云环境下海量数据查询处理与分析技术研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-17页 |
| ·课题研究背景和意义 | 第10-11页 |
| ·国内外研究现状和分析 | 第11-14页 |
| ·本文的主要工作 | 第14-15页 |
| ·本文的组织结构 | 第15-17页 |
| 第二章 相关技术背景 | 第17-28页 |
| ·MapReduce模型 | 第17-20页 |
| ·MapReduce产生背景 | 第17-18页 |
| ·MapReduce编程模型 | 第18-19页 |
| ·MapReduce实现机制 | 第19-20页 |
| ·kNN查询技术 | 第20-24页 |
| ·kNN查询的意义 | 第20页 |
| ·kNN查询方法简介 | 第20-22页 |
| ·基于R树的kNN查询 | 第22-23页 |
| ·基于Voronoi的kNN查询 | 第23-24页 |
| ·基于空间填充曲线的kNN查询 | 第24页 |
| ·聚类分析算法概况 | 第24-27页 |
| ·聚类分析方法分类 | 第24-26页 |
| ·几种常用聚类分析算法 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 云环境下基于数据流的K近邻连接算法 | 第28-40页 |
| ·kNN join查询定义 | 第28-29页 |
| ·基于数据流的计算框架及IPO运行模型 | 第29-30页 |
| ·基于数据流的框架下kNN Join算法 | 第30-34页 |
| ·z-order曲线的划分算法 | 第31-33页 |
| ·基于数据流的kNNJ查询算法 | 第33-34页 |
| ·代价分析 | 第34-35页 |
| ·通信代价 | 第34-35页 |
| ·计算代价 | 第35页 |
| ·I/O代价 | 第35页 |
| ·实验结果与分析 | 第35-39页 |
| ·实验设置 | 第35-36页 |
| ·结果分析 | 第36-39页 |
| ·本章小结 | 第39-40页 |
| 第四章 云环境下基于数据流的kMeans聚类算法 | 第40-49页 |
| ·传统的kMeans聚类算法 | 第40-41页 |
| ·基于MapReduce的kMeans聚类算法 | 第41-42页 |
| ·基于数据流的kMeans聚类算法 | 第42-45页 |
| ·基于数据流的初始聚类中心选择算法 | 第42-43页 |
| ·基于数据流的kMeans算法（DKmeans） | 第43-45页 |
| ·代价分析 | 第45页 |
| ·实验与性能评估 | 第45-48页 |
| ·实验设置 | 第45-46页 |
| ·实验结果分析 | 第46-48页 |
| ·本章小结 | 第48-49页 |
| 第五章 基于Hive改进的大数据查询分析系统 | 第49-63页 |
| ·改进Hive大数据查询分析系统的背景及目的 | 第49-50页 |
| ·Hive体系结构及改进部分介绍 | 第50-51页 |
| ·Hive改进模块的设计与实现 | 第51-62页 |
| ·词法语法分析模块 | 第51-55页 |
| ·语义分析模块 | 第55-57页 |
| ·逻辑计划生成与优化 | 第57-59页 |
| ·物理计划生成与优化 | 第59-61页 |
| ·kNN join与kMeans语句执行流程 | 第61-62页 |
| ·本章小结 | 第62-63页 |
| 第六章 结束语 | 第63-65页 |
| ·本文小结 | 第63-64页 |
| ·本文的不足和未来的研究方向 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70-71页 |
| 在学期间的研究成果及发表的学术论文 | 第71页 |
