一、服务质量(QoS)走入Web(论文文献综述)
雷超[1](2021)在《面向复杂环境的服务推荐算法研究》文中指出服务推荐一直是服务计算领域长期以来备受关注的问题。伴随着近些年来诸多新兴技术在新领域的快速发展,服务计算也在各种新场景下也得到了应用。而用户在进入新场景下,由于出于隐私等方面的考虑势必使得推荐系统会面对稀疏的用户数据。但是这种在冷启动环境下进行的推荐系统任需要为用户提供准确、及时和稳定的服务质量。尤其在一些延时敏感的分布式系统中,任何请求调用的失败都有可能引起不可挽回的损失。这一点使得服务推荐系统需要在考虑冷启动环境下,如何依据服务组合特性和不同节点的具体情况,为用户和边缘节点提供准确而稳定的服务。针对上述问题,本文的主要工作尝试在移动边缘计算环境下,使用迁移学习和基于图的启发信息,提供一种能准确而稳定的服务推荐方法,使得异构边缘服务器和冷启动环境下的目标用户的都能获取到满意的服务。在相关实验中,真实世界的数据集中的结果显示,本工作相比于传统算法能更加稳定和快速地完成训练任务并收敛,同时也为用户在极端环境下提供了更优的服务质量。总的来说,本文主要贡献在于:(1)提出了一种基于迁移学习和语义模型的矩阵初始化方法,面向冷启动环境提出能保留信息的权重衰退方案。(2)提出了一种基于图信息的启发式算法,在具有缓存机制的移动边缘计算和微服务环境下,通过将图信息转换为不同的约束条件,并引入维系全局的表指引搜索方向。
牛梦[2](2021)在《边缘网络中面向可靠性和响应时间的服务功能链调度机制研究》文中指出借助虚拟化和云技术,云应用能更加高效地共享资源。虚拟化,软件化,“上云”是软件发展的趋势。诸如软件定义网络(Software-Defined Network,SDN),网络功能虚拟化(Network Function Virtualization,NFV)等新技术赋予了传统的电信网络前所未有的灵活性。将多个虚拟网络功能(Virtual Network Function,VNF)串联成服务功能链(Service Function Chain,SFC)可以扩展网络功能,满足应用日益增长的个性化网络需求。同时,边缘计算将云扩展到了用户身边。贴近用户的边缘云可以减少时延敏感的网络服务的响应时间,提高服务质量(Quality of Service,QoS)。但是,边缘网络也对服务功能链调度提出了新的挑战。边缘网络破碎化的特点会使VNF实例被分散,造成通讯时延,并最终影响服务功能链的响应速度。需要合理的调度机制来扬长避短为用户提供高质量的服务。同时,可靠性也是重要的QoS指标。如何在不稳定的边缘云网络中保障服务功能链持续稳定地提供服务也是一类热门的分支问题。关于服务功能链的可靠性保障以及响应时间优化的问题已经得到广泛的关注并取得了许多有价值的研究成果。但是在针对边缘网络中响应时间和可靠性的目标建模,优化机制以及求解方法上依然有提升的空间。本文针对边缘网络中的服务功能链调度问题,做出了以下贡献:1.针对边缘云中的响应时间优化问题,本文提出了时延敏感的地理位置感知的服务功能链调度算法。由于资源偏好和请求位置的限制,组成服务功能链的VNF会被分散在多个地理分隔的边缘云域中。边缘云可以减少与用户的通信时延,但分隔的边缘云之间的通讯时延很大。跨地理的边缘云间通讯时延已经成为服务功能链响应时间的主要瓶颈。本文提出的地理感知的时延敏感的服务功能链放置算法采用了关键路径复制策略来消除服务功能链拓扑造成的跨边缘云通讯时延。并且,本文还提出了基于地理位置的时延代价模型评估服务功能链放置方案的响应时间代价。基于多代理系统和改进的合同网络协议,本文通过代理间相互博弈和协商实现响应时间最优化的服务功能链部署方案。通过实验对比验证,相较于传统的服务功能链放置方案,本文提出的方法对不同拓扑的服务功能链的响应时间可以优化3%到20%。2.针对服务功能链的可靠性保障问题,本文提出了基于图的服务功能链可靠性模型和放置优化算法。该算法首先提出了一个综合考量了软件和硬件可靠性以及通讯链路长度的可靠性评估模型。其中基于马尔可夫通讯距离模型可快速估算在复杂网络拓扑中节点间的通讯距离。服务功能链放置算法的解空间是不平坦的非欧几里德空间。因此,本文提出了改进的启发式搜索算法并基于图论提出了基于拓扑距离的速度更新机制。基于实验对比验证,本文提出的改进机制将算法收敛速度提升了75%,服务功能链性能提升了 10%。3.针对边缘网络中可靠性和响应时间的联合优化问题,本文提出了边缘网络中基于副本的服务功能链可靠性和响应时间联合优化机制。可靠性和响应速度都是重要的QoS指标,然而在边缘网络中二者对于服务功能链位置的偏好是相反的。可靠性保障算法倾向于将服务功能链部署在可靠性更高的靠近核心网的节点上。然而,越靠近用户响应速度越快,偏向响应速度优化的机制更倾向靠近用户的边缘节点。本文将边缘网络中的服务功能链放置问题建模为资源约束下的联合目标优化问题。并提出了基于关键VNF复制的响应时间和可靠性联合优化策略。此外,本文基于边缘网络特点改进了多代理系统,将每个小边缘云作为整体进行资源调度,并引入中间人代理对服务功能链进行预处理并简化拓扑结构。代理间基于响应时延和可靠性优化的评估模型评估优化策略对于服务功能链可靠性和响应速度的优化程度。在实验对比中,本文提出的联合优化机制在保障99.999875%的可靠性的同时还提高了 10%的响应速度。
冯丹青[3](2019)在《基于多目标优化的云计算资源调度算法研究》文中提出云计算是一种面向服务的计算模型,能够根据用户需求提供各种类型的服务。在资源调度过程中,虚拟化技术作为云计算的关键技术之一,能够在满足用户需求的前提下,有效实现资源的管理和分配。然而,由于用户需求的增加,导致了数据中心资源管理和分配的复杂性,使得提高资源利用率和降低能耗开销成为资源分配过程中需要解决的主要问题。因此,如何设计一种有效的资源自适应调度策略,除了提高资源利用率以外,还可以降低能耗开销;这已成为资源调度过程中面临的主要挑战之一。本文以提高资源利用率和降低能耗开销作为出发点,重点针对多目标优化和资源调度策略展开深入的研究。具体研究内容可以概括为以下几个方面。第一,提出了一种基于整体性能的自适应调度策略。通过分析多个关键性能指标,从生存性角度出发,利用熵差值方法确定性能临界值。在此基础上,根据用户的不同需求,设计了基于物理主机或虚拟机的自适应资源调度策略;当资源过度分配时,结合WMA(Weighted Moving Average)预测方法,设计了基于虚拟机的自适应减少策略来降低能耗开销。实验结果表明,在资源分配过程中,本文提出的自适应调度策略,能够根据用户需求快速增加或减少资源的使用数量。第二,提出了考虑三阶段的多目标资源优化策略。由于用户需求的随机可变性,导致了传统的预留计划无法灵活地满足用户需求,本文提出了将资源预留,预测以及整合三个阶段相结合的资源优化策略。在预留计划里,设计了随机整数线性规划模型来确定预留计划。在此基础上,提出了基于双指数平滑的组合预测方法确定下一阶段的负载需求。在整合过程中,通过提高资源利用率的方法来降低能耗开销。实验结果指出,在降低租用成本的前提下,本文提出的三阶段资源优化策略能够实现资源的快速管理和分配。第三,提出了基于改进粒子群算法的负载均衡策略。在资源调度过程中,除了传统单一目标(如能耗)的优化方法以外,还需要考虑其它的优化目标。而且,还需要解决确定热点主机以及虚拟机定位等主要问题。因此,本文设计了基于粒子群算法的负载均衡策略,主要目标是提高资源利用率和降低能耗开销。在均衡过程中,提出将CPU和内存等关键因素与熵值方法相结合来确定热点主机。在此基础上,设计了基于理想解的粒子群算法,提出通过虚拟机定位方法来提高资源利用率和降低能耗开销。实验结果表明,本文提出的基于双目标粒子群算法的负载均衡策略能够实现有效的负载均衡。第四,提出了基于两阶段的多目标资源整合策略。针对资源调度过程中存在的迁移时机,待迁移虚拟机以及虚拟机定位等问题,本文提出了基于多目标蚁群算法的资源整合策略,主要目标是提高资源利用率,降低能耗开销和资源损耗程度。在整合过程中,提出了将多个性能指标与灰色关联分析相结合的方法来确定当前物理主机状态。在此基础上考虑了CPU和内存利用率,提出利用欧式距离方法来确定待迁移虚拟机。而且,设计了基于帕累托的多目标蚁群算法,研究了虚拟机放置问题。实验结果表明,本文提出的多目标资源整合策略具有更好的整合效果;与其它启发算法对比,该算法能够有效地降低SLA违约以及能耗开销。
杨莹[4](2019)在《基于动态调度策略的存储系统服务质量保障研究》文中研究说明高性能计算(High Performance Computing,HPC)开始进入Exascale时代,大量的数据密集型应用在HPC系统中大规模运行,导致对存储系统的需求不断增加。同时HPC正朝着云计算方向发展,多租户多负载场景在云HPC系统中越来越常见,这意味着系统中的存储资源在越来越多的用户之间进行共享,有限的存储资源需要服务更多的应用。当多个应用同时访问存储系统时,它们将竞争I/O资源,产生I/O干扰,这将导致I/O聚合带宽下降,应用运行时间延长,造成严重的性能损失。与此同时,混合存储架构也在HPC环境中被广泛应用,如何利用存储设备特性在物理资源有限的情况下保障应用的服务质量成为关键问题。为了解决这些问题,设计并实现一种基于动态调度策略的服务质量保障方法(Deadline-Quality of Service,DDL-QoS)。DDL-QoS不盲目追求性能最大化,旨在通过以满足应用需求的方式来保障服务质量,这一设计思想类似于云计算中的按需分配,并使用运行结束时间(Deadline)来定义应用的需求。Deadline指的是应用在单独运行没有I/O干扰时的运行时间。所以,DDL-QoS调度策略,首先通过对于历史数据的分析发现一种多应用在竞争环境下的带宽分布现象,并根据这一现象提出一种计算公式,可以用于预测应用在不同存储设备上可能分配获得的带宽,动态感知存储设备负载能力;其次引用一个参数,随机程度,来表示应用访问模式的随机性,可以用于指导后期的I/O调度;最后DDL-QoS利用上述两个参数,综合考虑应用特性和存储设备负载能力,选择合适的存储设备调度I/O,从而减轻竞争环境下的I/O干扰,保障应用在Deadline前完成运行,提高系统整体性能。通过大量实验验证了DDL-QoS的性能,在相同的实验环境下,部署了DDL-Qos的文件系统相比于未部署的文件系统有接近3倍的性能提升,同时产生的开销可以忽略不计。
张俊娜[5](2018)在《可靠性增强的组合服务供应机制研究》文中研究表明组合服务通常由多个属于不同提供商的组件服务组合而成,运行在开放、动态和变化的网络中,这使得组合服务的执行环境往往具有很大的不确定性,经常导致组合服务供应的可靠性难以保障。因此,高可靠的组合服务供应技术是服务计算领域的一个重要研究内容。为此,本文针对互联网环境中的事务型组合服务供应技术,互联网环境中的非事务型组合服务供应技术,以及边缘网络环境中的组合服务供应技术进行深入研究,提出了相应的高可靠组合服务供应方法,取得的研究成果如下:1.提出了一种服务水平协议(S ervice Level Agreement,简称SLA)感知的事务型组合服务容错方法,用于互联网环境中高可靠的事务型组合服务供应。该方法首先基于有限状态机监控组合服务执行状态,并在出现执行故障时,可以回溯到能够进行补偿的位置;然后采用监控自动机监控组合服务执行时的SLA属性;最后在组合服务出现故障或违反SLA约束时,使用改进差分进化算法快速制定最优恢复规划,从而确保供应高可靠的事务型组合服务。基于真实数据集的实验结果表明,所提方法在保障服务修复时间的同时,获得的组合服务质量也优于其他方法。2.提出了一种基于服务复制的组合服务容错方法,用于互联网环境中高可靠的非事务型组合服务供应。该方法首先使用线性变换对组件服务的多个采用不同量纲的服务质量(Quality of Service,简称QoS)进行规范化处理;然后基于最优最劣方法计算用户对于不同QoS属性的偏好权重;最后使用多属性决策方法对所有备选组件服务进行综合评价,选择符合用户偏好和评价分值高的组件服务替代出故障的组件服务,从而确保供应高可靠的非事务型组合服务。基于真实数据集的实验结果表明,所提方法获得的组合服务质量更高,且服务修复时间较短。3.提出了一种位置感知的可靠服务组合方法,用于边缘网络环境中高可靠的组合服务供应。该方法首先把复杂动态优化问题分解为若干个静态优化问题,每个静态优化问题对应某一位置限定时间内的求解,即得到优化中间解,并使用多种群分布估计算法求解静态优化问题,使获得的中间解更接近最优解;然后通过复用优化中间解的策略,快速得到最优解;最后为了增加适应度值高的优化中间解被复用的概率,采用轮盘赌机制选择复用对象。基于真实数据集的实验结果表明,所提方法能取得更可靠的组合服务,且稳定性更高,执行时间更短。
程源[6](2019)在《基于QoS的Web服务的选择与组合问题研究》文中研究说明随着计算机以及通信技术的不断提升,云计算也得到了飞速发展。它的发展不仅为人们的工作和生活提供了方便,同时还节约了公共资源,提高了资源利用率。云计算除了可以为用户提供无限的存储服务,还可以通过组合服务将单一功能的服务进行组合,从而为用户解决复杂的问题。因此,云计算中基于QoS(Quality of Service)的Web服务的选择与组合问题一直是人们研究的热点。目前,云环境下Web服务的选择与组合存在的主要问题为:单个结点的候选服务数量大,选择算法在运行时容易陷入局部最优且运行时间长;Web服务非功能属性多,没有统一的规范和标准,无法根据用户的偏好选择出用户满意的服务组合。针对上面提到的问题,本文研究了基础的服务组合模型以及服务选择算法,并在此基础上提出了一种基于用户偏好的QoS组合模型对用户的偏好进行度量。改进后的模型将用户对属性的偏好通过判断矩阵转换为具体权值,并结合实际工作流中对应的属性值得到具体的适应度公式。由于粒子群算法具有收敛速度快、参数少等特点,本文选择了粒子群算法作为服务选择算法,并针对粒子群算法存在早熟收敛、易陷入局部最优和求解精度低的问题进行了改进。首先加入了动态惯性权重来改进粒子群算法求解精度低的问题,然后加入了高斯扰动以及莱维飞行来改进粒子群算法存在早熟收敛和陷入局部最优的问题。针对改进后的算法,本文首先采用了控制变量法,对改进后的算法进行了参数优化。然后将改进后的算法在Matlab中进行了仿真实验,并将实验结果同另外四种算法进行了对比。从实验结果来看,在相同运行时间下,改进后的算法选择的服务适应度值要优于另外四种算法;在相同迭代次数下,改进后的算法虽然在运行时间上较长,但选择的服务适应度值也更优的于另外四种算法。此外,随着候选服务数的提升,本文提出的改进算法效果也更加明显。综合来说,改进后的算法是具有实用性和有效性的。
徐京薇[7](2018)在《命名数据网络业务QoS保障机制研究与设计》文中提出随着互联网的迅速发展,互联网用户关注的重点逐渐向如何快速获取信息转移,而不关注信息的存储位置。然而现在的TCP/IP网络协议架构却无法适应当今内容应用需求的迅速发展。为了适应这一互联网的转变,以信息为中心的新型网络架构(Named-Data Networking,NDN)受到了广泛关注。不同于传统IP网络,作为未来网络中最为重要的架构之一的NDN网络,将当下的互联网的焦点从关注数据的位置移动到了关注数据内容应用程序,并将数据转发模型从主机到主机转换到任意点对点模式,从而可以更高效的进行内容检索和转发。而一个网络的传输可靠性对于数据传输具有非常重要的意义。为不同的网络配置不同的服务质量(Quality of Service,QoS),管理解决方案可以保证或改进网络的性能,但实施在NDN网络的QoS的管理解决最终方案还没有定义。因此,为NDN网络定义QoS参数非常重要。本文为NDN网络QoS保障机制进行了研究,设计了一个QoS保障NDN网络架构,增加修改NDN网络组件,通过时延预测更为精准地为不同类型的兴趣包提供不同的转发路径选择,从而提高网络传输性能、保障服务质量。本文具体工作如下:首先,为NDN兴趣包命名增加优先等级属性和为NDN网络中增加流行内容表。通过流行内容表的统计修改兴趣包的优先等级,而优先等级将影响兴趣包进入路由器节点的顺序,从而通过内容流行度来提高网络性能。其次,为NDN兴趣包命名增加三种数据类型:时延敏感型、带宽敏感型和普通类型。设计了新的路由转发算法,通过为不同类型的兴趣包提供不一样的转发路径,以提高网络路由的总体利用率,降低了路由器的负载压力,以提高网络QoS。最后,在NDN组件上增加了时延等级和带宽等级,设计了新的时延模型、新的神经网络预测网络结构,通过神经网络准确地预测出时延趋势、实时带宽以及结合数据类型来进行转发路径的选择。仿真结果表明本文所设计的网络架构,路由转发策略机制能够有效提升网络服务质量。
徐堃[8](2017)在《基于稀疏QoS与协同过滤的个性化Web服务推荐方法研究》文中认为Web的快速发展带来了信息爆炸的现状,现在对个性化Web服务推荐信息系统的研究成为服务计算领域的一个热门研究方向。Web服务推荐系统的研究主要解决两个问题:稀疏QoS数据的预测及补全,用户个性化推荐。问题一是因为提供相同或相似功能的Web服务数量很多,对于个体用户而言,很有可能被推荐的服务是该用户从未接触过的,这样就存在QoS数据的稀疏问题,这就需要对缺失的数据进行补全。问题二是因为推荐给用户的服务是不是准确不能仅仅通过QoS值的预测来判断,还要考虑用户的个性化需求,在考虑用户的个性化需求的条件下对稀疏QoS值进行预测和补全,才能推荐合适的服务给目标用户。基于协同过滤的推荐系统能根据相似用户或相似服务的评分来预测当前用户的评分,在该研究方向已经有不少研究成果,但是QoS数据预测的准确性和个性化推荐的合理行方面仍然存在很多不足。在基于协同过滤的Web服务推荐算法研究方向,本文提出以下三种改进的算法模型:首先,本文提出了一种基于用户偏好的改进协同过滤Web服务推荐算法(UPCF),该算法的基本思路是,首先从QoS数据中提取用户偏好,并将其作为相似用户的选择标准,然后使用top-k算法确定目标用户及服务的相似邻居,最后使用调整的加权和方法来预测目标用户的QoS值。其次,本文在基于用户偏好的改进协同过滤Web服务推荐算法(UPCF)基础上,提出了基于联合用户偏好的改进协同过滤Web服务推荐算法(CUPCF)。该算法从QoS数据中提取用户偏好数据并使用于相似邻居的选择,在使用top-k算法确定目标用户及服务的相似邻居集合之后,使用QoS数据计算邻居的相似度,最后使用调整的加权和方法来预测目标用户的QoS值。最后,本文在CUPCF算法的基础上,提出了基于用户位置与偏好的改进协同过滤Web服务推荐算法(LSCUPCF),该算法将QoS数据按照用户的位置分布划分为几个子类,子类中的用户由于位置的相似具有更好的相似性,LSCUPCF在提高用户个性化考虑的基础上,降低了算法的计算复杂度,提高了算法的效率及准确率。我们的实验使用香港中文大学发布的WSDREAM数据集,该数据集收集了全球30个国家的339个用户和70多个国家的5825个Web服务,包含197万条真实Web服务QoS访问记录,WSDREAM数据集上的实验结果表明本文所提出的一系列推荐算法具有更好的预测准确率。
顾建伟[9](2016)在《代理集群服务质量和负载均衡系统的设计与实现》文中认为代理作为一种常用的网络服务,相比传统的网络直连方式,能够提高网络访问速度,控制对网络资源的请求,保护使用者的隐私。用户使用代理服务获取网络信息,访问的业务类型对服务质量的要求存在差异,如何保证代理业务的传输需求是当前需要解决的问题。同时针对代理集群多线路转发网络结构,均衡节点间的任务分配,降低传输时延并最大化利用代理资源,对于优化代理网络服务质量具有重要意义。针对代理业务QOS需求不同和应用程序没有代理接口的问题,本文提出使用自定义协议链转发应用数据,并根据业务类型进行代理服务器的评价和选择。协议链由基础服务和分层服务提供者组成,根据进程名将应用数据分类转发给指定代理服务器。基于已分类的业务流设计了一个优化代理服务器评价算法,算法根据各项QOS指标对代理业务的重要性设置权重,使用属性最优法和理想解方法对备选服务器进行评价,选出一个最符合业务需求的服务器接收代理连接。为了均衡集群代理节点的负载,本文分别对静态轮询算法和动态加权最小连接算法进行实验测试和分析。根据两种算法存在的不足,本文给出一种基于离差最大化理论的负载均衡算法。算法以代理节点的本机负载和链路状况为依据,根据属性间的离差大小动态生成节点的评价值,以节点的流量大小与评价值之比作为节点权值。结合加权轮询法,按照权值大小轮询分配代理请求。实验结果表明该算法能够有效降低异构代理的平均响应时间,提高代理集群节点的利用率。本文在对优化代理服务评价算法和改进的负载均衡算法进行测试和分析的基础上,设计实现了一个代理系统对所提出的模型和方法进行应用和验证。实验结果表明,代理系统能够根据节点性能和状态均衡代理服务器负载,有效的提高网络访问速度,降低用户使用代理服务的等待时间,并且具有较低的服务器资源占用率。
陈宏兴[10](2016)在《基于SOA的服务机器人云平台接口层设计与实现》文中提出随着服务机器人技术的不断发展,服务机器人已逐渐走入人们的日常生活。为彻底解决机器人“价美”与“物廉”的矛盾,“云机器人”应运而生。云机器人将复杂的计算任务卸载至云计算平台完成,在大幅度降低机器人成本的同时提高了本体的性能。云计算平台能够显着提升机器人的性能,但云计算平台的功能繁杂且更新缓慢,开发和使用仍存在诸多问题,难以应用于服务机器人的整体架构中。为满足服务机器人云计算平台的多样化需求,本文提出了一种基于SOA架构的服务机器人云平台接口层,对其进行了详细设计和软件实现,并完成了实验验证。针对服务机器人云计算平台的实际情况和安全风险,设计了一种身份校验和权限控制机制,使用登录和授权对云平台用户进行安全认证,并采用RSA和AES混合加密的方式对云计算平台提供安全保证。针对云计算平台功能难以更新和管理的问题,设计了用于服务注册、发布和管理的服务注册中心,使用Mongodb存储和管理服务目录,维护服务描述和服务提供者信息,并响应申请者的查询和绑定操作。针对云计算平台的服务重定向和最优选择问题,设计了服务代理和服务控制中心。服务代理使用动态调用方式进行服务的绑定和调用;服务控制中心对各服务提供者进行服务质量评估,并对服务进行最优化选择。针对云计算平台在服务调用过程中的不透明问题,设计了服务状态监测中心和服务日志模块。服务状态监测中心使用Quartz作业调度框架完成服务质量参数的定时更新,服务日志模块基于Log4j2开源框架实现日志功能,对服务的使用情况进行记录并存储。云计算平台接口层的功能测试表明云平台接口层实现了服务的发布和管理功能,确保了服务在使用过程中的透明化。云计算平台接口层的性能测试表明服务最优选择机制允许平台对服务进行重定向,能够提升云平台的服务质量。
二、服务质量(QoS)走入Web(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、服务质量(QoS)走入Web(论文提纲范文)
(1)面向复杂环境的服务推荐算法研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 国内外研究现状 |
1.3 本文研究内容 |
1.4 论文组织结构 |
第二章 相关研究综述 |
2.1 服务计算与机器学习算法 |
2.1.1 迁移学习 |
2.1.2 服务组合 |
2.1.3 服务推荐 |
2.2 热点计算架构 |
2.2.1 微服务架构 |
2.2.2 移动边缘计算 |
2.2.3 紧急调度 |
第三章 迁移学习在冷启动环境下的服务推荐 |
3.1 关键问题 |
3.2 研究框架 |
3.2.1 相关定义 |
3.2.2 模型描述 |
3.3 算法 |
3.3.1 服务语义建模 |
3.3.2 迁移学习 |
3.3.3 矩阵分解 |
3.4 实验和分析 |
3.4.1 模型主题分析 |
3.4.2 迁移学习分析 |
3.4.3 矩阵分解分析 |
3.5 研究结论 |
第四章 面向边缘计算的服务推荐算法 |
4.1 关键问题 |
4.2 研究框架 |
4.2.1 相关定义 |
4.2.2 模型描述 |
4.3 算法 |
4.3.1 边缘计算与故障预测 |
4.3.2 服务绑定 |
4.3.3 紧急调度 |
4.4 实验和分析 |
4.4.1 故障预测 |
4.4.2 容错性能 |
4.5 研究结论 |
第五章 总结与展望 |
5.1 本文主要工作总结 |
5.2 下一步工作展望 |
致谢 |
参考文献 |
攻读硕士期间所取得的学术成果 |
学位论文评阅及答辩情况表 |
(2)边缘网络中面向可靠性和响应时间的服务功能链调度机制研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 研究内容和主要贡献 |
1.3 论文组织结构 |
第二章 相关研究与综述 |
2.1 服务功能链调度问题的研究综述 |
2.2 边缘网络中服务功能链调度问题的分类及相关研究分析 |
2.2.1 响应时间优化问题的研究综述 |
2.2.2 可靠性感知调度算法研究综述 |
2.2.3 多目标联合优化问题的研究综述 |
2.2.4 边缘云中调度算法的研究综述 |
2.3 本章小结 |
第三章 时延敏感的地理位置感知的服务功能链调度算法 |
3.1 引言 |
3.2 问题描述及系统模型 |
3.2.1 问题建模 |
3.2.2 约束条件 |
3.3 基于代理的时延敏感的服务功能链调度算法 |
3.3.1 关键路径复制(Critical Path Replication,CPR)策略 |
3.3.2 地理感知通讯代价模型 |
3.3.3 基于多代理系统的协商与服务功能链放置机制 |
3.4 性能评估 |
3.4.1 实验环境和参数设置 |
3.4.2 评估指标 |
3.4.3 实验结果与分析 |
3.5 本章小结 |
第四章 基于图的服务功能链可靠性模型及放置优化算法 |
4.1 引言 |
4.2 问题描述及系统模型 |
4.2.1 问题描述 |
4.2.2 问题建模 |
4.2.3 可靠性模型 |
4.2.4 资源利用率 |
4.2.5 放置方案适应度及惩罚机制 |
4.3 基于图的可靠性保障G-PSO |
4.3.1 G-PSO算法原理及实现 |
4.3.2 传统算法的缺陷 |
4.3.3 基于图的速度更新机制 |
4.3.4 马尔可夫通讯距离模型 |
4.3.5 G-PSO算法复杂度分析 |
4.4 性能评估 |
4.4.1 实验环境和参数设置 |
4.4.2 实验结果与分析 |
4.5 本章小结 |
第五章 基于副本的可靠性和响应时间的服务功能链联合优化机制 |
5.1 引言 |
5.2 问题描述及系统模型 |
5.2.1 系统概述 |
5.2.2 可靠性保障及备份模型 |
5.2.3 响应时间优化模型 |
5.2.4 可靠性优化模型 |
5.2.5 联合目标约束的问题建模 |
5.3 基于代理的可靠性和响应时间联合优化算法 |
5.3.1 EMAS的组成 |
5.3.2 EMAS的流程 |
5.4 性能评估 |
5.4.1 实验环境和参数设置 |
5.4.2 实验结果与分析 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 论文总结 |
6.2 工作展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文目录 |
(3)基于多目标优化的云计算资源调度算法研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题研究的背景和意义 |
1.2 资源调度方法的相关概念及分类 |
1.2.1 资源调度方法的相关概念 |
1.2.2 资源自适应调度服务分类 |
1.3 资源管理技术的研究现状 |
1.3.1 基于动态资源的弹性自适应调度 |
1.3.2 基于云计算的资源优化技术 |
1.4 当前研究工作存在的问题 |
1.5 本文的主要研究内容及章节安排 |
第2章 面向生存性的自适应调度策略 |
2.1 引言 |
2.2 相关工作 |
2.2.1 响应式方法 |
2.2.2 主动式方法 |
2.3 云计算提供资源自适应调度的应用场景 |
2.3.1 资源自适应调度的系统结构 |
2.3.2 自适应调度方法描述 |
2.4 考虑多个关键指标的性能分析 |
2.4.1 灰色关联分析 |
2.4.2 考虑生存性的性能临界值 |
2.5 考虑不同粒度的自适应调度策略 |
2.5.1 弹性资源自适应调度算法 |
2.5.2 基于物理主机的粗粒度增加方法 |
2.5.3 基于虚拟机的细粒度增加方法 |
2.5.4 弹性资源自适应减少方法 |
2.5.5 自适应调度算法的性能分析 |
2.6 实验及结果分析 |
2.6.1 弹性资源自适应调度实验环境 |
2.6.2 性能评估基准及对比算法 |
2.6.3 弹性资源自适应调度实验结果 |
2.7 本章小结 |
第3章 考虑三阶段的多目标资源优化策略 |
3.1 引言 |
3.2 相关工作 |
3.2.1 预留策略 |
3.2.2 按需分配 |
3.3 云计算提供资源优化调度的应用场景 |
3.3.1 资源优化的系统结构 |
3.3.2 资源优化的调度过程 |
3.4 三阶段资源优化策略 |
3.4.1 基于混合线性规划的预留策略 |
3.4.2 基于指数平滑和WMA的组合预测 |
3.4.3 基于组合预测的多目标资源优化策略 |
3.4.4 资源优化算法的性能分析 |
3.5 实验及结果分析 |
3.5.1 资源优化实验环境 |
3.5.2 预留策略实验与结果分析 |
3.5.3 预测方法实验与结果分析 |
3.5.4 三阶段资源优化实验与结果分析 |
3.6 本章小结 |
第4章 基于改进粒子群算法的负载均衡策略 |
4.1 引言 |
4.2 相关工作 |
4.2.1 静态负载均衡算法 |
4.2.2 动态负载均衡算法 |
4.3 考虑资源利用率和能耗均衡的调度方法 |
4.3.1 熵值方法确定热点主机 |
4.3.2 基于熵值方法的负载均衡策略 |
4.4 基于粒子群算法的虚拟机放置策略 |
4.4.1 基于理想解的适应度函数 |
4.4.2 考虑双目标的粒子群算法 |
4.5 负载均衡算法的性能分析 |
4.6 实验及结果分析 |
4.6.1 负载均衡实验环境 |
4.6.2 性能评估基准 |
4.6.3 实验结果分析 |
4.7 本章小结 |
第5章 面向多目标优化的资源整合策略 |
5.1 引言 |
5.2 相关工作 |
5.2.1 动态资源调度策略 |
5.2.2 多目标资源优化策略 |
5.3 云计算提供资源整合过程的应用场景 |
5.3.1 资源整合调度过程 |
5.3.2 调度过程热点消除方法 |
5.4 基于多目标优化的资源整合策略 |
5.4.1 考虑两阶段的资源调度方法 |
5.4.2 多目标优化的资源整合策略 |
5.4.3 基于改进蚁群算法的虚拟机放置策略 |
5.4.4 资源整合算法的性能分析 |
5.5 实验及结果分析 |
5.5.1 资源整合实验环境 |
5.5.2 实验结果分析 |
5.6 本章小结 |
结论 |
参考文献 |
攻读博士学位期间发表的论文及其它成果 |
致谢 |
个人简历 |
(4)基于动态调度策略的存储系统服务质量保障研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景 |
1.2 国内外研究现状 |
1.3 研究内容 |
1.4 论文框架结构 |
2 DDL-QOS架构与设计 |
2.1 DDL-QOS概述 |
2.2 相关系统介绍 |
2.3 问题分析 |
2.4 设计目标与功能模块 |
2.5 小结 |
3 DDL-QOS实现及关键技术 |
3.1 带宽分布模型分析 |
3.2 随机程度计算方法 |
3.3 动态调度策略 |
3.4 小结 |
4 实验测试和性能分析 |
4.1 实验环境与工具 |
4.2 实验结果与分析 |
4.3 系统开销 |
4.4 小结 |
5 总结与展望 |
致谢 |
参考文献 |
附录1 攻读硕士学位期间参加的主要科研项目 |
附录2 攻读硕士期间申请的发明专利目录 |
附录3 攻读学位期间发表的论文 |
(5)可靠性增强的组合服务供应机制研究(论文提纲范文)
摘要 |
ABSTRACT |
主要缩略语及中英文对照 |
第一章 绪论 |
1.1. 研究背景 |
1.1.1. 互联网环境中高可靠组合服务供应方法 |
1.1.2. 边缘网络环境中高可靠组合服务供应方法 |
1.2. 研究问题和目标 |
1.3. 论文主要工作 |
1.4. 论文组织结构 |
1.5. 课题来源 |
第二章 相关研究综述 |
2.1. 组合服务和组件服务性能评价方法 |
2.1.1. 组件服务性能评价方法 |
2.1.2. 组合服务性能评价方法 |
2.2. 高可靠组合服务供应方法综述 |
2.2.1. 事务型组合服务容错方法研究现状 |
2.2.2. 非事务型组合服务容错方法研究现状 |
2.2.3. 位置感知的组合服务供应方法研究现状 |
2.3. 本章小结 |
第三章 高可靠事务型组合服务供应方法 |
3.1. 引言 |
3.2. 研究场景 |
3.3. SLA感知的组合服务容错方法 |
3.3.1. 服务状态监控 |
3.3.2. SLA监控 |
3.3.3. 恢复规划 |
3.4. 最优恢复规划计算 |
3.4.1. 差分进化算法 |
3.4.2. 改进差分进化算法 |
3.4.3. 适应度函数构造及编码 |
3.5. 实验验证 |
3.5.1. 实验设置 |
3.5.2. 对比实验 |
3.5.3. 故障规模分析 |
3.6. 本章小结 |
第四章 高可靠非事务型组合服务供应方法 |
4.1. 引言 |
4.2. 研究场景 |
4.3. 基于服务复制的组合服务容错方法 |
4.3.1. 建立属性评价体系 |
4.3.2. 确定用户偏好权重 |
4.3.3. 组件服务综合评价 |
4.4. 实验验证 |
4.4.1. 实验设置 |
4.4.2. 对比实验 |
4.4.3. 故障规模分析 |
4.5. 本章小结 |
第五章 位置感知的高可靠组合服务供应方法 |
5.1. 引言 |
5.2. 研究场景 |
5.3. 位置感知的组合服务供应方法 |
5.3.1. 适应度函数构造和编码 |
5.3.2. 静态优化过程 |
5.3.3. 动态优化过程 |
5.3.4. 方法实现过程 |
5.4. 实验验证 |
5.4.1. 实验设置 |
5.4.2. 较优解质量评价 |
5.4.3. 最优解质量评价 |
5.4.4. 最优解稳定性评价 |
5.4.5. 最优解取得时间评价 |
5.5. 本章小结 |
第六章 结束语 |
6.1. 工作总结 |
6.2. 已有研究的不足与未来工作 |
参考文献 |
致谢 |
攻读博士学位期间发表的学术论文目录 |
攻读博士学位期间参与项目 |
(6)基于QoS的Web服务的选择与组合问题研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究的目的及意义 |
1.2 国内外研究现状 |
1.3 论文主要工作 |
1.4 论文组织结构 |
第2章 云环境下基于QoS的Web服务的选择与组合概述 |
2.1 云计算简介 |
2.2 Web服务组合 |
2.2.1 Web服务组合的定义 |
2.2.2 Web服务组合模型 |
2.3 Web服务选择算法 |
2.3.1 遗传算法 |
2.3.2 蚁群算法 |
2.3.3 布谷鸟算法 |
2.4 粒子群算法 |
2.4.1 粒子群算法概述 |
2.4.2 粒子群算法的原理及模型 |
2.4.3 粒子群算法的流程 |
2.5 本章小结 |
第3章 基于用户偏好的QoS组合模型 |
3.1 QoS模型研究概况 |
3.2 基于用户偏好的权值计算 |
3.2.1 权值计算的模型及判断矩阵的构建 |
3.2.2 权值计算流程 |
3.2.3 一致性检验 |
3.3 组合模型的适应度公式及衡量标准 |
3.3.1 云服务组合中的四种基本模型及计算公式 |
3.3.2 组合模型的转换过程 |
3.3.3 适应度公式及度量方法 |
3.4 本章小结 |
第4章 服务选择中粒子群算法的改进 |
4.1 动态惯性权重 |
4.2 高斯扰动 |
4.3 莱维飞行 |
4.4 算法执行流程 |
4.5 本章小结 |
第5章 实验仿真及结果分析 |
5.1 实验环境与数据集简介 |
5.2 实验参数研究与设定 |
5.2.1 学习因子c1和c2的研究与设定 |
5.2.2 动态惯性权重值的研究与设定 |
5.2.3 扰动等待次数的研究与设定 |
5.2.4 种群数的研究与设定 |
5.2.5 迭代次数的研究与设定 |
5.3 实验结果及分析 |
5.3.1 相同迭代次数下运行时间与结果对比分析 |
5.3.2 相同时间下运行结果对比分析 |
5.4 本章小结 |
第6章 总结及未来工作 |
6.1 全文工作总结 |
6.2 未来工作 |
参考文献 |
致谢 |
攻读硕士学位期间从事的科研工作及取得的成果 |
(7)命名数据网络业务QoS保障机制研究与设计(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景 |
1.2 研究意义 |
1.3 研究现状 |
1.4 论文的主要研究内容 |
1.5 论文的章节安排 |
第二章 命名数据网络和神经网络概述 |
2.1 命名数据网络的关键技术 |
2.1.1 NDN网络架构概述 |
2.1.2 NDN缓存概述 |
2.1.3 NDN命名概述 |
2.1.4 NDN路由概述 |
2.2 神经网络概述 |
2.3 本章小节 |
第三章 命名数据网络QoS保障设计 |
3.1 QoS保障NDN网络架构概述 |
3.1.1 QoS概述 |
3.1.2 新的QoS保障NDN架构 |
3.2 QoS保障兴趣包命名 |
3.3 内容流行表和排队器 |
3.3.1 内容流行表和算法 |
3.3.2 排队器中的算法 |
3.4 时延预测器设计 |
3.4.1 基于NDN网络的QoS保障的时延模型建模 |
3.4.2 时延预测器 |
3.5 QoS保障的NDN路由转发策略设计 |
3.5.1 FIB表的新参数DG和BG |
3.5.2 QoS保障NDN兴趣包转发路径选择算法 |
3.6 本章小节 |
第四章 仿真验证 |
4.1 基于神经网络的NDN网络QoS时延预测 |
4.1.1 神经网络的训练 |
4.1.2 预测结果 |
4.2 转发算法验证 |
4.2.1 网络拓扑 |
4.2.2 仿真结果 |
4.3 本章小节 |
第五章 总结与展望 |
5.1 论文工作总结 |
5.2 未来工作展望 |
参考文献 |
致谢 |
攻读硕士学位期间发表的学术论文 |
(8)基于稀疏QoS与协同过滤的个性化Web服务推荐方法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题研究背景 |
1.2 推荐系统研究现状 |
1.3 本文主要工作概述 |
1.4 本文内容章节安排 |
第二章 Web服务及推荐系统 |
2.1 Web服务及相关技术 |
2.1.1 Web服务模型 |
2.1.2 Web服务协议 |
2.1.3 Web服务质量 |
2.2 推荐系统 |
2.2.1 基于内容的推荐系统 |
2.2.2 基于协同过滤的推荐系统 |
2.3 本章小结 |
第三章 基于用户偏好的改进协同过滤Web服务推荐 |
3.1 概述 |
3.2 用户偏好问题的提出 |
3.3 基于用户偏好的改进协同过滤Web服务推荐算法 |
3.3.1 用户偏好定义 |
3.3.2 基于用户偏好的相似度计算 |
3.3.3 目标用户或服务的QoS预测 |
3.4 基于用户偏好的改进协同过滤算法流程 |
3.5 实验与分析 |
3.5.1 数据库介绍 |
3.5.2 评价指标 |
3.5.3 对比方法介绍 |
3.5.4 实验结果及分析 |
3.6 本章小结 |
第四章 基于联合用户偏好的改进协同过滤Web服务推荐 |
4.1 概述 |
4.2 联合用户偏好与QoS数据 |
4.3 基于联合用户偏好的改进协同过滤Web服务推荐算法 |
4.3.1 计算用户偏好 |
4.3.2 基于用户偏好的相似邻居选择 |
4.3.3 使用QoS数据进行相似度计算 |
4.3.4 目标用户或服务的QoS预测 |
4.4 基于联合用户偏好的改进协同过滤算法流程 |
4.5 实验与分析 |
4.5.1 数据库及对比方法介绍 |
4.5.2 评价指标 |
4.5.3 实验结果及分析 |
4.6 本章小结 |
第五章 基于用户位置与偏好的改进协同过滤Web服务推荐 |
5.1 概述 |
5.2 用户位置敏感问题 |
5.2.1 用户位置对QoS的影响 |
5.2.2 用户位置信息的使用 |
5.3 基于用户位置与偏好的改进协同过滤Web服务推荐算法 |
5.3.1 基于用户位置的聚类 |
5.3.2 计算用户偏好 |
5.3.3 基于用户偏好的相似邻居选择 |
5.3.4 使用QoS数据进行相似度计算 |
5.3.5 目标用户或服务的QoS预测 |
5.4 基于用户位置与偏好的改进协同过滤算法流程 |
5.5 实验与分析 |
5.5.1 数据库及对比方法介绍 |
5.5.2 评价指标 |
5.5.3 实验结果及分析 |
5.5.4 不同稀疏度下随机实验对比 |
5.6 本章小结 |
第六章 总结与展望 |
6.1 本文工作总结 |
6.2 进一步研究展望 |
参考文献 |
附录 攻读硕士学位期间撰写的论文 |
致谢 |
(9)代理集群服务质量和负载均衡系统的设计与实现(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题来源 |
1.2 研究背景和意义 |
1.3 国内外研究现状 |
1.3.1 负载均衡技术研究现状 |
1.3.2 QOS评价研究现状 |
1.3.3 国内外研究现状简析 |
1.4 本文研究内容及组织结构 |
第2章 代理和负载均衡相关技术 |
2.1 网络代理服务技术概述 |
2.1.1 网络代理服务原理和分类 |
2.1.2 服务质量定义和模型分类 |
2.1.3 服务质量的度量和评价 |
2.2 集群和负载均衡技术 |
2.2.1 集群的定义和分类 |
2.2.2 负载均衡技术的定义和分类 |
2.3 负载均衡算法 |
2.3.1 静态负载均衡算法 |
2.3.2 动态负载均衡算法 |
2.3.3 负载均衡算法比较和性能指标 |
2.4 本章小结 |
第3章 代理服务质量评价策略 |
3.1 代理转发网络相关技术 |
3.1.1 代理转发网络业务类型 |
3.1.2 代理转发业务QOS需求 |
3.1.3 基于LSP的代理转发设计 |
3.2 基于业务QOS的服务评价算法 |
3.2.1 问题描述和度量属性选择 |
3.2.2 服务评价算法设计 |
3.3 算法测试与分析 |
3.4 本章小结 |
第4章 代理转发业务的负载均衡 |
4.1 代理负载均衡需求分析 |
4.2 PAC代理静态负载均衡算法 |
4.2.1 PAC代理和轮询法的实现 |
4.2.2 实验测试和分析 |
4.3 动态负载均衡调度算法 |
4.3.1 动态负载均衡算法的实现 |
4.3.2 实验测试和分析 |
4.4 改进负载调度算法设计 |
4.4.1 负载参数的选取 |
4.4.2 负载参数衡量 |
4.4.3 离差最大化评价策略 |
4.4.4 算法原理与实现 |
4.5 算法测试与分析 |
4.6 本章小结 |
第5章 代理系统设计与实现 |
5.1 代理系统整体模块 |
5.1.1 浏览器代理模块 |
5.1.2 LSP代理模块 |
5.1.3 代理配置管理模块 |
5.2 代理系统测试 |
5.2.1 系统测试环境 |
5.2.2 系统功能测试 |
5.2.3 系统性能测试 |
5.3 本章小结 |
结论 |
参考文献 |
致谢 |
(10)基于SOA的服务机器人云平台接口层设计与实现(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题背景与研究意义 |
1.2 云平台国内外研究现状 |
1.3 SOA概述 |
1.3.1 SOA定义 |
1.3.2 SOA基本架构 |
1.3.3 SOA特征 |
1.3.4 SOA与Web service |
1.4 本文研究内容 |
1.5 章节安排 |
第2章 基于SOA服务机器人云平台的需求与设计 |
2.1 服务机器人云平台需求分析 |
2.1.1 用户需求 |
2.1.2 功能需求 |
2.2 服务机器人云平台总体设计 |
2.3 Web Service开源框架选择 |
2.4 本章小结 |
第3章 基于SOA服务机器人云平台接口层总体设计 |
3.1 云平台接口层的架构模型 |
3.1.1 云平台接口层的需求分析 |
3.1.2 云平台接口层的整体架构 |
3.2 申请处理模块设计 |
3.2.1 用户管理数据库设计 |
3.2.2 登录和授权机制 |
3.2.3 用户分区和权限分级 |
3.2.4 数据加密算法 |
3.3 服务控制中心设计 |
3.3.1 服务申请信息的数据结构 |
3.3.2 服务质量选择策略 |
3.3.3 服务调用实现机制 |
3.4 服务注册中心设计 |
3.4.1 服务目录的设计 |
3.4.2 服务注册与发布机制 |
3.5 服务状态监测器设计 |
3.5.1 服务状态信息的数据结构 |
3.5.2 服务状态信息的更新机制 |
3.6 服务代理设计 |
3.7 本章小结 |
第4章 基于SOA服务机器人云平台接口层的实现 |
4.1 申请处理器的实现 |
4.2 服务控制中心的实现 |
4.3 服务注册中心的实现 |
4.4 服务状态监测器实现 |
4.5 服务日志的实现 |
4.6 本章小节 |
第5章 系统的测试 |
5.1 测试环境 |
5.1.1 硬件环境 |
5.1.2 软件环境 |
5.2 测试方案 |
5.2.1 功能测试用例 |
5.2.2 性能测试 |
5.3 本章小结 |
第6章 总结与展望 |
6.1 论文工作总结 |
6.2 展望 |
参考文献 |
致谢 |
硕士期间发表的论文和科研成果 |
硕士期间参加的科研项目 |
学位论文评阅及答辩情况表 |
四、服务质量(QoS)走入Web(论文参考文献)
- [1]面向复杂环境的服务推荐算法研究[D]. 雷超. 山东大学, 2021(12)
- [2]边缘网络中面向可靠性和响应时间的服务功能链调度机制研究[D]. 牛梦. 北京邮电大学, 2021(01)
- [3]基于多目标优化的云计算资源调度算法研究[D]. 冯丹青. 哈尔滨工业大学, 2019(12)
- [4]基于动态调度策略的存储系统服务质量保障研究[D]. 杨莹. 华中科技大学, 2019(03)
- [5]可靠性增强的组合服务供应机制研究[D]. 张俊娜. 北京邮电大学, 2018(08)
- [6]基于QoS的Web服务的选择与组合问题研究[D]. 程源. 重庆邮电大学, 2019(02)
- [7]命名数据网络业务QoS保障机制研究与设计[D]. 徐京薇. 北京邮电大学, 2018(10)
- [8]基于稀疏QoS与协同过滤的个性化Web服务推荐方法研究[D]. 徐堃. 南京邮电大学, 2017(02)
- [9]代理集群服务质量和负载均衡系统的设计与实现[D]. 顾建伟. 哈尔滨工业大学, 2016(02)
- [10]基于SOA的服务机器人云平台接口层设计与实现[D]. 陈宏兴. 山东大学, 2016(02)