| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 主要研究内容 | 第14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第二章 相关技术介绍 | 第16-24页 |
| 2.1 Spark分布式平台介绍 | 第16-19页 |
| 2.1.1 Spark简介 | 第16-17页 |
| 2.1.2 Spark大数据处理框架 | 第17-19页 |
| 2.1.3 Spark的优势 | 第19页 |
| 2.2 PU学习算法介绍 | 第19-21页 |
| 2.2.1 PU学习问题简介 | 第19-20页 |
| 2.2.2 PU学习算法综述 | 第20-21页 |
| 2.3 移动互联网流量数据介绍 | 第21-22页 |
| 2.4 本章小结 | 第22-24页 |
| 第三章 基于Spark平台和PU学习算法的用户与服务器交互预测 | 第24-42页 |
| 3.1 任务描述和相关工作 | 第24-27页 |
| 3.1.1 任务描述 | 第24-26页 |
| 3.1.2 相关工作介绍 | 第26-27页 |
| 3.2 基于PU学习的用户和服务器交互预测算法设计 | 第27-32页 |
| 3.2.1 改进的基于Spy的PU学习算法 | 第27-30页 |
| 3.2.2 基于K-means的PU学习算法 | 第30-31页 |
| 3.2.3 Biased-SVM算法 | 第31-32页 |
| 3.3 实验数据及特征提取 | 第32-33页 |
| 3.3.1 实验数据集 | 第32页 |
| 3.3.2 特征提取 | 第32-33页 |
| 3.4 实验结果与分析 | 第33-40页 |
| 3.4.1 实验结果评价指标 | 第33-34页 |
| 3.4.2 改进的基于Spy的PU学习算法预测结果 | 第34-37页 |
| 3.4.3 基于K-means的PU学习算法预测结果 | 第37-38页 |
| 3.4.4 Biased-SVM算法预测结果 | 第38-40页 |
| 3.5 本章小结 | 第40-42页 |
| 第四章 基于Spark平台和PU学习算法的视频流量识别 | 第42-52页 |
| 4.1 任务描述与相关工作 | 第42-45页 |
| 4.1.1 任务描述 | 第42-44页 |
| 4.1.2 相关工作介绍 | 第44-45页 |
| 4.2 基于PU学习的移动视频流量识别算法设计 | 第45页 |
| 4.3 实验数据及特征提取 | 第45-46页 |
| 4.3.1 实验数据集 | 第45-46页 |
| 4.3.2 特征提取 | 第46页 |
| 4.4 实验结果与分析 | 第46-51页 |
| 4.4.1 实验结果评价指标 | 第46-47页 |
| 4.4.2 改进的基于Spy的PU学习算法识别结果 | 第47-48页 |
| 4.4.3 基于K-means的PU学习算法识别结果 | 第48-49页 |
| 4.4.4 Biased-SVM算法识别结果 | 第49-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 研究工作总结 | 第52-53页 |
| 5.2 后续工作展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-60页 |
| 攻读学位期间发表的学术论文 | 第60页 |
