分布式跟踪系统中数据分析引擎的设计与实现
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景及意义 | 第10-14页 |
| 1.1.1 分布式跟踪系统的背景 | 第10-12页 |
| 1.1.2 分布式跟踪系统中数据分析的挑战 | 第12-14页 |
| 1.2 主要研究内容 | 第14页 |
| 1.3 本文组织结构 | 第14-15页 |
| 1.4 本章小结 | 第15-16页 |
| 第2章 相关研究和技术综述 | 第16-33页 |
| 2.1 分布式跟踪系统的研发现状 | 第16-18页 |
| 2.2 现有的数据分析技术的不足 | 第18-20页 |
| 2.2.1 离线数据分析 | 第18-19页 |
| 2.2.2 实时数据分析 | 第19-20页 |
| 2.3 现有的数据缓存技术的不足 | 第20-24页 |
| 2.3.1 Memcache分布式缓存 | 第21-22页 |
| 2.3.2 Redis内存数据库 | 第22-24页 |
| 2.4 本文相关技术介绍 | 第24-31页 |
| 2.4.1 ZeroMQ消息传输 | 第24-27页 |
| 2.4.2 Kafka分布式消息系统 | 第27-30页 |
| 2.4.3 ElasticSearch分布式存储 | 第30-31页 |
| 2.5 本章小结 | 第31-33页 |
| 第3章 数据分析引擎的设计 | 第33-40页 |
| 3.1 数据分析引擎的需求分析 | 第33-35页 |
| 3.1.1 功能需求分析 | 第33-34页 |
| 3.1.2 非功能性需求分析 | 第34-35页 |
| 3.2 数据分析引擎的架构设计 | 第35-39页 |
| 3.2.1 数据接收和处理分离的模型 | 第35-36页 |
| 3.2.2 数据接收节点的设计 | 第36-37页 |
| 3.2.3 数据处理节点的设计 | 第37-39页 |
| 3.3 本章小结 | 第39-40页 |
| 第4章 数据分析引擎的实现 | 第40-59页 |
| 4.1 数据接收节点的实现 | 第40-44页 |
| 4.1.1 消息传输机制 | 第40-41页 |
| 4.1.2 负载均衡的实现 | 第41-42页 |
| 4.1.3 Kafka数据存放 | 第42-44页 |
| 4.2 数据处理节点的实现 | 第44-50页 |
| 4.2.1 从Kafka集群获取消息 | 第44页 |
| 4.2.2 数据处理节点的负载均衡 | 第44-45页 |
| 4.2.3 建立数据关联关系 | 第45-47页 |
| 4.2.4 数据预聚合 | 第47-50页 |
| 4.3 基于Redis的数据缓存高性能优化 | 第50-58页 |
| 4.3.1 Redis网络架构及单线程处理模型 | 第50-52页 |
| 4.3.2 Redis多线程模型优化 | 第52-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第5章 实验与分析 | 第59-66页 |
| 5.1 实验环境搭建 | 第59-60页 |
| 5.2 数据分析准确性测试 | 第60-61页 |
| 5.3 数据分析实时性测试 | 第61-63页 |
| 5.4 数据查询效率对比测试 | 第63-64页 |
| 5.5 数据处理节点的处理能力测试 | 第64-65页 |
| 5.6 本章小结 | 第65-66页 |
| 第6章 总结与展望 | 第66-68页 |
| 6.1 工作总结 | 第66-67页 |
| 6.2 未来展望 | 第67-68页 |
| 参考文献 | 第68-70页 |
| 攻读硕士学位期间主要的研究成果 | 第70-71页 |
| 致谢 | 第71页 |
