基于工作流相似性的Hive自动参数优化
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 课题背景及研究的目的和意义 | 第8-9页 |
| 1.1.1 课题的来源 | 第8页 |
| 1.1.2 课题研究的背景和意义 | 第8-9页 |
| 1.2 MAPREDUCE优化发展概况 | 第9-12页 |
| 1.3 本文的主要研究内容 | 第12-13页 |
| 1.4 本文的组织结构 | 第13-15页 |
| 第2章 相关技术与环境 | 第15-25页 |
| 2.1 引言 | 第15页 |
| 2.2 回归问题相关算法 | 第15-19页 |
| 2.2.1 随机森林回归 | 第15-17页 |
| 2.2.2 GBDT回归 | 第17-19页 |
| 2.3 最优化方法 | 第19-23页 |
| 2.3.1 拟牛顿法 | 第19-20页 |
| 2.3.2 粒子群优化算法 | 第20-21页 |
| 2.3.3 遗传算法 | 第21-22页 |
| 2.3.4 模拟退火 | 第22-23页 |
| 2.4 实验环境 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 基于工作流和元数据的相似任务判定与查找 | 第25-35页 |
| 3.1 引言 | 第25页 |
| 3.2 任务的抽象 | 第25-28页 |
| 3.3 相似性的计算 | 第28-34页 |
| 3.3.1 结构相似性计算 | 第31-32页 |
| 3.3.2 数据相似性计算 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 基于相似历史任务的模型建立 | 第35-44页 |
| 4.1 引言 | 第35页 |
| 4.2 参数选取与数据积累 | 第35-37页 |
| 4.2.1 参数选取 | 第35-37页 |
| 4.2.2 数据获取 | 第37页 |
| 4.3 性能模型的构建 | 第37-41页 |
| 4.4 预测模型对比实验 | 第41-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第5章 优化参数及模型持续迭代 | 第44-56页 |
| 5.1 引言 | 第44页 |
| 5.2 最优解的搜寻 | 第44-45页 |
| 5.3 最优化方法对比实验 | 第45-51页 |
| 5.3.1 模拟退火最优解寻找 | 第45-46页 |
| 5.3.2 粒子群优化最优解寻找 | 第46-48页 |
| 5.3.3 遗传算法最优解寻找 | 第48-49页 |
| 5.3.4 各算法对比实验 | 第49-51页 |
| 5.4 优化参数测试 | 第51-53页 |
| 5.5 模型持续迭代 | 第53-55页 |
| 5.6 本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63页 |
