正版现货新书 大规模云数据中心智能管理技术及应用 9787030783127 夏元清，詹玉峰，孙立峰等编著
全新正版现货，以书名为准，放心购买，购书咨询18931383650朱老师
￥ 101.12 6.3折 ￥ 160 全新
库存27件
北京丰台
认证卖家担保交易快速发货售后保障
作者夏元清，詹玉峰，孙立峰等编著
出版社科学出版社
ISBN9787030783127
出版时间2024-05
装帧精装
开本其他
定价160元
货号16707938
上书时间2024-09-14
- 在售商品 暂无
- 平均发货时间 9小时
- 好评率 暂无
- 最新上架
商品详情
- 品相描述：全新
- 商品描述
-
目录
目录
序
前言
第1章 云数据中心智能管理概述1
1.1 云数据中心智能管理背景与意义1
1.2 研究现状与主要技术挑战2
1.2.1 云数据中心运行数据管理现状与挑战2
1.2.2 云数据中心运行能效评估与预测现状与挑战6
1.2.3 云数据中心资源管理与调度现状与挑战8
1.2.4 云工作流管理与调度现状与挑战10
1.2.5 云数据中心智能管理系统现状与挑战12
1.3 研究目标与总体技术架构13
1.3.1 大规模云数据中心运行数据管理关键技术14
1.3.2 大规模云数据中心运行能效评估与预测关键技术15
1.3.3 大规模云数据中心资源智能管理与调度关键技术15
1.3.4 大规模云工作流智能管理与调度关键技术16
1.3.5 云数据中心智能管理系统研制及应用示范18
1.4 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20
2.1 多云数据中心运行数据采集方法20
2.1.1 基于概率性采样的自适应性采集技术20
2.1.2 面向不同设备粒度的多源数据采集技术27
2.2 质量感知的数据预处理技术29
2.2.1 缺失值处理29
2.2.2 离群点30
2.2.3 标准化30
2.3 运行数据冗余发现与删除技术30
2.3.1 基于压缩点的冗余数据处理技术31
2.3.2 面向云数据中心集群调度的冗余数据处理优化技术33
2.4 分布式、支持冗余备份的安全存储系统35
2.4.1 运行数据高效压缩技术36
2.4.2 分布式运行数据安全存储模型41
2.4.3 异构运行数据高效检索方法41
2.5 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46
3.1 基于深度学习的云数据中心能耗预测方法46
3.1.1 深度学习基本原理46
3.1.2 基于深度学习的能效预测算法设计49
3.1.3 仿真环境中的测试结果分析52
3.2 基于特征贡献值的工作流可解释性能耗预测方法53
3.2.1 可解释性机器学习54
3.2.2 能耗可解释性框架56
3.2.3 基于交互贡献值的可解释性方法57
3.2.4 实验结果和分解能耗分析59
3.3 云数据中心虚拟化环境能耗评估方法64
3.3.1 虚拟机能耗评估方法64
3.3.2 基于虚拟机能耗模型的容器能耗评估方法71
3.4 云数据中心多指标融合的能效定性评估方法75
3.4.1 云数据中心能效评估指标体系76
3.4.2 云数据中心多指标融合的能效定性评估模型76
3.4.3 仿真环境下的实验结果和分析78
3.5 面向云计算的基于QoS参数的能效评估方法81
3.5.1 问题描述81
3.5.2 基于QoS的能效评估模型82
3.5.3 实验分析与结果展示86
3.6 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92
4.1 基于深度强化学习的云数据中心集群资源智能调度方法92
4.1.1 深度强化学习基本原理92
4.1.2 基于深度强化学习的资源调度算法设计93
4.1.3 仿真环境中的测试结果分析98
4.2 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101
4.2.1 数据计算密集型任务资源分配与调度方法101
4.2.2 系统架构与问题建模101
4.2.3 基于深度强化学习的任务调度方法102
4.2.4 基于深度强化学习的云资源分配策略103
4.2.5 服务质量感知的计算任务调度策略106
4.2.6 实验部署与性能评测107
4.3 多云数据中心的用户请求调度方法109
4.3.1 基于深度强化学习的多云数据中心调度策略110
4.3.2 用户体验感知的多云数据中心调度策略112
4.3.3 复杂约束下的成本优化策略115
4.4 基于模仿学习的深度强化学习训练优化方法119
4.4.1 模仿学习基本原理119
4.4.2 模仿学习训练优化技术120
4.4.3 基于模仿学习的云端资源自适应调度120
4.5 数据驱动的任务群并合智能调度技术124
4.5.1 并合调度框架125
4.5.2 并合调度算法设计与配置125
4.5.3 并合调度算法测试138
4.6 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146
5.1 支持云工作流管理与调度的关键预测技术146
5.1.1 基于密集型宽度学习的容器资源使用量预测方法146
5.1.2 基于密集型宽度学习的改进型容器云资源的预测方法149
5.1.3 基于极限梯度提升的云工作流任务执行时间预测方法152
5.1.4 基于多维度特征融合的云工作流任务执行时间预测方法158
5.2 大规模云工作流动态优化调度技术164
5.2.1 基于用户优先级感知和花费约束的云工作流调度技术164
5.2.2 基于分布式策略多云工作流动态调度方法168
5.2.3 面向随机混合云工作流实时调度方法177
5.3 满足用户个性化需求调度策略186
5.3.1 基于云工作流结构和成本感知的预测调度算法187
5.3.2 基于改进非支配遗传算法的多目标云工作流调度方法198
5.3.3 基于强化学习策略的多目标云工作流调度方法207
5.4 本章小结212
第6章 云数据中心智能管理系统研制及应用214
6.1 云数据中心智能化管理与运维体系架构设计214
6.2 云数据中心智能管理系统及其应用215
6.2.1 大规模云数据中心运行数据管理子系统研制216
6.2.2 大规模云数据中心运行能效评估与预测子系统研制251
6.2.3 大规模云数据中心资源管理与调度子系统研制254
6.2.4 大规模云工作流智能管理与调度子系统研制286
6.3 系统集成——云数据中心智能管理系统294
6.3.1 大规模云数据中心资源管理与调度子系统集成294
6.3.2 大规模云数据中心运行能效评估与预测子系统集成294
6.3.3 大规模云工作流智能管理与调度子系统集成296
6.3.4 完整系统集成296
6.4 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300
6.4.1 应用示范——设备故障诊断300
6.4.2 应用示范——无人驾驶车辆轨迹跟踪控制305
6.4.3 应用示范——智能废钢判级系统308
6.5 本章小结313
参考文献315
精彩内容
本书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。本书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，本书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。
— 没有更多了 —
以下为对购买帮助不大的评价