致谢 | 第5-6页 |
摘要 | 第6-8页 |
ABSTRACT | 第8-9页 |
序言 | 第10-13页 |
1 引言 | 第13-19页 |
1.1 课题研究背景及意义 | 第13-14页 |
1.1.1 研究背景 | 第13-14页 |
1.1.2 研究意义 | 第14页 |
1.2 研究现状 | 第14-17页 |
1.2.1 铁路大数据研究现状 | 第14-16页 |
1.2.2 流式处理研究现状 | 第16-17页 |
1.3 本文研究内容 | 第17-18页 |
1.4 论文组织安排 | 第18-19页 |
2 理论及相关技术介绍 | 第19-33页 |
2.1 大数据并行处理模式 | 第19-22页 |
2.1.1 离线批处理计算 | 第20-21页 |
2.1.2 流式计算 | 第21-22页 |
2.2 流式处理原理和相关技术 | 第22-31页 |
2.2.1 流式处理技术原理 | 第22-23页 |
2.2.2 Spark Streaming | 第23-30页 |
2.2.3 Hive和Impala | 第30-31页 |
2.3 流式计算框架对比 | 第31-32页 |
2.4 本章小结 | 第32-33页 |
3 铁路运维数据处理与分析 | 第33-43页 |
3.1 业务背景 | 第33-35页 |
3.1.1 数据说明 | 第33-35页 |
3.1.2 需求与解决方案 | 第35页 |
3.2 数据处理与分析 | 第35-42页 |
3.2.1 处理环境搭建 | 第36-38页 |
3.2.2 传统方式处理 | 第38-39页 |
3.2.3 Spark Streaming处理 | 第39-41页 |
3.2.4 对比分析 | 第41-42页 |
3.3 本章小结 | 第42-43页 |
4 基于SPARK STREAMING的系统设计实现 | 第43-52页 |
4.1 问题分析 | 第43页 |
4.2 系统设计 | 第43-46页 |
4.2.1 系统架构 | 第43-44页 |
4.2.2 数据收集模块设计 | 第44-45页 |
4.2.3 数据处理模块设计 | 第45页 |
4.2.4 数据应用模块设计 | 第45-46页 |
4.3 系统实现 | 第46-51页 |
4.3.1 实现环境 | 第46-47页 |
4.3.2 数据收集模块实现 | 第47-48页 |
4.3.3 数据处理模块实现 | 第48-50页 |
4.3.4 数据应用模块实现 | 第50-51页 |
4.4 本章小结 | 第51-52页 |
5 基于SPARK STREAMING的系统优化 | 第52-57页 |
5.1 架构优化 | 第52-54页 |
5.1.1 Kafka消息队列简介 | 第52-53页 |
5.1.2 Kafka整合 | 第53-54页 |
5.2 性能优化 | 第54-55页 |
5.2.1 Streaming参数调优 | 第54-55页 |
5.2.2 结论 | 第55页 |
5.3 本章小结 | 第55-57页 |
6 结论与展望 | 第57-59页 |
6.1 工作总结 | 第57-58页 |
6.2 工作展望 | 第58-59页 |
参考文献 | 第59-61页 |
作者简历及攻读硕士学位期间取得的研究成果 | 第61-63页 |
学位论文数据集 | 第63页 |