| 摘要 | 第9-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第12-24页 |
| 1.1 研究背景 | 第12-17页 |
| 1.1.1 大规模图数据与云计算 | 第12-14页 |
| 1.1.2 分布式图计算 | 第14-16页 |
| 1.1.3 Spark计算框架概述 | 第16-17页 |
| 1.2 图计算存在的问题和挑战 | 第17-19页 |
| 1.2.1 大规模图数据划分问题 | 第17-18页 |
| 1.2.2 图计算内存数据存储性能问题 | 第18-19页 |
| 1.3 本文工作 | 第19-21页 |
| 1.3.1 自适应分布式图划分算法 | 第19-20页 |
| 1.3.2 基于ART-Index的图存储模型 | 第20-21页 |
| 1.4 论文结构 | 第21-24页 |
| 第二章 图计算相关技术研究 | 第24-36页 |
| 2.1 典型分布式图计算框架 | 第24-28页 |
| 2.1.1 基于MapReduce模型的图计算框架 | 第24-26页 |
| 2.1.2 基于BSP模型的图计算框架 | 第26-28页 |
| 2.1.3 基于GAS模型的图计算框架 | 第28页 |
| 2.2 大规模图数据划分策略 | 第28-33页 |
| 2.2.1 边分割划分策略 | 第28-30页 |
| 2.2.2 点分割划分策略 | 第30-31页 |
| 2.2.3 混合式分割划分策略 | 第31-33页 |
| 2.3 图数据存储技术与RDD特性 | 第33-35页 |
| 2.3.1 典型的图数据存储技术 | 第33-34页 |
| 2.3.2 SparkRDD特性 | 第34-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第三章 分布式自适应图划分算法 | 第36-54页 |
| 3.1 本章引言 | 第36-37页 |
| 3.2 分布式图数据划分 | 第37-42页 |
| 3.2.1 基本处理流程与图划分定义 | 第37-38页 |
| 3.2.2 自然图的局部性分析 | 第38-40页 |
| 3.2.3 自然图幂率分布 | 第40-42页 |
| 3.3 自适应划分算法设计 | 第42-48页 |
| 3.3.1 算法整体框架 | 第42-44页 |
| 3.3.2 算法处理流程 | 第44-46页 |
| 3.3.3 负载均衡机制和启发式策略 | 第46-47页 |
| 3.3.4 基于GAS模型分析 | 第47-48页 |
| 3.4 实验与分析 | 第48-51页 |
| 3.4.1 实验环境 | 第48-49页 |
| 3.4.2 实验结果 | 第49-51页 |
| 3.5 本章小结 | 第51-54页 |
| 第四章 基于ART-Index的图存储模型 | 第54-66页 |
| 4.1 本章引言 | 第54-55页 |
| 4.2 基本思想 | 第55-56页 |
| 4.3 基于ART-Index图存储模型设计 | 第56-61页 |
| 4.3.1 经典图计算系统的存储结构分析 | 第56-58页 |
| 4.3.2 ART存储结构 | 第58-60页 |
| 4.3.3 基于ART-Index图索引模型 | 第60-61页 |
| 4.4 实验与分析 | 第61-63页 |
| 4.4.1 实验环境 | 第61-62页 |
| 4.4.2 实验结果 | 第62-63页 |
| 4.5 本章小结 | 第63-66页 |
| 第五章 总结与展望 | 第66-68页 |
| 5.1 本文工作及主要创新点 | 第66-67页 |
| 5.2 未来工作展望 | 第67-68页 |
| 致谢 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 作者在学期间取得的学术成果 | 第74-76页 |
| 作者在学期间参加的主要科研工作 | 第76页 |