| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 国内研究现状 | 第11-12页 |
| 1.2.2 国外研究现状 | 第12-13页 |
| 1.3 主要研究内容 | 第13-14页 |
| 1.4 论文结构 | 第14-16页 |
| 第2章 背景知识与相关技术 | 第16-26页 |
| 2.1 聚类算法定义 | 第16页 |
| 2.2 传统聚类算法分类 | 第16-17页 |
| 2.3 DBSCAN算法 | 第17-21页 |
| 2.3.1 主要思想 | 第17页 |
| 2.3.2 相关概念 | 第17-19页 |
| 2.3.3 实现过程 | 第19-21页 |
| 2.4 分布式计算 | 第21-25页 |
| 2.4.1 基本定义 | 第21页 |
| 2.4.2 Storm框架 | 第21-25页 |
| 2.5 增量聚类算法概述 | 第25页 |
| 2.6 本章小结 | 第25-26页 |
| 第3章 基于DBSCAN和核密度估计的分布式聚类算法 | 第26-38页 |
| 3.1 算法总体设计 | 第26-28页 |
| 3.2 算法具体流程 | 第28-31页 |
| 3.2.1 数据分发 | 第28页 |
| 3.2.2 局部聚类 | 第28-29页 |
| 3.2.3 聚类合并 | 第29-31页 |
| 3.3 参数本地化策略 | 第31-33页 |
| 3.3.1 核密度估计 | 第31-32页 |
| 3.3.2 参数自适应确定 | 第32-33页 |
| 3.4 算法复杂度分析 | 第33-34页 |
| 3.5 实验分析 | 第34-37页 |
| 3.5.1 聚类准确率实验 | 第34-37页 |
| 3.5.2 聚类效率实验 | 第37页 |
| 3.6 本章小结 | 第37-38页 |
| 第4章 基于DBSCAN的增量聚类算法 | 第38-48页 |
| 4.1 增量聚类算法流程设计 | 第38-39页 |
| 4.2 算法合并规则和实现过程 | 第39-44页 |
| 4.2.1 增量合并规则 | 第39-43页 |
| 4.2.2 算法实现过程 | 第43-44页 |
| 4.3 算法复杂度分析 | 第44页 |
| 4.4 实验分析 | 第44-47页 |
| 4.4.1 可行性实验 | 第45-46页 |
| 4.4.2 高效性实验 | 第46-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第5章 基于分布式增量聚类算法的网络数据聚类系统实现 | 第48-64页 |
| 5.1 系统整体架构 | 第48-49页 |
| 5.2 数据采集 | 第49-51页 |
| 5.2.1 分布式采集 | 第49-50页 |
| 5.2.2 数据缓存 | 第50-51页 |
| 5.3 数据预处理 | 第51-56页 |
| 5.3.1 数据过滤清洗 | 第51-54页 |
| 5.3.2 流量特征统计 | 第54-56页 |
| 5.4 分布式增量聚类 | 第56-63页 |
| 5.4.1 聚类模块的设计 | 第57-58页 |
| 5.4.2 数据分发 | 第58页 |
| 5.4.3 局部参数确认 | 第58页 |
| 5.4.4 局部聚类 | 第58-60页 |
| 5.4.5 聚类合并 | 第60-62页 |
| 5.4.6 增量聚类 | 第62-63页 |
| 5.5 本章小结 | 第63-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间所发表的学术论文 | 第70-72页 |
| 致谢 | 第72页 |