大数据模型调度系统的关键问题研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.2.1 多DAG共享资源调度 | 第13页 |
| 1.2.2 作业的预测调度 | 第13-14页 |
| 1.2.3 缺失数据补偿 | 第14页 |
| 1.3 研究内容及主要创新点 | 第14-16页 |
| 1.4 本文的组织结构 | 第16-17页 |
| 第二章 系统相关技术研究 | 第17-26页 |
| 2.1 工作流管理技术 | 第17-20页 |
| 2.1.1 链式MapReduce作业控制 | 第17-18页 |
| 2.1.2 Hadoop工作流管理系统 | 第18-20页 |
| 2.2 集群的资源管理与分配 | 第20-23页 |
| 2.2.1 集群的资源管理 | 第20-22页 |
| 2.2.2 应用程序的运行流程与资源分配 | 第22-23页 |
| 2.3 基于Ganglia的集群资源采集与监控 | 第23-25页 |
| 2.3.1 Hadoop集群资源采集与监控 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 模型参数的提取及调度目标 | 第26-46页 |
| 3.1 混合模型的定义 | 第26-31页 |
| 3.1.1 混合作业模型 | 第26-30页 |
| 3.1.2 混合资源模型 | 第30-31页 |
| 3.2 混合模型的调度方案及调度目标 | 第31-33页 |
| 3.2.1 混合模型的调度方案 | 第31-32页 |
| 3.2.2 混合模型的调度目标 | 第32-33页 |
| 3.3 混合模型的特征参数 | 第33-36页 |
| 3.3.1 混合作业模型的特征参数 | 第33-34页 |
| 3.3.2 混合资源模型的特征参数 | 第34-36页 |
| 3.4 基于FDI数据补偿与PCA的特征参数提取 | 第36-44页 |
| 3.4.1 参数采集与缺失数据补偿 | 第37-43页 |
| 3.4.2 基于PCA的特征约简 | 第43-44页 |
| 3.5 本章小结 | 第44-46页 |
| 第四章 基于工作流的静态调度研究 | 第46-54页 |
| 4.1 静态调度策略 | 第47-48页 |
| 4.1.1 最小化调度代价函数 | 第47-48页 |
| 4.2 基于SVM的作业可调度性预测 | 第48-50页 |
| 4.2.1 SVM基础 | 第48-49页 |
| 4.2.2 作业的可调度性预测研究 | 第49-50页 |
| 4.3 算法设计 | 第50-53页 |
| 4.3.1 静态调度目标 | 第50-51页 |
| 4.3.2 静态调度算法描述 | 第51-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 基于工作流的动态调度研究 | 第54-63页 |
| 5.1 动态调度 | 第54-58页 |
| 5.1.1 关键路径预测 | 第54-57页 |
| 5.1.2 执行路径的动态调整 | 第57-58页 |
| 5.2 算法设计 | 第58-62页 |
| 5.2.1 动态调度目标 | 第58-59页 |
| 5.2.2 动态调度算法描述 | 第59-62页 |
| 5.3 本章小结 | 第62-63页 |
| 第六章 系统实现及实验分析 | 第63-76页 |
| 6.1 调度系统总体功能设计 | 第63-65页 |
| 6.2 实验与分析 | 第65-75页 |
| 6.2.1 实验环境 | 第65-67页 |
| 6.2.2 实验设置 | 第67-69页 |
| 6.2.3 实验步骤 | 第69-70页 |
| 6.2.4 实验结果分析 | 第70-75页 |
| 6.3 本章小结 | 第75-76页 |
| 第七章 总结与展望 | 第76-78页 |
| 7.1 课题总结 | 第76-77页 |
| 7.2 下一步工作展望 | 第77-78页 |
| 致谢 | 第78-79页 |
| 参考文献 | 第79-84页 |
| 攻读硕士学位期间取得的成果 | 第84-85页 |
