| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 1 绪论 | 第11-19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13-17页 |
| 1.2.1 日志挖掘技术 | 第14-15页 |
| 1.2.2 常用的日志分析方法 | 第15-17页 |
| 1.3 研究目标与内容 | 第17页 |
| 1.4 论文的组织结构 | 第17-18页 |
| 1.5 本章小结 | 第18-19页 |
| 2 理论基础与关键算法 | 第19-31页 |
| 2.1 云操作系统日志 | 第19-22页 |
| 2.1.1 Apache Hadoop分布式计算框架 | 第20-22页 |
| 2.2 日志收集工具 | 第22-26页 |
| 2.2.1 Flume | 第22-24页 |
| 2.2.2 Kafka | 第24-26页 |
| 2.3 机器学习算法 | 第26-30页 |
| 2.3.1 监督学习算法 | 第27页 |
| 2.3.2 无监督学习算法 | 第27-30页 |
| 2.4 本章小结 | 第30-31页 |
| 3 系统需求分析和整体设计 | 第31-37页 |
| 3.1 需求分析 | 第31-32页 |
| 3.2 智能日志故障检测定位系统结构设计 | 第32-33页 |
| 3.3 模块功能介绍 | 第33-36页 |
| 3.4 本章小结 | 第36-37页 |
| 4 基于日志流实时挖掘故障检测定位系统模块实现 | 第37-59页 |
| 4.1 智能故障检测定位系统流程概述 | 第37-38页 |
| 4.2 创建日志故障分类知识库 | 第38-41页 |
| 4.2.1 提取日志流程模型 | 第38-40页 |
| 4.2.2 创建日志故障分类模板 | 第40-41页 |
| 4.3 创建特征向量矩阵 | 第41-51页 |
| 4.3.1 日志流实时预处理 | 第41-44页 |
| 4.3.2 挖掘不变量 | 第44-46页 |
| 4.3.3 模板匹配与特征分组统计 | 第46-49页 |
| 4.3.4 创建特征向量矩阵 | 第49-51页 |
| 4.4 基于PCA的异常检测 | 第51-54页 |
| 4.5 基于S-Kmeans算法故障定位与可视化 | 第54-58页 |
| 4.5.1 基于S-Kmeans故障定位 | 第54-57页 |
| 4.5.2 Web可视化展示 | 第57-58页 |
| 4.6 本章小结 | 第58-59页 |
| 5 实验验证与结果分析 | 第59-65页 |
| 5.1 实验环境 | 第59页 |
| 5.2 S-Kmeans算法评估 | 第59-62页 |
| 5.2.1 算法评估过程 | 第59-61页 |
| 5.2.2 算法评估结果 | 第61-62页 |
| 5.3 故障分类效率 | 第62-63页 |
| 5.3.1 日志记录 | 第62-63页 |
| 5.4 学习效率 | 第63-65页 |
| 6 总结与展望 | 第65-67页 |
| 6.1 工作总结 | 第65-66页 |
| 6.2 研究展望 | 第66-67页 |
| 7 参考文献 | 第67-71页 |
| 致谢 | 第71-72页 |