云环境下基于内存计算的车联网大数据处理方法研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-15页 |
| 1.2 研究内容 | 第15-16页 |
| 1.3 组织结构 | 第16-17页 |
| 第二章 相关理论概述 | 第17-32页 |
| 2.1 逻辑回归算法 | 第17-21页 |
| 2.1.1 基于Sigmoid函数的分类 | 第17-19页 |
| 2.1.2 损失函数 | 第19-21页 |
| 2.2 大数据处理概述 | 第21-23页 |
| 2.2.1 大数据处理平台 | 第21-23页 |
| 2.2.2 大数据处理技术 | 第23页 |
| 2.3 Spark大数据处理架构 | 第23-27页 |
| 2.3.1 Spark系统介绍 | 第24-25页 |
| 2.3.2 Spark基本运行流程 | 第25-26页 |
| 2.3.3 Spark运行模式 | 第26-27页 |
| 2.3.4 Spark特点 | 第27页 |
| 2.4 内存计算 | 第27-30页 |
| 2.4.1 内存数据库 | 第27-29页 |
| 2.4.2 内存计算 | 第29页 |
| 2.4.3 基于内存计算的Spark | 第29-30页 |
| 2.5 车联网系统 | 第30页 |
| 2.6 本章小结 | 第30-32页 |
| 第三章 车联网大数据处理方法研究 | 第32-43页 |
| 3.1 车联网系统 | 第32-36页 |
| 3.1.1 LF620 车联网系统研究背景 | 第32-34页 |
| 3.1.2 LF620 功耗模型 | 第34-36页 |
| 3.2 车联网数据的处理 | 第36-38页 |
| 3.2.1 数据预处理 | 第36-37页 |
| 3.2.2 LF620 拥堵等级分类实现 | 第37-38页 |
| 3.3 Spark逻辑回归的扩展 | 第38-42页 |
| 3.3.1 Softmax函数 | 第38-39页 |
| 3.3.2 Softmax的实现 | 第39-40页 |
| 3.3.3 Softmax的验证 | 第40-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 Spark优化方案设计 | 第43-51页 |
| 4.1 数据序列化 | 第43-44页 |
| 4.2 缓存替换策略 | 第44-45页 |
| 4.2.1 Spark内存管理 | 第44-45页 |
| 4.2.2 缓存替换策略的改进 | 第45页 |
| 4.3 弹性分布数据集 | 第45-50页 |
| 4.3.1 Spark RDD | 第46-47页 |
| 4.3.2 调度器运行流程 | 第47-50页 |
| 4.3.3 基于RDD调优 | 第50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 实验结果 | 第51-61页 |
| 5.1 Spark大数据架构 | 第51-53页 |
| 5.1.1 Spark基础配置 | 第51-52页 |
| 5.1.2 Spark的搭建 | 第52-53页 |
| 5.2 车联网数据处理结果 | 第53-55页 |
| 5.2.1 数据预处理 | 第53页 |
| 5.2.2 LF620 剩余里程预估 | 第53-55页 |
| 5.3 Hadoop运行效率 | 第55-56页 |
| 5.4 Spark运行效率对比 | 第56-60页 |
| 5.4.1 数据序列化 | 第56-57页 |
| 5.4.2 缓存替换策略的改进 | 第57-59页 |
| 5.4.3 基于RDD的调优 | 第59-60页 |
| 5.5 本章小结 | 第60-61页 |
| 总结与展望 | 第61-63页 |
| 工作总结 | 第61页 |
| 工作展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 攻读学位期间取得的成果 | 第67-68页 |
| 致谢 | 第68页 |
