| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 1 引言 | 第8-11页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 调度算法的研究意义 | 第9页 |
| 1.3 本文的研究内容 | 第9页 |
| 1.4 论文组织结构 | 第9-10页 |
| 1.5 文章小结 | 第10-11页 |
| 2 Hadoop平台及作业调度算法 | 第11-25页 |
| 2.1 Hadoop平台介绍 | 第11页 |
| 2.2 HDFS概述 | 第11-13页 |
| 2.2.1 HDFS设计前提和目标 | 第12页 |
| 2.2.2 HDFS结构特点 | 第12页 |
| 2.2.3 HDFS数据复制 | 第12-13页 |
| 2.3 MapReduce编程模型 | 第13-16页 |
| 2.3.1 Map Reduce函数 | 第13-14页 |
| 2.3.2 JobTracker和TaskTracker | 第14-15页 |
| 2.3.3 MapReduce容错机制 | 第15-16页 |
| 2.4 推测执行算法 | 第16页 |
| 2.5 作业调度算法 | 第16-17页 |
| 2.6 HOD作业调度器 | 第17-18页 |
| 2.7 作业调度扩展算法 | 第18-20页 |
| 2.7.1 公平份额调度算法(FairScheduler) | 第18-19页 |
| 2.7.2 计算能力调度算法(Capacity Scheduler) | 第19-20页 |
| 2.8 Hadoop作业调度算法研究现状 | 第20-23页 |
| 2.8.1 基本作业算法的改进 | 第20-21页 |
| 2.8.2 基于作业属性的改进 | 第21-22页 |
| 2.8.3 基于智能算法的改进 | 第22-23页 |
| 2.8.4 其他改进方案 | 第23页 |
| 2.9 下一代MapReduce框架 | 第23-24页 |
| 2.9.1 下一代框架设计思想 | 第23-24页 |
| 2.10 本章小结 | 第24-25页 |
| 3 基于人工鱼群算法的作业调度算法 | 第25-31页 |
| 3.1 群智能 | 第25-27页 |
| 3.1.1 蚁群算法介绍 | 第26页 |
| 3.1.2 粒子群算法介绍 | 第26页 |
| 3.1.3 人工鱼群算法介绍 | 第26-27页 |
| 3.2 人工鱼群算法描述 | 第27-28页 |
| 3.3 基于人工鱼群算法的作业调度改进 | 第28-30页 |
| 3.4 改进作业调度算法描述 | 第30页 |
| 3.5 本章小结 | 第30-31页 |
| 4 实验与分析 | 第31-37页 |
| 4.1 实验1：人工鱼群算法 | 第31-34页 |
| 4.1.1 实验场景 | 第31页 |
| 4.1.2 实验分析 | 第31-34页 |
| 4.2 实验2：Hadoop作业调度改进 | 第34-36页 |
| 4.2.1 实验环境 | 第34页 |
| 4.2.2 实验结果及分析 | 第34-36页 |
| 4.3 本章小结 | 第36-37页 |
| 5 结论和展望 | 第37-39页 |
| 5.1 总结 | 第37页 |
| 5.2 展望 | 第37-39页 |
| 参考文献 | 第39-42页 |
| 个人简介 | 第42-43页 |
| 导师简介 | 第43-44页 |
| 获得成果目录清单 | 第44-45页 |
| 致谢 | 第45页 |
