摘要 | 第5-6页 |
abstract | 第6-7页 |
第一章 绪论 | 第11-20页 |
1.1 研究工作的背景与意义 | 第11-13页 |
1.2 国内外研究历史与现状 | 第13-18页 |
1.2.1 日志分析 | 第13-15页 |
1.2.2 聚类分析 | 第15-18页 |
1.3 本文的主要贡献与创新 | 第18-19页 |
1.4 本论文的结构安排 | 第19-20页 |
第二章 日志数据处理与分析 | 第20-32页 |
2.1 日志数据的分布与分析 | 第20-23页 |
2.1.0 日志数据收集 | 第20页 |
2.1.1 日志数据的特征与分布 | 第20-22页 |
2.1.2 异常日志数据分布 | 第22-23页 |
2.2 日志数据预处理 | 第23-28页 |
2.2.1 日志数据清洗 | 第24-25页 |
2.2.2 日志数据解析 | 第25-27页 |
2.2.3 日志数据重链接 | 第27-28页 |
2.3 日志数据抽样 | 第28-31页 |
2.3.1 数据抽样与聚类 | 第28-29页 |
2.3.2 抽样率的选择 | 第29-31页 |
2.4 本章小结 | 第31-32页 |
第三章 聚类分析 | 第32-45页 |
3.1 日志聚类分析 | 第32-34页 |
3.1.1 日志聚类分析的原因 | 第32-33页 |
3.1.2 日志聚类分析的优势与难点 | 第33-34页 |
3.2 Cascading日志聚类算法相似度测量的选择与设计 | 第34-39页 |
3.2.1 相似度距离的选择 | 第34-36页 |
3.2.1.1 欧式距离 | 第34-35页 |
3.2.1.2 曼哈顿距离 | 第35页 |
3.2.1.3 马氏距离 | 第35页 |
3.2.1.4 余弦相似性 | 第35-36页 |
3.2.1.5 汉明距离与编辑距离 | 第36页 |
3.2.2 Cascading聚类算法的相似度距离 | 第36-39页 |
3.2.2.1 逆向文件频率 | 第37-38页 |
3.2.2.2 相似性距离计算 | 第38-39页 |
3.3 聚类分析算法的选择与设计 | 第39-42页 |
3.3.1 聚类算法的选择与研究 | 第39-42页 |
3.3.2 与传统聚类算法的比较 | 第42页 |
3.4 Cascading聚类算法效果的评估 | 第42-44页 |
3.4.1 聚类效果评估方法的选择 | 第42-43页 |
3.4.1.1 纯度 | 第43页 |
3.4.1.2 归一化互信息 (NMI) | 第43页 |
3.4.1.3 边缘索引 | 第43页 |
3.4.2 Cascading聚类效果的质量 | 第43-44页 |
3.5 本章小结 | 第44-45页 |
第四章 分布式Cascading层次聚类 | 第45-52页 |
4.1 分布式处理技术 | 第45页 |
4.2 Cascading层次聚类步骤 | 第45-48页 |
4.3 分布式系统 | 第48-49页 |
4.3.1 分布式存储系统 | 第48页 |
4.3.2 分布式计算系统 | 第48-49页 |
4.4 分布式日志数据处理 | 第49-51页 |
4.5 本章小结 | 第51-52页 |
第五章 Cascading聚类算法 | 第52-68页 |
5.1 Cascading聚类算法的选择与设计 | 第52-53页 |
5.2 Cascading聚类算法 | 第53-56页 |
5.2.1 层叠聚类 | 第53-54页 |
5.2.2 算法描述 | 第54页 |
5.2.3 算法分析 | 第54-55页 |
5.2.4 时间复杂度 | 第55-56页 |
5.3 Cascading日志聚类算法所提高的效率 | 第56-61页 |
5.3.1 实验准备 | 第57页 |
5.3.2 通过Cascading聚类所减少的工作量 | 第57-61页 |
5.4 MapReduce实现并行化Cascading聚类算法 | 第61-62页 |
5.5 日志分析系统的集成 | 第62-67页 |
5.5.1 历史样本库 | 第62-63页 |
5.5.2 用户接口 | 第63页 |
5.5.3 核心算法 | 第63-65页 |
5.5.4 功能模块 | 第65-67页 |
5.6 本章小结 | 第67-68页 |
第六章 全文总结与展望 | 第68-70页 |
6.1 全文总结 | 第68页 |
6.2 后续工作展望 | 第68-70页 |
致谢 | 第70-71页 |
参考文献 | 第71-77页 |
攻读硕士学位期间取得的成果 | 第77-78页 |