一、實(shí)時(shí)集群中一種基于任務(wù)分配表的動(dòng)態(tài)負(fù)載平衡算法（論文文獻(xiàn)綜述）
袁少怡[1]（2021）在《基于飛機(jī)傷痕檢測(cè)服務(wù)的高并發(fā)性能研究與應(yīng)用》文中進(jìn)行了進(jìn)一步梳理飛機(jī)表面蒙皮傷痕是威脅飛行安全的一大主因,因此,航空公司在飛機(jī)轉(zhuǎn)航停場(chǎng)期間對(duì)蒙皮傷痕進(jìn)行檢測(cè)是保障飛行安全的重要工作。目前較為先進(jìn)的檢測(cè)方法是基于計(jì)算機(jī)視覺(jué)的傷痕檢測(cè)法,該方法將采集到的飛機(jī)蒙皮圖像傳輸給傷痕檢測(cè)服務(wù),進(jìn)行基于人工神經(jīng)網(wǎng)絡(luò)的圖像處理以識(shí)別傷痕類(lèi)型及位置信息,從而判斷蒙皮受損程度,保障飛行安全。由于檢修飛機(jī)數(shù)量多、檢修時(shí)間短,該方法在圖像傳輸、處理過(guò)程中需要進(jìn)行大量的數(shù)據(jù)傳輸和計(jì)算。故如何在飛機(jī)轉(zhuǎn)航停場(chǎng)期間保證傷痕檢測(cè)的實(shí)時(shí)性、高效性是至關(guān)重要的。本文正是針對(duì)某具體航空公司的實(shí)際項(xiàng)目,在轉(zhuǎn)航停場(chǎng)期間,對(duì)基于圖像識(shí)別的傷痕檢測(cè)服務(wù)的實(shí)時(shí)性、高效性需求,研究高并發(fā)性能方案。由于航空公司對(duì)于數(shù)據(jù)具有較高的安全性及隱私性要求,不能借助公網(wǎng)的云平臺(tái)來(lái)進(jìn)行高并發(fā)性能服務(wù)的發(fā)布,因此論文從單機(jī)分布式計(jì)算、動(dòng)態(tài)負(fù)載均衡、服務(wù)平臺(tái)部署以及多機(jī)分布式擴(kuò)展角度展開(kāi)工作,具體完成如下工作:一、針對(duì)支持高效運(yùn)行服務(wù)平臺(tái)的部署問(wèn)題,從硬件部署及軟件調(diào)度兩方面展開(kāi)。設(shè)計(jì)了一種單機(jī)多卡分布式處理方案,并提出了基于多進(jìn)程模型的多卡分布式處理方案。為了解決用戶(hù)請(qǐng)求的離散性,提出了基于業(yè)務(wù)流量的動(dòng)態(tài)自適應(yīng)封裝策略,以提高事務(wù)處理效率。二、針對(duì)任務(wù)分發(fā)過(guò)程中集群節(jié)點(diǎn)負(fù)載不均衡導(dǎo)致檢測(cè)服務(wù)并發(fā)量較低的問(wèn)題,提出了基于集群性能的動(dòng)態(tài)負(fù)載均衡策略,設(shè)計(jì)并實(shí)現(xiàn)性能采集模塊、算法模塊、負(fù)載均衡模塊,實(shí)現(xiàn)任務(wù)的動(dòng)態(tài)分發(fā),保證節(jié)點(diǎn)之間的負(fù)載均衡,從而提升傷痕檢測(cè)服務(wù)的并發(fā)量。三、針對(duì)多機(jī)分布式擴(kuò)展過(guò)程中面臨的擴(kuò)展困難、上線(xiàn)繁瑣問(wèn)題,設(shè)計(jì)了基于容器化技術(shù)的多機(jī)分布式擴(kuò)展方案,實(shí)現(xiàn)檢測(cè)服務(wù)的水平擴(kuò)展。并以Docker作為底層容器化技術(shù),設(shè)計(jì)了一整套持續(xù)交付、自動(dòng)化管理的生產(chǎn)構(gòu)建框架。論文采用并發(fā)性能測(cè)試工具模擬真實(shí)環(huán)境中的檢測(cè)請(qǐng)求,針對(duì)一、二工作內(nèi)容設(shè)計(jì)相應(yīng)的實(shí)驗(yàn),進(jìn)行了對(duì)照測(cè)試,通過(guò)QPS（Queries Per Second）指標(biāo)驗(yàn)證上述方案的有效性和優(yōu)越性,且在采用了本文提出的封裝策略之后,傷痕檢測(cè)服務(wù)的QPS最高提升了 32.33%。
邱志騰[2]（2021）在《基于LSTM的飛行數(shù)據(jù)處理系統(tǒng)負(fù)載優(yōu)化與應(yīng)用》文中研究說(shuō)明
張金鵬[3]（2021）在《基于負(fù)載均衡和服務(wù)流控的高并發(fā)訪(fǎng)問(wèn)機(jī)制的研究》文中指出隨著互聯(lián)網(wǎng)的普及與高速發(fā)展,軟件應(yīng)用對(duì)并發(fā)量和服務(wù)質(zhì)量的要求越來(lái)越高,推動(dòng)著互聯(lián)網(wǎng)的架構(gòu)不斷演變。迅速增長(zhǎng)的用戶(hù)規(guī)模,日益復(fù)雜的業(yè)務(wù)系統(tǒng),導(dǎo)致網(wǎng)絡(luò)的并發(fā)訪(fǎng)問(wèn)流量爆發(fā)式增長(zhǎng)。單一的服務(wù)器架構(gòu)受限于硬件和網(wǎng)絡(luò)帶寬等,難以應(yīng)對(duì)海量的用戶(hù)訪(fǎng)問(wèn),集群和負(fù)載均衡技術(shù)應(yīng)運(yùn)而生,它們能夠提供更強(qiáng)大的任務(wù)處理性能和容錯(cuò)能力。其中,微服務(wù)架構(gòu)以其優(yōu)秀的組織結(jié)構(gòu)和開(kāi)發(fā)性能得到了廣泛關(guān)注,可以通過(guò)將復(fù)雜系統(tǒng)拆分成多個(gè)獨(dú)立服務(wù)的架構(gòu),降低系統(tǒng)耦合度,并可與集群技術(shù)結(jié)合,實(shí)現(xiàn)流量的分布式處理。然而,當(dāng)用戶(hù)訪(fǎng)問(wèn)流量總量過(guò)大時(shí),無(wú)論采用何種負(fù)載均衡技術(shù),分配給集群中各個(gè)服務(wù)器的流量仍然會(huì)超過(guò)機(jī)器的最大處理能力,尤其針對(duì)突發(fā)流量,就需要應(yīng)用流量控制技術(shù)予以解決。為此,本文將從集群的負(fù)載均衡和微服務(wù)的流量控制兩個(gè)方面開(kāi)展研究工作,提出了一種優(yōu)化的動(dòng)態(tài)負(fù)載均衡模型和一種基于sr TCM算法的多級(jí)動(dòng)態(tài)服務(wù)流控模型,并設(shè)計(jì)和驗(yàn)證了其實(shí)現(xiàn)方案,本文的主要研究?jī)?nèi)容如下。首先,基于請(qǐng)求任務(wù)的處理時(shí)間作為性能評(píng)價(jià)參數(shù),構(gòu)建一種基于蟻群算法的負(fù)載均衡基本模型。其次,對(duì)基本模型進(jìn)行了綜合優(yōu)化,提出了一個(gè)優(yōu)化的動(dòng)態(tài)負(fù)載均衡模型,其主要優(yōu)化工作:對(duì)標(biāo)準(zhǔn)蟻群算法的算法規(guī)則的綜合優(yōu)化;周期性采集微服務(wù)節(jié)點(diǎn)負(fù)載信息參數(shù)的數(shù)據(jù),對(duì)蟻群算法的路徑搜索方式進(jìn)行優(yōu)化;引入信息素迭代因子,根據(jù)請(qǐng)求響應(yīng)時(shí)間對(duì)信息素更新方式進(jìn)行優(yōu)化。第三,基于Open Resty平臺(tái)設(shè)計(jì)了優(yōu)化的動(dòng)態(tài)負(fù)載均衡模型實(shí)現(xiàn)方案。研究微服務(wù)架構(gòu)下流控技術(shù)相關(guān)的理論,提出了一種基于srTCM算法的多級(jí)動(dòng)態(tài)服務(wù)流控模型,能夠根據(jù)請(qǐng)求的類(lèi)型和機(jī)器的運(yùn)行狀態(tài),對(duì)進(jìn)入服務(wù)節(jié)點(diǎn)內(nèi)部的任務(wù)進(jìn)行動(dòng)態(tài)調(diào)控和差異化處理,并設(shè)計(jì)了基于Gateway網(wǎng)關(guān)的動(dòng)態(tài)流控模型實(shí)現(xiàn)方案。通過(guò)性能對(duì)比實(shí)驗(yàn),驗(yàn)證了本文研究成果的性能,證明其優(yōu)于常用的負(fù)載均衡和限流方案。
羅德寧[4]（2021）在《大規(guī)模數(shù)據(jù)實(shí)時(shí)繪制關(guān)鍵技術(shù)研究》文中指出三維圖形繪制在游戲娛樂(lè)、虛擬現(xiàn)實(shí)、科學(xué)計(jì)算可視化等眾多領(lǐng)域有著廣泛應(yīng)用,而且在實(shí)時(shí)和真實(shí)方面的繪制要求越來(lái)越高。近年來(lái),軟硬件的計(jì)算性能得到了很大提升,但是面對(duì)數(shù)據(jù)規(guī)模的日益增長(zhǎng),大規(guī)模數(shù)據(jù)的實(shí)時(shí)繪制面臨巨大挑戰(zhàn)。本文主要針對(duì)體數(shù)據(jù)和地理地形數(shù)據(jù)的真實(shí)和實(shí)時(shí)繪制技術(shù)展開(kāi)研究。對(duì)于精度高、體量大的體數(shù)據(jù),三維可視化計(jì)算量大,同時(shí)增加光照計(jì)算更加重了計(jì)算負(fù)擔(dān)。大規(guī)模地理地形數(shù)據(jù)一直存在如何高效處理和繪制的問(wèn)題。同時(shí),反走樣技術(shù)在數(shù)據(jù)繪制中能夠顯著增強(qiáng)視覺(jué)效果,減少圖像走樣、閃爍,但會(huì)帶來(lái)額外的繪制開(kāi)銷(xiāo)。數(shù)據(jù)規(guī)模的增長(zhǎng)無(wú)疑加重了各種繪制技術(shù)的計(jì)算開(kāi)銷(xiāo),即便是提高繪制性能的并行繪制技術(shù)在面繪制和體繪制上還存在諸多挑戰(zhàn)。針對(duì)上述技術(shù)問(wèn)題,本文的主要工作和創(chuàng)新點(diǎn)包括以下方面:（1）數(shù)據(jù)并行化體繪制及光照計(jì)算在基于切片和光線(xiàn)投射兩種主流體繪制方法基礎(chǔ)上,針對(duì)光照計(jì)算量大的問(wèn)題展開(kāi)性能可擴(kuò)展研究。針對(duì)基于切片體繪制在多繪制遍全局光照計(jì)算效率低的問(wèn)題,提出單繪制遍多切片（Multi-Slice Per Pass,MSPP）算法,從數(shù)據(jù)與算法并行層面提升繪制能力。在相同切片數(shù)量下,MSPP算法可以提高半角切片（Half-Angle Slicing）算法大約兩倍的性能。針對(duì)光線(xiàn)投射體繪制采樣復(fù)雜導(dǎo)致光照計(jì)算量大的問(wèn)題,提出基于切片的光線(xiàn)投射（Slice-based Ray Casting,SBRC）方法提升繪制效率和效果。首先,以光源為視點(diǎn)逐切片繪制體數(shù)據(jù)的整個(gè)幾何體切片的光照信息到光照衰減緩存。其次,在光線(xiàn)投射過(guò)程中,利用光照衰減緩存計(jì)算采樣點(diǎn)的光照影響,包括體積陰影、軟陰影及散射等效果計(jì)算。SBRC算法只需要一個(gè)繪制遍的時(shí)間開(kāi)銷(xiāo),并且通過(guò)變化切片數(shù)量和每個(gè)切片的分辨率實(shí)現(xiàn)可擴(kuò)展的繪制性能。實(shí)驗(yàn)表明,以上方法能夠大幅提升體數(shù)據(jù)的繪制效率和效果,滿(mǎn)足性能可擴(kuò)展的體數(shù)據(jù)繪制要求。（2）大規(guī)模地形數(shù)據(jù)高效組織與繪制三維地理地形繪制主要包括地理數(shù)據(jù)組織和三維地形構(gòu)建兩個(gè)主要過(guò)程。為了使地形繪制發(fā)揮最佳性能,并且支持層次細(xì)節(jié)（Level of Detail,LOD）及Mipmap技術(shù)提升繪制性能,提出一種靈活的數(shù)字高程模型及數(shù)字正射影像經(jīng)緯度范圍一致的無(wú)縫劃分策略,并對(duì)每一塊地形瓦片采用分組、分段、四邊形網(wǎng)格的組織方式,快速生成具有LOD高效調(diào)度的真實(shí)三維地形。實(shí)驗(yàn)表明,該方法能夠快速構(gòu)建性能可擴(kuò)展的三維地形,減少繪制調(diào)用。（3）數(shù)據(jù)繪制中的反走樣技術(shù)針對(duì)延遲著色階段開(kāi)啟硬件反走樣方法無(wú)法直接兼容的問(wèn)題,提出子像素連續(xù)邊界反走樣（Sub-Pixel Reconstruction Continuous Edges,SRCE）方法。首先,開(kāi)啟多重采樣反走樣繪制場(chǎng)景到幾何體緩存（Geometry Buffer,G-Buffer）。其次,在子像素上利用切比雪夫不等式通過(guò)概率統(tǒng)計(jì)檢測(cè)邊界像素,以及標(biāo)識(shí)邊界像素和普通像素減少著色線(xiàn)程一致性開(kāi)銷(xiāo)。再次,以#過(guò)濾方法從子像素上重構(gòu)連續(xù)邊界。最后,自適應(yīng)著色邊界像素進(jìn)行反走樣處理。SRCE方法使三維物體邊緣的“階梯”效應(yīng)最小化,同時(shí)還可以結(jié)合后處理或時(shí)間反走樣技術(shù)增強(qiáng)圖形繪制效果。針對(duì)延遲著色技術(shù)與覆蓋采樣反走樣（Coverage Sample Anti-Aliasing,CSAA）不兼容的問(wèn)題,提出基于延遲著色技術(shù)的大場(chǎng)景反走樣繪制架構(gòu)。該架構(gòu)能夠針對(duì)不同繪制對(duì)象使用不同的反走樣級(jí)別,減少延遲與卡頓,從而平衡效果與效率。實(shí)驗(yàn)表明,以上方法能夠有效提高數(shù)據(jù)的繪制質(zhì)量,同時(shí)平衡繪制性能。（4）大規(guī)模數(shù)據(jù)并行繪制虛擬化框架在主流并行繪制框架研究基礎(chǔ)上,結(jié)合虛擬化技術(shù)設(shè)計(jì)了一種三維圖形并行繪制虛擬化框架（Parallel Rendering Virtualized Framework,PRVF）,提高體繪制、面繪制及反走樣技術(shù)在大規(guī)模數(shù)據(jù)上的算力結(jié)構(gòu)并行繪制能力。以Equalizer作為并行繪制中間件,靈活組織并行繪制各功能模塊,虛擬化各類(lèi)繪制資源作為繪制單元,按需調(diào)度及管理。綜上所述,本文研究體數(shù)據(jù)及地理地形數(shù)據(jù)在實(shí)時(shí)繪制方面的一系列關(guān)鍵技術(shù)問(wèn)題,充分提高真實(shí)與實(shí)時(shí)繪制能力,通過(guò)從數(shù)據(jù)、算法和算力結(jié)構(gòu)等并行層面有效提升大規(guī)模數(shù)據(jù)繪制的實(shí)用性。
劉雪[5]（2021）在《基于光線(xiàn)追蹤的三維顯示內(nèi)容生成加速方法研究》文中研究指明三維光場(chǎng)顯示是近年來(lái)一種通用的裸眼三維顯示技術(shù),能夠?qū)崿F(xiàn)全視差、大視角的顯示效果,具有非常廣闊的應(yīng)用前景。多視點(diǎn)圖像作為三維光場(chǎng)顯示技術(shù)主要的顯示方式,當(dāng)前通常采用光線(xiàn)追蹤技術(shù)進(jìn)行渲染以保證其圖像的高真實(shí)感。多視點(diǎn)圖像的生成過(guò)程中由于需要進(jìn)行大量涉及光線(xiàn)的計(jì)算,因此往往存在高時(shí)間成本的問(wèn)題,尤其在超高分辨率顯示設(shè)備下此問(wèn)題更為突出,以致于難以支持實(shí)時(shí)的三維光場(chǎng)顯示。針對(duì)這一問(wèn)題,本論文首先改進(jìn)了基于動(dòng)態(tài)區(qū)域渲染的多視點(diǎn)圖像生成方法,該方法通過(guò)僅更新場(chǎng)景中發(fā)生變化的區(qū)域來(lái)減小渲染計(jì)算量,以實(shí)現(xiàn)超高分辨率下的實(shí)時(shí)渲染;其次提出了一種基于多GPU的光場(chǎng)渲染方案,通過(guò)將動(dòng)態(tài)負(fù)載平衡技術(shù)和分割幀渲染技術(shù)相結(jié)合,合理地在GPU之間分配渲染計(jì)算量,以實(shí)現(xiàn)多視點(diǎn)圖像的快速渲染;最后實(shí)現(xiàn)了雙8K分辨率光場(chǎng)圖像的實(shí)時(shí)渲染。本論文的主要研究?jī)?nèi)容及創(chuàng)新點(diǎn)如下:1.改進(jìn)了基于光線(xiàn)追蹤技術(shù)和動(dòng)態(tài)區(qū)域渲染的多視點(diǎn)圖像生成方法。根據(jù)動(dòng)態(tài)場(chǎng)景在渲染過(guò)程中的變化情況,將其分為靜態(tài)區(qū)域和動(dòng)態(tài)區(qū)域,通過(guò)對(duì)動(dòng)態(tài)區(qū)域的檢測(cè)以降低生成多視點(diǎn)圖像所需要的計(jì)算量,進(jìn)而提高渲染速率。渲染過(guò)程中每一幀均對(duì)動(dòng)態(tài)區(qū)域及其前一幀所處的區(qū)域進(jìn)行渲染;而對(duì)靜態(tài)區(qū)域僅完成其初始幀的渲染即可。對(duì)于動(dòng)態(tài)區(qū)域占比小于靜態(tài)區(qū)域,且具有7680×4320超高分辨率的渲染場(chǎng)景,發(fā)射光線(xiàn)數(shù)量達(dá)到三千余萬(wàn),此方法能夠?qū)崿F(xiàn)30FPS以上的渲染速率。并且對(duì)于不同面積的動(dòng)態(tài)區(qū)域,改進(jìn)后的方法相比于傳統(tǒng)方法均可以實(shí)現(xiàn)提升4-7倍的渲染速率。2.提出了基于路徑追蹤技術(shù)和多GPU并行渲染系統(tǒng)的多視點(diǎn)圖生成方案。路徑追蹤技術(shù)相比于光線(xiàn)追蹤技術(shù)能夠?qū)崿F(xiàn)更為真實(shí)的光影效果,但同時(shí)也需要更為巨大的時(shí)間開(kāi)銷(xiāo)。多GPU渲染技術(shù)中將動(dòng)態(tài)負(fù)載平衡技術(shù)和分割幀渲染技術(shù)相結(jié)合,使得任何一幀圖像的渲染工作均由多塊GPU共同承擔(dān),并且其中每塊GPU均承擔(dān)了幾乎相等的工作量。在7680×4320的超高分辨率場(chǎng)景下,采樣光線(xiàn)可達(dá)上億數(shù)量級(jí),雙GPU并行渲染方案能夠?qū)崿F(xiàn)15FPS以上的渲染速率。并且對(duì)于不同復(fù)雜度的三維模型,此方案相對(duì)于傳統(tǒng)的單GPU方案均可以實(shí)現(xiàn)將近兩倍的渲染速率提升。3.實(shí)現(xiàn)了雙8K分辨率光場(chǎng)圖像的實(shí)時(shí)渲染。對(duì)于具有兩塊7680×4320顯示屏的雙8K三維光場(chǎng)設(shè)備,啟用兩個(gè)光線(xiàn)追蹤進(jìn)程分別驅(qū)動(dòng)顯示設(shè)備的其中一塊屏,以實(shí)現(xiàn)渲染場(chǎng)景的雙屏拼接展示。兩塊顯示屏分別利用一塊GPU渲染多視點(diǎn)圖像,并且采用UDP通信協(xié)議進(jìn)行進(jìn)程之間的參數(shù)同步,使得交互時(shí)場(chǎng)景內(nèi)容同時(shí)改變。該場(chǎng)景中發(fā)射光線(xiàn)數(shù)量達(dá)到六千余萬(wàn),實(shí)驗(yàn)證明此方法在雙8K顯示設(shè)備上可以實(shí)現(xiàn)實(shí)時(shí)三維光場(chǎng)顯示,渲染幀率達(dá)到20FPS以上。本論文為不同的復(fù)雜情景中超過(guò)千萬(wàn)數(shù)量級(jí)的虛擬光線(xiàn)提供了多種解決方案,以實(shí)現(xiàn)對(duì)光場(chǎng)圖像的快速渲染,并且最終實(shí)現(xiàn)了在超高分辨率場(chǎng)景下對(duì)光場(chǎng)圖像的實(shí)時(shí)渲染。相關(guān)研究成果為高質(zhì)量的三維光場(chǎng)顯示提供了新的解決方案。
韓家旭[6]（2021）在《高并發(fā)環(huán)境下網(wǎng)絡(luò)攻擊效果評(píng)估系統(tǒng)的研究與實(shí)現(xiàn)》文中提出網(wǎng)絡(luò)攻擊效果評(píng)估技術(shù)作為一種主動(dòng)防御技術(shù),通過(guò)模擬滲透實(shí)驗(yàn)的方式,通過(guò)對(duì)收集到的指標(biāo)值進(jìn)行有效計(jì)算,從而對(duì)系統(tǒng)的安全性或攻擊的有效性得到一個(gè)全面準(zhǔn)確的評(píng)價(jià)。網(wǎng)絡(luò)攻擊效果評(píng)估技術(shù)一方面可用于評(píng)估系統(tǒng)的安全性,并針對(duì)評(píng)估結(jié)果進(jìn)行系統(tǒng)修復(fù)或防御決策的制定;另一方面可用于網(wǎng)絡(luò)攻擊工具能力的評(píng)估,在投入實(shí)際使用前,對(duì)工具的信息對(duì)抗能力作出評(píng)估,從而指導(dǎo)其不斷改進(jìn)。當(dāng)前網(wǎng)絡(luò)攻擊效果評(píng)估系統(tǒng)多使用單體架構(gòu)進(jìn)行設(shè)計(jì)開(kāi)發(fā),單體式應(yīng)用緊耦合,其維護(hù)性、擴(kuò)展性以及迭代性較差,對(duì)于一個(gè)期望服務(wù)穩(wěn)定且持續(xù)可用的網(wǎng)絡(luò)攻擊效果評(píng)估系統(tǒng)而言,單體式架構(gòu)的失敗性尤為突出。本文針對(duì)當(dāng)前網(wǎng)絡(luò)攻擊效果評(píng)估系統(tǒng)設(shè)計(jì)中存在不足,提出使用微服務(wù)架構(gòu)思想對(duì)系統(tǒng)進(jìn)行設(shè)計(jì)與實(shí)現(xiàn)。對(duì)于微服務(wù)架構(gòu)中,Spring Cloud Ribbon內(nèi)置靜態(tài)負(fù)載均衡算法存在的不足,本文提出并實(shí)現(xiàn)了基于Ribbon的動(dòng)態(tài)自適應(yīng)負(fù)載均衡策略,本文主要?jiǎng)?chuàng)新及工作如下:首先,針對(duì)當(dāng)前網(wǎng)絡(luò)攻擊效果評(píng)估系統(tǒng)使用單體架構(gòu)進(jìn)行設(shè)計(jì)存在的并發(fā)量低、迭代性差等缺點(diǎn),本文基于微服務(wù)的思想對(duì)網(wǎng)絡(luò)攻擊效果評(píng)估系統(tǒng)進(jìn)行了設(shè)計(jì)與實(shí)現(xiàn),對(duì)于微服務(wù)劃分的痛點(diǎn),本文結(jié)合領(lǐng)域驅(qū)動(dòng)設(shè)計(jì)思想對(duì)系統(tǒng)進(jìn)行了拆分。其次,針對(duì)微服務(wù)架構(gòu)中Spring Cloud Ribbon負(fù)載均衡器存在的不足,本文基于項(xiàng)目需求,提出了一種動(dòng)態(tài)自適應(yīng)負(fù)載均衡策略。該負(fù)載均衡策略通過(guò)階段性收集各個(gè)微服務(wù)實(shí)例節(jié)點(diǎn)的CPU利用率、內(nèi)存利用率、網(wǎng)絡(luò)速率、I/O速率等負(fù)載均衡指標(biāo)數(shù)據(jù),進(jìn)行一定計(jì)算,并結(jié)合微服務(wù)的具體負(fù)載類(lèi)型,使用Z-Score算法計(jì)算負(fù)載評(píng)價(jià)函數(shù)的權(quán)系數(shù),從而計(jì)算每一個(gè)服務(wù)實(shí)例節(jié)點(diǎn)的權(quán)重。保證了在高并發(fā)環(huán)境下,負(fù)載均衡的有效性。最后,在上述方案的基礎(chǔ)上,本文設(shè)計(jì)并開(kāi)發(fā)了網(wǎng)絡(luò)攻擊效果評(píng)估系統(tǒng)。對(duì)系統(tǒng)功能進(jìn)行了測(cè)試,保證了系統(tǒng)功能的有效性。對(duì)動(dòng)態(tài)自適應(yīng)負(fù)載均衡策略進(jìn)行了測(cè)試,通過(guò)對(duì)比Spring Cloud Ribbon內(nèi)置的負(fù)載均衡策略,測(cè)試結(jié)果表明,本文提出的動(dòng)態(tài)自適應(yīng)負(fù)載均衡策略在高并發(fā)環(huán)境下,具有更高的系統(tǒng)吞吐量與更穩(wěn)定的平均響應(yīng)時(shí)間,從而提升了系統(tǒng)在高并發(fā)環(huán)境下的穩(wěn)定性。
鐘原[7]（2021）在《面向并行繪制負(fù)載平衡的隨機(jī)森林在線(xiàn)學(xué)習(xí)研究》文中研究指明現(xiàn)代圖形學(xué)應(yīng)用的飛速發(fā)展對(duì)超大規(guī)模復(fù)雜場(chǎng)景繪制、高分辨率顯示呈現(xiàn)、高真實(shí)感用戶(hù)體驗(yàn)以及實(shí)時(shí)繪制效率提出了愈加嚴(yán)峻的挑戰(zhàn)。盡管計(jì)算機(jī)硬件性能在近年來(lái)得到了極大提高,但仍然無(wú)法滿(mǎn)足越來(lái)越高的需求。作為并行計(jì)算在圖形學(xué)領(lǐng)域的具體運(yùn)用,并行圖形繪制系統(tǒng)成為解決上述問(wèn)題的有效方案之一。但是多節(jié)點(diǎn)間的繪制任務(wù)分配一直是制約并行圖形繪制系統(tǒng)整體性能的瓶頸,因此,研究如何實(shí)現(xiàn)繪制負(fù)載平衡成為影響最終繪制效果的關(guān)鍵因素。本文將繪制節(jié)點(diǎn)的繪制時(shí)間作為負(fù)載度量,將繪制負(fù)載的準(zhǔn)確預(yù)測(cè)作為負(fù)載平衡的關(guān)鍵問(wèn)題。通過(guò)對(duì)負(fù)載的提前預(yù)測(cè)實(shí)現(xiàn)對(duì)繪制任務(wù)的合理劃分,以達(dá)到平衡的效果。本文提出使用隨機(jī)森林模型（Random Forests,RFs）來(lái)表達(dá)繪制特征與繪制時(shí)間之間的高維非線(xiàn)性關(guān)系,并針對(duì)繪制數(shù)據(jù)持續(xù)不斷產(chǎn)生且存在目標(biāo)概念漂移的問(wèn)題,提出了“預(yù)測(cè)+修正+學(xué)習(xí)”的自適應(yīng)負(fù)載平衡框架,重點(diǎn)研究了隨機(jī)森林在繪制數(shù)據(jù)流中的在線(xiàn)學(xué)習(xí)機(jī)制,通過(guò)在線(xiàn)學(xué)習(xí)提升模型的回歸預(yù)測(cè)性能以及增強(qiáng)模型在動(dòng)態(tài)數(shù)據(jù)流中的自適應(yīng)性。本文的具體工作和創(chuàng)新如下:（1）為了提高模型在繪制數(shù)據(jù)流中回歸預(yù)測(cè)的準(zhǔn)確性,提出了一種稱(chēng)為OWL-RFR（Online Weight Learning for RFs Regression）的基于葉節(jié)點(diǎn)權(quán)重的隨機(jī)森林在線(xiàn)學(xué)習(xí)方法。其基本思想是,在不改變離線(xiàn)訓(xùn)練的隨機(jī)森林結(jié)構(gòu)的前提下,使葉子節(jié)點(diǎn)基于數(shù)據(jù)流中序列數(shù)據(jù)的相關(guān)性來(lái)獲得一種長(zhǎng)時(shí)依賴(lài),并通過(guò)梯度下降的方式優(yōu)化葉節(jié)點(diǎn)的權(quán)值,從而賦予隨機(jī)森林一種有效的長(zhǎng)時(shí)記憶,使其可在數(shù)據(jù)流的預(yù)測(cè)過(guò)程中不斷學(xué)習(xí),獲得越來(lái)越準(zhǔn)確的預(yù)測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果表明,OWL-RFR方法能夠更好的擬合持續(xù)不斷的繪制數(shù)據(jù)流,提升隨機(jī)森林預(yù)測(cè)的準(zhǔn)確性,并具有較好的收斂性和穩(wěn)定性。（2）為了增強(qiáng)模型在動(dòng)態(tài)繪制數(shù)據(jù)流中的自適應(yīng)性,提出了一種稱(chēng)為ALSM-RFR（Adaptive Long and Short-term Memory online RFs Regression）的長(zhǎng)短時(shí)記憶自適應(yīng)在線(xiàn)隨機(jī)森林方法。由于并行繪制系統(tǒng)中的繪制特征會(huì)隨場(chǎng)景、用戶(hù)交互的變化而變化,而存在目標(biāo)概念漂移,使OWL-RFR方法可能無(wú)法很好的適應(yīng)不斷變化的動(dòng)態(tài)繪制數(shù)據(jù)流。因此,本文設(shè)計(jì)了一種自適應(yīng)記憶激活機(jī)制,使隨機(jī)森林在穩(wěn)態(tài)或非穩(wěn)態(tài)數(shù)據(jù)流預(yù)測(cè)時(shí),可以在不同記憶模式之間自適應(yīng)地切換預(yù)測(cè)所使用的記憶。ALSM-RFR方法利用了葉級(jí)和樹(shù)級(jí)權(quán)重,在預(yù)測(cè)過(guò)程中不斷積累不同時(shí)間跨度的知識(shí),同時(shí)賦予模型長(zhǎng)時(shí)記憶和短時(shí)記憶,并在此基礎(chǔ)上合成了混合記憶。實(shí)驗(yàn)結(jié)果表明,ALSM-RFR相對(duì)于OWL-RFR方法來(lái)說(shuō),在面向漂移的繪制數(shù)據(jù)流預(yù)測(cè)中,獲得了更好的預(yù)測(cè)效果,同時(shí),ALSM-RFR具有良好的收斂性和穩(wěn)定性,方法中使用的小批量梯度和隨機(jī)梯度下降優(yōu)化策略也有效降低了超參的影響。（3）為了提高模型在復(fù)雜漂移繪制數(shù)據(jù)流中的自適應(yīng)性,本文提出了一種稱(chēng)為ORB-RRF（Online Rebuilding Regression Random Forests）的在線(xiàn)局部重建隨機(jī)森林方法。雖然長(zhǎng)短時(shí)記憶的使用在一定程度提高了隨機(jī)森林的自適應(yīng)性,但面對(duì)更復(fù)雜變化的繪制數(shù)據(jù)流時(shí),保持離線(xiàn)訓(xùn)練結(jié)構(gòu)不變的隨機(jī)森林難以很好的適應(yīng)劇烈的變化。因此,本文提出了隨機(jī)森林在線(xiàn)局部重建方法,以適應(yīng)具有多種類(lèi)型概念漂移的復(fù)雜動(dòng)態(tài)連續(xù)數(shù)據(jù)流。一方面通過(guò)在線(xiàn)對(duì)比葉節(jié)點(diǎn)與其父節(jié)點(diǎn)的性能,實(shí)現(xiàn)葉節(jié)點(diǎn)的在線(xiàn)修剪,以修正由于葉節(jié)點(diǎn)對(duì)特征空間的不恰當(dāng)劃分而導(dǎo)致的性能下降,抑制模型過(guò)擬合;另一方面使葉節(jié)點(diǎn)在預(yù)測(cè)過(guò)程中動(dòng)態(tài)收集預(yù)測(cè)效果較差的樣本,并自底向上逐層對(duì)比節(jié)點(diǎn)新增樣本后所含特征空間與原始空間的變化,通過(guò)回溯操作,定位到能覆蓋新特征空間的祖先節(jié)點(diǎn),并從該節(jié)點(diǎn)重新分裂獲得新的子樹(shù)替換原有枝干。實(shí)驗(yàn)結(jié)果表明,在面向復(fù)雜概念變化的數(shù)據(jù)流預(yù)測(cè)中,ORB-RRF方法比OWL-RFR和ALSM-RFR都有顯著的性能提升,通過(guò)結(jié)構(gòu)的在線(xiàn)重建使隨機(jī)森林具有持續(xù)優(yōu)化的自適應(yīng)能力。
劉成[8]（2020）在《基于服務(wù)器集群的負(fù)載均衡系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)》文中研究表明隨著醫(yī)療行業(yè)信息化的發(fā)展,醫(yī)療系統(tǒng)服務(wù)器架構(gòu)設(shè)計(jì)這一研究方向深受重視。大多數(shù)醫(yī)療相關(guān)信息系統(tǒng)在進(jìn)行需求分析、構(gòu)建設(shè)計(jì)之時(shí)并未考慮到高并發(fā)業(yè)務(wù)流量沖擊帶來(lái)的負(fù)載不均和集群無(wú)法滿(mǎn)足高可用的問(wèn)題。負(fù)載均衡技術(shù)作為該問(wèn)題的一種解決方案,是當(dāng)下非常熱門(mén)且研究趨勢(shì)良好的技術(shù),與傳統(tǒng)的單點(diǎn)服務(wù)器架構(gòu)技術(shù)相比具有巨大的優(yōu)勢(shì)。首先為了實(shí)現(xiàn)服務(wù)器集群在高并發(fā)下的負(fù)載均衡,本文針對(duì)一致性哈希方法中的數(shù)據(jù)傾斜問(wèn)題,對(duì)比了現(xiàn)有的數(shù)據(jù)均衡方案,基于改進(jìn)一致性哈希設(shè)計(jì)了一種可擴(kuò)展、高效的負(fù)載均衡方法。該方法構(gòu)建了虛擬節(jié)點(diǎn)最大線(xiàn)性值計(jì)算模型和虛擬節(jié)點(diǎn)冗余值計(jì)算模型,將虛擬節(jié)點(diǎn)的構(gòu)建數(shù)量與節(jié)點(diǎn)性能值和集群節(jié)點(diǎn)數(shù)相關(guān)聯(lián),可以防止哈希傾斜帶來(lái)的調(diào)度不均。接著針對(duì)原生master-slave節(jié)點(diǎn)主備模型中的主備失效和Session共享問(wèn)題,對(duì)比了現(xiàn)有的主備構(gòu)建方案和Session共享方案,本文基于選舉隊(duì)列和Redis設(shè)計(jì)出一種可拓展、可備份的高可用模型。該模型構(gòu)建了基于選舉狀態(tài)的選舉隊(duì)列,同時(shí)將業(yè)務(wù)邏輯Session管理解耦,可以防止主備失效后緩存數(shù)據(jù)丟失而造成服務(wù)中斷。最后本文對(duì)系統(tǒng)進(jìn)行軟硬件環(huán)境構(gòu)建,并對(duì)功能模塊進(jìn)行原型實(shí)現(xiàn)和系統(tǒng)測(cè)試,根據(jù)測(cè)試結(jié)果表明該系統(tǒng)在負(fù)載均衡和高可用性上滿(mǎn)足醫(yī)療系統(tǒng)的業(yè)務(wù)需求。該系統(tǒng)已在醫(yī)院正式上線(xiàn)運(yùn)行一年,得到了所有科室醫(yī)療工作人員的肯定。
孫永源[9]（2020）在《分布式霧計(jì)算中任務(wù)卸載與負(fù)載均衡方案研究》文中研究說(shuō)明為了應(yīng)對(duì)物聯(lián)網(wǎng)（Io T）、虛擬增強(qiáng)現(xiàn)實(shí)（VRAR）、無(wú)人駕駛等新業(yè)務(wù)的發(fā)展對(duì)移動(dòng)通信提出的要求,5G將使用各種新技術(shù)來(lái)滿(mǎn)足這些業(yè)務(wù)類(lèi)型和應(yīng)用場(chǎng)景。云計(jì)算范式借助其強(qiáng)大的計(jì)算和存儲(chǔ)能力為終端用戶(hù)提供各種高質(zhì)量服務(wù)。但隨著終端設(shè)備接入量的日益增加,核心網(wǎng)絡(luò)的流量呈指數(shù)增長(zhǎng),2020年度移動(dòng)流量將增加到291.8艾字節(jié)。如此龐大的流量將給核心網(wǎng)絡(luò)帶來(lái)巨大的挑戰(zhàn)。為了解決這一問(wèn)題,將計(jì)算和存儲(chǔ)從核心網(wǎng)絡(luò)遷移到網(wǎng)絡(luò)邊緣的邊緣計(jì)算（EC）成為一種有效的解決方案。霧計(jì)算（FC）作為邊緣計(jì)算的一種實(shí)現(xiàn)方式,旨在通過(guò)異構(gòu)網(wǎng)絡(luò)連接一切設(shè)備（包括終端設(shè)備、Io T設(shè)備、傳感器、路由器、網(wǎng)關(guān)等）,從而為物聯(lián)網(wǎng)提供一種新的解決方案。如何實(shí)現(xiàn)霧計(jì)算中各個(gè)節(jié)點(diǎn)高效協(xié)作計(jì)算是霧計(jì)算中一個(gè)重要研究方向。本文研究了分布式霧計(jì)算中各霧節(jié)點(diǎn)的協(xié)作計(jì)算方式,并對(duì)其中的任務(wù)卸載和負(fù)載均衡問(wèn)題進(jìn)行了深入研究。主要做了以下工作:針對(duì)霧計(jì)算網(wǎng)絡(luò)中分布式協(xié)作計(jì)算問(wèn)題,本文提出了一種基于動(dòng)態(tài)規(guī)劃的解決方案,在為每個(gè)用戶(hù)分配計(jì)算資源時(shí)綜合考慮每個(gè)霧節(jié)點(diǎn)的通信能力和計(jì)算能力,并考慮當(dāng)前用戶(hù)對(duì)其他用戶(hù)的影響,最小化所有用戶(hù)的總服務(wù)延遲。針對(duì)霧計(jì)算網(wǎng)絡(luò)中的任務(wù)卸載問(wèn)題,本文考慮霧無(wú)線(xiàn)訪(fǎng)問(wèn)網(wǎng)絡(luò)（F-RAN）中各霧節(jié)點(diǎn)之間的無(wú)線(xiàn)傳輸延遲、霧節(jié)點(diǎn)的任務(wù)計(jì)算延遲、霧節(jié)點(diǎn)和遠(yuǎn)程云數(shù)據(jù)中心之間的無(wú)線(xiàn)傳輸延遲并在用戶(hù)所能接受的延遲閾值內(nèi)計(jì)算出最佳的卸載方案。仿真結(jié)果表明,本文提出的基于動(dòng)態(tài)規(guī)劃的多任務(wù)卸載方案相比單霧系統(tǒng)和資源預(yù)分配系統(tǒng)可以有效降低服務(wù)延遲。在資源利用率方面遠(yuǎn)高于資源預(yù)分配方案。針對(duì)分布式霧計(jì)算網(wǎng)絡(luò)中的負(fù)載均衡問(wèn)題,本文提出一種基于資源預(yù)測(cè)的動(dòng)態(tài)負(fù)載均衡方案,在為每個(gè)任務(wù)進(jìn)行負(fù)載均衡時(shí)考慮任務(wù)的執(zhí)行時(shí)間、任務(wù)執(zhí)行成本和霧節(jié)點(diǎn)的可用資源等因素。充分提高分布式霧集群的有效利用率,縮短響應(yīng)延遲。仿真結(jié)果表明,在處理大量任務(wù)和系統(tǒng)網(wǎng)絡(luò)狀況不佳的場(chǎng)景下相比靜態(tài)負(fù)載均衡方案,本文提出的方案在響應(yīng)時(shí)間方面有很大優(yōu)勢(shì)。
張從越[10]（2020）在《云計(jì)算環(huán)境下基于多目標(biāo)優(yōu)化的虛擬機(jī)遷移研究》文中提出云計(jì)算作為一種價(jià)格低、效率高的新型計(jì)算模式,正逐漸的在各個(gè)領(lǐng)域興起,因其具有按需服務(wù)、高可靠、高性?xún)r(jià)比、可擴(kuò)展等特性,逐漸受到個(gè)人以及社會(huì)的認(rèn)可。近些年來(lái),云數(shù)據(jù)中心的規(guī)模迅速擴(kuò)大,導(dǎo)致其產(chǎn)生的能源消耗及其成本也隨之增長(zhǎng)。數(shù)據(jù)中心能夠通過(guò)虛擬機(jī)遷移提高云計(jì)算服務(wù)質(zhì)量、節(jié)約成本,虛擬機(jī)遷移是根據(jù)數(shù)據(jù)中心運(yùn)行過(guò)程中帶來(lái)的物理主機(jī)負(fù)載變化,對(duì)虛擬機(jī)進(jìn)行重新部署的過(guò)程。虛擬機(jī)遷移的核心是虛擬機(jī)放置,所以亟需一種可行的虛擬機(jī)放置算法來(lái)優(yōu)化虛擬機(jī)遷移策略。本文利用負(fù)載預(yù)測(cè)與智能優(yōu)化算法來(lái)解決虛擬機(jī)放置問(wèn)題,并據(jù)此實(shí)現(xiàn)虛擬機(jī)遷移,主要工作如下:（1）提出了一種基于指數(shù)平滑的動(dòng)態(tài)負(fù)載預(yù)測(cè)算法,通過(guò)動(dòng)態(tài)選擇平滑系數(shù)提升預(yù)測(cè)準(zhǔn)確率,并將負(fù)載預(yù)測(cè)用于虛擬機(jī)放置上,能夠更好的選擇合適的目的主機(jī)。實(shí)驗(yàn)結(jié)果表明,本文提出的負(fù)載預(yù)測(cè)算法在預(yù)測(cè)準(zhǔn)確率方面有一定改進(jìn),能夠在一定程度上減少虛擬機(jī)遷移次數(shù),從而降低能耗。（2）針對(duì)傳統(tǒng)的虛擬機(jī)放置算法存在多目標(biāo)優(yōu)化難以找到最優(yōu)解的問(wèn)題,本文提出一種面向能耗、資源利用率、負(fù)載均衡的虛擬機(jī)放置優(yōu)化模型,并通過(guò)改進(jìn)蟻群算法實(shí)現(xiàn)基于多目標(biāo)優(yōu)化的虛擬機(jī)放置算法,該算法能夠在有限的時(shí)間內(nèi)獲取模型的近似最優(yōu)解,符合云環(huán)境對(duì)高效率低能耗的要求。（3）將負(fù)載預(yù)測(cè)應(yīng)用于基于多目標(biāo)優(yōu)化的虛擬機(jī)放置算法,能夠更準(zhǔn)確的尋找近似最優(yōu)解,并結(jié)合主機(jī)負(fù)載判定與虛擬機(jī)選擇實(shí)現(xiàn)了基于CloudSim平臺(tái)的虛擬機(jī)遷移模塊。
二、實(shí)時(shí)集群中一種基于任務(wù)分配表的動(dòng)態(tài)負(fù)載平衡算法（論文開(kāi)題報(bào)告）
（1）論文研究背景及目的
此處內(nèi)容要求：
首先簡(jiǎn)單簡(jiǎn)介論文所研究問(wèn)題的基本概念和背景，再而簡(jiǎn)單明了地指出論文所要研究解決的具體問(wèn)題，并提出你的論文準(zhǔn)備的觀點(diǎn)或解決方法。
寫(xiě)法范例：
本文主要提出一款精簡(jiǎn)64位RISC處理器存儲(chǔ)管理單元結(jié)構(gòu)并詳細(xì)分析其設(shè)計(jì)過(guò)程。在該MMU結(jié)構(gòu)中,TLB采用叁個(gè)分離的TLB,TLB采用基于內(nèi)容查找的相聯(lián)存儲(chǔ)器并行查找,支持粗粒度為64KB和細(xì)粒度為4KB兩種頁(yè)面大小,采用多級(jí)分層頁(yè)表結(jié)構(gòu)映射地址空間,并詳細(xì)論述了四級(jí)頁(yè)表轉(zhuǎn)換過(guò)程,TLB結(jié)構(gòu)組織等。該MMU結(jié)構(gòu)將作為該處理器存儲(chǔ)系統(tǒng)實(shí)現(xiàn)的一個(gè)重要組成部分。
（2）本文研究方法
調(diào)查法：該方法是有目的、有系統(tǒng)的搜集有關(guān)研究對(duì)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(duì)象從而得到有關(guān)信息。
實(shí)驗(yàn)法：通過(guò)主支變革、控制研究對(duì)象來(lái)發(fā)現(xiàn)與確認(rèn)事物間的因果關(guān)系。
文獻(xiàn)研究法：通過(guò)調(diào)查文獻(xiàn)來(lái)獲得資料，從而全面的、正確的了解掌握研究方法。
實(shí)證研究法：依據(jù)現(xiàn)有的科學(xué)理論和實(shí)踐的需要提出設(shè)計(jì)。
定性分析法：對(duì)研究對(duì)象進(jìn)行“質(zhì)”的方面的研究，這個(gè)方法需要計(jì)算的數(shù)據(jù)較少。
定量分析法：通過(guò)具體的數(shù)字，使人們對(duì)研究對(duì)象的認(rèn)識(shí)進(jìn)一步精確化。
跨學(xué)科研究法：運(yùn)用多學(xué)科的理論、方法和成果從整體上對(duì)某一課題進(jìn)行研究。
功能分析法：這是社會(huì)科學(xué)用來(lái)分析社會(huì)現(xiàn)象的一種方法，從某一功能出發(fā)研究多個(gè)方面的影響。
模擬法：通過(guò)創(chuàng)設(shè)一個(gè)與原型相似的模型來(lái)間接研究原型某種特性的一種形容方法。
三、實(shí)時(shí)集群中一種基于任務(wù)分配表的動(dòng)態(tài)負(fù)載平衡算法（論文提綱范文）
（1）基于飛機(jī)傷痕檢測(cè)服務(wù)的高并發(fā)性能研究與應(yīng)用（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第一章 緒論 |
| 1.1 研究背景與意義 |
| 1.2 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.3 論文主要工作 |
| 1.4 論文的組織結(jié)構(gòu) |
| 第二章 理論基礎(chǔ)及相關(guān)技術(shù) |
| 2.1 高并發(fā)服務(wù)模型 |
| 2.1.1 多進(jìn)程服務(wù)模型 |
| 2.1.2 多線(xiàn)程服務(wù)模型 |
| 2.1.3 微線(xiàn)程服務(wù)模型 |
| 2.2 負(fù)載均衡技術(shù) |
| 2.2.1 硬件負(fù)載均衡 |
| 2.2.2 軟件負(fù)載均衡 |
| 2.3 容器化技術(shù) |
| 2.3.1 容器化技術(shù)概念 |
| 2.3.2 容器化技術(shù)原理分析 |
| 2.3.3 容器化技術(shù)的優(yōu)勢(shì) |
| 2.4 測(cè)試工具及評(píng)價(jià)指標(biāo)介紹 |
| 2.4.1 壓力測(cè)試工具 |
| 2.4.2 評(píng)價(jià)指標(biāo) |
| 2.5 本章小結(jié) |
| 第三章 單機(jī)多卡分布式處理方案設(shè)計(jì) |
| 3.1 現(xiàn)有高并發(fā)處理方案分析 |
| 3.1.1 現(xiàn)有高并發(fā)處理方案概述 |
| 3.1.2 現(xiàn)有高并發(fā)處理方案不足 |
| 3.2 單機(jī)多卡分布式處理方案設(shè)計(jì)與實(shí)現(xiàn) |
| 3.2.1 基于業(yè)務(wù)流量的動(dòng)態(tài)自適應(yīng)封裝策略設(shè)計(jì)與實(shí)現(xiàn) |
| 3.2.2 基于多進(jìn)程模型的多卡分布式處理方案設(shè)計(jì)與實(shí)現(xiàn) |
| 3.3 單機(jī)多卡分布式處理方案優(yōu)化 |
| 3.3.1 零卡瓶頸問(wèn)題解決 |
| 3.3.2 顯存泄漏問(wèn)題優(yōu)化 |
| 3.4 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果 |
| 3.4.1 實(shí)驗(yàn)設(shè)計(jì) |
| 3.4.2 實(shí)驗(yàn)環(huán)境 |
| 3.4.3 實(shí)驗(yàn)結(jié)果與分析 |
| 3.5 本章小結(jié) |
| 第四章 基于集群性能的動(dòng)態(tài)負(fù)載均衡策略設(shè)計(jì) |
| 4.1 現(xiàn)有負(fù)載均衡策略分析 |
| 4.1.1 現(xiàn)有負(fù)載均衡策略概述 |
| 4.1.2 現(xiàn)有負(fù)載均衡策略不足 |
| 4.2 基于集群性能的動(dòng)態(tài)負(fù)載均衡策略設(shè)計(jì)與實(shí)現(xiàn) |
| 4.2.1 性能采集模塊 |
| 4.2.2 算法模塊 |
| 4.2.3 負(fù)載均衡器模塊 |
| 4.3 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果 |
| 4.3.1 實(shí)驗(yàn)設(shè)計(jì) |
| 4.3.2 實(shí)驗(yàn)環(huán)境 |
| 4.3.3 實(shí)驗(yàn)結(jié)果與分析 |
| 4.4 本章小結(jié) |
| 第五章 基于容器化技術(shù)的多機(jī)分布式擴(kuò)展方案設(shè)計(jì) |
| 5.1 需求分析 |
| 5.1.1 單機(jī)瓶頸問(wèn)題 |
| 5.1.2 集群節(jié)點(diǎn)環(huán)境問(wèn)題 |
| 5.1.3 集群節(jié)點(diǎn)管理問(wèn)題 |
| 5.1.4 集群部署繁瑣問(wèn)題 |
| 5.2 多機(jī)分布式擴(kuò)展方案總體設(shè)計(jì) |
| 5.3 多機(jī)分布式擴(kuò)展方案詳細(xì)設(shè)計(jì)及實(shí)現(xiàn) |
| 5.3.1 鏡像文件構(gòu)建 |
| 5.3.2 鏡像倉(cāng)庫(kù)構(gòu)建 |
| 5.3.3 代碼倉(cāng)庫(kù)構(gòu)建 |
| 5.3.4 自動(dòng)化流水線(xiàn)構(gòu)建 |
| 5.4 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 本文總結(jié) |
| 6.2 未來(lái)展望 |
| 參考文獻(xiàn) |
| 致謝 |
（3）基于負(fù)載均衡和服務(wù)流控的高并發(fā)訪(fǎng)問(wèn)機(jī)制的研究（論文提綱范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 課題來(lái)源與選題依據(jù) |
| 1.1.1 課題來(lái)源 |
| 1.1.2 選題依據(jù) |
| 1.2 研究現(xiàn)狀及意義 |
| 1.2.1 研究現(xiàn)狀 |
| 1.2.2 研究意義 |
| 1.3 論文研究?jī)?nèi)容 |
| 1.4 論文組織結(jié)構(gòu) |
| 第2章 相關(guān)理論與技術(shù)概述 |
| 2.1 微服務(wù)架構(gòu)與集群 |
| 2.1.1 微服務(wù)架構(gòu) |
| 2.1.2 服務(wù)器集群 |
| 2.1.3 基于SpringCloud的微服務(wù)架構(gòu) |
| 2.2 負(fù)載均衡技術(shù) |
| 2.2.1 負(fù)載均衡分類(lèi) |
| 2.2.2 負(fù)載均衡算法 |
| 2.2.3 基于OpenResty平臺(tái)的負(fù)載均衡 |
| 2.3 服務(wù)流控技術(shù) |
| 2.3.1 流控模式 |
| 2.3.2 限流算法 |
| 2.4 本章小節(jié) |
| 第3章 基于蟻群算法的動(dòng)態(tài)負(fù)載均衡 |
| 3.1 蟻群算法 |
| 3.1.1 概述 |
| 3.1.2 算法原理及流程 |
| 3.1.3 常用的優(yōu)化措施 |
| 3.2 構(gòu)建基于任務(wù)處理時(shí)間的負(fù)載均衡調(diào)度的基本模型 |
| 3.2.1 模型構(gòu)建 |
| 3.2.2 任務(wù)分配流程 |
| 3.2.3 模型分析 |
| 3.3 動(dòng)態(tài)負(fù)載均衡基本模型的優(yōu)化 |
| 3.3.1 優(yōu)化思路 |
| 3.3.2 優(yōu)化模型的架構(gòu)設(shè)計(jì) |
| 3.3.3 評(píng)價(jià)參數(shù)的權(quán)重系數(shù)分析 |
| 3.4 基于OpenResty平臺(tái)的優(yōu)化模型實(shí)現(xiàn)方案 |
| 3.4.1 信息采集模塊 |
| 3.4.2 數(shù)據(jù)處理模塊 |
| 3.4.3 算法調(diào)度模塊 |
| 3.5 本章小節(jié) |
| 第4章 基于trTCM算法的多級(jí)動(dòng)態(tài)服務(wù)流控 |
| 4.1 tr TCM算法 |
| 4.1.1 算法概述 |
| 4.1.2 算法的實(shí)現(xiàn)流程 |
| 4.2 動(dòng)態(tài)服務(wù)流控策略的提出 |
| 4.2.1 服務(wù)流控的作用 |
| 4.2.2 常用的限流算法的分析與改進(jìn) |
| 4.3 多級(jí)動(dòng)態(tài)服務(wù)流控模型的架構(gòu) |
| 4.3.1 請(qǐng)求分類(lèi)模塊 |
| 4.3.2 限流模塊 |
| 4.3.3 多級(jí)流控調(diào)控模塊 |
| 4.3.4 異常請(qǐng)求過(guò)濾模塊 |
| 4.4 基于Gateway網(wǎng)關(guān)的多級(jí)動(dòng)態(tài)服務(wù)流控實(shí)現(xiàn)方案 |
| 4.4.1 Gateway網(wǎng)關(guān) |
| 4.4.2 請(qǐng)求過(guò)濾功能 |
| 4.4.3 請(qǐng)求分類(lèi)標(biāo)記功能 |
| 4.4.4 動(dòng)態(tài)限流算法 |
| 4.4.5 多級(jí)動(dòng)態(tài)調(diào)控功能 |
| 4.5 本章小節(jié) |
| 第5章 實(shí)驗(yàn)與分析 |
| 5.1 實(shí)驗(yàn)環(huán)境與準(zhǔn)備 |
| 5.1.1 性能測(cè)試 |
| 5.1.2 實(shí)驗(yàn)環(huán)境 |
| 5.2 動(dòng)態(tài)負(fù)載均衡的測(cè)試與分析 |
| 5.2.1 實(shí)驗(yàn)流程 |
| 5.2.2 實(shí)驗(yàn)結(jié)果 |
| 5.2.3 實(shí)驗(yàn)數(shù)據(jù)分析 |
| 5.3 動(dòng)態(tài)服務(wù)流控的測(cè)試與分析 |
| 5.3.1 實(shí)驗(yàn)流程 |
| 5.3.2 實(shí)驗(yàn)結(jié)果 |
| 5.3.3 實(shí)驗(yàn)數(shù)據(jù)分析 |
| 5.4 本章小節(jié) |
| 第6章 總結(jié)與展望 |
| 6.1 總結(jié) |
| 6.2 展望 |
| 致謝 |
| 參考文獻(xiàn) |
| 攻讀學(xué)位期間的研究成果 |
（4）大規(guī)模數(shù)據(jù)實(shí)時(shí)繪制關(guān)鍵技術(shù)研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 背景與意義 |
| 1.2 研究現(xiàn)狀 |
| 1.2.1 體數(shù)據(jù)繪制 |
| 1.2.2 大規(guī)模地理地形繪制 |
| 1.2.3 反走樣技術(shù) |
| 1.2.4 GPU繪制 |
| 1.2.5 并行繪制 |
| 1.3 本文工作 |
| 1.4章節(jié)安排 |
| 第2章 性能挑戰(zhàn)與評(píng)價(jià)方法 |
| 2.1 引言 |
| 2.2 性能瓶頸分析 |
| 2.2.1 多線(xiàn)程繪制 |
| 2.2.2 繪制瓶頸 |
| 2.2.3 數(shù)據(jù)規(guī)模 |
| 2.3 并行繪制性能 |
| 2.3.1 負(fù)載平衡 |
| 2.3.2 圖像合成 |
| 2.3.3 圖像解壓縮 |
| 2.4 評(píng)價(jià)方法 |
| 2.4.1 時(shí)間復(fù)雜度 |
| 2.4.2 并行粒度 |
| 2.4.3 空間復(fù)雜度 |
| 2.4.4 繪制質(zhì)量 |
| 2.5 本章小結(jié) |
| 第3章 數(shù)據(jù)并行化體繪制及光照計(jì)算 |
| 3.1 引言 |
| 3.2 體繪制 |
| 3.2.1 體數(shù)據(jù) |
| 3.2.2 體繪制方程 |
| 3.2.3 體繪制方法 |
| 3.3 體數(shù)據(jù)光照計(jì)算 |
| 3.3.1 體繪制全局光照 |
| 3.3.2 單繪制遍多切片MSPP算法 |
| 3.3.3 基于切片的光線(xiàn)投射SBRC算法 |
| 3.4 體繪制并行化 |
| 3.5 本章小結(jié) |
| 第4章 大規(guī)模地形數(shù)據(jù)高效組織與繪制 |
| 4.1 引言 |
| 4.2 大規(guī)模地理地形數(shù)據(jù) |
| 4.2.1 數(shù)字高程模型 |
| 4.2.2 數(shù)字正射影像 |
| 4.3 可伸縮三維地理地形繪制 |
| 4.3.1 算法概述 |
| 4.3.2 關(guān)鍵步驟及實(shí)現(xiàn) |
| 4.3.3 實(shí)驗(yàn)結(jié)果與分析 |
| 4.4 本章小結(jié) |
| 第5章 數(shù)據(jù)繪制中的反走樣技術(shù) |
| 5.1 引言 |
| 5.2 反走樣方法 |
| 5.2.1 走樣原因 |
| 5.2.2 反走樣基本思路 |
| 5.2.3 主流反走樣方法 |
| 5.3 子像素連續(xù)邊界反走樣SRCE算法 |
| 5.3.1 算法概述 |
| 5.3.2 關(guān)鍵步驟及實(shí)現(xiàn) |
| 5.3.3 實(shí)驗(yàn)結(jié)果與分析 |
| 5.4 一種大場(chǎng)景反走樣繪制架構(gòu) |
| 5.4.1 算法概述 |
| 5.4.2 關(guān)鍵步驟及實(shí)現(xiàn) |
| 5.4.3 實(shí)驗(yàn)結(jié)果與分析 |
| 5.5 本章小結(jié) |
| 第6章 大規(guī)模數(shù)據(jù)并行繪制虛擬化框架 |
| 6.1 引言 |
| 6.2 并行繪制 |
| 6.2.1 體系結(jié)構(gòu) |
| 6.2.2 數(shù)據(jù)與繪制資源 |
| 6.2.3 并行繪制框架 |
| 6.3 PRVF框架結(jié)構(gòu) |
| 6.3.1 繪制資源層 |
| 6.3.2 并行繪制虛擬化層 |
| 6.3.3 應(yīng)用層 |
| 6.3.4 實(shí)驗(yàn)結(jié)果與分析 |
| 6.4 本章小結(jié) |
| 第7章 總結(jié)與展望 |
| 7.1 工作總結(jié) |
| 7.2 未來(lái)展望 |
| 參考文獻(xiàn) |
| 在讀期間科研成果 |
| 致謝 |
（5）基于光線(xiàn)追蹤的三維顯示內(nèi)容生成加速方法研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第一章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.3 論文組織結(jié)構(gòu) |
| 第二章 基于光線(xiàn)追蹤技術(shù)的三維內(nèi)容生成理論基礎(chǔ) |
| 2.1 基于集成成像的三維顯示原理 |
| 2.2 光線(xiàn)追蹤技術(shù)基本原理 |
| 2.2.1 全局光照與渲染方程 |
| 2.2.2 反向光線(xiàn)追蹤算法框架 |
| 2.2.3 基于Monte Carlo的路徑追蹤算法 |
| 2.3 基于GPU的光線(xiàn)追蹤模型 |
| 2.4 本章小結(jié) |
| 第三章 基于動(dòng)態(tài)區(qū)域渲染的光場(chǎng)圖像生成加速算法 |
| 3.1 基于集成成像的多視點(diǎn)圖像渲染 |
| 3.2 動(dòng)態(tài)場(chǎng)景下傳統(tǒng)的光線(xiàn)追蹤加速方法 |
| 3.3 基于動(dòng)態(tài)區(qū)域渲染的加速算法框架 |
| 3.4 動(dòng)態(tài)區(qū)域加速算法實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析 |
| 3.4.1 軟硬件環(huán)境的搭建 |
| 3.4.2 動(dòng)態(tài)區(qū)域加速算法實(shí)驗(yàn)原理與實(shí)現(xiàn) |
| 3.5 本章小結(jié) |
| 第四章 基于多GPU的三維光場(chǎng)顯示內(nèi)容快速生成方法 |
| 4.1 多GPU渲染技術(shù)概述 |
| 4.2 多GPU并行渲染的工作模式 |
| 4.2.1 交替幀渲染模式 |
| 4.2.2 分割幀渲染模式 |
| 4.2.3 超級(jí)瓦片分離模式 |
| 4.2.4 超級(jí)全屏反走樣模式 |
| 4.3 基于分割幀和動(dòng)態(tài)負(fù)載平衡的渲染方案 |
| 4.4 多屏拼接場(chǎng)景下的UDP通信技術(shù) |
| 4.5 基于多GPU的超高分辨率實(shí)時(shí)三維顯示實(shí)驗(yàn) |
| 4.5.1 分割幀渲染和動(dòng)態(tài)負(fù)載平衡實(shí)驗(yàn)設(shè)計(jì)與分析 |
| 4.5.2 高分辨率場(chǎng)景下雙GPU性能實(shí)驗(yàn)設(shè)計(jì)與分析 |
| 4.5.3 基于UDP通信的雙屏拼接實(shí)驗(yàn)設(shè)計(jì)與實(shí)現(xiàn) |
| 4.6 本章小結(jié) |
| 第五章 總結(jié)與展望 |
| 5.1 本論文的研究工作及成果 |
| 5.2 后續(xù)工作展望 |
| 參考文獻(xiàn) |
| 附錄 縮略語(yǔ) |
| 致謝 |
| 攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄 |
（6）高并發(fā)環(huán)境下網(wǎng)絡(luò)攻擊效果評(píng)估系統(tǒng)的研究與實(shí)現(xiàn)（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第一章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.2.1 微服務(wù)架構(gòu)技術(shù)的研究 |
| 1.2.2 負(fù)載均衡技術(shù)的研究 |
| 1.2.3 微服務(wù)集群部署技術(shù)的研究 |
| 1.3 論文的主要研究?jī)?nèi)容 |
| 1.4 論文組織結(jié)構(gòu) |
| 第二章 相關(guān)理論與技術(shù)基礎(chǔ) |
| 2.1 微服務(wù)技術(shù) |
| 2.1.1 微服務(wù)技術(shù)概述 |
| 2.1.2 微服務(wù)框架概述 |
| 2.2 領(lǐng)域驅(qū)動(dòng)設(shè)計(jì)技術(shù) |
| 2.2.1 領(lǐng)域驅(qū)動(dòng)設(shè)計(jì)理論技術(shù)概述 |
| 2.2.2 領(lǐng)域驅(qū)動(dòng)設(shè)計(jì)架構(gòu)模型 |
| 2.3 負(fù)載均衡技術(shù)概述 |
| 2.3.1 負(fù)載均衡目標(biāo) |
| 2.3.2 負(fù)載均衡策略分類(lèi) |
| 2.3.3 負(fù)載均衡實(shí)現(xiàn)方式 |
| 2.4 本章小結(jié) |
| 第三章 基于微服務(wù)的網(wǎng)絡(luò)攻擊效果評(píng)估系統(tǒng)技術(shù)研究 |
| 3.1 總體設(shè)計(jì) |
| 3.2 基于領(lǐng)域驅(qū)動(dòng)設(shè)計(jì)思想的微服務(wù)劃分 |
| 3.2.1 業(yè)務(wù)場(chǎng)景分析 |
| 3.2.2 領(lǐng)域建模 |
| 3.2.3 微服務(wù)拆分與設(shè)計(jì) |
| 3.3 基于Ribbon的動(dòng)態(tài)負(fù)載均衡方案設(shè)計(jì) |
| 3.3.1 Ribbon內(nèi)置靜態(tài)負(fù)載均衡算法分析 |
| 3.3.2 基于Ribbon的動(dòng)態(tài)負(fù)載均衡算法設(shè)計(jì) |
| 3.3.3 基于Ribbon的動(dòng)態(tài)負(fù)載均衡算法實(shí)現(xiàn) |
| 3.3.4 實(shí)驗(yàn)仿真 |
| 3.4 本章小結(jié) |
| 第四章 基于微服務(wù)的網(wǎng)絡(luò)攻擊效果評(píng)估系統(tǒng)的詳細(xì)設(shè)計(jì)與實(shí)現(xiàn) |
| 4.1 需求分析 |
| 4.1.1 功能性需求分析 |
| 4.1.2 非功能性需求分析 |
| 4.2 系統(tǒng)概要與架構(gòu)設(shè)計(jì) |
| 4.2.1 系統(tǒng)模塊劃分 |
| 4.2.2 系統(tǒng)層次結(jié)構(gòu) |
| 4.2.3 代碼結(jié)構(gòu) |
| 4.2.4 系統(tǒng)數(shù)據(jù)庫(kù)設(shè)計(jì) |
| 4.3 系統(tǒng)功能設(shè)計(jì)與實(shí)現(xiàn) |
| 4.3.1 評(píng)估子系統(tǒng) |
| 4.3.2 環(huán)境構(gòu)建子系統(tǒng) |
| 4.3.3 評(píng)估任務(wù)子系統(tǒng) |
| 4.3.4 用戶(hù)管理子系統(tǒng) |
| 4.4 本章小結(jié) |
| 第五章 系統(tǒng)測(cè)試與分析 |
| 5.1 系統(tǒng)測(cè)試環(huán)境與流程 |
| 5.1.1 測(cè)試環(huán)境 |
| 5.1.2 測(cè)試流程 |
| 5.2 基于微服務(wù)的網(wǎng)絡(luò)攻擊效果評(píng)估系統(tǒng)功能測(cè)試 |
| 5.2.1 靶標(biāo)機(jī)注冊(cè)功能測(cè)試 |
| 5.2.2 攻擊工具注冊(cè)功能測(cè)試 |
| 5.2.3 評(píng)估任務(wù)創(chuàng)建功能測(cè)試 |
| 5.2.4 評(píng)估計(jì)算功能測(cè)試 |
| 5.3 基于微服務(wù)的網(wǎng)絡(luò)攻擊效果評(píng)估系統(tǒng)性能測(cè)試 |
| 5.3.1 系統(tǒng)壓力測(cè)試 |
| 5.3.2 動(dòng)態(tài)負(fù)載均衡效果測(cè)試 |
| 5.4 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 參考文獻(xiàn) |
| 致謝 |
（7）面向并行繪制負(fù)載平衡的隨機(jī)森林在線(xiàn)學(xué)習(xí)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 并行繪制的必要性和可行性 |
| 1.1.2 并行繪制的關(guān)鍵問(wèn)題 |
| 1.2 研究現(xiàn)狀 |
| 1.2.1 并行繪制系統(tǒng) |
| 1.2.2 并行繪制系統(tǒng)負(fù)載平衡 |
| 1.2.3 隨機(jī)森林 |
| 1.3 主要研究問(wèn)題 |
| 1.4 研究?jī)?nèi)容和創(chuàng)新點(diǎn) |
| 1.4.1 研究?jī)?nèi)容 |
| 1.4.2 研究創(chuàng)新點(diǎn) |
| 1.5 本文的組織結(jié)構(gòu) |
| 第2章 基于在線(xiàn)學(xué)習(xí)的并行繪制負(fù)載預(yù)測(cè)框架 |
| 2.1 并行繪制體系結(jié)構(gòu) |
| 2.2 并行繪制特征分析 |
| 2.3 隨機(jī)森林方法 |
| 2.3.1 CART回歸樹(shù) |
| 2.3.2 回歸隨機(jī)森林 |
| 2.4 在線(xiàn)學(xué)習(xí) |
| 2.4.1 在線(xiàn)學(xué)習(xí)優(yōu)勢(shì) |
| 2.4.2 在線(xiàn)學(xué)習(xí)機(jī)制 |
| 2.5 基于在線(xiàn)隨機(jī)森林預(yù)測(cè)的負(fù)載平衡框架 |
| 第3章 具有記憶的在線(xiàn)回歸森林 |
| 3.1 引言 |
| 3.2 在線(xiàn)回歸預(yù)測(cè) |
| 3.3 在線(xiàn)回歸森林的記憶機(jī)制 |
| 3.3.1 RFs記憶機(jī)制:葉權(quán)重在線(xiàn)學(xué)習(xí) |
| 3.3.2 基于隨機(jī)梯度下降的在線(xiàn)葉權(quán)重學(xué)習(xí) |
| 3.3.3 基于預(yù)測(cè)能力的自適應(yīng)學(xué)習(xí)率 |
| 3.3.4 在線(xiàn)葉權(quán)重學(xué)習(xí)算法 |
| 3.4 實(shí)驗(yàn)結(jié)果與分析 |
| 3.4.1 基準(zhǔn)數(shù)據(jù) |
| 3.4.2 實(shí)驗(yàn)設(shè)置 |
| 3.4.3 結(jié)果對(duì)比分析 |
| 3.5 本章小結(jié) |
| 第4章 長(zhǎng)短時(shí)記憶自適應(yīng)在線(xiàn)隨機(jī)森林 |
| 4.1 引言 |
| 4.2 概念漂移問(wèn)題 |
| 4.3 集成學(xué)習(xí)方法 |
| 4.3.1 在線(xiàn)集成學(xué)習(xí) |
| 4.3.2 數(shù)據(jù)流回歸的集成方法 |
| 4.3.3 基于隨機(jī)森林的數(shù)據(jù)流分析方法 |
| 4.4 隨機(jī)森林的自適應(yīng)長(zhǎng)短時(shí)記憶 |
| 4.4.1 自適應(yīng)記憶激活機(jī)制 |
| 4.4.2 混合記憶預(yù)測(cè) |
| 4.5 實(shí)驗(yàn)結(jié)果與分析 |
| 4.5.1 實(shí)驗(yàn)數(shù)據(jù) |
| 4.5.2 實(shí)驗(yàn)設(shè)置 |
| 4.5.3 結(jié)果對(duì)比分析 |
| 4.6 本章小結(jié) |
| 第5章 在線(xiàn)局部重建隨機(jī)森林 |
| 5.1 引言 |
| 5.2 隨機(jī)森林在線(xiàn)構(gòu)建方法 |
| 5.2.1 在線(xiàn)完整構(gòu)建 |
| 5.2.2 在線(xiàn)局部構(gòu)建 |
| 5.3 在線(xiàn)重建隨機(jī)森林 |
| 5.3.1 在線(xiàn)重建機(jī)制 |
| 5.3.2 葉結(jié)點(diǎn)在線(xiàn)剪枝 |
| 5.3.3 基于祖先節(jié)點(diǎn)回溯的在線(xiàn)重建 |
| 5.4 實(shí)驗(yàn)結(jié)果與分析 |
| 5.4.1 實(shí)驗(yàn)數(shù)據(jù) |
| 5.4.2 實(shí)驗(yàn)設(shè)置 |
| 5.4.3 結(jié)果對(duì)比分析 |
| 5.5 本章小結(jié) |
| 第6章 應(yīng)用在線(xiàn)隨機(jī)森林預(yù)測(cè)并行繪制負(fù)載 |
| 6.1 并行繪制數(shù)據(jù)集 |
| 6.1.1 繪制特征設(shè)計(jì) |
| 6.1.2 繪制數(shù)據(jù)采集 |
| 6.2 實(shí)驗(yàn)結(jié)果與分析 |
| 6.2.1 實(shí)驗(yàn)設(shè)置 |
| 6.2.2 實(shí)驗(yàn)結(jié)果對(duì)比分析 |
| 6.3 本章小結(jié) |
| 第7章 結(jié)論與展望 |
| 7.1 全文總結(jié) |
| 7.2 研究展望 |
| 參考文獻(xiàn) |
| 作者攻讀學(xué)位期間取得的研究成果 |
| 致謝 |
（8）基于服務(wù)器集群的負(fù)載均衡系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 課題來(lái)源及研究?jī)?nèi)容 |
| 1.3 本文的組織架構(gòu) |
| 第二章 相關(guān)技術(shù)研究 |
| 2.1 基礎(chǔ)知識(shí) |
| 2.1.1 集群技術(shù) |
| 2.1.2 負(fù)載均衡技術(shù) |
| 2.2 服務(wù)器集群負(fù)載均衡技術(shù)研究 |
| 2.2.1 國(guó)內(nèi)研究現(xiàn)狀 |
| 2.2.2 國(guó)外研究現(xiàn)狀 |
| 2.2.3 小結(jié) |
| 2.3 服務(wù)器集群高可用技術(shù)研究 |
| 2.3.1 國(guó)內(nèi)研究現(xiàn)狀 |
| 2.3.2 國(guó)外研究現(xiàn)狀 |
| 2.3.3 小結(jié) |
| 2.4 本章小結(jié) |
| 第三章 基于服務(wù)器集群的負(fù)載均衡系統(tǒng)總體設(shè)計(jì) |
| 3.1 系統(tǒng)模塊分析 |
| 3.1.1 系統(tǒng)的設(shè)計(jì)目標(biāo) |
| 3.1.2 系統(tǒng)的功能分析 |
| 3.2 總體架構(gòu)設(shè)計(jì) |
| 3.2.1 系統(tǒng)總體架構(gòu) |
| 3.2.2 系統(tǒng)網(wǎng)絡(luò)部署總體架構(gòu) |
| 3.3 系統(tǒng)功能設(shè)計(jì) |
| 3.3.1 用戶(hù)管理子系統(tǒng)設(shè)計(jì) |
| 3.3.2 版本控制子系統(tǒng)設(shè)計(jì) |
| 3.3.3 負(fù)載均衡子系統(tǒng)設(shè)計(jì) |
| 3.3.4 集群高可用子系統(tǒng)設(shè)計(jì) |
| 3.3.5 集群狀態(tài)監(jiān)控子系統(tǒng)設(shè)計(jì) |
| 3.4 數(shù)據(jù)庫(kù)設(shè)計(jì) |
| 3.5 本章小結(jié) |
| 第四章 基于改進(jìn)一致性哈希的負(fù)載均衡方法 |
| 4.1 一致性哈希在負(fù)載均衡中的現(xiàn)存問(wèn)題 |
| 4.2 基于改進(jìn)一致性哈希的負(fù)載均衡方法詳細(xì)設(shè)計(jì) |
| 4.2.1 虛擬節(jié)點(diǎn)數(shù)量計(jì)算模型 |
| 4.2.2 節(jié)點(diǎn)性能比 |
| 4.2.3 虛擬節(jié)點(diǎn)最大線(xiàn)性值 |
| 4.2.4 虛擬節(jié)點(diǎn)冗余值 |
| 4.3 實(shí)驗(yàn)與分析 |
| 4.3.1 實(shí)驗(yàn)環(huán)境與方法 |
| 4.3.2 實(shí)驗(yàn)結(jié)果與分析 |
| 4.4 本章小結(jié) |
| 第五章 基于Redis的服務(wù)器集群高可用模型 |
| 5.1 高可用模型在服務(wù)器集群中的現(xiàn)存問(wèn)題 |
| 5.2 基于Redis的高可用模型詳細(xì)設(shè)計(jì) |
| 5.2.1 架構(gòu)設(shè)計(jì) |
| 5.2.2 集群主備構(gòu)建策略 |
| 5.2.3 Session共享策略 |
| 5.3 實(shí)驗(yàn)與分析 |
| 5.3.1 實(shí)驗(yàn)環(huán)境與方法 |
| 5.3.2 實(shí)驗(yàn)結(jié)果與分析 |
| 5.4 本章小結(jié) |
| 第六章 系統(tǒng)原型實(shí)現(xiàn)與測(cè)試 |
| 6.1 系統(tǒng)環(huán)境 |
| 6.1.1 硬件環(huán)境 |
| 6.1.2 軟件環(huán)境 |
| 6.2 系統(tǒng)原型實(shí)現(xiàn) |
| 6.2.1 用戶(hù)管理子系統(tǒng)原型 |
| 6.2.2 版本控制子系統(tǒng)原型 |
| 6.2.3 集群高可用子系統(tǒng)原型 |
| 6.3 系統(tǒng)功能測(cè)試 |
| 6.3.1 用戶(hù)登陸測(cè)試 |
| 6.3.2 版本控制測(cè)試 |
| 6.3.3 集群高可用測(cè)試 |
| 6.3.4 負(fù)載均衡測(cè)試 |
| 6.4 本章小結(jié) |
| 第七章 總結(jié)與展望 |
| 7.1 總結(jié) |
| 7.2 展望 |
| 參考文獻(xiàn) |
| 附錄1 攻讀碩士學(xué)位期間申請(qǐng)的專(zhuān)利 |
| 附錄2 攻讀碩士學(xué)位期間參加的科研項(xiàng)目 |
（9）分布式霧計(jì)算中任務(wù)卸載與負(fù)載均衡方案研究（論文提綱范文）
| 摘要 |
| Abstract |
| 縮略語(yǔ)表 |
| 第一章 緒論 |
| 1.1 引言 |
| 1.2 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.3 研究?jī)?nèi)容與成果 |
| 第二章 霧計(jì)算網(wǎng)絡(luò)概述 |
| 2.1 5G系統(tǒng)概述 |
| 2.1.1 5G的愿景 |
| 2.1.2 5G關(guān)鍵技術(shù) |
| 2.1.3 5G移動(dòng)通信網(wǎng)絡(luò)中的邊緣計(jì)算 |
| 2.2 霧計(jì)算網(wǎng)絡(luò) |
| 2.2.1 霧計(jì)算體系架構(gòu) |
| 2.2.2 霧計(jì)算與云計(jì)算的比較 |
| 2.2.3 霧計(jì)算的應(yīng)用場(chǎng)景和挑戰(zhàn) |
| 2.3 霧計(jì)算網(wǎng)絡(luò)中計(jì)算卸載方案 |
| 2.3.1 分布式霧計(jì)算中任務(wù)卸載方案 |
| 2.3.2 分布式霧計(jì)算中負(fù)載均衡方案 |
| 2.4 本章小結(jié) |
| 第三章 分布式霧計(jì)算中基于動(dòng)態(tài)規(guī)劃的多任務(wù)卸載方案 |
| 3.1 引言 |
| 3.2 系統(tǒng)模型 |
| 3.2.1 分布式霧計(jì)算中任務(wù)卸載系統(tǒng)模型 |
| 3.2.2 系統(tǒng)延遲量化 |
| 3.3 基于動(dòng)態(tài)規(guī)劃的多任務(wù)卸載方案 |
| 3.3.1 單用戶(hù)單主霧節(jié)點(diǎn)任務(wù)卸載算法 |
| 3.3.2 多用戶(hù)多主霧節(jié)點(diǎn)任務(wù)卸載算法 |
| 3.4 算法性能仿真與分析 |
| 3.4.1 仿真參數(shù)設(shè)置 |
| 3.4.2 仿真結(jié)果分析 |
| 3.5 本章小結(jié) |
| 第四章 分布式霧計(jì)算中基于資源預(yù)測(cè)的負(fù)載均衡方案 |
| 4.1 引言 |
| 4.2 系統(tǒng)模型 |
| 4.2.1 基于預(yù)測(cè)的負(fù)載均衡方案系統(tǒng)模型 |
| 4.2.2 資源預(yù)測(cè)負(fù)載均衡的三大組件 |
| 4.3 分布式霧計(jì)算中的負(fù)載均衡算法 |
| 4.3.1 靜態(tài)負(fù)載均衡算法 |
| 4.3.2 動(dòng)態(tài)負(fù)載均衡算法 |
| 4.3.3 基于資源預(yù)測(cè)的負(fù)載均衡算法 |
| 4.4 算法性能仿真與分析 |
| 4.4.1 仿真參數(shù)設(shè)置 |
| 4.4.2 仿真結(jié)果分析 |
| 4.5 本章小結(jié) |
| 第五章 總結(jié)與展望 |
| 參考文獻(xiàn) |
| 附錄1 攻讀碩士學(xué)位期間申請(qǐng)的專(zhuān)利 |
| 致謝 |
（10）云計(jì)算環(huán)境下基于多目標(biāo)優(yōu)化的虛擬機(jī)遷移研究（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.3 論文的主要內(nèi)容 |
| 1.4 論文的組織結(jié)構(gòu) |
| 第二章 相關(guān)背景知識(shí)介紹 |
| 2.1 云計(jì)算 |
| 2.1.1 云計(jì)算的概念 |
| 2.1.2 云計(jì)算的系統(tǒng)結(jié)構(gòu) |
| 2.1.3 云計(jì)算的分類(lèi) |
| 2.2 虛擬化技術(shù)概述 |
| 2.3 虛擬機(jī)遷移 |
| 2.3.1 主機(jī)負(fù)載判定 |
| 2.3.2 虛擬機(jī)選擇 |
| 2.3.3 虛擬機(jī)放置 |
| 2.4 本章小結(jié) |
| 第三章 云計(jì)算環(huán)境下基于指數(shù)平滑的負(fù)載預(yù)測(cè)研究 |
| 3.1 引言 |
| 3.2 問(wèn)題描述 |
| 3.3 基于指數(shù)平滑的動(dòng)態(tài)負(fù)載預(yù)測(cè)算法 |
| 3.3.1 指數(shù)平滑算法 |
| 3.3.2 平滑系數(shù)的選擇 |
| 3.3.3 算法描述 |
| 3.4 實(shí)驗(yàn)及結(jié)果分析 |
| 3.5 本章小結(jié) |
| 第四章 云計(jì)算環(huán)境下基于多目標(biāo)優(yōu)化的虛擬機(jī)放置研究 |
| 4.1 引言 |
| 4.2 虛擬機(jī)放置優(yōu)化模型 |
| 4.3 基于多目標(biāo)優(yōu)化的虛擬機(jī)放置算法 |
| 4.4 實(shí)驗(yàn)及結(jié)果分析 |
| 4.5 本章小結(jié) |
| 第五章 CloudSim中虛擬機(jī)遷移模塊的設(shè)計(jì)與實(shí)現(xiàn) |
| 5.1 CloudSim云仿真平臺(tái) |
| 5.1.1 CloudSim簡(jiǎn)介 |
| 5.1.2 CloudSim仿真流程 |
| 5.1.3 CloudSim工作模型 |
| 5.2 虛擬機(jī)遷移模塊的設(shè)計(jì)與實(shí)現(xiàn) |
| 5.2.1 環(huán)境部署 |
| 5.2.2 負(fù)載預(yù)測(cè)模塊設(shè)計(jì)與實(shí)現(xiàn) |
| 5.2.3 主機(jī)負(fù)載判定與虛擬機(jī)選擇 |
| 5.2.4 基于多目標(biāo)優(yōu)化的虛擬機(jī)放置模塊設(shè)計(jì)與實(shí)現(xiàn) |
| 5.3 測(cè)試與分析 |
| 5.4 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 論文總結(jié) |
| 6.2 研究展望 |
| 參考文獻(xiàn) |
| 附錄1 攻讀碩士學(xué)位期間撰寫(xiě)的論文 |
| 附錄2 攻讀碩士學(xué)位期間申請(qǐng)的專(zhuān)利 |
| 附錄3 攻讀碩士學(xué)位期間參加的科研項(xiàng)目 |
| 致謝 |
四、實(shí)時(shí)集群中一種基于任務(wù)分配表的動(dòng)態(tài)負(fù)載平衡算法（論文參考文獻(xiàn)）
- [1]基于飛機(jī)傷痕檢測(cè)服務(wù)的高并發(fā)性能研究與應(yīng)用[D]. 袁少怡. 北京郵電大學(xué), 2021(01)
- [2]基于LSTM的飛行數(shù)據(jù)處理系統(tǒng)負(fù)載優(yōu)化與應(yīng)用[D]. 邱志騰. 四川大學(xué), 2021
- [3]基于負(fù)載均衡和服務(wù)流控的高并發(fā)訪(fǎng)問(wèn)機(jī)制的研究[D]. 張金鵬. 南昌大學(xué), 2021
- [4]大規(guī)模數(shù)據(jù)實(shí)時(shí)繪制關(guān)鍵技術(shù)研究[D]. 羅德寧. 四川大學(xué), 2021(01)
- [5]基于光線(xiàn)追蹤的三維顯示內(nèi)容生成加速方法研究[D]. 劉雪. 北京郵電大學(xué), 2021(01)
- [6]高并發(fā)環(huán)境下網(wǎng)絡(luò)攻擊效果評(píng)估系統(tǒng)的研究與實(shí)現(xiàn)[D]. 韓家旭. 北京郵電大學(xué), 2021(01)
- [7]面向并行繪制負(fù)載平衡的隨機(jī)森林在線(xiàn)學(xué)習(xí)研究[D]. 鐘原. 四川大學(xué), 2021(01)
- [8]基于服務(wù)器集群的負(fù)載均衡系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 劉成. 南京郵電大學(xué), 2020(03)
- [9]分布式霧計(jì)算中任務(wù)卸載與負(fù)載均衡方案研究[D]. 孫永源. 南京郵電大學(xué), 2020(02)
- [10]云計(jì)算環(huán)境下基于多目標(biāo)優(yōu)化的虛擬機(jī)遷移研究[D]. 張從越. 南京郵電大學(xué), 2020(03)
標(biāo)簽：負(fù)載均衡論文; 集群技術(shù)論文; 隨機(jī)森林算法論文; 集群服務(wù)器論文; 隨機(jī)算法論文;