| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-21页 |
| 1.1 研究背景与意义 | 第12-15页 |
| 1.2 研究现状 | 第15-17页 |
| 1.2.1 MapReduce研究现状 | 第15-16页 |
| 1.2.2 k-means聚类算法研究现状 | 第16-17页 |
| 1.3 研究内容 | 第17-19页 |
| 1.3.1 k-means聚类算法分析 | 第17-18页 |
| 1.3.2 设计基于MapReduce改进的k-means聚类算法 | 第18-19页 |
| 1.3.3 基于MapReduce改进的k-means聚类算法的实现 | 第19页 |
| 1.4 研究目标与组织结构 | 第19-20页 |
| 1.4.1 研究目标 | 第19-20页 |
| 1.4.2 本文组织结构 | 第20页 |
| 1.5 小结 | 第20-21页 |
| 第2章 Hadoop相关技术介绍 | 第21-31页 |
| 2.1 Hadoop生态介绍 | 第21-23页 |
| 2.1.1 HBase简介 | 第21-22页 |
| 2.1.2 Hive简介 | 第22页 |
| 2.1.3 Mahout简介 | 第22页 |
| 2.1.4 Zookeeper简介 | 第22-23页 |
| 2.1.5 Sqoop简介 | 第23页 |
| 2.2 HDFS介绍 | 第23-25页 |
| 2.3 MapReduce介绍 | 第25-29页 |
| 2.3.1 MapReduce编程框架介绍 | 第26-27页 |
| 2.3.2 MapReduce编程框架分析 | 第27-28页 |
| 2.3.3 MapReduce编程示例 | 第28-29页 |
| 2.4 其他MapReduce框架介绍 | 第29-30页 |
| 2.4.1 Spark简介 | 第29-30页 |
| 2.4.2 Flink简介 | 第30页 |
| 2.5 小结 | 第30-31页 |
| 第3章 现有k-means聚类算法的并行实现 | 第31-37页 |
| 3.1 k-means聚类算法的概念 | 第31-32页 |
| 3.2 k-means聚类算法的工作过程 | 第32-33页 |
| 3.3 基于MapReduce的k-means并行实现 | 第33-35页 |
| 3.3.1 算法设计 | 第33-34页 |
| 3.3.2 算法实现 | 第34-35页 |
| 3.4 Mahout中k-means聚类算法介绍 | 第35-36页 |
| 3.5 小结 | 第36-37页 |
| 第4章 基于MapReduce改进的并行k-means聚类算法 | 第37-47页 |
| 4.1 k-means聚类算法的缺陷 | 第37页 |
| 4.2 理论分析 | 第37-42页 |
| 4.3 基于MapReduce改进的并行k-means聚类算法 | 第42-46页 |
| 4.4 小结 | 第46-47页 |
| 第5章 实验结果分析 | 第47-60页 |
| 5.1 性能评价指标 | 第47页 |
| 5.2 实验平台和环境 | 第47-51页 |
| 5.2.1 实验平台 | 第47-48页 |
| 5.2.2 Hadoop功能模块规划 | 第48-49页 |
| 5.2.3 Hadoop集群环境配置 | 第49-51页 |
| 5.3 数据预处理 | 第51-53页 |
| 5.4 实验结果与分析 | 第53-59页 |
| 5.5 小结 | 第59-60页 |
| 结论 | 第60-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-68页 |
| 附录A 攻读硕士学位期间发表论文 | 第68-69页 |
| 附录B 攻读学位期间参与的研究项目 | 第69页 |
