| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究状况 | 第10-13页 |
| 1.2.1 Hadoop的背景和发展现状 | 第10-11页 |
| 1.2.2 CUDA的背景和发展现状 | 第11-12页 |
| 1.2.3 Hadoop和CUDA相结合的相关发展 | 第12-13页 |
| 1.3 文章体系结构 | 第13-14页 |
| 1.4 小结 | 第14-15页 |
| 第二章 Hadoop与CUDA概述 | 第15-29页 |
| 2.1 Hadoop分布式文件系统 | 第15-18页 |
| 2.1.1 设计前提与目标 | 第15页 |
| 2.1.2 体系结构 | 第15-18页 |
| 2.2 Hadoop分布式计算 | 第18-23页 |
| 2.2.1 MapReduce架构 | 第18-20页 |
| 2.2.2 MapReduce编程模型 | 第20-21页 |
| 2.2.3 WordCount范例 | 第21-23页 |
| 2.3 GPU体系结构 | 第23-25页 |
| 2.3.1 GPU与CPU设计理念 | 第23-24页 |
| 2.3.2 现代GPU体系结构 | 第24-25页 |
| 2.4 CUDA编程模型 | 第25-28页 |
| 2.4.1 CUDA C介绍 | 第25-26页 |
| 2.4.2 CUDA的存储组织 | 第26-27页 |
| 2.4.3 CUDA的线程层次 | 第27-28页 |
| 2.5 小结 | 第28-29页 |
| 第三章 CUDA与Hadoop的结合 | 第29-43页 |
| 3.1 混合GPU的分布式K-means算法 | 第29-32页 |
| 3.1.1 K-means算法简介 | 第29页 |
| 3.1.2 Hadoop中的K-means算法 | 第29-31页 |
| 3.1.3 CUDA加速K-means算法 | 第31-32页 |
| 3.2 大型矩阵乘法 | 第32-36页 |
| 3.2.1 内积法 | 第33页 |
| 3.2.2 外积法 | 第33-34页 |
| 3.2.3 分块法 | 第34-35页 |
| 3.2.4 CUDA加速矩阵乘法 | 第35-36页 |
| 3.3 四种结合方法 | 第36-42页 |
| 3.3.1 Hadoop Streaming | 第36-38页 |
| 3.3.2 Hadoop Pipes | 第38-39页 |
| 3.3.3 JCUDA | 第39-41页 |
| 3.3.4 JNI | 第41-42页 |
| 3.4 小结 | 第42-43页 |
| 第四章 实验及结果分析 | 第43-49页 |
| 4.1 实验环境配置 | 第43-44页 |
| 4.2 测试数据集 | 第44-45页 |
| 4.3 实验结果及分析 | 第45-48页 |
| 4.4 小结 | 第48-49页 |
| 第五章 总结与展望 | 第49-52页 |
| 5.1 总结 | 第49-50页 |
| 5.2 展望 | 第50-52页 |
| 参考文献 | 第52-54页 |
| 在学期间的研究成果 | 第54-55页 |
| 致谢 | 第55页 |