| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1.绪论 | 第8-16页 |
| 1.1 研究背景和意义 | 第8-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文的研究内容 | 第12-13页 |
| 1.4 文章组织结构 | 第13-14页 |
| 1.5 本章小结 | 第14-16页 |
| 2.Hadoop云计算平台 | 第16-28页 |
| 2.1 云计算 | 第16-18页 |
| 2.1.1 云计算概述 | 第16-17页 |
| 2.1.2 云计算的核心技术 | 第17-18页 |
| 2.2 Hadoop技术 | 第18-20页 |
| 2.2.1 Hadoop开源架构及优点 | 第19-20页 |
| 2.3 HDFS文件系统 | 第20-23页 |
| 2.3.1 HDFS体系结构 | 第20页 |
| 2.3.2 HDFS设计理念 | 第20页 |
| 2.3.3 HDFS基本概念 | 第20-22页 |
| 2.3.4 HDFS系统中对文件的操作 | 第22页 |
| 2.3.5 HDFS数据类型 | 第22-23页 |
| 2.4 Hadoop的MapReduce编程并行实现 | 第23-26页 |
| 2.4.1 MapReduce编程模型 | 第23页 |
| 2.4.2 MapReduce实现框架 | 第23-25页 |
| 2.4.3 MapReduce的主要功能 | 第25-26页 |
| 2.4.4 MapReduce的容错机制 | 第26页 |
| 2.5 本章小结 | 第26-28页 |
| 3.聚类相关技术 | 第28-40页 |
| 3.1 数据挖掘概念 | 第28页 |
| 3.2 聚类分析 | 第28-34页 |
| 3.2.1 准则函数在聚类分析中的应用 | 第30-31页 |
| 3.2.2 相异度计算 | 第31-32页 |
| 3.2.3 聚类算法分类 | 第32-34页 |
| 3.3 聚类相关的并行技术 | 第34-36页 |
| 3.3.1 并行计算的简单介绍 | 第34-35页 |
| 3.3.2 并行计算的性能评价 | 第35页 |
| 3.3.3 聚类大规模数据的技术 | 第35-36页 |
| 3.4 k-means算法介绍 | 第36-38页 |
| 3.5 本章小结 | 第38-40页 |
| 4.基于MapReduce编程模型的算法设计 | 第40-50页 |
| 4.1 canopy算法的简要介绍 | 第40-41页 |
| 4.2 基于MapReduce的canopy算法并行化设计 | 第41-44页 |
| 4.3 基于MapReduce的k-means算法并行化设计 | 第44-49页 |
| 4.4 本章小结 | 第49-50页 |
| 5.实验及结果分析 | 第50-56页 |
| 5.1 实验环境 | 第50-53页 |
| 5.1.1 Hadoop集群部署 | 第50页 |
| 5.1.2 集群中的网络配置 | 第50-51页 |
| 5.1.3 操作系统在集群中的配置 | 第51页 |
| 5.1.4 集群中JVM的配置 | 第51页 |
| 5.1.5 SSH服务配置 | 第51-52页 |
| 5.1.6 Hadoop的配置 | 第52-53页 |
| 5.2 实验结果 | 第53-55页 |
| 5.3 实验结果分析 | 第55页 |
| 5.4 本章小结 | 第55-56页 |
| 6.总结与展望 | 第56-58页 |
| 6.1 本文工作总结 | 第56页 |
| 6.2 对未来工作展望 | 第56-58页 |
| 致谢 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 附录 | 第64页 |
