| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究意义与动机 | 第10-11页 |
| 1.3 本文的主要工作与创新 | 第11页 |
| 1.4 本文的组织结构 | 第11-12页 |
| 1.5 本章小结 | 第12-13页 |
| 第二章 云计算与大数据分析的研究 | 第13-27页 |
| 2.1 云计算的介绍 | 第13-15页 |
| 2.1.1 云计算的基本概念 | 第13-14页 |
| 2.1.2 云计算的特点 | 第14页 |
| 2.1.3 云计算的支撑技术 | 第14-15页 |
| 2.2 大数据的介绍 | 第15-17页 |
| 2.2.1 大数据的产生与关注 | 第15-16页 |
| 2.2.2 大数据的定义与性质 | 第16-17页 |
| 2.2.3 大数据研究的重大意义 | 第17页 |
| 2.3 云计算与大数据分析的关系 | 第17-18页 |
| 2.4 Hadoop概述 | 第18-19页 |
| 2.5 MapReduce编程框架 | 第19-20页 |
| 2.6 Hadoop的分布式文件系统HDFS | 第20-22页 |
| 2.7 分布式数据库HBase | 第22-23页 |
| 2.8 并行编程模式的分析与比较 | 第23-26页 |
| 2.9 本章小结 | 第26-27页 |
| 第三章 Hadoop平台下的作业调度算法分析 | 第27-39页 |
| 3.1 作业调度思想概述 | 第27-31页 |
| 3.1.1 Hadoop资源管理方式 | 第27-28页 |
| 3.1.2 Hadoop中的三级调度模型 | 第28-30页 |
| 3.1.3 TaskScheduler的架构与设计思路 | 第30-31页 |
| 3.2 现有的MapReduce作业调度算法分析 | 第31-38页 |
| 3.2.1 Hadoop中的任务调度算法——先进先出调度算法 | 第31-33页 |
| 3.2.2 Hadoop中的任务调度算法——公平调度算法 | 第33-35页 |
| 3.2.3 Hadoop中的任务调度算法——计算能力调度算法 | 第35-38页 |
| 3.3 Hadoop MapReduce作业的生命周期 | 第38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 基于资源感知的Hadoop调度算法设计 | 第39-55页 |
| 4.1 RAS算法产生的背景 | 第39-40页 |
| 4.2 资源的差异性 | 第40-44页 |
| 4.2.1 计算节点的性能差异性 | 第40-41页 |
| 4.2.2 作业数据量的差异性 | 第41-42页 |
| 4.2.3 任务性质的差异性 | 第42-44页 |
| 4.3 异构集群调度框架研究 | 第44-46页 |
| 4.4 基于资源感知的调度算法的关键技术 | 第46-52页 |
| 4.5 基于资源感知的调度算法 | 第52-53页 |
| 4.6 基于资源感知的调度算法分析 | 第53-54页 |
| 4.7 本章小结 | 第54-55页 |
| 第五章 Hadoop平台搭建和实验分析 | 第55-68页 |
| 5.1 实验平台的选择与配置 | 第55-58页 |
| 5.1.1 配置方案的选择与硬件平台说明 | 第55-56页 |
| 5.1.2 在Windows系统中安装Hadoop | 第56-58页 |
| 5.2 作业调度器的配置 | 第58-63页 |
| 5.2.1 公平份额调度算法的配置 | 第58-60页 |
| 5.2.2 计算能力调度算法的配置 | 第60-61页 |
| 5.2.3 MapReduce程序的运行方式 | 第61-63页 |
| 5.3 实验验证 | 第63-67页 |
| 5.3.1 评估方法 | 第63页 |
| 5.3.2 实验及其结果分析 | 第63-66页 |
| 5.3.3 实验结论总结 | 第66-67页 |
| 5.4 本章小结 | 第67-68页 |
| 第六章 结束语 | 第68-70页 |
| 6.1 研究工作总结 | 第68-69页 |
| 6.2 未来工作展望 | 第69-70页 |
| 参考文献 | 第70-72页 |
| 攻读硕士学位期间参加的科研项目及完成的论文 | 第72-73页 |
| 致谢 | 第73页 |
