| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究背景 | 第9-11页 |
| 1.1.1 社交网络的发展 | 第9-10页 |
| 1.1.2 分布式大数据计算的发展 | 第10-11页 |
| 1.2 主要研究内容和意义 | 第11-12页 |
| 1.2.1 分布式系统设计与实现 | 第11页 |
| 1.2.2 性能分析与性能瓶颈模型 | 第11-12页 |
| 1.3 论文组织结构 | 第12-15页 |
| 第二章 系统架构设计和技术选型 | 第15-25页 |
| 2.1 整体架构设计 | 第15-17页 |
| 2.2 数据存储层设计 | 第17-19页 |
| 2.2.1 非结构化数据 | 第17-19页 |
| 2.2.2 结构化数据 | 第19页 |
| 2.3 分布式计算层 | 第19-21页 |
| 2.4 社交分析引擎 | 第21-22页 |
| 2.5 应用层 | 第22-24页 |
| 2.5.1 命令行工具 | 第22页 |
| 2.5.2 在线交互式分析工具 | 第22-24页 |
| 2.6 性能分析层 | 第24页 |
| 2.7 本章小结 | 第24-25页 |
| 第三章 社交分析功能实现 | 第25-49页 |
| 3.1 GraphX中的图计算模型Pregel | 第26-27页 |
| 3.2 网络特征分析 | 第27-31页 |
| 3.2.1 度分布 | 第27-28页 |
| 3.2.2 社交关联性分析 | 第28-30页 |
| 3.2.3 社交影响力分析 | 第30-31页 |
| 3.3 节点(用户)重要性分析 | 第31-33页 |
| 3.3.1 基于HITS的节点重要性 | 第32-33页 |
| 3.4 社团划分 | 第33-36页 |
| 3.4.1 基于LPA的社团划分实现 | 第34页 |
| 3.4.2 基于Modularity的社团划分实现 | 第34-36页 |
| 3.5 用户相似性分析 | 第36-38页 |
| 3.5.1 用户相似度TopK | 第37-38页 |
| 3.5.2 用户属性社交关联假设检验 | 第38页 |
| 3.6 基于本平台的社交分析案例分析 | 第38-44页 |
| 3.6.1 电信用户社交网络特征分析 | 第38-41页 |
| 3.6.2 电信用户重要性分析 | 第41页 |
| 3.6.3 电信用户相似度社交关联假设检验 | 第41-43页 |
| 3.6.4 电信用户社团分析 | 第43-44页 |
| 3.7 性能问题及优化 | 第44-48页 |
| 3.7.1 数据倾斜 | 第45-47页 |
| 3.7.2 Shuffle调优 | 第47-48页 |
| 3.8 本章小结 | 第48-49页 |
| 第四章 性能瓶颈分析 | 第49-73页 |
| 4.1 性能瓶颈分析的意义 | 第49-50页 |
| 4.2 性能瓶颈量化 | 第50-53页 |
| 4.2.1 性能瓶颈量化方法 | 第50-52页 |
| 4.2.2 性能瓶颈量化工具的实现 | 第52-53页 |
| 4.3 性能瓶颈建模 | 第53-60页 |
| 4.3.1 性能瓶颈建模意义 | 第53-54页 |
| 4.3.2 性能瓶颈建模架构设计 | 第54页 |
| 4.3.3 性能瓶颈建模挑战 | 第54-55页 |
| 4.3.4 性能瓶颈的建模基本单位 | 第55-56页 |
| 4.3.5 TrainBench | 第56-60页 |
| 4.4 性能瓶颈的建模过程 | 第60-65页 |
| 4.4.1 Stage-level特征 | 第60-62页 |
| 4.4.2 特征提取 | 第62-65页 |
| 4.4.3 建模算法 | 第65页 |
| 4.5 性能瓶颈建模实验 | 第65-71页 |
| 4.5.1 实验环境 | 第65-66页 |
| 4.5.2 对实际读写磁盘量估算模型的准确性评价 | 第66-68页 |
| 4.5.3 特征及评价和模型选择 | 第68-69页 |
| 4.5.4 G-BRM模型对不同类型作业负载的适用性评估 | 第69-70页 |
| 4.5.5 模型对不同集群上作业负载的适用性评估 | 第70-71页 |
| 4.6 G-BRM对本系统作业负载的分析 | 第71-72页 |
| 4.7 本章小结 | 第72-73页 |
| 第五章 总结与展望 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79-81页 |
| 攻读学位期间发表的学术论文目录 | 第81页 |