
| 1 緒論 |
| 1.1 研究背景及意義 |
| 1.2 本文研究內容和主要創(chuàng)新點 |
| 1.2.1 本文研究內容 |
| 1.2.2 本文主要創(chuàng)新點 |
| 1.3 本文章節(jié)安排 |
| 2 國內外研究現(xiàn)狀 |
| 2.1 內存的工作原理 |
| 2.1.1 DRAM的結構 |
| 2.1.2 訪問過程和頁管理策略 |
| 2.1.3 地址映射機制 |
| 2.1.4 刷新策略 |
| 2.2 內存控制器的結構 |
| 2.3 內存干擾的研究現(xiàn)狀 |
| 2.3.1 減輕內存干擾:內存訪問調度算法 |
| 2.3.2 減輕內存干擾:其他方法 |
| 2.3.3 量化內存干擾:延遲估計模型 |
| 3 基于動態(tài)多層次優(yōu)先級的內存訪問調度算法 |
| 3.1 算法機制 |
| 3.1.1 內存占有率:評估內存干擾的簡單指標 |
| 3.1.2 粗粒度的同步和應用程序的分群 |
| 3.1.3 細粒度的動態(tài)多層次優(yōu)先級 |
| 3.1.4 總結:DMPS的優(yōu)先級規(guī)則 |
| 3.1.5 軟件支持 |
| 3.1.6 硬件實現(xiàn)和代價 |
| 3.2 實驗方法和評價標準 |
| 3.2.1 系統(tǒng)配置 |
| 3.2.2 測試集配置 |
| 3.2.3 評價標準 |
| 3.2.4 調度算法的參數(shù)設置 |
| 3.3 實驗結果與分析比較 |
| 3.3.1 硬件復雜度 |
| 3.3.2 對工作量內存密集度的敏感性 |
| 3.3.3 對核數(shù)和通道數(shù)的敏感性 |
| 3.3.4 與TCM比較 |
| 3.3.5 與BLISS比較 |
| 3.3.6 不同組件的增益 |
| 3.3.7 對軟件權值的敏感性 |
| 3.3.8 對算法參數(shù)的敏感性 |
| 3.3.9 對優(yōu)先級層數(shù)的敏感性 |
| 3.3.10 對內存技術的敏感性 |
| 3.4 本章小結 |
| 4 應用程序延遲估計模型:提供可預測的性能 |
| 4.1 算法機制 |
| 4.1.1 用IPC來統(tǒng)一延遲估計模型 |
| 4.1.2 內存干擾的識別 |
| 4.1.3 內存干擾的量化 |
| 4.1.4 硬件實現(xiàn)與代價 |
| 4.2 實驗方法和評價標準 |
| 4.2.1 系統(tǒng)配置 |
| 4.2.2 工作負載配置 |
| 4.2.3 評估標準 |
| 4.2.4 調度算法的參數(shù)設置 |
| 4.3 實驗結果與分析比較 |
| 4.3.1 IPC vs.請求執(zhí)行速率 |
| 4.3.2 在共享內存處與STFM和MISE比較 |
| 4.3.3 寫請求和行緩沖干擾的影響 |
| 4.3.4 對內存密集度和算法參數(shù)的敏感性 |
| 4.3.5 對核數(shù)和DRAM頻率的敏感性 |
| 4.3.6 對寫漏策略的敏感性 |
| 4.3.7 MISE-QoS和SEM-QoS的對比 |
| 4.3.8 IPC與高速緩存訪問速率的比較 |
| 4.4 本章小結 |
| 5 總結與展望 |
| 5.1 總結 |
| 5.2 展望 |
| 5.2.1 異構系統(tǒng)中的性能保證 |
| 5.2.2 異構存儲系統(tǒng)的優(yōu)化 |
| 5.2.3 多線程應用程序的資源管理 |
| 5.2.4 多種優(yōu)化技術的協(xié)作 |
| 參考文獻 |
| 附錄A 博士期間主要的研究成果 |
（9）云存儲多數(shù)據(jù)中心QoS保障機制研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 目錄 |
| 第1章 緒論 |
| 1.1 研究背景 |
| 1.1.1 云存儲基本概念 |
| 1.1.2 云存儲QoS |
| 1.1.3 研究意義 |
| 1.2 研究現(xiàn)狀 |
| 1.2.1 云存儲負載均衡管理 |
| 1.2.2 云存儲分層管理 |
| 1.2.3 云存儲網(wǎng)關管理 |
| 1.2.4 數(shù)據(jù)中心網(wǎng)絡管理 |
| 1.3 課題來源 |
| 1.4 本文工作和創(chuàng)新點 |
| 1.5 本文的組織結構 |
| 第2章 云存儲多數(shù)據(jù)中心資源管理研究 |
| 2.1 云存儲概述 |
| 2.1.1 公有云存儲 |
| 2.1.2 私有云存儲 |
| 2.1.3 云存儲標準 |
| 2.2 云存儲架構 |
| 2.2.1 單數(shù)據(jù)中心 |
| 2.2.2 多數(shù)據(jù)中心 |
| 2.3 云存儲負載均衡管理 |
| 2.3.1 副本放置策略 |
| 2.3.2 副本選擇策略 |
| 2.3.3 重復數(shù)據(jù)刪除策略 |
| 2.4 存儲分層管理 |
| 2.5 云存儲網(wǎng)關管理 |
| 2.6 數(shù)據(jù)中心網(wǎng)絡管理 |
| 2.7 資源優(yōu)化仿真平臺 |
| 2.7.1 仿真流程分析 |
| 2.7.2 云存儲仿真平臺 |
| 2.7.3 仿真平臺架構 |
| 2.8 本章小結 |
| 第3章 QoS全局最優(yōu)的負載均衡調度研究 |
| 3.1 引言 |
| 3.2 層次式負載均衡調度模型 |
| 3.2.1 層次式云存儲架構 |
| 3.2.2 云存儲QoS級別 |
| 3.2.3 模型形式化描述 |
| 3.3 基于商空間的負載均衡調度算法 |
| 3.3.1 構建求解問題的商空間 |
| 3.3.2 負載均衡調度算法 |
| 3.3.3 算法實例 |
| 3.3.4 算法分析 |
| 3.4 算法性能仿真分析 |
| 3.4.1 實驗方法 |
| 3.4.2 實驗結果分析 |
| 3.5 本章小結 |
| 第4章 應用層QoS保障的對象分層調度研究 |
| 4.1 引言 |
| 4.2 云存儲對象分層存儲模型 |
| 4.2.1 對象分層存儲系統(tǒng)架構 |
| 4.2.2 分層存儲定價模型 |
| 4.2.3 模型形式化定義 |
| 4.3 基于定價策略的對象分層調度算法 |
| 4.3.1 資源定價策略 |
| 4.3.2 資源分配博弈分析 |
| 4.3.3 對象分層調度算法 |
| 4.4 算法性能仿真分析 |
| 4.4.1 實驗方法 |
| 4.4.2 實驗結果分析 |
| 4.5 本章小結 |
| 第5章 支持QoS的實時任務調度研究 |
| 5.1 引言 |
| 5.2 云存儲網(wǎng)關實時任務調度模型 |
| 5.2.1 云存儲網(wǎng)關架構 |
| 5.2.2 任務QoS調度模型 |
| 5.2.3 模型形式化描述 |
| 5.3 基于動態(tài)帶寬分配的實時任務調度算法 |
| 5.3.1 請求時延及抖動分析 |
| 5.3.2 實時任務調度算法 |
| 5.3.3 算法實例 |
| 5.4 算法性能仿真分析 |
| 5.4.1 實驗方法 |
| 5.4.2 實驗結果分析 |
| 5.5 本章小結 |
| 第6章 面向QoS的數(shù)據(jù)中心間網(wǎng)絡流量調度研究 |
| 6.1 引言 |
| 6.2 層次式數(shù)據(jù)中心網(wǎng)絡調度模型 |
| 6.2.1 樹狀多層組網(wǎng)模型 |
| 6.2.2 網(wǎng)絡流量QoS調度模型 |
| 6.2.3 模型形式化描述 |
| 6.3 基于雙層多粒子群的網(wǎng)絡流量調度算法 |
| 6.3.1 雙層多粒子群算法 |
| 6.3.2 網(wǎng)絡流量調度算法 |
| 6.3.3 算法分析 |
| 6.4 算法性能仿真分析 |
| 6.4.1 實驗方法 |
| 6.4.2 實驗結果分析 |
| 6.5 本章小結 |
| 第7章 總結與展望 |
| 7.1 工作總結 |
| 7.2 進一步工作 |
| 致謝 |
| 參考文獻 |
| 攻讀學位期間成果情況 |
| 發(fā)表的學術論文 |
| 參與的科研項目 |
| 申請的專利 |
（10）網(wǎng)絡仿真模擬平臺的可擴展性與真實性研究（論文提綱范文）
| 摘要 |
| Abstract |
| 專用術語注釋表 |
| 第一章 緒論 |
| 1.1 課題背景 |
| 1.2 技術背景和相關工作 |
| 1.2.1 網(wǎng)絡仿真 |
| 1.2.2 網(wǎng)絡模擬 |
| 1.3 論文主要研究內容 |
| 1.4 論文組織結構 |
| 第二章 高速緩存感知調度算法 |
| 2.1 NS2 與日歷隊列算法 |
| 2.1.1 NS2 簡介 |
| 2.1.2 日歷隊列算法 |
| 2.2 高速緩存感知算法設計與實現(xiàn) |
| 2.3 算法復雜度分析和比較 |
| 2.4 本章小結 |
| 第三章 仿真調度算法實驗 |
| 3.1 實驗環(huán)境與場景 |
| 3.2 實驗過程與結果 |
| 3.3 高速緩存利用有效性驗證 |
| 3.4 本章小結 |
| 第四章 集成網(wǎng)絡模擬平臺 |
| 4.1 Dynamips 與 GNS3 |
| 4.2 Xen 與虛擬化技術 |
| 4.2.1 虛擬化技術 |
| 4.2.2 Xen 體系架構 |
| 4.3 GINEP 設計與實現(xiàn) |
| 4.3.1 管理控制平臺 |
| 4.3.2 網(wǎng)絡節(jié)點 |
| 4.3.3 網(wǎng)絡鏈路 |
| 4.4 本章小結 |
| 第五章 GINEP 網(wǎng)絡模擬實驗 |
| 5.1 實驗環(huán)境 |
| 5.2 鏈路模擬驗證 |
| 5.3 啞鈴模型驗證 |
| 5.4 本章小結 |
| 第六章 總結與展望 |
| 參考文獻 |
| 附錄 1 攻讀碩士學位期間撰寫的論文 |
| 附錄 2 攻讀碩士學位期間申請的專利 |
| 致謝 |
四、利用高速緩存調度算法實現(xiàn)通訊信息的緩沖（論文參考文獻）
- [1]基于DDR3的星載動態(tài)載荷緩存調度及管理技術研究[D]. 薛棟. 中北大學, 2021(09)
- [2]異構多核SOC處理器內部存儲架構優(yōu)化[D]. 張玄. 合肥工業(yè)大學, 2021(02)
- [3]基于軟件定義網(wǎng)的多維多域光網(wǎng)絡帶寬資源優(yōu)化技術研究[D]. 王富. 北京郵電大學, 2020(04)
- [4]一種基于任務相關性的物聯(lián)網(wǎng)終端調度策略研究[D]. 戴柯宇. 重慶郵電大學, 2020(02)
- [5]大陣元超聲相控陣多組掃查系統(tǒng)的局部調度建模與優(yōu)化[D]. 李宇中. 華南理工大學, 2019(06)
- [6]異構融合平臺上的數(shù)據(jù)流運行時系統(tǒng)研究[D]. 林晗. 中國科學技術大學, 2019(02)
- [7]云環(huán)境下基于負載均衡感知的任務調度算法研究[D]. 李竹林. 東北大學, 2018(01)
- [8]多核系統(tǒng)中處理內存干擾的技術研究[D]. 熊東亮. 浙江大學, 2017(06)
- [9]云存儲多數(shù)據(jù)中心QoS保障機制研究[D]. 夏純中. 江蘇大學, 2014(08)
- [10]網(wǎng)絡仿真模擬平臺的可擴展性與真實性研究[D]. 楊藝. 南京郵電大學, 2013(06)
標簽：云存儲論文; 緩存服務器論文; 異構計算論文; 仿真軟件論文; 異構網(wǎng)絡論文;