| 摘要 | 第1-6页 |
| ABSTRACT | 第6-7页 |
| 目录 | 第7-9页 |
| 表格索引 | 第9-10页 |
| 插图索引 | 第10-11页 |
| 第一章 绪论 | 第11-17页 |
| ·概述 | 第11-12页 |
| ·国内外研究状况 | 第12-14页 |
| ·时间序列数据处理研究状况 | 第12页 |
| ·分布式系统研究状况 | 第12-14页 |
| ·论文工作与内容组织 | 第14-17页 |
| ·分布式系统研究状况 | 第14页 |
| ·研究内容 | 第14页 |
| ·组织结构 | 第14-17页 |
| 第二章 Hadoop系统架构 | 第17-29页 |
| ·引言 | 第17页 |
| ·分布式计算系统模型研究 | 第17-21页 |
| ·Google的GFS | 第17-19页 |
| ·MapReduce计算模型 | 第19-20页 |
| ·分布式存储BigTable | 第20-21页 |
| ·Hadoop整体架构 | 第21-22页 |
| ·Hadoop在实际数据中的应用 | 第22-28页 |
| ·数据及算法介绍 | 第22-24页 |
| ·实验及结果分析 | 第24-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 时序数据处理 | 第29-49页 |
| ·引言 | 第29页 |
| ·时序数据处理算法概述 | 第29-30页 |
| ·时间序列预测算法及其应用 | 第30-38页 |
| ·时间序列的预测算法 | 第30-34页 |
| ·时间序列预测算法在实际数据中的应用 | 第34-38页 |
| ·时间序列相似性度量 | 第38-46页 |
| ·时间序列相似性度量算法 | 第38-41页 |
| ·支持增量数据的时间序列相似性度量研究现状 | 第41页 |
| ·Inc-DTW算法 | 第41-46页 |
| ·本章小结 | 第46-49页 |
| 第四章 Hadoop平台时序数据增量计算方法和系统 | 第49-63页 |
| ·引言 | 第49页 |
| ·相关工作 | 第49-50页 |
| ·Hadoop平台时序数据增量计算方法 | 第50-54页 |
| ·问题背景 | 第50-51页 |
| ·理论依据及设计目标 | 第51-52页 |
| ·时序数据增量计算方法 | 第52-54页 |
| ·TSI-Hadoop实现 | 第54-58页 |
| ·系统架构 | 第55页 |
| ·数据存储及缓存 | 第55-57页 |
| ·编程模型 | 第57页 |
| ·TSI-Hadoop源码组织形式 | 第57-58页 |
| ·实验 | 第58-62页 |
| ·实验环境 | 第58-59页 |
| ·实验数据 | 第59页 |
| ·实验及结果分析 | 第59-62页 |
| ·本章小结 | 第62-63页 |
| 第五章 总结与展望 | 第63-65页 |
| ·本文总结 | 第63-64页 |
| ·未来工作 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-71页 |
| 在读期间发表的学术论文与取得的研究成果 | 第71页 |