基于Hadoop的网络大规模流量分析系统的性能分析与评估
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-13页 |
| 1.1 研究背景 | 第10页 |
| 1.2 研究意义 | 第10-11页 |
| 1.3 论文结构 | 第11-13页 |
| 第二章 Hadoop集群性能状态研究 | 第13-23页 |
| 2.1 Hadoop简介 | 第13-15页 |
| 2.1.1 HDFS | 第13-14页 |
| 2.1.2 Yarn | 第14-15页 |
| 2.2 Hadoop性能状态影响因素 | 第15-20页 |
| 2.2.1 硬件设备 | 第15-17页 |
| 2.2.2 软件选择 | 第17-18页 |
| 2.2.3 Hadoop参数配置 | 第18-20页 |
| 2.2.4 其他影响因素 | 第20页 |
| 2.3 Hadoop集群性能状态研究现状 | 第20-22页 |
| 2.3.1 性能优化 | 第20-22页 |
| 2.3.2 性能评估 | 第22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 性能分析评估方案设计 | 第23-29页 |
| 3.1 功能需求 | 第23-25页 |
| 3.1.1 需求定义 | 第24页 |
| 3.1.2 需求与设计分析 | 第24-25页 |
| 3.2 方案设计 | 第25-26页 |
| 3.3 方案实践环境 | 第26-28页 |
| 3.3.1 搭建实践集群 | 第26-27页 |
| 3.3.2 标准运行时间 | 第27-28页 |
| 3.4 本章小结 | 第28-29页 |
| 第四章 评估标准与性能数据 | 第29-36页 |
| 4.1 分析系统性能状态的评估标准 | 第29-30页 |
| 4.2 采集积累分析系统的相关性能数据 | 第30-35页 |
| 4.2.1 性能数据指标 | 第30-32页 |
| 4.2.2 Flume简介 | 第32-33页 |
| 4.2.3 基于Flume的性能数据采集系统 | 第33-34页 |
| 4.2.4 性能数据采集积累 | 第34-35页 |
| 4.3 本章小节 | 第35-36页 |
| 第五章 数据建模分析 | 第36-51页 |
| 5.1 多元线性回归模型 | 第36-39页 |
| 5.1.1 多元线性回归模型的一般形式 | 第36-37页 |
| 5.1.2 回归参数的最小二乘估计 | 第37页 |
| 5.1.3 模型检验 | 第37-38页 |
| 5.1.4 多元线性回归模型的应用 | 第38-39页 |
| 5.2 BP神经网络模型 | 第39-42页 |
| 5.2.1 BP神经网络结构 | 第39-40页 |
| 5.2.2 BP算法 | 第40-41页 |
| 5.2.3 BP神经网络设计原则 | 第41-42页 |
| 5.2.4 BP神经网络的应用 | 第42页 |
| 5.3 建模分析准备工作 | 第42-44页 |
| 5.3.1 数据归一化预处理 | 第42-43页 |
| 5.3.2 相关分析 | 第43-44页 |
| 5.4 多元线性回归建模分析 | 第44-47页 |
| 5.4.1 建模分析结果 | 第44-46页 |
| 5.4.2 模型预测检验 | 第46-47页 |
| 5.5 BP神经网络建模分析 | 第47-49页 |
| 5.5.1 BP神经网络设计 | 第48页 |
| 5.5.2 模型预测检验 | 第48-49页 |
| 5.6 两种建模方式对比总结 | 第49-50页 |
| 5.7 本章小结 | 第50-51页 |
| 第六章 评估验证与性能优化 | 第51-57页 |
| 6.1 分数评定规则 | 第51页 |
| 6.2 性能评估效果 | 第51-53页 |
| 6.2.1 单个实际应用程序的指导效果 | 第51-52页 |
| 6.2.2 多个实际应用程序的指导效果 | 第52-53页 |
| 6.2.3 性能评估总结 | 第53页 |
| 6.3 性能优化建议 | 第53-56页 |
| 6.3.1 确定性能优化方向 | 第54页 |
| 6.3.2 性能优化结果 | 第54-56页 |
| 6.4 本章小结 | 第56-57页 |
| 第七章 总结与展望 | 第57-58页 |
| 7.1 总结 | 第57页 |
| 7.2 展望 | 第57-58页 |
| 参考文献 | 第58-60页 |
| 致谢 | 第60-61页 |
| 攻读学位期间发表的学术论文目录 | 第61页 |
