面向云：边协同计算的资源管理技术

第1章概述
1．1研究背景与意义
1．2国内外研究现状
1．2．1云计算
1．2．2云边协同计算
1．2．3资源自适应管理
1．3主要内容和结构安排
第2章面向云边协同计算的资源管理使能机制
2．1基于运行时软件体系结构模型的混合云平台管理方法
2．1．1引言
2．1．2相关工作
2．1．3方法概览
2．1．4云计算平台运行时模型的构造方法
2．1．5云平台软件体系结构的统一模型
2．1．6统一模型到单一云平台运行时模型的映射方法
2．1．7实验与评估
2．1．8总结
2．2基于成本估算的Android应用计算卸载方法
2．2．1引言
2．2．2相关工作
2．2．3方法概览
2．2．4计算迁移在线决策方法建模
2．2．5决策模型
2．2．6实验与评估
2．2．7总结
2．3基于情境感知的移动云计算环境下的计算卸载方法
2．3．1引言
2．3．2相关工作
2．3．3方法概览
2．3．4计算迁移设计模式
2．3．5评估模型
2．3．6实验与评估
2．3．7总结
2．4移动边缘环境下面向Android应用的计算卸载方法
2．4．1引言
2．4．2相关工作
2．4．3方法概览
2．4．4计算迁移的设计模式
2．4．5计算迁移的评估模型
2．4．6计算迁移自适应中间件的实现
2．4．7实验与评估
2．4．8总结
2．5移动边缘环境下面向DNN应用的计算卸载方法
2．5．1引言
2．5．2相关工作
2．5．3方法概览
2．5．4卸载机制的设计模式
2．5．5卸载方案的评估模型
2．5．6实验与评估
2．5．7总结
第3章面向云计算的资源自适应管理方法
3．1基于机器学习的云软件服务资源分配方法
3．1．1引言
3．1．2相关工作
3．1．3问题模型
3．1．4基于机器学习的资源分配方法
3．1．5基于机器学习和自校正的资源分配方法
3．1．6实验与评估
3．1．7总结
3．2基于迭代QoS模型的云软件服务资源自适应管理框架
3．2．1引言
3．2．2相关工作
3．2．3云软件服务资源管理问题形式化
3．2．4基于迭代QoS模型的资源自适应管理方法
3．2．5实验与评估
3．2．6总结
3．3基于预测反馈控制和强化学习的云软件服务资源分配方法
3．3．1引言
3．3．2相关工作
3．3．3云软件服务资源管理问题形式化
3．3．4基于简单DQN的资源分配预测方法
3．3．5基于强化学习的预测反馈控制方法
3．3．6实验与评估
3．3．7总结
3．4面向负载时间窗口的云软件服务资源分配方法
3．4．1引言
3．4．2相关工作
3．4．3问题模型
3．4．4算法
3．4．5实验与评估
3．4．6总结
3．5混合云环境下代价驱动的工作流应用任务调度方法
3．5．1引言
3．5．2相关工作
3．5．3问题模型
3．5．4pre_CSPCPM调度算法
3．5．5实验与评估
3．5．6总结
3．6混合云环境下代价驱动的大数据应用任务调度方法
3．6．1引言
3．6．2相关工作
3．6．3相关算法
3．6．4ADPSOGA调度算法
3．6．5实验与评估
3．6．6总结
3．7混合云环境下资源利用率和代价双目标驱动的工作流应用任务调度方法
3．7．1引言
3．7．2相关工作
3．7．3问题模型
3．7．4OWSA2CI调度算法
3．7．5实验与评估
3．7．6总结
3．8混合云环境下代价驱动的多工作流应用在线任务调度方法
3．8．1引言
3．8．2相关工作
3．8．3问题模型
3．8．4OMLFHP调度算法
3．8．5实验与评估
3．8．6总结
第4章面向云边协同计算的资源自适应管理方法
4．1云边协同环境下时间驱动的工作流应用数据布局方法
4．1．1引言
4．1．2相关工作
4．1．3问题模型
4．1．4算法
4．1．5实验与评估
4．1．6总结
4．2云边协同环境下代价驱动的工作流应用任务调度方法
4．2．1引言
4．2．2相关工作
4．2．3问题模型
4．2．4相关算法
4．2．5实验与评估
4．2．6总结
4．3云边端协同环境下代价驱动的DNN应用计算卸载任务调度方法
4．3．1引言
4．3．2相关概念与关键技术
4．3．3DNN应用计算迁移问题定义
4．3．4面向成本优化的DNN应用计算迁移决策技术
4．3．5面向能耗优化的DNN应用计算迁移决策技术
4．3．6实验与评估
4．3．7总结
4．4移动边缘环境下基于预测反馈控制和强化学习的多边缘协同负载均衡
方法
4．4．1引言
4．4．2相关工作
4．4．3问题模型
4．4．4相关算法
4．4．5实验与评估
4．4．6总结
参考文献