本書是近些年編者及其所屬團隊在云訓練領(lǐng)域進行理論研究和應用探索的基礎上總結(jié)而成的。本書介紹了網(wǎng)絡化模擬訓練背景下，依托系統(tǒng)建模與仿真技術(shù)、云計算相關(guān)技術(shù)及神經(jīng)網(wǎng)絡、人工兔疫等相關(guān)技術(shù)，實現(xiàn)云訓練系統(tǒng)構(gòu)建、虛擬機放置調(diào)度、虛擬機資源優(yōu)化和訓練系統(tǒng)容錯的方法和途徑。本書核心內(nèi)容是laaS(基礎設施即服務，InfrastructureasaService)模式云訓練系統(tǒng)及其資源管理調(diào)度方法，總共分為6章。第1章為緒論，介紹了-脈相承的云計算、云仿真和云訓練相關(guān)內(nèi)容；對云訓練進行了歸類，并重點對SaaS和laaS兩種模式進行了剖析和比較。第2章介紹了laaS模式云訓練系統(tǒng)基礎架構(gòu)設計，解決制約虛擬訓練節(jié)點3D任務處理性能的瓶頸一虛擬GPU共享問題，并定性和定量地對虛擬GPU性能進行了評估；總結(jié)了云訓練系統(tǒng)管理功能，梳理了不同管理功能模塊之間的關(guān)系與信息流。第3章針對訓練虛擬機在服務器中的放置問題，分析了虛擬機放置的原則與目標，對人工免疫算法進行改進，介紹了一種基于約束免疫優(yōu)勢與記憶克隆的訓練虛擬機放置優(yōu)化算法。第4章針對虛擬機運行時的資源配置調(diào)度問題，在分析系統(tǒng)任務與資源需求特點的基礎上，介紹了一種基于集成模型和優(yōu)化神經(jīng)網(wǎng)絡的資源需求預測與調(diào)度算法。第5章介紹了一種基于減模糊聚類的模糊神經(jīng)網(wǎng)絡預測算法實現(xiàn)多步預測并改善預測精度。第6章則針對如何保證系統(tǒng)容錯效果的基礎上降低容錯開銷，介紹了一種檢查點-副本遷移相結(jié)合的系統(tǒng)自適應容錯調(diào)度優(yōu)化方法。