| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 引言 | 第11-17页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 分布式计算框架性能预测的研究现状 | 第12-13页 |
| 1.2.2 Spark性能预测研究现状 | 第13-14页 |
| 1.3 论文主要研究内容 | 第14-15页 |
| 1.4 论文的结构安排 | 第15-17页 |
| 第2章 Spark框架概述和作业运行信息提取 | 第17-27页 |
| 2.1 Spark框架概述 | 第17-23页 |
| 2.1.1 Spark框架简介 | 第17-18页 |
| 2.1.2 Stage划分原理 | 第18-20页 |
| 2.1.3 DAG图分析 | 第20-21页 |
| 2.1.4 Spark作业运行机制分析 | 第21-23页 |
| 2.2 Spark作业运行信息提取 | 第23-25页 |
| 2.2.1 作业运行信息提取方式概述 | 第23-24页 |
| 2.2.2 测试作业类型选取标准 | 第24-25页 |
| 2.3 本章小结 | 第25-27页 |
| 第3章 Spark性能影响因素和作业相似性判断 | 第27-38页 |
| 3.1 性能影响因素分析 | 第27-32页 |
| 3.1.1 Spark作业的设计逻辑 | 第27-28页 |
| 3.1.2 SparkShuffle过程 | 第28-30页 |
| 3.1.3 集群资源分配 | 第30-32页 |
| 3.2 作业相似性判断 | 第32-37页 |
| 3.2.1 常见的相似性度量算法 | 第32-34页 |
| 3.2.2 Spark作业相似性判断 | 第34-37页 |
| 3.3 本章小结 | 第37-38页 |
| 第4章 基于机器学习的Spark作业性能预测模型 | 第38-55页 |
| 4.1 Spark作业性能量化 | 第38-39页 |
| 4.2 关键阶段 | 第39-44页 |
| 4.3 基于关键阶段分析的Spark作业性能预测模型 | 第44-48页 |
| 4.3.1 关键阶段和Spark作业性能之间的关系 | 第44-45页 |
| 4.3.2 性能预测模型 | 第45-48页 |
| 4.4 基于机器学习的Spark作业性能预测模型 | 第48-54页 |
| 4.4.1 几种常用的机器学习算法 | 第49-52页 |
| 4.4.2 基于机器学习的Spark作业性能预测算法 | 第52-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第5章 实验与结果分析 | 第55-63页 |
| 5.1 实验环境搭建 | 第55页 |
| 5.2 基于关键阶段分析的Spark作业性能预测模型验证 | 第55-58页 |
| 5.3 基于机器学习的Spark作业性能预测模型验证 | 第58-62页 |
| 5.3.1 预测模型的评价指标 | 第58页 |
| 5.3.2 实验验证 | 第58-62页 |
| 5.4 本章小结 | 第62-63页 |
| 结束语 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-70页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第70页 |
