| 摘要 | 第1-4页 |
| Abstract | 第4-6页 |
| 目录 | 第6-9页 |
| 图表目录 | 第9-10页 |
| 第一章 绪论 | 第10-16页 |
| ·研究背景 | 第12-13页 |
| ·研究现状 | 第13-14页 |
| ·本文的内容和文章的组织 | 第14-16页 |
| ·本文的主要内容 | 第14-15页 |
| ·文章的组织 | 第15-16页 |
| 第二章 相关介绍 | 第16-28页 |
| ·MapReduce介绍 | 第16-21页 |
| ·MapReduce作业运行流程的分解 | 第18-19页 |
| ·MapReduce的具体实现 | 第19-21页 |
| ·GPU通用计算技术介绍 | 第21-28页 |
| ·GPU物理结构 | 第23-25页 |
| ·GPU编程模型 | 第25-28页 |
| 第三章 GAMR集群系统 | 第28-35页 |
| ·基本架构 | 第28-31页 |
| ·分布式存储模块 | 第28-29页 |
| ·计算模块 | 第29-30页 |
| ·性能优化模块 | 第30-31页 |
| ·硬件结构 | 第31-32页 |
| ·作业运行流程 | 第32-34页 |
| ·本章小结 | 第34-35页 |
| 第四章 GAMR集群上的GPU并行排序算法 | 第35-46页 |
| ·GPU-QuickSort算法 | 第35-38页 |
| ·Hyper-GPU-QSort：对GPU-QuickSort算法的改进 | 第38-44页 |
| ·算法改进1：提高初始阶段的硬件利用率 | 第38-40页 |
| ·算法改进2：提高最后一轮排序的效率 | 第40-44页 |
| ·测试与实验结果 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 第五章 GAMR集群性能模型与作业并行度优化 | 第46-73页 |
| ·GAMR集群性能模型 | 第46-67页 |
| ·Map阶段数据流与性能模型 | 第47-56页 |
| ·Shuffle阶段数据流与性能模型 | 第56-61页 |
| ·Reduce阶段数据流与性能模型 | 第61-67页 |
| ·模型分析 | 第67-68页 |
| ·GAMR作业并行度优化 | 第68-72页 |
| ·Fletcher-Reeves共轭梯度法 | 第69-70页 |
| ·基于共轭梯度方法的并行度优化总体框架 | 第70-71页 |
| ·迭代终止条件 | 第71-72页 |
| ·本章小结 | 第72-73页 |
| 第六章 实验测试 | 第73-79页 |
| ·实验环境 | 第73页 |
| ·基准测试程序 | 第73-74页 |
| ·WordCount | 第74页 |
| ·K-mean | 第74页 |
| ·Gaussian Convolution | 第74页 |
| ·测试结果 | 第74-78页 |
| ·分项测试 | 第74-76页 |
| ·综合测试 | 第76-77页 |
| ·并行度优化的有效性 | 第77-78页 |
| ·本章小结 | 第78-79页 |
| 第七章 总结与展望 | 第79-81页 |
| ·本文的贡献个创新点 | 第79页 |
| ·下一步的研究 | 第79-81页 |
| 参考文献 | 第81-85页 |
| 致谢 | 第85-86页 |
| 作者学习期间取得的学术成果 | 第86页 |