臺灣博碩士論文加值系統

雲端運算是繼Web 2.0後最重要的科技產業趨勢，雲端運算的使用者透過網路存取並依照其需求快速部署可量化共享資源的服務。虛擬化技術、虛擬網路、與虛擬儲存技術具體實現了雲端運算超大型、無限延展、與彈性使用的特質。為因應日新月異的雲端應用，雲端資料中心陸續擴充CPU與GPU架構的高度異質性實體機器與網路設備。雲端系統以web介面提供服務，使用者登入網頁後依所需要求以CPU或GPU為基礎之雲端服務；若雲端系統尚有足夠資源則使用者可立即取得所需之服務，否則使用者必須在queue中等待。
為探討雲端資料中心在提供QoS服務品質要求下所需的CPU主機與GPU主機數量，在本文中，我們建立具備兩種不同類型主機的異質雲端資料中心排隊模型，考慮資料中心共有 台實體主機，其中 台CPU實體機器， 台GPU實體機器，假設雲端CPU與GPU計算服務請求的到達率是卜瓦松分配(Poisson distribution)，其參數分別為 與 ，而CPU與GPU實體主機的服務時間是指數分配(exponential distribution)，其參數則分別為 與 。另外，我們也考慮異質雲端資料中心的總等候服務人數為 ，其中等候CPU計算服務的人數為 ，等候GPU計算服務的人數為 。
我們先繪製狀態轉移圖並建立穩態方程式，接著計算出穩態解，再計算系統效能測度，並定義成本函數（Cost Function）。最後，我們利用粒子群優化演算法（Particle Swarm Optimization）求取最佳解，亦即在提供QoS服務品質的前提下何種系統配置能得到最低的成本。

Cloud computing is a significant trend of high-tech industry after Web 2.0. According to the demands from users of cloud computing, cloud administrator can quickly deploy the services based on quantifiable shared-resource by accessing the internet. Virtualization, virtual network, and virtual storage technology concretely actualize the characteristics of cloud computing, which are large-scale, infinite extensibility, and flexible usage. Due to the rapidly change of cloud applications, cloud data centers successively add CPU-based and GPU-based physical machines and network equipment with high heterogeneity. Cloud systems provide services by web interface, and as users log into the websites, they obtain the requesting cloud services based on CPU or GPU. If there is still enough resource in the cloud system, users can obtain the service which they need immediately. Otherwise, they have to wait in the queue.
In order to study the requiring numbers of CPU and GPU hosts, which cloud data center can maintain the quality of service, we build a heterogeneous cloud data center queueing model with two different types of hosts. Consider that there are L hosts in the data center, and N of them are CPU- hosts, the others of them are GPU-hosts. Suppose the arrival rates of demands from requesting CPU’s and GPU’s computation are λ_1 and λ_2 respectively, the time of service rates of CPU- hosts and GPU- hosts are μ_1 and μ_2 respectively, too. We also let the total number of customers waiting for services be R. Among them, r wait for CPU’s computation, and R-r wait for GPU’s computation. At last, we assume that λ_1 and λ_2 are based on Poisson distribution, as for μ_1 and μ_2 are based on exponential distribution.
First, we will construct the state-transition-rate diagram and steady-state equations. Secondly, calculate the steady-state equations and system performance measurement. Thirdly, define the cost function. Finally, we apply the Particle Swarm Optimization to obtain the optimal solution, which means under what kind of configuration we can get the minimum cost.

目錄
第一章 緒論 1
第一節 雲端運算 1
第二節 排隊理論 2
第三節 問題敘述 2
第四節 相關研究 4
第五節 論文架構 5
第二章 穩態結果 6
第一節 穩態方程式 6
第二節 系統效能測度 9
第三章 粒子群優化演算法 16
第一節 粒子群優化演算法的原理 16
第二節 粒子群優化演算法的參數設置 18
第四章 成本分析 23
第一節 定義成本函數 23
第二節 利用粒子群優化演算法求出最佳解 25
第五章 結論與未來研究方向 33
參考文獻 34

[1]黃威智（2006），運用有限和無限排隊理論方法與模擬程序於軟體可靠度之預測和評估，清華大學資訊工程學系學位論文，新竹市。
[2]廖慶榮（2009），作業研究，二版，第18章，華泰文化事業股份有限公司，臺北市。
[3]楊媁萍（2011），雲端運算混搭服務性能分析技術之研究，交通大學電信工程系所學位論文，新竹市。
[4]王靜萍（2012），以粒子群優化演算法計算具有阻礙，放棄及暖備轉換失敗之機器修理問題的最高利潤，中興大學應用數學系中等學校教師在職進修數學教學碩士學位班碩士學位論文，臺中市。
[5]郭瓊穗（2012），以粒子群優化演算法計算具有阻礙，放棄及服務壓力係數之暖備機器修理問題的最低成本，中興大學應用數學系中等學校教師在職進修數學教學碩士學位班碩士學位論文，臺中市。
[6]林志穎（2016），雲端網路之數學模型與延遲分析，暨南大學電機工程學系通訊工程學位論文，南投縣。
[7]陳鵬文（2016），雲端運算軟體服務的資源部署策略，大同大學資訊經營學系所碩士論文，台北市。
[8]藍梓恆（2016），結合雲端運算之綠色供應鏈網路設計，東華大學資訊工程學系碩士論文，花蓮縣。
[9]江依儒（2017），雲端系統任務調度機制與資源配置之研究，中興大學電機工程學系所學位論文，臺中市。
[10]郭文洲（2017），雲端運算環境之彈性系統架構效能分析，中原大學資訊管理研究所碩士論文，桃園市。
[11]CYBERNET思渤科技（2009），Maple 12 中文導覽說明書，http://cybernet-ap.com.tw/zh.php，上網日期：2015-05-13。
[12]洪維恩（2011），臺北市立建國高級中學 Maple 9 研習講義，http://math1.ck.tp.edu.tw/，上網日期：2015-04-16。
[13]單維彰（2000），計算機概論十六講－Maple線上教材，http://bcc16.ncu.edu.tw/B/maple/，上網日期：2015-04-28。
[14]Randolph W.Hall (1991), Queueing Methods for Services and Manufacturing, University of California at Berkeley.
[15]Eberhart, R., & Kennedy, J. (1995, October). A new optimizer using particle swarm theory. In Micro Machine and Human Science, 1995. MHS'95., Proceedings of the Sixth International Symposium on (pp. 39-43). IEEE.
[16]Kennedy, J., & Eberhart, R. C. (1997, October). A discrete binary version of the particle swarm algorithm. In Systems, Man, and Cybernetics, 1997. Computational Cybernetics and Simulation., 1997 IEEE International Conference on (Vol. 5, pp. 4104-4108). IEEE.
[17]Shi, Y., & Eberhart, R. C. (1998, March). Parameter selection in particle swarm optimization. In International conference on evolutionary programming (pp. 591-600). Springer, Berlin, Heidelberg.
[18]Shi, Y., & Eberhart, R. (1998, May). A modified particle swarm optimizer. In Evolutionary Computation Proceedings, 1998. IEEE World Congress on Computational Intelligence., The 1998 IEEE International Conference on (pp. 69-73). IEEE.
[19]Kennedy, J. (2011). Particle swarm optimization. In Encyclopedia of machine learning (pp. 760-766). Springer US.
[20]Particle Swarm Optimization, http://www.swarmintelligence.org/index.php. Accessed 07 May 2015.