摘要 | 第4-5页 |
Abstract | 第5-6页 |
第一章 绪论 | 第13-17页 |
1.1 研究背景 | 第13-14页 |
1.2 研究意义 | 第14页 |
1.3 研究内容与主要工作 | 第14-15页 |
1.4 论文组织结构 | 第15-17页 |
第二章 研究现状 | 第17-25页 |
2.1 社交网络技术 | 第17-20页 |
2.1.1 社交网络概述 | 第17-18页 |
2.1.2 基于位置的社交网络概述 | 第18-19页 |
2.1.3 社交网络社区划分技术 | 第19-20页 |
2.2 数据存储技术 | 第20-22页 |
2.2.1 集中式数据存储 | 第21页 |
2.2.2 分布式数据存储 | 第21-22页 |
2.3 社交网络数据放置技术 | 第22-24页 |
2.3.1 基于hash的数据划分 | 第22-23页 |
2.3.2 基于社交关系的数据划分 | 第23-24页 |
2.4 本章小结 | 第24-25页 |
第三章 数据集的处理和分析 | 第25-37页 |
3.1 实验数据集 | 第25-26页 |
3.2 基于位置的社交网络模型 | 第26-27页 |
3.3 数据处理和过滤 | 第27-28页 |
3.4 数据统计分析 | 第28-36页 |
3.4.1 社交网络结构分析 | 第28-29页 |
3.4.2 用户位置行为模式分析 | 第29-33页 |
3.4.3 用户时间行为模式分析 | 第33-36页 |
3.5 本章小结 | 第36-37页 |
第四章 基于社交关系的K-medoids社区划分 | 第37-44页 |
4.1 节点多维社交距离建模 | 第37-39页 |
4.1.1 用户亲密度计算 | 第37页 |
4.1.2 用户时空相似度计算 | 第37-39页 |
4.1.3 节点多维社交距离计算 | 第39页 |
4.2 基于社交关系的K-medoids社区划分算法 | 第39-41页 |
4.3 社区划分实验结果及分析 | 第41-43页 |
4.3.1 实验环境 | 第41页 |
4.3.2 评价标准 | 第41页 |
4.3.3 社区划分算法比较分析 | 第41-43页 |
4.4 本章小结 | 第43-44页 |
第五章 基于社区的存储资源分配策略 | 第44-54页 |
5.1 社区中心地理位置建模 | 第44页 |
5.2 数据中心负载状况建模 | 第44-45页 |
5.2.1 数据中心服务器负载状况衡量 | 第44页 |
5.2.2 数据中心的负载状况衡量 | 第44-45页 |
5.3 数据中心可用度建模 | 第45页 |
5.4 基于社区的存储资源分配策略 | 第45-48页 |
5.4.1 用户数据划分算法 | 第45-46页 |
5.4.2 基于社区的存储资源分配算法 | 第46-48页 |
5.5 实验结果与分析 | 第48-53页 |
5.5.1 实验环境 | 第48页 |
5.5.2 仿真平台介绍 | 第48页 |
5.5.3 仿真参数设定 | 第48页 |
5.5.4 评价标准 | 第48-49页 |
5.5.5 算法参数分析 | 第49-50页 |
5.5.6 存储资源分配算法比较分析 | 第50-53页 |
5.6 本章小结 | 第53-54页 |
第六章 存储资源动态调整策略 | 第54-61页 |
6.1 新用户加入 | 第54页 |
6.2 老用户离开 | 第54页 |
6.3 用户常驻位置改变 | 第54-55页 |
6.4 用户之间添加边 | 第55-56页 |
6.5 用户之间删除边 | 第56-58页 |
6.6 实验结果与分析 | 第58-60页 |
6.6.1 用户常驻位置改变比较分析 | 第58-59页 |
6.6.2 用户之间添加边比较分析 | 第59-60页 |
6.6.3 用户之间删除边比较分析 | 第60页 |
6.7 本章小结 | 第60-61页 |
第七章 总结和展望 | 第61-63页 |
7.1 研究工作总结 | 第61-62页 |
7.2 研究工作展望 | 第62-63页 |
参考文献 | 第63-65页 |