一、PKUAS中负载平衡机制的设计与实现（论文文献综述）
侯林怡[1]（2021）在《负载铀纤维型偕胺肟基功能高分子材料的解吸行为研究》文中研究表明核电作为清洁能源之一,有着极其重要的经济及战略地位。铀是核电发展的重要战略资源,中国是一个铀资源并不丰富的国家,仅占全球铀资源的3%。海水中铀浓度约为3.3ppb,总量达45亿吨之多,是陆地铀资源的1000倍以上。从海水中提取铀的研究从上世纪50年代至今从未停止,含偕胺肟基螯合吸附剂已成为最具工业应用前景的功能材料之一,但其负载铀的解吸与回收研究尚未有效解决,探索新型解吸方法成为解决这一问题的重要途径。在课题组已有酸性溶液解吸负载铀偕胺肟基吸附材料研究基础上,本工作系统研究了碱性溶液对负载铀偕胺肟基吸附材料中铀的解吸行为,揭示了解吸机理。主要研究结果如下:1.制备与表征了负载铀偕胺肟基功能高分子材料,研究了氢氧化钠、氢氧化钾及羟胺溶液对负载铀材料的解吸行为,考察了温度、解吸液组成及接触时间等因素变化对铀解吸率的影响,讨论了解吸机理。结果表明,氢氧化钠和氢氧化钾溶液解吸铀效率较低,均小于10%,但经5M羟胺溶液解吸,铀解吸率可达100%。2.基于碳酸盐与铀酰离子之间的配位作用,分别研究了碳酸钾、碳酸氢钾及碳酸钠等碳酸盐溶液对负载铀偕胺肟基吸附材料中铀的解吸行为,考察了解吸温度、碳酸盐浓度及接触时间等技术要素变化对铀解吸率的影响。结果表明,碳酸盐溶液对负载铀材料具有明显解吸能力,可将大部分铀进行解吸与回收,但铀解吸率均不超过75%。3.研究了碳酸盐和过氧化氢二元混合溶液对负载铀偕胺肟基吸附材料中铀的解吸行为,研究了过氧化氢浓度、温度、接触时间、解吸液组成等因素变化对铀解吸率的影响,经1MNa2CO3+0.2-0.8MH2O2溶液解吸,铀解吸率为98.3-100%,获得了最佳解吸工艺条件,提出了解吸铀工艺流程。4.研究了偕胺肟功能材料的负载-解吸循环使用性能,考察了 10次负载-解吸循环中铀的吸附性能及解吸性能变化规律。以SEM、UV-Vis、XPS、FT-IR及EDS等表征手段,明确了材料微观形态、形貌变化及吸附与解吸机理,分析了二元配合物UO2（CO3）34-与三元配合物UO2（O2）（CO3）24-之间的动态形成与转化过程,获得了一系列创新性的研究结果,为海水提铀工程提供了重要理论与实验依据。
钟原[2]（2021）在《面向并行绘制负载平衡的随机森林在线学习研究》文中研究表明现代图形学应用的飞速发展对超大规模复杂场景绘制、高分辨率显示呈现、高真实感用户体验以及实时绘制效率提出了愈加严峻的挑战。尽管计算机硬件性能在近年来得到了极大提高,但仍然无法满足越来越高的需求。作为并行计算在图形学领域的具体运用,并行图形绘制系统成为解决上述问题的有效方案之一。但是多节点间的绘制任务分配一直是制约并行图形绘制系统整体性能的瓶颈,因此,研究如何实现绘制负载平衡成为影响最终绘制效果的关键因素。本文将绘制节点的绘制时间作为负载度量,将绘制负载的准确预测作为负载平衡的关键问题。通过对负载的提前预测实现对绘制任务的合理划分,以达到平衡的效果。本文提出使用随机森林模型（Random Forests,RFs）来表达绘制特征与绘制时间之间的高维非线性关系,并针对绘制数据持续不断产生且存在目标概念漂移的问题,提出了“预测+修正+学习”的自适应负载平衡框架,重点研究了随机森林在绘制数据流中的在线学习机制,通过在线学习提升模型的回归预测性能以及增强模型在动态数据流中的自适应性。本文的具体工作和创新如下:（1）为了提高模型在绘制数据流中回归预测的准确性,提出了一种称为OWL-RFR（Online Weight Learning for RFs Regression）的基于叶节点权重的随机森林在线学习方法。其基本思想是,在不改变离线训练的随机森林结构的前提下,使叶子节点基于数据流中序列数据的相关性来获得一种长时依赖,并通过梯度下降的方式优化叶节点的权值,从而赋予随机森林一种有效的长时记忆,使其可在数据流的预测过程中不断学习,获得越来越准确的预测结果。实验结果表明,OWL-RFR方法能够更好的拟合持续不断的绘制数据流,提升随机森林预测的准确性,并具有较好的收敛性和稳定性。（2）为了增强模型在动态绘制数据流中的自适应性,提出了一种称为ALSM-RFR（Adaptive Long and Short-term Memory online RFs Regression）的长短时记忆自适应在线随机森林方法。由于并行绘制系统中的绘制特征会随场景、用户交互的变化而变化,而存在目标概念漂移,使OWL-RFR方法可能无法很好的适应不断变化的动态绘制数据流。因此,本文设计了一种自适应记忆激活机制,使随机森林在稳态或非稳态数据流预测时,可以在不同记忆模式之间自适应地切换预测所使用的记忆。ALSM-RFR方法利用了叶级和树级权重,在预测过程中不断积累不同时间跨度的知识,同时赋予模型长时记忆和短时记忆,并在此基础上合成了混合记忆。实验结果表明,ALSM-RFR相对于OWL-RFR方法来说,在面向漂移的绘制数据流预测中,获得了更好的预测效果,同时,ALSM-RFR具有良好的收敛性和稳定性,方法中使用的小批量梯度和随机梯度下降优化策略也有效降低了超参的影响。（3）为了提高模型在复杂漂移绘制数据流中的自适应性,本文提出了一种称为ORB-RRF（Online Rebuilding Regression Random Forests）的在线局部重建随机森林方法。虽然长短时记忆的使用在一定程度提高了随机森林的自适应性,但面对更复杂变化的绘制数据流时,保持离线训练结构不变的随机森林难以很好的适应剧烈的变化。因此,本文提出了随机森林在线局部重建方法,以适应具有多种类型概念漂移的复杂动态连续数据流。一方面通过在线对比叶节点与其父节点的性能,实现叶节点的在线修剪,以修正由于叶节点对特征空间的不恰当划分而导致的性能下降,抑制模型过拟合;另一方面使叶节点在预测过程中动态收集预测效果较差的样本,并自底向上逐层对比节点新增样本后所含特征空间与原始空间的变化,通过回溯操作,定位到能覆盖新特征空间的祖先节点,并从该节点重新分裂获得新的子树替换原有枝干。实验结果表明,在面向复杂概念变化的数据流预测中,ORB-RRF方法比OWL-RFR和ALSM-RFR都有显着的性能提升,通过结构的在线重建使随机森林具有持续优化的自适应能力。
郭雯霞[3]（2021）在《云数据中心任务完成时间相关的节能与均衡优化调度算法》文中进行了进一步梳理云计算是一种新的网络技术。从广义上说,云计算是与信息技术、软件和互联网相关的一种服务。得益于虚拟化功能,云数据中心正加速成为一种新的IT资源供应方式。云环境的动态性与复杂性对任务调度策略提出了要求,既要保证服务质量,也要实现云数据中心的低能耗。关于节能与负载均衡的任务调度问题在一般情况下是NP完全问题,鉴于其NP复杂性,仍然需要进一步深入探索。本文重点关注并研究了云数据中心的任务完成时间调度问题,针对总能耗优化和特定场景Spark中的负载均衡进行了深入研究,论文的主要研究工作及成果如下:（1）研究了云数据中心的资源节能调度问题。合理地调度虚拟机任务可以提高任务的执行效率,缩短任务的执行时间,从而减小运行服务器的数量以降低系统总能耗。本文将任务调度问题抽象为虚拟机部署问题,主要关注CPU密集型任务,目的是在满足物理机总容量及运行时间限制的情况下对虚拟机请求进行非抢占式调度以便最小化所有物理机的总能耗（Minimize total energy,Min TE）。针对此问题,论文首先研究了云数据中心的能耗模型,针对任务容量配置可划分（SDC）的特殊情形,从理论上分析了在该条件下物理机总能耗的最优解（下限）。然后针对任务容量配置不可分割的一般情形,提出了一种自适应的节能调度算法SAVE,该方法基于本地信息,利用概率函数对虚拟机的分配和迁移进行决策并能保证充分使用服务器上的可用资源。最后,将SAVE算法应用于仿真和真实环境并将其与DRS和eco Cloud两个调度算法相比,测试结果表明,SAVE算法实现了显着的节能,在仿真环境中相对于两个业界较优算法而言SAVE算法平均节能29.32%,17.76%,并且在真实场景中,SAVE算法比DRS算法节能1.53%。（2）研究了云数据中心的任务完成时间优化调度问题。本文提出了一种基于深度强化学习的解决方案称为Deep RM＿Online,通过设置不同的奖励函数以有效地解决调度目标不同的云资源管理问题。该方法首先可视化数据中心的资源使用状态,利用卷积神经网络（Convolutional Neural Networks,CNN）来获取资源管理模型。随后根据事先设定好的专家策略利用模仿学习来减小强化学习的探索步数以缩短最优策略的训练时间。最后进行深度强化学习过程,根据不同的调度目标设定不同的奖励函数,利用强化学习的策略梯度算法（Policy Gradient,PG）求解优化策略。本文设置了两个调度目标并将Deep RM＿Online与启发式算法和深度强化学习算法Deep RM进行对比测试,实验结果说明Deep RM＿Online和Deep RM在两个调度目标上均优于启发式算法,并且Deep RM＿Online与Deep RM相比,在收敛速度方面提升了37.5%,并将任务的延时参数和平均周转时间分别减少了51.85%和11.51%。（3）研究了Spark平台的任务总完工时间优化问题。Spark计算引擎解决了传统Map Reduce编程框架在迭代计算中由于频繁读写驻留磁盘的Map任务输出所引入的性能损耗,但由于源数据的不均匀分布和自带分区算法的不均衡划分方式,数据倾斜现象在Spark中依旧非常突出,导致应用程序总完工时间较大。为此,针对Spark平台在Reduce过程出现的数据倾斜现象,本文提出了一种名为Resplit Reduce的算法对数据进行均匀划分并分配。该算法首先将整群抽样算法应用在Map任务输出的中间数据进行其键值分布情况的预估。其次,改进Spark默认分区函数,使得数据能被均匀地划分为多个分区,促使Reduce阶段的负载均衡,从而更加充分地利用集群资源。同时算法还考虑了集群的异构情况,根据各Executor之间计算能力的不同,Resplit Reduce采用贪心策略将每个任务分配给拥有最高性能因子的Executor。最后,在Spark独立异构集群上,通过Word Count、Sort以及Pagerank基准测试将Resplit Reduce与基准算法进行了比较分析。实验结果表明,本论文所提出的算法在三种基准测试集上平均减少总完工时间47.76%、32.13%、14.47%,在集群的平均资源利用率指标上平均提高了19.67%、30.5%、37.03%。
孙永源[4]（2020）在《分布式雾计算中任务卸载与负载均衡方案研究》文中进行了进一步梳理为了应对物联网（Io T）、虚拟增强现实（VRAR）、无人驾驶等新业务的发展对移动通信提出的要求,5G将使用各种新技术来满足这些业务类型和应用场景。云计算范式借助其强大的计算和存储能力为终端用户提供各种高质量服务。但随着终端设备接入量的日益增加,核心网络的流量呈指数增长,2020年度移动流量将增加到291.8艾字节。如此庞大的流量将给核心网络带来巨大的挑战。为了解决这一问题,将计算和存储从核心网络迁移到网络边缘的边缘计算（EC）成为一种有效的解决方案。雾计算（FC）作为边缘计算的一种实现方式,旨在通过异构网络连接一切设备（包括终端设备、Io T设备、传感器、路由器、网关等）,从而为物联网提供一种新的解决方案。如何实现雾计算中各个节点高效协作计算是雾计算中一个重要研究方向。本文研究了分布式雾计算中各雾节点的协作计算方式,并对其中的任务卸载和负载均衡问题进行了深入研究。主要做了以下工作:针对雾计算网络中分布式协作计算问题,本文提出了一种基于动态规划的解决方案,在为每个用户分配计算资源时综合考虑每个雾节点的通信能力和计算能力,并考虑当前用户对其他用户的影响,最小化所有用户的总服务延迟。针对雾计算网络中的任务卸载问题,本文考虑雾无线访问网络（F-RAN）中各雾节点之间的无线传输延迟、雾节点的任务计算延迟、雾节点和远程云数据中心之间的无线传输延迟并在用户所能接受的延迟阈值内计算出最佳的卸载方案。仿真结果表明,本文提出的基于动态规划的多任务卸载方案相比单雾系统和资源预分配系统可以有效降低服务延迟。在资源利用率方面远高于资源预分配方案。针对分布式雾计算网络中的负载均衡问题,本文提出一种基于资源预测的动态负载均衡方案,在为每个任务进行负载均衡时考虑任务的执行时间、任务执行成本和雾节点的可用资源等因素。充分提高分布式雾集群的有效利用率,缩短响应延迟。仿真结果表明,在处理大量任务和系统网络状况不佳的场景下相比静态负载均衡方案,本文提出的方案在响应时间方面有很大优势。
候肖兰[5]（2020）在《软件定义网络中可扩展性相关问题的研究》文中提出传统封闭式的网络设备阻碍了网络创新技术的发展,增加了网络优化的难度。软件定义网络（Software Defined Network,SDN）是一种控制与转发相分离的网络架构,控制平面通过集中式的方式提供开放统一的接口,实现灵活的可编程能力,简化了网络的管理,提升了网络的灵活性。由于SDN具有细粒度流管控、控制平面与数据平面分离、逻辑集中控制的特征,使其应用于大规模网络时面临着可扩展性问题。如何利用SDN在简化网络管理方面的优点,同时避免网络瓶颈,提高网络的可扩展性,成为近几年研究者们关注的焦点。控制平面是整个SDN网络的核心所在,对网络性能有至关重要的影响。本文基于控制平面从单控制器和多控制器两个方面对SDN网络的可扩展性问题进行研究。首先,基于单控制器,从控制器的设计、流表资源的优化、减少控制器处理事件的数量、路由方案的优化四个方面分析控制平面的可扩展性问题;基于多控制器,从多控制器的设计、部署和协同三个方面分析多控制器平面的可扩展性问题。进而,本文分别从减少控制器处理事件的数量和路由方案的优化研究单控制器的可扩展性问题;分别从扁平化和层次化架构的多控制器部署研究多控制器的可扩展性问题。研究重点集中在四个方面。1.数据中心网络流量管控机制的研究相对于分布式控制方式,SDN集中式的控制方式有更大的控制开销和反应时延。特别是在大规模的数据中心网络中,网络流的数目巨大。如果频繁地请求控制器,会增加控制器的负载和数据流的等待时延。为此,本部分提出一种针对相同属性特征的大流进行聚合的概念,然后对聚合的流量通过数学模型分析,提出一种统一路径分配算法,从而减少请求控制器的次数,降低控制器的负载,优化整个网络的负载均衡。对未聚合的流,从链路的剩余带宽、路径的长度以及路径的可用带宽等方面综合评估路径质量,选出质量最好的一条路径进行路由。最后通过不同流量概率模型的仿真验证,本部分提出的算法,在负载均衡、吞吐量以及链路利用率方面取得了更优的性能。2.基于分段路由的路由优化算法的研究随着网络规模的扩大,SDN进行细粒度的流管控时,控制平面的计算复杂度呈线性增长,路由规则空间膨胀,可能导致大量流表规则无法安装在交换机。本部分研究如何减少路由规则并结合用户业务偏好提高路由模块的性能从而提升控制平面的管控可扩展性。为此,本部分基于分段路由提出一种将网络性能与用户业务相结合的路由算法。首先,提出一种改进的多目标粒子群算法的链路权值优化方法。然后,考虑到用户偏好,以网络应用业务为导向,建立一种评价层次结构,选出评估值最大的路径进行路由。实验仿真结果表明,该路由算法模型提升了网络的负载均衡程度、减少了链路消耗,而且结合用户业务偏好,对业务性能进行有效评估,实现了网络的分区服务。3.扁平化控制平面的部署方案研究针对单控制器无法满足大规模广域网的管理,导致SDN规模可扩展性问题,本部分基于扁平化控制平面研究多控制器的部署问题。控制器不同的部署位置影响控制平面对网络事件的反应和处理能力。本部分针对扁平化的多控制器部署提出了两种基于密度聚类的控制器部署算法。算法1通过寻找决策图拐点的方法提出了一种计算控制器数量的方法。算法2通过核密度估计的方法计算控制器数量。在选择控制器的位置和对交换机分区时,分别采用不同的方法优化传输时延和通信消耗。实验仿真结果表明,提出的两种算法在域内和域间的最大时延、平均时延、最大消耗、平均消耗等方面取得了较优的性能。4.层次化控制平面的部署方案研究扁平化架构中所有控制器之间需要一致性同步的方法维护全局信息,增加了网络开销。层次化架构逻辑相对简单,将控制平面分为多个层次,顶层的控制器拥有全局视图,负责做全局决策,底层的控制器只负责局部网络的控制。为了提高控制平面的规模可扩展性,针对层次化控制架构,本部分设计了一种高性能的分层分域控制系统。对该系统从底层交换机的分域到上层控制器的分层进行详细的设计。为了减少交换机的请求时延和控制平面的通信开销,提出一种基于改进的Louvain算法的交换机分区算法。然后提出一种提升网络可靠性的控制器部署算法。实验仿真结果证明,本部分提出的方案在平均请求时延、负载均衡和可靠性等方面取得了较优的性能。
孙莉楠[6]（2020）在《基于MCM-41介孔分子筛抗氧化活性包装膜的制备及控释行为研究》文中指出脂肪氧化是影响食品品质和安全的重要问题。控释型抗氧化活性包装以其具有的活性物质释放速率的可控性和可预测性的优点逐渐替代传统抗氧化包装成为近年来食品包装领域的研究热点。然而,现有的控释包装技术大多存在选材受限及缓释效果不明显的问题。介孔分子筛材料因具有较高的比表面积和孔容,以及尺寸可调节的孔道结构和可化学修饰的表面,在控释包装领域应用前景广阔。但是,目前基于介孔载体控释技术开发的包装膜对活性物质的缓释效果欠佳,控释载体对薄膜的包装及控释性能影响尚不明确。本课题以MCM-41介孔分子筛为吸附控释载体,以天然抗氧化剂α-生育酚为活性物质,以低密度聚乙烯为聚合物基材,开发抗氧化活性包装膜材料。研究中,以活性物质负载率、控释组装体添加量、MCM-41孔径尺寸及表面基团为控释因子开发了一系列具有不同活性物质释放速率的活性薄膜。从薄膜微观形貌、结晶度、机械及物理性能等角度出发,研究并分析了α-生育酚/MCM-41控释组装体对薄膜包装性能的影响及作用机制。通过迁移试验和分子动力学模拟的方法分别对α-生育酚的迁移和扩散行为进行研究,对MCM-41的控释机理进行探讨。研究内容及主要结论包括:（1）α-生育酚/MCM-41控释组装体及活性膜的制备及性能评价采用正交试验法,研究组装体负载过程中的工艺条件对α-生育酚在控释组装体中负载率的影响,对负载前后MCM-41的结构进行表征;采用挤出流延法将组装体与LDPE母料共混制膜,研究不同α-生育酚负载率对活性膜缓释性能的影响,并对薄膜的抗氧化性能进行评价。结果表明,负载过程中α-生育酚在溶液中的浓度是影响其在介孔材料中负载率的最关键因素,二者呈正相关关系;热重、红外光谱及氮气吸附表征分析结果说明,α-生育酚被成功负载于MCM-41孔道中,同时,负载后,α-生育酚的热稳定性得到提高。负载后的介孔材料仍然保持着孔道结构的有序性。活性膜性能方面,相较于直接添加抗氧化剂,活性膜中α-生育酚向脂肪类食品模拟物中释放的扩散速率降低了62%,释放周期延长了57%,同时,薄膜的抗氧化性活性研究证明其具备抗氧化活性。（2）α-生育酚/MCM-41组装体添加量对活性膜性能的影响研究以α-生育酚/MCM-41组装体在制膜过程中的添加量为单一变量制备活性薄膜,对薄膜的微观形貌、结晶性、拉伸性能、透光性及阻隔性进行表征,研究不同组装体添加量对薄膜性能的影响。同时,进行迁移试验,研究不同组装体添加量对α-生育酚释放行为的影响。薄膜的微、宏观表征分析结果表明,组装体在聚合物基质中的分布均一性的变化导致了薄膜机械及物理性能的变化。随着添加量的提高,薄膜的结晶度、拉伸性能均下降,阻光性、透氧性和水蒸气透过性增强;而在缓释性能方面,MCM-41表现出由介孔孔道和纳米级颗粒尺寸而引起的双重控释效果。活性膜中,α-生育酚的释放行为不但受MCM-41孔径尺寸的限制,而且随着组装体添加量的提高,α-生育酚的扩散路径逐渐曲折化,从而引起α-生育酚的释放速率逐步放缓。（3）MCM-41孔径尺寸及表面基团对活性膜性能的影响研究制备具有不同孔径尺寸和表面基团的MCM-41分子筛,负载α-生育酚后制备活性薄膜,对负载前后的介孔分子筛进行微观形貌、孔结构、热重及红外光谱表征;对薄膜的微观形貌、结晶度、机械及物理性能进行表征分析,研究不同属性MCM-41对薄膜包装性能的影响;进行迁移试验,研究不同属性的MCM-41对活性膜缓释效果的影响。结果表明,成功合成了具有不同孔径尺寸及嫁接不同有机基团的MCM-41介孔分子筛,不同属性的MCM-41都成功实现了对α-生育酚的负载;活性膜性能方面,在添加不同孔径尺寸MCM-41制备的活性薄膜中,薄膜的结晶度受组装体的比表面积影响显着,拉伸性能则随着孔径尺寸的增大而增强,组装体中α-生育酚对薄膜有增塑效果;总体而言,活性膜中α-生育酚的释放速率与孔径尺寸呈正相关关系。有机基团的嫁接显着提高了组装体在聚合物基质中分布的均一性,聚合物的结晶度、拉伸性能及阻隔性能都得到了显着提高;缓释效果方面,烷基链长度增加,α-生育酚在活性膜中的释放速率减缓;嫁接氨丙基的MCM-41对α-生育酚的缓释效果最优,相较于直接添加α-生育酚,活性膜的扩散系数降幅达到87%。（4）α-生育酚扩散行为的分子动力学模拟研究构建不同孔径尺寸及表面基团的MCM-41与α-生育酚两相模型,进行分子动力学模拟,研究α-生育酚在不同属性MCM-41中的扩散行为及控释机理。结果表明,有机基团的嫁接改变了抗氧化剂分子在MCM-41孔道中的运动方式;随着MCM-41孔径尺寸的增加,α-生育酚在孔道中的活动能力不断增强;而在不同表面基团的介孔孔道中,α-生育酚的扩散行为则受到孔径尺寸及表面基团嫁接的双重影响;不同属性MCM-41孔道中,α-生育酚扩散速率的变化本质上是由活性物质与控释载体之间相互作用能的变化导致的;α-生育酚/MCM-41两相体系的分子动力学模拟能够有效对控释膜中活性物质的释放行为进行预测。
杨迪[7]（2020）在《基于强化学习的虚拟机自适应迁移策略研究》文中进行了进一步梳理如今数据中心的管理是云计算行业研究的热点。如何提高数据中心的资源利用率,保证数据中心的负载均衡成为了研究的重中之重。目前,对于云数据中心资源利用率的优化主要是通过虚拟机迁移技术来完成的。然而现有的虚拟机迁移策略难以顾及节能与数据中心负载均衡两个目标,因此综合考虑数据中心的功耗与负载均衡,建立节能的虚拟机迁移模型是一种有效的途径。通过对现有数据中心管理策略进行研究,本文取得的研究成果主要包括:1.针对现有的单一预测模型难以准确预测云数据中心负载的问题,引进诱导有序加权平均（Induced Ordered Weighted Average,IOWA）算子。该算子通过每个单项预测方法在样本区间各个时间点的拟合精度的高低按顺序赋权,以误差平方和为准则建立新的负载组合预测模型。经过大量的数值示例验证了模型的正确性和有效性。2.针对当前虚拟机迁移模型未综合考虑节能的数据中心负载均衡的问题,本文建立数据中心的强化学习模型,通过强化学习的方法探索云环境下虚拟机迁移的最佳策略,减少虚拟机迁移的数量,从而达到低功耗的数据中心的负载均衡。3.本文采用可视化的方法设计并实现了数据中心负载均衡系统,对本文提出的两个模型进行验证,为数据中心的负载均衡策略提出了一种新的解决方案。
田苗苗[8]（2020）在《基于微服务的分布式营销系统的研究与实现》文中进行了进一步梳理随着企业营销手段的不断创新和互联网营销观念的不断深入,多种多样的营销系统逐渐出现。营销系统主要是通过用户数据的不同属性,按照特定规则进行多种渠道的营销,从而实现销售量的提升和产品的推广。由于营销系统具有发送量集中、统计时间跨度大、基础数据量大等特点,给营销系统的性能和稳定性带来挑战。本文以某航空公司的营销系统为背景,分析系统的整体流程,从用户数据传输、数据清洗入库、营销发送处理、推送和发送及数据收集统计等过程中着手,将系统整体微服务化,单一的过程处理并行化,使系统在分布式处理中提升并行处理能力和可扩展能力。在微服务分布式架构中,存在着网关路由服务节点的瓶颈问题,本文着重研究了分布式处理中调度服务的负载均衡算法。负载均衡的目的是使分布式服务器的资源利用率最大化、调度更合理。常见的负载均衡算法有动态负责均衡、静态负载均衡、自适用负载均衡算法,具体算法有最少连接数算法、轮询算法、加权轮询算法等。但这些算法存在不能基于不同服务器资源使用情况动态调整的问题。按照CPU和内存使用率,本文提出了结合系统的过程权值的动态负载均衡算法,从而改善了系统整体性能。与传统的轮询算法相比,10万发送量的发送效率提升了2倍;与一般基于CPU和内存负载算法比较,10万发送量发送效率提升约1倍。基于MongoDB的分片分布式存储,针对多机节点异构情况和单机节点故障情况,本论文对MongoDB分片集群进行优化,添加了带有虚拟节点的一致性哈希算法;使异常或异构情况下,能够保证平衡和均匀存储。使用算法优化后,单机节点故障情况下,系统能够持续24小时完成正常的发送任务。
盛红佼[9]（2020）在《基于OpenMP的磁壳参数L值并行计算和优化研究》文中研究表明在日地空间环境中,磁层是太阳活动与地球相互作用的主要区域,是物质能量交换的重要场所。辐射带是磁层的核心区域之一,是磁层俘获高能粒子的主要聚集地,这些高能粒子是日地相互作用过程中物质能量的载体。辐射带粒子在磁场的作用下发生回旋、弹跳和漂移运动,是威胁航天器安全和效能的重要因素。辐射带研究中（L,B）坐标系可实现把三维问题降为二维问题,大大提升了辐射带三维空间有限观测数据的利用率。磁壳参数L值是其中的重要参量之一,在粒子特性分析、航天器轨道辐射环境描述以及辐射带建模等研究领域应用十分广泛。L值由磁力线追踪积分计算而得,由于地球磁场位型极为复杂,导致磁力线追踪步长严格受限,造成单次追踪计算步数多。此外,由于不同空间位置处磁力线追踪路径和追踪距离随时空变化差异显着,造成多次L值追踪计算之间相互独立、复杂度不一且无法简并,导致L值计算速度慢、效率低。随着计算机软硬件技术的快速发展,并行计算为此类大型且复杂的计算问题提供了解决方案。本文通过分析不同模式的并行计算,选定共享内存的OpenMP作为并行工具。鉴于OpenMP的并行优势,已经被广泛应用于不同的研究领域,但目前尚未发现在磁壳参数L值计算领域有所涉及。由于L值被广泛应用于科学和应用领域,但其计算速度慢、效率低,所以,提高L值的计算效率具有重要的研究意义。为了提高L值的计算效率,本文采用OpenMP对目前广泛应用的L值计算程序实现单机多线程并行化,并分析了并行程序计算结果的准确性、加速比、效率以及负载平衡性。结果表明,OpenMP可以成功实现程序的并行化,明显提高L值的计算效率。当线程数量设置与系统最大线程数相等时（本文所用计算机系统线程数最大为8）,并行效果最优,加速比范围为1.57～2.81,并行效率范围为19.63%～35.13%。分析发现,线程间负载不平衡是影响并行效果的主要因素。为了进一步提高并行加速比和并行效率,优化负载不平衡。本文提出了一种表征L值计算复杂度的排序因子,并基于此提出了排序和重分配（“sort”、“S”分配）的优化负载算法。采用dynamic、sort+“S”、sort+dynamic、sort+“S”+dynamic四种方式优化并行程序,对不同方式的优化效果进行了比对分析,结果表明sort+dynamic的优化效果最优,加速比范围为2.30～3.30,效率为28.75%～41.25%。优化后并行加速比提升了0.49～0.73,并行效率提升了6.12%～9.12%。本文研究表明,OpenMP可以成功实现L值计算程序的并行化,明显提高L值的计算效率。针对负载不平衡的问题,采用sort+dynamic方式调节可获得最好的并行加速比和效率。该研究可以为空间科学和其他领域类似大数据分析研究提供有益探索和重要参考。
王富[10]（2020）在《基于软件定义网的多维多域光网络带宽资源优化技术研究》文中研究说明随着5G、流媒体、虚拟现实、自动驾驶等新兴应用的出现,终端用户对光通信网络的带宽、时延和信号灵活性都提出了更高的要求。而光网络不仅需要增加传输带宽来保证信息传输的容量,更需要提高光网络带宽的灵活性来提高带宽的效率。而目前光网络分为接入网、城域网、核心网,以及即数据中心网。接入网技术的发展已经迈进了50G/100G无源光网络（PON）阶段,所以如何提高PON带宽分配灵活性从而为用户提供高质量服务成为目前研究的热点。城域网速率上已经实现单载波百G光信号的百公里传输,如何增加光分插复用器（ROADM）的灵活性并完成毫秒级的光路重配,是城域网络发展的重点和热点问题。数据中心网（DCN）中,面对DCN的大规模、高能耗、大带宽带来的挑战,如何提高DCN网络灵活配置和全光交换是未来技术发展的主题之一。而随着软件定义网（SDN）的出现,光网络的发展带来了新的契机,采用控制平面和数据平面分离的架构可以大幅提高了网络管控的效率。随着软件定义光网络（SDON）概念的提出,目前该领域已经成为光网络技术研究的热点问题,受到广泛关注。然而,SDON技术的发展还存在不足,很多光网络上的问题还没有得到有效解决。本论文在基于软件定义光网络概念的基础上,通过软件定义的方法来增加光网络的灵活性,进而实现对光网络各个领域的带宽资源管理进行优化。本论文对接入网动态带宽分配算法,路由与频谱分配算法,光分组交换端口冲突解决方案,以及数据中心负载平衡算法进行了研究。论文的主要研究工作和创新点如下:1.接入网中基于软件定义的动态波长-带宽联合分配算法论文研究了波分/时分复用无源光网络（WDM/TDM-PON）中的波长和时隙的带宽分配问题。提出一种可以实现波长调度的多子PON架构,并且提出了一种可以有效分配时隙和波长的动态调度算法。该算法可以对时隙和波长进行二维带宽分配,并且支持业务分级来保证高等级业务的服务质量。该方法采用光线路终端（OLT）对光带宽分配周期中的时隙实现动态分配,并通过软件定义网的控制器来实现波长的分配,在二维资源调度空间中实现更灵活的资源调度。论文通过仿真和实验对提出的算法进行了研究。2.软件定义的频谱灵活光网络（EON）中基于蚁群优化的路由与频谱分配算法论文研究了以EON为框架的路由和频谱分配算法,提出了一种多层拓扑模型,并提出了一种基于频谱连贯度和蚁群优化的路由与频谱分配算法。基于论文提出的多层拓扑模型及频谱连贯度统计方法,将提出的算法与现有算法进行了仿真比较。仿真结果表明相较于目前已有算法,论文提出的算法可以降低5%以上的光路建立的阻塞率,提高链路利用率,并且减少频谱碎片的产生。3.DCN中基于软件定义网的全光交换机的分组冲突解决方案及负载平衡方案论文研究了基于快速光交换和流控制（Flow Control）的DCN中光分组冲突解决方案和负载均衡问题。提出了基于混合轮询的光分组冲突解决方案,并基于OPSquare的DCN架构为所提出的方案进行了实验和仿真研究。结果证明了论文提出的混合轮询方案能有效降低丢包率,提高吞吐量,并降低平均时延。论文提出了一种基于SDN的负载平衡方案。通过仿真,将提出的方案与现有方案进行比较。结果表明提出的方案可以提高吞吐量,并降低丢包率。
二、PKUAS中负载平衡机制的设计与实现（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、PKUAS中负载平衡机制的设计与实现（论文提纲范文）
（1）负载铀纤维型偕胺肟基功能高分子材料的解吸行为研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景 |
| 1.2 海水提铀吸附材料的研究进展 |
| 1.2.1 无机类吸附材料 |
| 1.2.2 聚合物基吸附材料 |
| 1.2.3 海试实验 |
| 1.3 负载铀偕胺肟功能材料的解吸体系研究进展 |
| 1.3.1 酸性解吸体系 |
| 1.3.2 碱性解吸体系 |
| 1.3.3 有机解吸体系 |
| 1.4 负载与解吸循环的研究进展 |
| 1.5 本文主要研究思路以及研究内容 |
| 第二章 碱性溶液中负载铀偕胺肟功能材料解吸行为 |
| 2.1 引言 |
| 2.2 实验试剂与仪器 |
| 2.2.1 试剂 |
| 2.2.2 实验仪器 |
| 2.3 实验方法 |
| 2.3.1 吸附实验方法 |
| 2.3.2 负载材料制备方法 |
| 2.3.3 解吸实验方法 |
| 2.4 结果与讨论 |
| 2.4.1 吸附结果分析及负载材料表征 |
| 2.4.2 NaOH体系 |
| 2.4.3 KOH体系 |
| 2.4.4 NH_2OH体系 |
| 2.4.5 解吸机理 |
| 2.5 小结 |
| 第三章 碳酸盐溶液中负载铀偕胺肟功能材料解吸行为 |
| 3.1 引言 |
| 3.2 实验试剂与仪器 |
| 3.2.1 试剂 |
| 3.2.2 实验仪器 |
| 3.3 解吸实验方法 |
| 3.4 结果与讨论 |
| 3.4.1 K_2CO_3体系 |
| 3.4.2 Na_2CO_3体系 |
| 3.4.3 KHCO_3体系 |
| 3.4.4 三种体系比较与评价 |
| 3.5 小结 |
| 第四章 碳酸盐+过氧化氢溶液中负载铀偕胺肟功能材料解吸行为 |
| 4.1 引言 |
| 4.2 实验试剂与仪器 |
| 4.2.1 试剂 |
| 4.2.2 实验仪器 |
| 4.3 实验方法 |
| 4.3.1 解吸实验方法 |
| 4.3.2 吸附-解吸循环实验方法 |
| 4.3.3 解吸机理实验方法 |
| 4.4 结果与讨论 |
| 4.4.1 Na_2CO_3+H_2O_2体系的解吸性能 |
| 4.4.2 KHCO_3+H_2O_2体系的解吸性能 |
| 4.4.3 结果表征 |
| 4.4.4 重复利用性能评价 |
| 4.4.5 解吸机理 |
| 4.5 小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 作者简历 |
| 攻读硕士期间所取得的科研成果 |
（2）面向并行绘制负载平衡的随机森林在线学习研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 并行绘制的必要性和可行性 |
| 1.1.2 并行绘制的关键问题 |
| 1.2 研究现状 |
| 1.2.1 并行绘制系统 |
| 1.2.2 并行绘制系统负载平衡 |
| 1.2.3 随机森林 |
| 1.3 主要研究问题 |
| 1.4 研究内容和创新点 |
| 1.4.1 研究内容 |
| 1.4.2 研究创新点 |
| 1.5 本文的组织结构 |
| 第2章 基于在线学习的并行绘制负载预测框架 |
| 2.1 并行绘制体系结构 |
| 2.2 并行绘制特征分析 |
| 2.3 随机森林方法 |
| 2.3.1 CART回归树 |
| 2.3.2 回归随机森林 |
| 2.4 在线学习 |
| 2.4.1 在线学习优势 |
| 2.4.2 在线学习机制 |
| 2.5 基于在线随机森林预测的负载平衡框架 |
| 第3章 具有记忆的在线回归森林 |
| 3.1 引言 |
| 3.2 在线回归预测 |
| 3.3 在线回归森林的记忆机制 |
| 3.3.1 RFs记忆机制:叶权重在线学习 |
| 3.3.2 基于随机梯度下降的在线叶权重学习 |
| 3.3.3 基于预测能力的自适应学习率 |
| 3.3.4 在线叶权重学习算法 |
| 3.4 实验结果与分析 |
| 3.4.1 基准数据 |
| 3.4.2 实验设置 |
| 3.4.3 结果对比分析 |
| 3.5 本章小结 |
| 第4章 长短时记忆自适应在线随机森林 |
| 4.1 引言 |
| 4.2 概念漂移问题 |
| 4.3 集成学习方法 |
| 4.3.1 在线集成学习 |
| 4.3.2 数据流回归的集成方法 |
| 4.3.3 基于随机森林的数据流分析方法 |
| 4.4 随机森林的自适应长短时记忆 |
| 4.4.1 自适应记忆激活机制 |
| 4.4.2 混合记忆预测 |
| 4.5 实验结果与分析 |
| 4.5.1 实验数据 |
| 4.5.2 实验设置 |
| 4.5.3 结果对比分析 |
| 4.6 本章小结 |
| 第5章 在线局部重建随机森林 |
| 5.1 引言 |
| 5.2 随机森林在线构建方法 |
| 5.2.1 在线完整构建 |
| 5.2.2 在线局部构建 |
| 5.3 在线重建随机森林 |
| 5.3.1 在线重建机制 |
| 5.3.2 叶结点在线剪枝 |
| 5.3.3 基于祖先节点回溯的在线重建 |
| 5.4 实验结果与分析 |
| 5.4.1 实验数据 |
| 5.4.2 实验设置 |
| 5.4.3 结果对比分析 |
| 5.5 本章小结 |
| 第6章 应用在线随机森林预测并行绘制负载 |
| 6.1 并行绘制数据集 |
| 6.1.1 绘制特征设计 |
| 6.1.2 绘制数据采集 |
| 6.2 实验结果与分析 |
| 6.2.1 实验设置 |
| 6.2.2 实验结果对比分析 |
| 6.3 本章小结 |
| 第7章 结论与展望 |
| 7.1 全文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 作者攻读学位期间取得的研究成果 |
| 致谢 |
（3）云数据中心任务完成时间相关的节能与均衡优化调度算法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究工作的背景和意义 |
| 1.2 研究动机和研究思路 |
| 1.3 国内外研究现状 |
| 1.4 本文的主要贡献与创新 |
| 1.5 论文的结构安排 |
| 第二章 相关理论基础 |
| 2.1 虚拟化技术 |
| 2.2 深度强化学习 |
| 2.3 Spark大数据处理引擎 |
| 2.4 本章小结 |
| 第三章 云数据中心基于能耗感知的自适应节能调度 |
| 3.1 虚拟机整合技术 |
| 3.2 相关研究工作 |
| 3.3 问题定义 |
| 3.4 数据中心能耗模型 |
| 3.5 SAVE算法描述 |
| 3.5.1 概述 |
| 3.5.2 分配算法 |
| 3.5.3 迁移算法 |
| 3.6 实验验证与分析 |
| 3.6.1 实验准备 |
| 3.6.2 数据准备 |
| 3.6.3 基线方法 |
| 3.6.4 结果分析 |
| 3.7 本章小结 |
| 第四章 云数据中心基于深度强化学习的任务完成时间优化调度 |
| 4.1 任务调度 |
| 4.2 相关研究 |
| 4.3 云资源调度问题定义 |
| 4.4 调度方案 |
| 4.4.1 DeepRM_Online介绍 |
| 4.4.2 强化学习模型 |
| 4.4.3 深度强化学习训练算法 |
| 4.5 算法分析 |
| 4.5.1 DeepRM_Online复杂度分析 |
| 4.5.2 DeepRM_Online收敛性分析 |
| 4.6 实验分析与验证 |
| 4.6.1 实验准备 |
| 4.6.2 数据准备 |
| 4.6.3 基线算法 |
| 4.6.4 结果分析 |
| 4.7 本章小结 |
| 第五章 最小化任务完成时间的Spark平台数据均衡优化调度 |
| 5.1 数据倾斜问题描述 |
| 5.2 相关研究 |
| 5.3 问题描述 |
| 5.4 Resplit Reduce方案描述 |
| 5.4.1 Resplit Reduce概述 |
| 5.4.2 数据采样算法 |
| 5.4.3 数据分区算法 |
| 5.4.4 权重调节算法 |
| 5.4.5 任务分配算法 |
| 5.5 实验验证与分析 |
| 5.5.1 数据准备 |
| 5.5.2 实验准备 |
| 5.5.3 基线算法 |
| 5.5.4 结果分析 |
| 5.6 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 未来研究工作及展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（4）分布式雾计算中任务卸载与负载均衡方案研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略语表 |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 国内外研究现状 |
| 1.3 研究内容与成果 |
| 第二章 雾计算网络概述 |
| 2.1 5G系统概述 |
| 2.1.1 5G的愿景 |
| 2.1.2 5G关键技术 |
| 2.1.3 5G移动通信网络中的边缘计算 |
| 2.2 雾计算网络 |
| 2.2.1 雾计算体系架构 |
| 2.2.2 雾计算与云计算的比较 |
| 2.2.3 雾计算的应用场景和挑战 |
| 2.3 雾计算网络中计算卸载方案 |
| 2.3.1 分布式雾计算中任务卸载方案 |
| 2.3.2 分布式雾计算中负载均衡方案 |
| 2.4 本章小结 |
| 第三章 分布式雾计算中基于动态规划的多任务卸载方案 |
| 3.1 引言 |
| 3.2 系统模型 |
| 3.2.1 分布式雾计算中任务卸载系统模型 |
| 3.2.2 系统延迟量化 |
| 3.3 基于动态规划的多任务卸载方案 |
| 3.3.1 单用户单主雾节点任务卸载算法 |
| 3.3.2 多用户多主雾节点任务卸载算法 |
| 3.4 算法性能仿真与分析 |
| 3.4.1 仿真参数设置 |
| 3.4.2 仿真结果分析 |
| 3.5 本章小结 |
| 第四章 分布式雾计算中基于资源预测的负载均衡方案 |
| 4.1 引言 |
| 4.2 系统模型 |
| 4.2.1 基于预测的负载均衡方案系统模型 |
| 4.2.2 资源预测负载均衡的三大组件 |
| 4.3 分布式雾计算中的负载均衡算法 |
| 4.3.1 静态负载均衡算法 |
| 4.3.2 动态负载均衡算法 |
| 4.3.3 基于资源预测的负载均衡算法 |
| 4.4 算法性能仿真与分析 |
| 4.4.1 仿真参数设置 |
| 4.4.2 仿真结果分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间申请的专利 |
| 致谢 |
（5）软件定义网络中可扩展性相关问题的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 软件定义网络的概述 |
| 1.2 软件定义网络可扩展性问题的分析 |
| 1.3 控制平面可扩展性问题的研究 |
| 1.3.1 基于单控制器的可扩展性相关研究 |
| 1.3.2 基于多控制器的可扩展性相关研究 |
| 1.4 本文主要研究内容及研究思路 |
| 第二章 软件定义网络中数据中心流量管控研究 |
| 2.1 引言 |
| 2.2 研究背景 |
| 2.2.1 数据中心网络流量特征的研究 |
| 2.2.2 数据中心网络拓扑结构的研究 |
| 2.2.3 数据中心网络流量调度问题的研究 |
| 2.3 基于SDN的流量调度算法设计 |
| 2.3.1 聚合大流的概念 |
| 2.3.2 流量调度的数学模型 |
| 2.3.3 布谷鸟算法 |
| 2.3.4 聚合大流的统一调度 |
| 2.3.5 非聚合大流的统一调度 |
| 2.3.6 算法的总结 |
| 2.4 仿真实验 |
| 2.4.1 仿真环境的建立 |
| 2.4.2 仿真结果 |
| 2.5 本章小结 |
| 第三章 软件定义网络中基于分段路由的路由优化研究 |
| 3.1 引言 |
| 3.2 研究背景及相关工作 |
| 3.2.1 分段路由的研究 |
| 3.2.2 SDN中基于分段路由的研究 |
| 3.3 路由算法的设计 |
| 3.3.1 多目标优化的链路权重算法 |
| 3.3.2 综合评估模型的建立 |
| 3.3.3 算法的总结 |
| 3.4 仿真实验 |
| 3.4.1 综合评估值的计算 |
| 3.4.2 仿真结果 |
| 3.5 本章小结 |
| 第四章 基于扁平化的多控制器部署方案的研究 |
| 4.1 引言 |
| 4.2 相关算法 |
| 4.2.1 控制器部署方法的研究 |
| 4.2.2 聚类算法的研究 |
| 4.2.3 CFSFDP算法 |
| 4.3 多控制器部署方案 |
| 4.3.1 提出的算法1 |
| 4.3.2 提出的算法2 |
| 4.3.3 性能指标的定义 |
| 4.4 仿真实验 |
| 4.4.1 实验设置 |
| 4.4.2 实验结果 |
| 4.5 本章小结 |
| 第五章 基于层次化的控制平面部署方案的研究 |
| 5.1 引言 |
| 5.2 相关工作 |
| 5.3 层次化的控制平面部署方案 |
| 5.3.1 模型设计 |
| 5.3.2 Louvain算法 |
| 5.3.3 算法的提出 |
| 5.3.4 算法的总结及复杂度分析 |
| 5.4 仿真实验 |
| 5.4.1 对比算法的设计 |
| 5.4.2 实验设置 |
| 5.4.3 相同分区数量时的性能评估 |
| 5.4.4 不同分区数量时的性能评估 |
| 5.5 本章小结 |
| 第六章 结束语 |
| 6.1 论文工作总结 |
| 6.2 研究工作展望 |
| 参考文献 |
| 缩略词对照表 |
| 致谢 |
| 作者攻读学位期间发表的论文 |
（6）基于MCM-41介孔分子筛抗氧化活性包装膜的制备及控释行为研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略词说明 |
| 第一章 绪论 |
| 1.1 选题依据及意义 |
| 1.2 控释型抗氧化活性食品包装膜国内外研究现状 |
| 1.2.1 包装膜材料 |
| 1.2.2 抗氧化剂 |
| 1.2.3 活性包装控释技术 |
| 1.2.4 活性物质迁移行为的研究 |
| 1.2.5 目前研究存在的问题 |
| 1.3 课题研究目的及主要内容 |
| 1.3.1 研究目的和意义 |
| 1.3.2 主要研究内容及技术方案 |
| 第二章 α-生育酚/MCM-41组装体及活性膜的制备与性能研究 |
| 2.1 引言 |
| 2.2 材料与方法 |
| 2.2.1 主要材料与试剂 |
| 2.2.2 仪器与设备 |
| 2.2.3 实验方法 |
| 2.3 结果与讨论 |
| 2.3.1 α-生育酚/MCM-41组装体中活性物质的负载率分析 |
| 2.3.2 MCM-41负载前后孔结构分析 |
| 2.3.3 MCM-41负载前后红外光谱分析 |
| 2.3.4 MCM-41负载前后的小角X射线衍射分析 |
| 2.3.5 α-生育酚/MCM-41/LDPE活性膜中α-生育酚迁移行为研究 |
| 2.3.6 α-生育酚/MCM-41/LDPE活性膜的抗氧化性能分析 |
| 2.4 本章小结 |
| 第三章 α-生育酚/MCM-41组装体添加量对活性膜性能影响的研究 |
| 3.1 引言 |
| 3.2 材料与方法 |
| 3.2.1 主要材料与试剂 |
| 3.2.2 仪器与设备 |
| 3.2.3 实验方法 |
| 3.2.4 数据处理 |
| 3.3 结果与讨论 |
| 3.3.1 负载前后MCM-41的热重及孔结构分析 |
| 3.3.2 薄膜的微观形貌分析 |
| 3.3.3 薄膜的红外分析 |
| 3.3.4 薄膜的X射线衍射分析 |
| 3.3.5 薄膜的差式扫描量热分析 |
| 3.3.6 薄膜的拉伸性能分析 |
| 3.3.7 薄膜的透光度、阻氧性及阻湿性分析 |
| 3.3.8 活性膜中α-生育酚迁移行为研究 |
| 3.4 本章小结 |
| 第四章 MCM-41孔径对活性膜性能影响的研究 |
| 4.1 引言 |
| 4.2 材料与方法 |
| 4.2.1 主要材料与试剂 |
| 4.2.2 仪器与设备 |
| 4.2.3 实验方法 |
| 4.2.4 数据处理 |
| 4.3 结果与讨论 |
| 4.3.1 负载前后MCM-41的孔结构及热重分析 |
| 4.3.2 负载前后MCM-41的小角X射线衍射分析 |
| 4.3.3 MCM-41的微观形貌分析 |
| 4.3.4 薄膜的差式扫描量热分析 |
| 4.3.5 薄膜的拉伸性能及阻隔性能分析 |
| 4.3.6 薄膜的微观形貌分析 |
| 4.3.7 活性膜中α-生育酚迁移行为研究 |
| 4.4 本章小结 |
| 第五章 MCM-41表面基团对活性膜性能影响的研究 |
| 5.1 引言 |
| 5.2 材料与方法 |
| 5.2.1 主要材料与试剂 |
| 5.2.2 仪器与设备 |
| 5.2.3 实验方法 |
| 5.2.4 数据处理 |
| 5.3 结果与讨论 |
| 5.3.1 不同表面基团MCM-41的红外光谱分析 |
| 5.3.2 不同表面基团MCM-41负载前后的孔结构及热重分析 |
| 5.3.3 不同表面基团MCM-41负载前后的小角X射线衍射分析 |
| 5.3.4 薄膜的微观形貌分析 |
| 5.3.5 薄膜的差式扫描量热分析 |
| 5.3.6 薄膜的拉伸性能及阻隔性能分析 |
| 5.3.7 活性膜中α-生育酚迁移行为研究 |
| 5.4 本章小结 |
| 第六章 α-生育酚扩散行为的分子动力学模拟研究 |
| 6.1 引言 |
| 6.2 α-生育酚扩散行为的分子动力学研究方法 |
| 6.2.1 力场选择 |
| 6.2.2 模型构建 |
| 6.2.3 α-生育酚扩散的分子动力学模拟 |
| 6.2.4 α-生育酚扩散的分子动力学模拟分析 |
| 6.2.5 数据处理 |
| 6.3 结果与讨论 |
| 6.3.1 模型稳定性验证 |
| 6.3.2 α-生育酚在MCM-41孔道中的扩散 |
| 6.3.3 α-生育酚在MCM-41孔道中扩散的均方位移 |
| 6.3.4 α-生育酚在MCM-41孔道中的扩散系数 |
| 6.3.5 α-生育酚与MCM-41之间的相互作用 |
| 6.4 本章小结 |
| 主要结论与展望 |
| 主要结论 |
| 展望 |
| 论文创新点 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读博士学位期间发表的论文 |
（7）基于强化学习的虚拟机自适应迁移策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景、目的和意义 |
| 1.1.1 背景与意义 |
| 1.1.2 目的 |
| 1.2 国内外研究现状 |
| 1.2.1 虚拟机迁移技术分类 |
| 1.2.2 虚拟机迁移相关算法 |
| 1.3 本文主要工作 |
| 1.4 论文组织结构 |
| 第2章 相关理论综述 |
| 2.1 虚拟机迁移技术 |
| 2.1.1 虚拟机迁移技术概述 |
| 2.1.2 虚拟机放置技术概述 |
| 2.1.3 虚拟机迁移优化目标 |
| 2.2 预测算法 |
| 2.2.1 预测算法概述 |
| 2.2.2 负载预测相关算法 |
| 2.2.3 组合预测概述 |
| 2.3 强化学习概述 |
| 2.3.1 奖励 |
| 2.3.2 状态 |
| 2.3.3 动作 |
| 2.3.4 智能体的组成 |
| 2.4 本章小结 |
| 第3章 节点负载的组合预测算法 |
| 3.1 组合预测模型 |
| 3.1.1 IOWA算子概念 |
| 3.1.2 基于IOWA算子的组合预测模型 |
| 3.2 实验结果及分析 |
| 3.3 本章小结 |
| 第4章 基于强化学习的虚拟机迁移策略 |
| 4.1 基于强化学习的迁移模型 |
| 4.2 实验及结果分析 |
| 4.2.1 实验设置 |
| 4.2.2 实验结果分析 |
| 4.3 本章小结 |
| 第5章 数据中心负载均衡原型系统的设计与实现 |
| 5.1 系统设计 |
| 5.1.1 功能设计 |
| 5.1.2 模块设计 |
| 5.1.3 数据库设计 |
| 5.2 系统实现与测试 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 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 |
（8）基于微服务的分布式营销系统的研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 本文组织结构 |
| 2 微服务中的负载均衡算法理论分析 |
| 2.1 常见负载均衡算法分析 |
| 2.2 基于微服务的负载均衡介绍 |
| 2.2.1 微服务的概念 |
| 2.2.2 微服务架构概念 |
| 2.3 本章小结 |
| 3 基于CPU和内存的加权负载均衡算法研究 |
| 3.1 基于CPU和内存的加权负载均衡算法理论 |
| 3.2 基于CPU和内存的加权负载均衡算法应用 |
| 3.2.1 拆分系统子任务 |
| 3.2.2 服务器资源指标和负载指标 |
| 3.2.3 算法应用过程 |
| 3.2.4 算法的实现 |
| 3.3 本章小结 |
| 4 分布式存储框架分析 |
| 4.1 分布式存储概念 |
| 4.2 基于MonogoDB的分布存储理论 |
| 4.3 基于MonogoDB的分布存储应用 |
| 4.3.1 分片处理营销系统流程 |
| 4.3.2 分片分布式存储处理问题 |
| 4.4 本章小结 |
| 5 一致性哈希算法处理MongoDB分布存储研究 |
| 5.1 一致性哈希算法概念 |
| 5.2 一致性哈希算法在MongoDB中的研究 |
| 5.3 基于虚拟节点的一致性哈希算法在MongoDB中应用 |
| 5.3.1 算法的应用 |
| 5.3.2 算法的实现 |
| 5.4 本章小结 |
| 6 分布式营销系统设计实现 |
| 6.1 数据模型的提出 |
| 6.2 系统处理阶段的设计实现 |
| 6.2.1 数据的清洗入库流程 |
| 6.2.2 数据处理阶段 |
| 6.2.3 数据渠道发送阶段 |
| 6.2.4 回收与统计 |
| 7 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的论文 |
| 附录一 表目录 |
| 附录二 图目录 |
（9）基于OpenMP的磁壳参数L值并行计算和优化研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景 |
| 1.1.1 磁层的基本结构 |
| 1.1.2 辐射带粒子的运动 |
| 1.1.3 辐射带研究历史 |
| 1.1.4 辐射带与航天安全 |
| 1.2 地球磁壳 |
| 1.2.1 磁壳的概念 |
| 1.2.2 磁壳参数L值 |
| 1.2.3 研究意义及应用 |
| 1.3 并行计算 |
| 1.3.1 并行计算的概念 |
| 1.3.2 并行计算的模型、模式和开发 |
| 1.3.3 并行计算的性能评估 |
| 1.3.4 并行计算的性能优化 |
| 1.3.5 研究意义 |
| 1.4 研究进展 |
| 1.4.1 L值的研究历史 |
| 1.4.2 并行计算的研究历史 |
| 1.5 研究意义、内容与文章结构 |
| 第2章 L值的计算 |
| 2.1 计算原理 |
| 2.2 计算源代码 |
| 2.2.1 IRBEM-LIB库 |
| 2.2.2 L值计算源代码 |
| 2.2.3 L值计算输入参量 |
| 2.2.4 L值计算流程 |
| 2.3 L值计算代码改造 |
| 2.3.1 代码提取 |
| 2.3.2 主程序编写 |
| 2.3.3 编译调试 |
| 2.4 程序验证 |
| 第3章 OpenMP并行方法 |
| 3.1 并行原理 |
| 3.2 并行方法 |
| 3.3 任务分配方式 |
| 3.4 并行性能分析方法 |
| 3.4.1 并行计算误差 |
| 3.4.2 并行加速比和效率 |
| 3.4.3 负载平衡分析方法 |
| 第4章 L值的OpenMP并行计算 |
| 4.1 L值并行可行性 |
| 4.1.1 并行特点 |
| 4.1.2 硬件环境 |
| 4.1.3 可行性分析 |
| 4.2 输入参数设定 |
| 4.3 并行过程 |
| 4.4 并行结果 |
| 4.4.1 并行准确性分析 |
| 4.4.2 并行加速比和效率分析 |
| 4.4.3 负载平衡分析 |
| 4.5 结果讨论 |
| 第5章 OpenMP并行优化 |
| 5.1 优化原理 |
| 5.2 优化方法 |
| 5.2.1 dynamic调节 |
| 5.2.2 Sort+“S”调节 |
| 5.2.3 Sort+“S”+dynamic调节 |
| 5.2.4 Sort+dynamic调节 |
| 5.3 优化结果 |
| 5.4 优化结果讨论 |
| 5.4.1 最优调节方式 |
| 5.4.2 不同外磁场模型下“子任务”耗时分布 |
| 5.4.3 不同外磁场的并行加速比 |
| 5.4.4 不同外磁场的优化潜力 |
| 第6章 结论与展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（10）基于软件定义网的多维多域光网络带宽资源优化技术研究（论文提纲范文）
| 摘要 |
| ABSTRCT |
| 第一章 绪论 |
| 1.1 光网络的发展概述 |
| 1.1.1 光网络架构 |
| 1.1.2 基于软件定义网的光传送网络 |
| 1.1.3 无源光网络架构及动态带宽分配技术 |
| 1.1.4 基于频谱灵活城域光网络的路由及频谱分配技术 |
| 1.1.5 基于SDN的数据中心网络架构及交换技术 |
| 1.2 国内外技术研究现状 |
| 1.2.1 动态带宽分配及控制技术研究现状 |
| 1.2.2 基于频谱灵活光网络的架构及路由-频谱分配技术研究现状 |
| 1.2.3 基于SDN的数据中心全光交换技术研究现状 |
| 1.3 论文主要研究内容和创新点 |
| 1.4 论文的组织架构 |
| 参考文献 |
| 第二章 基于SDN的WDM/TDM-PON中波长-时隙联合分配算法研究 |
| 2.1 基于SDN的WDM/TDM-PON架构及动态带宽分配技术 |
| 2.1.1 WDM/TDM-PON架构 |
| 2.1.2 动态带宽分配技术 |
| 2.2 基于波长分组的软件定义WDM/TDM-PON的波长-时隙联合分配方案 |
| 2.2.1 基于波长分组的软件定义WDM/TDM-PON组网架构 |
| 2.2.2 基于软件定义的波长-时隙联合分配技术 |
| 2.2.3 实验和结果 |
| 2.3 本章小结 |
| 参考文献 |
| 第三章 城域网中基于蚁群优化的路由与频谱分配方案研究 |
| 3.1 EON中多层虚拟拓扑模型及路由与频谱分配技术 |
| 3.1.1 频谱灵活光网络与路由-频谱分配算法 |
| 3.1.2 基于多层虚拟拓扑的软件定义EON架构 |
| 3.1.3 RSA问题的启发式算法总结 |
| 3.2 基于蚁群优化的路由与频谱分配方案研究 |
| 3.2.1 频谱连贯性指数的统计方法 |
| 3.2.2 基于蚁群优化的最小邻接-备选链路对连贯度损失RSA算法 |
| 3.2.3 基于蚁群优化的最小连贯度损失RSA算法 |
| 3.3 数值仿真和结果 |
| 3.4 本章小结 |
| 参考文献 |
| 第四章 软件定义数据中心网中基于混合轮询的光分组冲突解决方案研究 |
| 4.1 快速光交换技术中的光分组冲突问题 |
| 4.2 基于FOS的OPSquare数据中心网络架构 |
| 4.3 基于混合轮询的光分组冲突解决方案 |
| 4.4 快速光分组交换的架构性能优化 |
| 4.5 光交换原型机中HPACR算法的实验验证 |
| 4.6 DCN中HPACR算法的数值仿真 |
| 4.7 本章小结 |
| 参考文献 |
| 第五章 基于SDN的数据中心网中负载均衡方法研究 |
| 5.1 数据中心网负载均衡技术 |
| 5.2 基于ECMP的OPSquare路由技术 |
| 5.3 基于软件定义的概率路由的负载均衡解决方案 |
| 5.4 结果与分析 |
| 5.5 本章小结 |
| 参考文献 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 附录1: 缩略语列表 |
| 攻读学位期间发表的学术成果 |
四、PKUAS中负载平衡机制的设计与实现（论文参考文献）
- [1]负载铀纤维型偕胺肟基功能高分子材料的解吸行为研究[D]. 侯林怡. 浙江大学, 2021(01)
- [2]面向并行绘制负载平衡的随机森林在线学习研究[D]. 钟原. 四川大学, 2021(01)
- [3]云数据中心任务完成时间相关的节能与均衡优化调度算法[D]. 郭雯霞. 电子科技大学, 2021(01)
- [4]分布式雾计算中任务卸载与负载均衡方案研究[D]. 孙永源. 南京邮电大学, 2020(02)
- [5]软件定义网络中可扩展性相关问题的研究[D]. 候肖兰. 北京邮电大学, 2020(01)
- [6]基于MCM-41介孔分子筛抗氧化活性包装膜的制备及控释行为研究[D]. 孙莉楠. 江南大学, 2020(01)
- [7]基于强化学习的虚拟机自适应迁移策略研究[D]. 杨迪. 重庆邮电大学, 2020(02)
- [8]基于微服务的分布式营销系统的研究与实现[D]. 田苗苗. 烟台大学, 2020(02)
- [9]基于OpenMP的磁壳参数L值并行计算和优化研究[D]. 盛红佼. 中国科学院大学(中国科学院国家空间科学中心), 2020(02)
- [10]基于软件定义网的多维多域光网络带宽资源优化技术研究[D]. 王富. 北京邮电大学, 2020(04)