| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 课题背景 | 第9-11页 |
| 1.2 文章主要内容及章节安排 | 第11-12页 |
| 第二章 相关技术的介绍 | 第12-30页 |
| 2.1 云计算的概念 | 第12-14页 |
| 2.1.1 云计算的分类 | 第12-13页 |
| 2.1.2 云计算特点 | 第13-14页 |
| 2.2 Hadoop 简介 | 第14-18页 |
| 2.2.1 Hadoop 历史 | 第14-15页 |
| 2.2.2 Hadoop 优势 | 第15页 |
| 2.2.3 Hadoop 子项目 | 第15-16页 |
| 2.2.4 Hadoop 框架模型 | 第16-18页 |
| 2.2.5 Hadoop 应用举例 | 第18页 |
| 2.3 Hadoop 关键技术 | 第18-29页 |
| 2.3.1 Hadoop 分布式文件系统(HDFS) | 第18-23页 |
| 2.3.2 MapReduce 技术 | 第23-27页 |
| 2.3.3 Mahout 技术 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 海量物流数据存储的设计和实现 | 第30-46页 |
| 3.1 现有 HDFS 架构不足 | 第30-31页 |
| 3.2 MongoDB 技术简介 | 第31-34页 |
| 3.2.1 MongoDB 集群的架构分析 | 第32-33页 |
| 3.2.2 MongoDB 集群的分片机制 | 第33-34页 |
| 3.3 可扩展的多 NameNode 节点优化原理 | 第34-37页 |
| 3.3.1 优化难点 | 第34页 |
| 3.3.2 基于 MongoDB 的解决方案 | 第34-37页 |
| 3.4 多 NameNode 节点的优化应以 MongoDB 为基础来实现 | 第37-43页 |
| 3.5 实验结果及相关分析 | 第43-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第四章 物流海量数据挖掘子系统 | 第46-58页 |
| 4.1 云数据挖掘子系统简介 | 第46-47页 |
| 4.2 数据挖掘概述 | 第47页 |
| 4.3 文本聚类 | 第47-50页 |
| 4.3.1 中文分词 | 第49-50页 |
| 4.3.2 文本表示模型 | 第50页 |
| 4.4 物流海量数据 K-Means 算法并行分析 | 第50-55页 |
| 4.4.1 并行策略 | 第50-51页 |
| 4.4.2 Mahout K-Means 结构 | 第51-52页 |
| 4.4.3 K-Means 聚类 MapReduce 实现 | 第52-55页 |
| 4.5 并行挖掘与串行挖掘比较 | 第55-57页 |
| 4.6 K-Means 算法应用到物流行业 | 第57页 |
| 4.7 本章小结 | 第57-58页 |
| 第五章 平台搭建及实验 | 第58-68页 |
| 5.1 Hadoop 平台的搭建 | 第58-61页 |
| 5.1.1 搭建 Hadoop 集群 | 第58页 |
| 5.1.2 搭建 hadoop | 第58-61页 |
| 5.2 安装 MongoDB 数据库 | 第61-62页 |
| 5.3 安装 Mahout | 第62-65页 |
| 5.3.1 安装 Maven | 第62-64页 |
| 5.3.2 Mahout 的下载及安装 | 第64-65页 |
| 5.4 实验过程 | 第65-67页 |
| 5.4.1 实验一 | 第65-66页 |
| 5.4.2 实验二 | 第66-67页 |
| 5.5 本章小结 | 第67-68页 |
| 第六章 展望与总结 | 第68-70页 |
| 6.1 总结 | 第68页 |
| 6.2 展望 | 第68-70页 |
| 参考文献 | 第70-73页 |
| 附录 2 攻读硕士学位期间撰写的论文 | 第73-74页 |
| 附录 3 攻读硕士学位期间申请的专利 | 第74-75页 |
| 附录 4 攻读硕士学位期间参加的科研项目 | 第75-76页 |
| 致谢 | 第76页 |
