摘要 | 第5-6页 |
Abstract | 第6-7页 |
第1章 绪论 | 第11-15页 |
1.1 研究背景 | 第11-12页 |
1.2 研究目的与意义 | 第12-13页 |
1.3 本文主要工作 | 第13-14页 |
1.4 本文组织结构 | 第14-15页 |
第2章 相关工作 | 第15-27页 |
2.1 相关概念 | 第15-17页 |
2.1.1 LBS | 第15-16页 |
2.1.2 云计算 | 第16-17页 |
2.2 相关研究 | 第17-20页 |
2.2.1 分布式实时流处理架构的相关研究 | 第17-18页 |
2.2.2 Twitter Storm相关应用场景的研究 | 第18-19页 |
2.2.3 云计算下数据同步机制的相关研究 | 第19页 |
2.2.4 连续范围查询的相关研究 | 第19-20页 |
2.3 相关技术 | 第20-26页 |
2.3.1 ZooKeeper | 第20-21页 |
2.3.2 HBase | 第21-22页 |
2.3.3 Kafka | 第22-24页 |
2.3.4 Hadoop | 第24页 |
2.3.5 Twitter Storm | 第24-26页 |
2.4 本章小结 | 第26-27页 |
第3章 基于Twitter Storm的实时LBS查询框架 | 第27-41页 |
3.1 概述 | 第27-29页 |
3.1.1 LBS查询系统框架分析 | 第27-28页 |
3.1.2 LBS查询框架逻辑结构 | 第28-29页 |
3.2 构建LBS查询框架 | 第29-35页 |
3.2.1 前端应用模块 | 第29-30页 |
3.2.2 中间件模块 | 第30-32页 |
3.2.3 查询处理模块 | 第32页 |
3.2.4 索引与存储模块 | 第32-34页 |
3.2.5 LBS查询总体框架 | 第34-35页 |
3.3 基于Twitter Storm的LBS查询拓扑结构 | 第35-38页 |
3.3.1 Twitter Storm处理模型 | 第35-37页 |
3.3.2 LBS查询拓扑结构的设计 | 第37-38页 |
3.4 坐标系转换 | 第38-39页 |
3.4.1 问题提出 | 第38页 |
3.4.2 基于高斯投影的坐标系转换 | 第38-39页 |
3.5 本章小结 | 第39-41页 |
第4章 基于Twitter Storm的连续范围查询算法的优化技术 | 第41-79页 |
4.1 预备知识 | 第41-44页 |
4.1.1 网格索引 | 第41-42页 |
4.1.2 相关的定义和数据结构 | 第42-44页 |
4.2 分布式环境下网格索引的并行同步机制 | 第44-50页 |
4.2.1 问题提出 | 第44-45页 |
4.2.2 基于ZooKeeper分布式共享锁 | 第45-48页 |
4.2.3 索引维护算法 | 第48-50页 |
4.3 基于Twitter Storm的并行连续范围查询算法 | 第50-57页 |
4.3.1 基本思想 | 第50-51页 |
4.3.2 Twitter Storm并行查询拓扑结构设计 | 第51-52页 |
4.3.3 算法实现与分析 | 第52-57页 |
4.4 基于TimeCacheMap的缓存优化算法 | 第57-64页 |
4.4.1 问题提出 | 第57-58页 |
4.4.2 TimeCacheMap | 第58-59页 |
4.4.3 基本思想 | 第59-60页 |
4.4.4 算法拓扑结构设计 | 第60-61页 |
4.4.5 缓存替换策略 | 第61-63页 |
4.4.6 算法设计与实现 | 第63-64页 |
4.5 查询结果返回策略的研究 | 第64-65页 |
4.5.1 问题提出 | 第64-65页 |
4.5.2 分片直传策略 | 第65页 |
4.6 实验结果及分析 | 第65-78页 |
4.6.1 实验环境与实验数据 | 第66-67页 |
4.6.2 基于Twitter Storm的并行范围查询评价 | 第67-75页 |
4.6.3 基于ZooKeeper的分布式锁性能实验 | 第75-76页 |
4.6.4 不同返回策略性能评价 | 第76-77页 |
4.6.5 Twitter Storm并行效率分析 | 第77-78页 |
4.7 本章小结 | 第78-79页 |
第5章 总结与展望 | 第79-81页 |
5.1 总结 | 第79-80页 |
5.2 展望 | 第80-81页 |
参考文献 | 第81-85页 |
致谢 | 第85-87页 |
攻读硕士学位期间研究成果 | 第87页 |