基于Spark的犯罪预警分析系统的设计与实现
| 摘要 | 第9-10页 |
| abstract | 第10页 |
| 1 绪论 | 第11-15页 |
| 1.1 研究背景及选题意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 选题意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 多源异构数据处理 | 第12-13页 |
| 1.2.2 大数据Spark计算引擎 | 第13页 |
| 1.2.3 犯罪预测 | 第13-14页 |
| 1.3 研究内容与本文结构 | 第14-15页 |
| 2 相关理论及运用技术 | 第15-22页 |
| 2.1 大数据技术 | 第15-16页 |
| 2.1.1 Hadoop生态圈 | 第15-16页 |
| 2.1.2 Spark技术栈 | 第16页 |
| 2.1.3 Elastic技术栈 | 第16页 |
| 2.2 机器学习 | 第16-19页 |
| 2.2.1 经典算法 | 第17-19页 |
| 2.2.2 算法评价 | 第19页 |
| 2.3 其他相关技术 | 第19-21页 |
| 2.3.1 Kafka消息总线 | 第20页 |
| 2.3.2 WebSocket技术 | 第20页 |
| 2.3.3 可视化技术 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 3 犯罪预警分析系统需求分析 | 第22-29页 |
| 3.1 业务现状分析 | 第22-23页 |
| 3.2 系统功能需求 | 第23-27页 |
| 3.2.1 多源数据采集融合需求分析 | 第24-25页 |
| 3.2.2 数据实时处理需求分析 | 第25页 |
| 3.2.3 海量数据存储需求分析 | 第25-26页 |
| 3.2.4 犯罪预测需求分析 | 第26-27页 |
| 3.2.5 数据实时可视化需求分析 | 第27页 |
| 3.3 系统非功能需求 | 第27-28页 |
| 3.4 本章小结 | 第28-29页 |
| 4 犯罪预警分析系统设计 | 第29-45页 |
| 4.1 系统总体设计 | 第29-30页 |
| 4.2 系统详细设计 | 第30-44页 |
| 4.2.1 数据采集融合设计 | 第30-31页 |
| 4.2.2 消息总线设计 | 第31-32页 |
| 4.2.3 实时流处理设计 | 第32-34页 |
| 4.2.4 业务数据存储设计 | 第34-42页 |
| 4.2.5 犯罪预测模型设计 | 第42-43页 |
| 4.2.6 实时可视化设计 | 第43-44页 |
| 4.3 本章小结 | 第44-45页 |
| 5 犯罪预警分析系统实现 | 第45-59页 |
| 5.1 系统环境搭建部署 | 第45-50页 |
| 5.1.1 系统硬件环境 | 第45-46页 |
| 5.1.2 系统软件环境 | 第46-50页 |
| 5.2 数据采集融合实现 | 第50-52页 |
| 5.2.1 多源数据采集实现 | 第50-52页 |
| 5.2.2 数据融合汇聚实现 | 第52页 |
| 5.3 消息总线实现 | 第52页 |
| 5.4 实时流处理实现 | 第52-55页 |
| 5.4.1 轮询关键字实现 | 第53页 |
| 5.4.2 特征提取实现 | 第53-54页 |
| 5.4.3 机器学习在线预测实现 | 第54页 |
| 5.4.4 实时数据存储实现 | 第54-55页 |
| 5.5 业务数据存储实现 | 第55-57页 |
| 5.5.1 Hive数据仓库实现 | 第55页 |
| 5.5.2 Hbase数据库实现 | 第55-56页 |
| 5.5.3 Elasticsearch数据库实现 | 第56页 |
| 5.5.4 系统冷启动实现 | 第56-57页 |
| 5.6 预警分析建模实现 | 第57-58页 |
| 5.7 实时可视化实现 | 第58页 |
| 5.8 本章小结 | 第58-59页 |
| 6 犯罪预警分析系统运行与测试 | 第59-63页 |
| 6.1 系统运行 | 第59页 |
| 6.2 系统测试 | 第59-62页 |
| 6.3 本章小结 | 第62-63页 |
| 7 总结与展望 | 第63-65页 |
| 7.1 总结 | 第63页 |
| 7.2 展望 | 第63-65页 |
| 参考文献 | 第65-67页 |
| 致谢 | 第67-68页 |
