計算機系統(tǒng)的性能建模與設(shè)計：排隊論實戰(zhàn)

出版者的話
譯者序
序言
前言
致謝
第一部分　排隊論簡介
第1章　分析建模的功能及實例2
　1.1　什么是排隊論2
　1.2　排隊論實例3
第2章　排隊論術(shù)語8
　2.1　我們將去向何方8
　2.2　單服務器網(wǎng)絡8
　2.3　排隊網(wǎng)絡的分類9
　2.4　開放網(wǎng)絡10
　2.5　更多指標：吞吐量和利用率10
　2.6　封閉網(wǎng)絡12
　　2.6.1　交互式（終端驅(qū)動）系統(tǒng)13
　　2.6.2　批處理系統(tǒng)14
　　2.6.3　封閉系統(tǒng)中的吞吐量14
　2.7　封閉網(wǎng)絡和開放網(wǎng)絡之間的差異15
　2.8　閱讀材料16
　2.9　習題16
第二部分　必要的概率背景知識
第3章　概率知識復習18
　3.1　樣本空間和事件18
　3.2　事件定義的概率18
　3.3　事件的條件概率19
　3.4　獨立事件和有條件獨立事件20
　3.5　總概率定律21
　3.6　貝葉斯定律22
　3.7　離散隨機變量與連續(xù)隨機變量22
　3.8　概率和密度23
　　3.8.1　離散：概率質(zhì)量函數(shù)23
　　3.8.2　連續(xù)：概率密度函數(shù)25
　3.9　期望和方差27
　3.10　聯(lián)合概率和獨立性29
　3.11　條件概率和期望30
　3.12　基于條件化的概率和期望34
　3.13　期望的線性性質(zhì)35
　3.14　正態(tài)分布36
　　3.14.1　線性變換特性37
　　3.14.2　中心極限定理39
　3.15　隨機變量的隨機數(shù)的和40
　3.16　習題41
第4章　生成用于模擬的隨機變量45
　4.1　逆變換方法45
　　4.1.1　連續(xù)情況45
　　4.1.2　離散情況46
　4.2　接受拒絕方法47
　　4.2.1　離散情況47
　　4.2.2　連續(xù)情況48
　　4.2.3　一些更難的問題50
　4.3　閱讀材料50
　4.4　習題50
第5章　樣本路徑、收斂和均值52
　5.1　收斂52
　5.2　強/弱大數(shù)定律55
　5.3　時間均值與整體均值56
　　5.3.1　動機56
　　5.3.2　定義57
　　5.3.3　解釋57
　　5.3.4　等價性58
　　5.3.5　模擬59
　　5.3.6　系統(tǒng)時間均值60
　5.4　閱讀材料60
　5.5　習題60
第三部分　簡單運籌定律的預測能力：“假設(shè)”問題和答案
第6章　Little定律和其他運籌定律62
　6.1　開放系統(tǒng)的Little定律62
　6.2　直覺62
　6.3　封閉系統(tǒng)的Little定律63
　6.4　開放系統(tǒng)的Little定律證明63
　　6.4.1　基于時間均值的陳述64
　　6.4.2　證明64
　　6.4.3　推論65
　6.5　封閉系統(tǒng)的Little定律證明66
　　6.5.1　基于時間均值的陳述66
　　6.5.2　證明66
　6.6　廣義的Little定律67
　6.7　應用Little定律的示例67
　6.8　更多運籌定律：強制流定律69
　6.9　運籌定律組合70
　6.10　設(shè)備需求72
　6.11　與Little定律相關(guān)的閱讀和其他主題73
　6.12　習題73
第7章　修改分析：封閉系統(tǒng)的“假設(shè)”75
　7.1　回顧75
　7.2　封閉系統(tǒng)的漸近界限76
　7.3　封閉系統(tǒng)的修改分析78
　7.4　更多修改分析示例78
　7.5　封閉網(wǎng)絡和開放網(wǎng)絡的比較80
　7.6　閱讀材料81
　7.7　習題81
第四部分　從馬爾可夫鏈到簡單隊列
第8章　離散時間馬爾可夫鏈84
　8.1　離散時間與連續(xù)時間馬爾可夫鏈84
　8.2　DTMC的定義85
　8.3　有限狀態(tài)DTMC的示例85
　　8.3.1　維修設(shè)施問題85
　　8.3.2　雨傘問題86
　　8.3.3　程序分析問題86
　8.4　P的冪：n步轉(zhuǎn)移概率87
　8.5　平穩(wěn)方程88
　8.6　平穩(wěn)分布等于極限分布89
　8.7　求解平穩(wěn)方程的示例90
　　8.7.1　維修設(shè)施成本問題90
　　8.7.2　雨傘問題91
　8.8　無限狀態(tài)DTMC91
　8.9　無限狀態(tài)平穩(wěn)性結(jié)果91
　8.10　求解無限狀態(tài)DTMC中的平穩(wěn)方程93
　8.11　習題95
第9章　遍歷性理論97
　9.1　遍歷性問題97
　9.2　有限狀態(tài)DTMC98
　　9.2.1　極限分布的存在98
　　9.2.2　訪問狀態(tài)之間的平均時間101
　　9.2.3　時間均值102
　9.3　無限狀態(tài)馬爾可夫鏈102
　　9.3.1　常返與瞬時103
　　9.3.2　無限隨機游走示例106
　　9.3.3　正常返與零常返108
　9.4　馬爾可夫鏈的遍歷定理109
　9.5　時間均值110
　9.6　極限概率解釋為速率112
　9.7　時間可逆性定理113
　9.8　當鏈是周期性的或者不可約的114
　　9.8.1　周期鏈115
　　9.8.2　不可約的鏈119
　9.9　結(jié)論119
　*9.10　馬爾可夫鏈的遍歷定理的證明119
　9.11　習題124*
第10章　真實世界的示例：Google、Aloha和Harder Chains129
　10.1　Google的PageRank算法129
　　10.1.1　Google的DTMC算法129
　　10.1.2　真實網(wǎng)絡圖的問題131
　　10.1.3　死角和蜘蛛陷阱問題的Google解決方案131
　　10.1.4　PageRank算法的評估132
　　10.1.5　實際實現(xiàn)的注意事項132
　10.2　Aloha協(xié)議分析132
　　10.2.1　Slotted Aloha協(xié)議133
　　10.2.2　Aloha馬爾可夫鏈133
　　10.2.3　Aloha馬爾可夫鏈的性質(zhì)134
　　10.2.4　改進Aloha協(xié)議135
　10.3　Aloha為更難的馬爾可夫鏈生成函數(shù)136
　　10.3.1　z變換136
　　10.3.2　求解鏈136
　10.4　閱讀材料138
　10.5　習題138
第11章　指數(shù)分布和泊松過程141
　11.1　指數(shù)分布的定義141
　11.2　指數(shù)的無記憶特性142
　11.3　通過δ-步將指數(shù)與幾何相關(guān)聯(lián)143
　11.4　指數(shù)的更多屬性144
　11.5　著名的泊松過程146
　11.6