| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 研究内容 | 第11-12页 |
| 1.3 组织结构 | 第12-14页 |
| 第二章 基础知识和相关技术 | 第14-24页 |
| 2.1 人脸识别基础 | 第14-16页 |
| 2.2 SVM算法 | 第16-17页 |
| 2.3 Hadoop平台 | 第17-20页 |
| 2.3.1 Hadoop概述 | 第17-18页 |
| 2.3.2 HDFS文件系统 | 第18-19页 |
| 2.3.3 MapReduce计算模型 | 第19-20页 |
| 2.4 YARN资源管理框架 | 第20-22页 |
| 2.5 Tez有向图计算框架 | 第22-23页 |
| 2.6 本章小结 | 第23-24页 |
| 第三章 基于HADOOP平台的人脸识别计算模型改进 | 第24-34页 |
| 3.1 基于MR的人脸特征提取 | 第24-25页 |
| 3.2 MR数据倾斜问题 | 第25-29页 |
| 3.2.1 Reduce端数据倾斜问题 | 第25-26页 |
| 3.2.2 数据不均衡解决方案 | 第26-29页 |
| 3.3 基于MR的分布式SVM算法 | 第29-31页 |
| 3.4 基于Tez的分布式人脸识别 | 第31-33页 |
| 3.4.1 Tez有向图框架的优势 | 第31页 |
| 3.4.2 基于Tez的多级分布式SVM训练算法 | 第31-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第四章 基于资源预取的感知机分类调度算法 | 第34-52页 |
| 4.1 调度算法总体设计 | 第34-35页 |
| 4.2 基于感知机分类的作业调度算法 | 第35-43页 |
| 4.2.1 产生背景 | 第35-36页 |
| 4.2.2 算法内容 | 第36-41页 |
| 4.2.3 算法实现 | 第41-43页 |
| 4.3 基于资源预取的任务调度算法 | 第43-51页 |
| 4.3.1 资源预取技术 | 第43-44页 |
| 4.3.2 算法内容 | 第44-50页 |
| 4.3.3 算法实现 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 实验测试与分析 | 第52-67页 |
| 5.1 基于Hadoop平台的人脸识别计算模型改进评估 | 第52-59页 |
| 5.1.1 基于MR的人脸特征提取验证 | 第52-54页 |
| 5.1.2 Reduce端均衡性能评估 | 第54-57页 |
| 5.1.3 TezSVM性能测试 | 第57-59页 |
| 5.2 基于资源预取的感知机分类调度算法评估 | 第59-66页 |
| 5.2.1 学习性能验证 | 第61-62页 |
| 5.2.2 决策正确率验证 | 第62-63页 |
| 5.2.3 作业响应时间实验 | 第63-64页 |
| 5.2.4 数据本地性实验 | 第64-66页 |
| 5.3 本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 全文总结 | 第67-68页 |
| 6.2 课题展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 攻硕期间取得的研究成果 | 第74页 |