第一部分 云平台、大数据与认知计算 2
第1章 云计算系统原理 2
1.1可扩展计算的弹性云系统 2
1.1.1云计算的驱动技术 2
1.1.2可扩展的分布式/并行计算的演化 3
1.1.3云系统中的虚拟资源 5
1.1.4云计算与本地计算 7
1.2云平台架构与分布式系统的比较 8
1.2.1基本云平台的架构 8
1.2.2公共云、私有云、社区云和混合云 10
1.2.3物理集群与虚拟集群 12
1.2.4云与传统并行/分布式系统的比较 14
1.3云服务模型、生态系统与可扩展性分析 16
1.3.1云服务模型：IaaS、PaaS和SaaS 16
1.3.2云性能分析与可扩展性定理 18
1.3.3云生态系统与用户环境 20
1.3.4云计算的技术成熟度曲线 23
1.3.5云计算与其他技术的关系 24
1.4集群的可用性、移动性和优化 26
1.4.1云服务器集群的可用性分析 26
1.4.2虚拟集群操作中的容错 28
1.4.3云中多服务器集群的排队模型 29
1.4.4云计算的多服务器集群优化 30
1.5结论 32
习题 33
参考文献 35
第2章 数据分析、物联网与认知计算 37
2.1大数据科学与应用面临的挑战 37
2.1.1数据科学与大数据特征 37
2.1.2物联网的技术成熟度曲线 38
2.1.3走向大数据工业 40
2.1.4大数据应用概述 41
2.2物联网与云平台的互动模式 44
2.2.1IoT感知与平台架构 45
2.2.2IoT价值链与发展路线 47
2.2.3独立使用和与云平台结合的IoT应用 49
2.2.4智慧城市与智慧社区的发展 52
2.3在云平台上的数据收集、挖掘与分析 54
2.3.1数据质量控制与表达 54
2.3.2数据挖掘与分析 57
2.3.3在云平台上提升数据分析能力 59
2.3.4支撑大数据分析的云资源 61
2.4神经形态硬件与认知计算 63
2.4.1认知计算与神经形态处理器 63
2.4.2IBM SyNAPSE与相关的神经类脑计算机项目 66
2.4.3中国科学院的神经处理器Cambricon 68
2.4.4Google TPU与相关的人工智能应用 68
2.5结论 70
习题 71
参考文献 72
第二部分 云系统架构与服务平台设计 74
第3章 虚拟机、Docker容器和服务器集群 74
3.1云计算系统中的虚拟化 74
3.1.1虚拟化的基本概念 74
3.1.2虚拟化的实现层级 75
3.1.3集群或云系统中的资源虚拟化 78
3.2用于创建虚拟机的虚拟机监控器 79
3.2.1虚拟机架构类型 79
3.2.2完全虚拟化和托管虚拟化 81
3.2.3修改客户操作系统的半虚拟化 83
3.2.4平台虚拟化软件产品与工具包比较 85
3.3Docker引擎和应用程序容器 86
3.4Docker容器和部署要求 89
3.4.1使用Linux内核函数创建的Docker容器 89
3.4.2虚拟机与Docker容器的比较 91
3.4.3从虚拟机到容器和unikernel的架构演变 92
3.5虚拟机管理和容器编排 94
3.5.1虚拟机管理解决方案 94
3.5.2用于灾难恢复的虚拟机迁移 95
3.5.3Docker容器调度和编排 98
3.6Eucalyptus、OpenStack和VMware云构建 100
3.6.1私有云中的Eucalyptus虚拟集群 100
3.6.2用于构建私有云或公共云的OpenStack软件 102
3.6.3支持构建混合云的VMware虚拟化 103
3.7结论 105
习题 105
参考文献 107
第4章 云架构与服务平台设计 109
4.1云架构与基础设施设计 109
4.1.1公共云平台及其服务项目 109
4.1.2云服务的商业模型 111
4.1.3数据中心到云平台的转换 113
4.1.4资源弹性配置方法 117
4.2虚拟集群的动态配置 119
4.2.1虚拟集群配置项目 119
4.2.2虚拟集群配置自适应 121
4.2.3数据中心集群的虚拟化支持 122
4.2.4VMware vSphere6：商用云操作系统 123
4.3AWS云及其服务项目 124
4.3.1三大云架构与服务融合 124
4.3.2AWS EC2计算引擎和S3存储云服务 127
4.3.3其他AWS云服务产品 129
4.4Google AppEngine与MicrosoAzure 133
4.4.1Google AppEngine及其计算引擎 133
4.4.2Google硬件/软件支持下的机器学习服务 137
4.4.3Microsoft Azure云及其服务项目 138
4.5Salesforce、IBM SmartCloud及其他云平台 141
4.5.1用于SaaS服务的S alesforce云平台 141
4.5.2IBM SmartCloud云平台、物联网及认知项目 143
4.5.3SGI、NASA和CERN建立的云平台 145
4.6结论 148
习题 149
参考文献 150
第5章 移动云、物联网、社交媒体与混搭云服务 153
5.1无线互联网与移动云计算 153
5.1.1移动设备与边际互联子网 153
5.1.2WiFi、蓝牙和无线传感器网络 155
5.1.3移动云计算的微云网 156
5.1.4移动云与托管云 158
5.2物联网感知以及与云的交互 160
5.2.1本地与全球定位系统 161
5.2.2构建移动云的无线接入网 162
5.2.3物联网和云的互动框架与设备 164
5.3社交媒体应用中的云计算 167
5.3.1社交媒体大数据工业应用 167
5.3.2社交网络与应用编程接口 170
5.3.3社交图的特性与表示 172
5.3.4智慧云的社交图分析 175
5.4多云混搭架构与服务 176
5.4.1混搭云的敏捷性与可扩展性 177
5.4.2混搭云服务架构 179
5.4.3混搭云服务的Skyline发现 182
5.4.4混搭云服务的动态组成 184
5.5结论 185
习题 185
参考文献 187
第三部分 机器学习原理与人工智能机器 190
第6章 机器学习算法与预测模型拟合 190
6.1机器学习方法的分类 190
6.1.1机器学习算法的种类 190
6.1.2监督式机器学习算法 192
6.1.3无监督机器学习算法 193
6.2监督式回归与分类方法 193
6.2.1预测的线性回归方法 194
6.2.2机器学习的决策树 199
6.2.3贝叶斯分类与训练样本 202
6.2.4支持向量机 205
6.3聚类方法与降维方法 207
6.3.1聚类分析与k均值聚类 207
6.3.2降维方法与强化学习 210
6.3.3主成分分析方法 212
6.3.4半监督学习方法 214
6.4机器学习的建模方法 216
6.4.1模型拟合的性能指标 216
6.4.2降低模型过拟合的方法 217
6.4.3避免欠拟合的方法 219
6.4.4选择机器学习算法 219
6.5结论 221
习题 221
参考文献 224
第7章 智能机器与深度学习网络 225
7.1人工智能机器的发展 225
7.1.1智能机器的技术成熟度曲线 225
7.1.2谷歌人工智能产品及服务进展 226
7.1.3IBM与其他公司的认知服务 230
7.1.4Intel、Nvidia和CAS/ICT的深度学习芯片 231
7.2增强现实、虚拟现实与区块链技术 233
7.2.1增强、介导与虚拟现实 234
7.2.2虚拟现实与相关产品 235
7.2.3区块链在商业交易安全中的应用 236
7.3深度学习人工神经网络 237
7.3.1深度学习模仿人类认知功能 237
7.3.2ANN的演进和应用 239
7.3.3人工神经元的数学描述 240
7.3.4多层ANN 241
7.3.5ANN的正向传播与反向传播 244
7.4深度学习网络的分类 247
7.4.1深度学习网络的类型 247
7.4.2卷积神经网络 248
7.4.3深度神经网络的连接性能 252
7.4.4循环神经网络 252
7.5深度学习应用与其他认知功能 255
7.5.1受限玻尔兹曼机 255
7.5.2深度信念网络 256
7.5.3深度学习与脑功能开发 257
7.6结论 258
习题 258
参考文献 261
第四部分 云编程、性能提升与数据安全 264
第8章 基于Hadoop和Spark的云计算 264
8.1大型集群的可扩展并行计算 264
8.1.1可扩展计算的特点 264
8.1.2从MapReduce到Hadoop和Spark 265
8.1.3大数据处理的应用软件库 266
8.2Hadoop及其HDFS和YARN 267
8.2.1MapReduce云计算引擎 267
8.2.2用于并行矩阵乘法的MapReduce 271
8.2.3Hadoop架构及其最新扩展 273
8.2.4Hadoop分布式文件系统 276
8.2.5Hadoop YARN资源管理系统 279
8.3Spark核心组件和弹性分布式数据集 280
8.3.1Spark通用核心组件 280
8.3.2弹性分布式数据集 282
8.3.3用于DAG的RDD 284
8.4Spark SQL和流编程 287
8.4.1具有结构化数据的Spark SQL 287
8.4.2使用实时数据流的Spark Streaming 288
8.4.3Spark Streaming应用示例 290
8.5用于机器学习的Spark MLlib和用于图像处理的GraphX 291
8.5.1用于机器学习的Spark MLlib库 292
8.5.2MLlib应用示例 293
8.5.3用于图像处理的Spark GraphX 294
8.5.4GraphX编程示例 295
8.6结论 299
习题 300
参考文献 304
第9章 TensorFlow、Keras、DeepMind和图分析 306
9.1神经网络计算平台TensorFlow 306
9.1.1TensorFlow的关键概念 306
9.1.2张量、变量、输入和提取操作 309
9.1.3分布式TensorFlow执行环境 310
9.1.4TensorFlow程序的执行会话 313
9.2用于深度学习的TensorFlow系统 315
9.2.1分层TensorFlow系统架构 315
9.2.2TensorFlow在不同主机上的安装 317
9.2.3分布式资源共享的TensorFlow生态系统 319
9.2.4TensorFlow用于手写数字识别 320
9.2.5TensorFlow用于认知服务 323
9.3Google DeepMind及其他AI计划 326
9.3.1强化深度学习算法 326
9.3.2政策网络与价值网络的互动 328
9.3.3AlphaGo计划中的强化学习 330
9.3.4英国DeepMind Health项目 332
9.4预测软件库、Keras库、DIGITS库和图库 333
9.4.1用于认知应用的预测软件库 333
9.4.2用于深度学习的Keras库和DIGITS5 335
9.4.3云中的图并行计算 338
9.4.4社交网络中的社区检测 339
9.5结论 342
习题 342
参考文献 343
第10章 云性能、安全和数据隐私 344
10.1引言 344
10.1.1什么是云性能和QoS 344
10.1.2如何保护云和共享数据 345
10.2云性能指标和基准 346
10.2.1自动扩展、横向扩展和放大策略 347
10.2.2云性能指标 350
10.2.3雷达图表示的云性能模型 353
10.3云基准结果的性能分析 357
10.3.1可扩展云性能的弹性分析 357
10.3.2横向扩展、放大和混合扩展性能 358
10.3.3扩展策略的优缺点 360
10.4云安全和数据隐私保护 362
10.4.1云安全和隐私问题 362
10.4.2云安全基础设施 364
10.4.3移动云和安全威胁 369
10.5云和数据中心的信任管理 370
10.5.1分布式入侵和异常检测 370
10.5.2云中基于信誉的信任管理 371
10.5.3多个数据中心的P2P信任覆盖网络 374
10.6结论 377
习题 377
参考文献 379
索引 381