本书系统性地探讨了数据中心智能调度的核心技术与实际应用，涵盖数据中心和云计算概述、大数据处理的技术要点，以及人工智能平台的资源调度方法等内容。同时，书中深入解析了云服务负载预测方法、可再生能源的自适应管理方法、基于虚拟机整合的自适应节能调度方法，以及MapReduce和Spark调度方法的实际应用。此外，本书重点介绍了TensorFlow的高效分布式并行算法，以及基于深度学习和模仿学习的任务完工时间优化调度，为研究人员和工程师提供了创新性的解决方案和理论指导。本书适合从事数据中心、云计算、大数据及人工智能领域的技术研发人员、工程师，以及高校师生参考使用，为数据中心智能化管理提供全面的技术支持和实践指南。
1.1 数据中心简介 .2
1.2 云计算数据中心资源调度需求分析 .4
1.3 云计算数据中心资源调度研究进展 .5
1.4 云计算数据中心资源调度方案分析 .6
1.5 云计算数据中心资源调度标准进展 17
1.6 云资源管理调度关键技术及研究热点 18
本章小结 20
思考题21
参考文献 21
第2章 云计算概述 .25
2.1 云计算的发展背景 26
2.2 云计算是集大成者 28
2.3 云计算的驱动因素 .31
2.4 云计算产业链中的不同角色 .36
2.5 云计算的主要特征和技术挑战 .37
本章小结 .46
思考题 .46
参考文献 .46
第3章 大数据处理 .51
3.1 大数据的发展背景及定义 .52
3.2 大数据问题 .55
3.3 大数据与云计算的辩证关系 .60
3.4 大数据技术 .61
本章小结 .75
思考题 .76
参考文献 .76
第4章 人工智能平台的资源调度概述 .78
4.1 引言 79
4.2 深度学习的分布式并行训练系统架构 79
4.3 深度学习的分布式并行策略 81
4.4 分布式并行训练的时效分析 91
本章小结 96
思考题96
参考文献 97
第5章 基于深度学习的云服务负载预测方法 .99
5.1 引言 .100
5.2 相关工作 .101
5.3 系统模型 .104
5.4 esDNN：基于高效监督学习的深度神经网络 .106
5.5 性能测试 .112
本章小结 .119
思考题.120
参考文献 .120
第6章 云应用程序和可再生能源的自适应管理方法 .123
6.1 引言 .124
6.2 相关工作 .125
6.3 系统模型 .127
6.4 问题建模 .129
6.5 根据可再生资源进行调度决策 .132
6.6 原型系统的实现 .137
6.7 性能评估 .139
本章小结 .145
思考题 .145
参考文献 .146
第7章 云计算环境下基于虚拟机整合的自适应节能调度 .149
7.1 绪论 .150
7.2 虚拟机整合技术 .150
7.3 相关研究工作 .152
7.4 问题定义 .153
7.5 数据中心能耗模型 .154
7.6 SAVE算法描述 .158
7.7 实验验证与分析 .165
本章小结 .175
思考题.175
参考文献 .175
第8章 MapReduce模型中数据倾斜问题的算法 .177
8.1 绪论 .178
8.2 数据倾斜相关理论研究 .181
8.3 多任务数据倾斜调度算法设计 .193
8.4 单任务数据倾斜算法设计 .203
8.5 系统测试和分析 .212
本章小结 .220
思考题.221
参考文献 .221
第9章 Spark中的数据均衡分配算法研究 .223
9.1 Spark设计思想 .224
9.2 Spark数据存储体系 .227
9.3 Spark Shuffle分析 .230
9.4 Spark分区方法 .233
9.5 问题描述与建模 .235
9.6 数据均衡分配算法整体设计 .237
9.7 算法复杂度分析 .246
9.8 MRFair概述 .246
9.9 MRFair倾斜检测时机及算法 .249
9.10 MRFair数据重新分配时机及算法 .250
9.11 MRFair核心模块 .253
9.12 系统测试环境 .255
9.13 Reduce Partition数据均衡分配算法测试 .257
9.14 MRFair数据均衡分配算法测试 .263
本章小结 .266
思考题.267
参考文献 .267
第10章 深度学习框架TensorFlow的高效分布式并行算法研究 .269
10.1 分布式并行算法的背景及意义 .270
10.2 研究现状及内容 .272
10.3 深度学习理论研究 .273
10.4 TensorFlow深度学习框架研究 .277
10.5 TensorFlow分布式架构分析 .285
10.6 优化算法设计与实现 .289
10.7 实验环境配置 .304
10.8 实验结果展示与分析 .307
本章小结 .314
思考题 .314
参考文献 .314
第11章 基于深度强化学习和模仿学习的任务完工时间优化调度 .317
11.1 任务调度 .318
11.2 相关研究 .321
11.3 云资源调度问题定义 .322
11.4 调度方案 .327
11.5 算法分析 .333
11.6 实验分析与验证 .337
本章小结 .341
思考题 .341
参考文献 .342
第12章 总结与展望 .345
12.1 绿色节能数据中心的综合解决方案.346
12.2 多数据中心（多调度域）的调度策略和算法动态可选择 .348
12.3 支持深度学习模型的分布式并行调度 .349
12.4 从基础资源调度拓展到应用任务调度 .350
参考文献 .351
点击下载