《大規模雲數據中心智慧型管理技術及套用》是2024年科學出版社出版的圖書。
基本介紹
- 中文名：大規模雲數據中心智慧型管理技術及套用
- 作者：夏元清
- 出版時間：2024年5月1日
- 出版社：科學出版社
- ISBN：9787030783127
內容簡介,圖書目錄,
內容簡介
《大規模雲數據中心智慧型管理技術及套用》深入探討了雲計算的關鍵基礎設施——雲數據中心的關鍵技術和智慧型管理方法。在國家重點研發計畫項目、國家自然科學基金重點項目以及企事業單位研究所科技合作項目等多個層次的項目支持下，項目組攻克了一系列關鍵技術挑戰。《大規模雲數據中心智慧型管理技術及套用》重點介紹了大規模雲數據中心運行數據管理技術、大規模雲數據中心運行能效評估與預測技術、大規模雲數據中心資源智慧型管理與調度技術、大規模雲工作流智慧型管理與調度技術。在上述關鍵技術攻關的基礎上，《大規模雲數據中心智慧型管理技術及套用》介紹了雲數據中心智慧型化管理與運維體系架構及相關子系統的設計與開發，並面向典型工業套用開展了套用示範。
圖書目錄
序
前言
第1章 雲數據中心智慧型管理概述1
1.1 雲數據中心智慧型管理背景與意義1
1.2 研究現狀與主要技術挑戰2
1.2.1 雲數據中心運行數據管理現狀與挑戰2
1.2.2 雲數據中心運行能效評估與預測現狀與挑戰6
1.2.3 雲數據中心資源管理與調度現狀與挑戰8
1.2.4 雲工作流管理與調度現狀與挑戰10
1.2.5 雲數據中心智慧型管理系統現狀與挑戰12
1.3 研究目標與總體技術架構13
1.3.1 大規模雲數據中心運行數據管理關鍵技術14
1.3.2 大規模雲數據中心運行能效評估與預測關鍵技術15
1.3.3 大規模雲數據中心資源智慧型管理與調度關鍵技術15
1.3.4 大規模雲工作流智慧型管理與調度關鍵技術16
1.3.5 雲數據中心智慧型管理系統研製及套用示範18
1.4 本章小結18
第2章 大規模雲數據中心運行數據管理關鍵技術20
2.1 多雲數據中心運行數據採集方法20
2.1.1 基於機率性採樣的自適應性採集技術20
2.1.2 面向不同設備粒度的多源數據採集技術27
2.2 質量感知的數據預處理技術29
2.2.1 缺失值處理29
2.2.2 離群點30
2.2.3 標準化30
2.3 運行數據冗餘發現與刪除技術30
2.3.1 基於壓縮點的冗餘數據處理技術31
2.3.2 面向雲數據中心集群調度的冗餘數據處理最佳化技術33
2.4 分散式、支持冗餘備份的安全存儲系統35
2.4.1 運行數據高效壓縮技術36
2.4.2 分散式運行數據安全存儲模型41
2.4.3 異構運行數據高效檢索方法41
2.5 本章小結45
第3章 大規模雲數據中心運行能效評估與預測關鍵技術46
3.1 基於深度學習的雲數據中心能耗預測方法46
3.1.1 深度學習基本原理46
3.1.2 基於深度學習的能效預測算法設計49
3.1.3 仿真環境中的測試結果分析52
3.2 基於特徵貢獻值的工作流可解釋性能耗預測方法53
3.2.1 可解釋性機器學習54
3.2.2 能耗可解釋性框架56
3.2.3 基於互動貢獻值的可解釋性方法57
3.2.4 實驗結果和分解能耗分析59
3.3 雲數據中心虛擬化環境能耗評估方法64
3.3.1 虛擬機能耗評估方法64
3.3.2 基於虛擬機能耗模型的容器能耗評估方法71
3.4 雲數據中心多指標融合的能效定性評估方法75
3.4.1 雲數據中心能效評估指標體系76
3.4.2 雲數據中心多指標融合的能效定性評估模型76
3.4.3 仿真環境下的實驗結果和分析78
3.5 面向雲計算的基於QoS參數的能效評估方法81
3.5.1 問題描述81
3.5.2 基於QoS的能效評估模型82
3.5.3 實驗分析與結果展示86
3.6 本章小結91
第4章 大規模雲數據中心資源智慧型管理與調度關鍵技術92
4.1 基於深度強化學習的雲數據中心集群資源智慧型調度方法92
4.1.1 深度強化學習基本原理92
4.1.2 基於深度強化學習的資源調度算法設計93
4.1.3 仿真環境中的測試結果分析98
4.2 成本能耗與服務質量平衡的數據計算密集型任務資源分配與調度方法101
4.2.1 數據計算密集型任務資源分配與調度方法101
4.2.2 系統架構與問題建模101
4.2.3 基於深度強化學習的任務調度方法102
4.2.4 基於深度強化學習的雲資源分配策略103
4.2.5 服務質量感知的計算任務調度策略106
4.2.6 實驗部署與性能評測107
4.3 多雲數據中心的用戶請求調度方法109
4.3.1 基於深度強化學習的多雲數據中心調度策略110
4.3.2 用戶體驗感知的多雲數據中心調度策略112
4.3.3 複雜約束下的成本最佳化策略115
4.4 基於模仿學習的深度強化學習訓練最佳化方法119
4.4.1 模仿學習基本原理119
4.4.2 模仿學習訓練最佳化技術120
4.4.3 基於模仿學習的雲端資源自適應調度120
4.5 數據驅動的任務群併合智慧型調度技術124
4.5.1 併合調度框架125
4.5.2 併合調度算法設計與配置125
4.5.3 併合調度算法測試138
4.6 本章小結145
第5章 大規模雲工作流智慧型管理與調度關鍵技術146
5.1 支持雲工作流管理與調度的關鍵預測技術146
5.1.1 基於密集型寬度學習的容器資源使用量預測方法146
5.1.2 基於密集型寬度學習的改進型容器雲資源的預測方法149
5.1.3 基於極限梯度提升的雲工作流任務執行時間預測方法152
5.1.4 基於多維度特徵融合的雲工作流任務執行時間預測方法158
5.2 大規模雲工作流動態最佳化調度技術164
5.2.1 基於用戶優先權感知和花費約束的雲工作流調度技術164
5.2.2 基於分散式策略多雲工作流動態調度方法168
5.2.3 面向隨機混合雲工作流實時調度方法177
5.3 滿足用戶個性化需求調度策略186
5.3.1 基於雲工作流結構和成本感知的預測調度算法187
5.3.2 基於改進非支配遺傳算法的多目標雲工作流調度方法198
5.3.3 基於強化學習策略的多目標雲工作流調度方法207
5.4 本章小結212
第6章 雲數據中心智慧型管理系統研製及套用214
6.1 雲數據中心智慧型化管理與運維體系架構設計214
6.2 雲數據中心智慧型管理系統及其套用215
6.2.1 大規模雲數據中心運行數據管理子系統研製216
6.2.2 大規模雲數據中心運行能效評估與預測子系統研製251
6.2.3 大規模雲數據中心資源管理與調度子系統研製254
6.2.4 大規模雲工作流智慧型管理與調度子系統研製286
6.3 系統集成——雲數據中心智慧型管理系統294
6.3.1 大規模雲數據中心資源管理與調度子系統集成294
6.3.2 大規模雲數據中心運行能效評估與預測子系統集成294
6.3.3 大規模雲工作流智慧型管理與調度子系統集成296
6.3.4 完整系統集成296
6.4 面向典型工業套用開展雲數據中心智慧型化管理系統套用示範300
6.4.1 套用示範——設備故障診斷300
6.4.2 套用示範——無人駕駛車輛軌跡跟蹤控制305
6.4.3 套用示範——智慧型廢鋼判級系統308
6.5 本章小結313
參考文獻315
