| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.2.1 分布式技术研究现状 | 第11页 |
| 1.2.2 用户行为分析研究现状 | 第11-12页 |
| 1.3 论文的主要内容及结构安排 | 第12-15页 |
| 第二章 网络访问数据的分布式处理 | 第15-30页 |
| 2.1 网络访问数据的整体处理流程 | 第15页 |
| 2.2 网络访问数据的获取 | 第15-21页 |
| 2.2.1 DPI数据的获取 | 第16-17页 |
| 2.2.2 网络爬虫数据的获取 | 第17-21页 |
| 2.3 网络访问数据的分布式存储 | 第21-23页 |
| 2.3.1 分布式存储技术及实现 | 第21-22页 |
| 2.3.2 基于HDFS对网络访问数据的存储 | 第22-23页 |
| 2.4 网络访问数据的预处理 | 第23-25页 |
| 2.5 网络访问数据的分布式统计 | 第25-30页 |
| 2.5.1 Hadoop的分布式计算介绍 | 第25-26页 |
| 2.5.2 基于MapReduce的基本统计实现 | 第26-30页 |
| 第三章 针对特定行业的统计及关联性分析 | 第30-45页 |
| 3.1 特定行业访问数据的统计分析 | 第30-37页 |
| 3.1.1 汽车行业统计分析 | 第30-31页 |
| 3.1.2 汽车网站页面访问量分析 | 第31-34页 |
| 3.1.3 汽车网站独立用户数分析 | 第34页 |
| 3.1.4 汽车网站平均访问时长分析 | 第34-37页 |
| 3.2 特定行业访问数据的关联性分析 | 第37-45页 |
| 3.2.1 关联性分析简介 | 第37-39页 |
| 3.2.2 关联性分析的流程 | 第39页 |
| 3.2.3 基于MapReduce的FP-Growth算法的实现 | 第39-42页 |
| 3.2.4 汽车行业关联挖掘结果分析 | 第42-45页 |
| 第四章 基于Markov模型的用户行为预测 | 第45-58页 |
| 4.1 网络用户行为简介 | 第45-46页 |
| 4.1.1 网络用户行为的定义 | 第45页 |
| 4.1.2 网络用户行为的分类 | 第45-46页 |
| 4.2 汽车行业网络用户行为分析 | 第46-51页 |
| 4.2.1 汽车行业网络用户识别 | 第47页 |
| 4.2.2 汽车行业用户行为特征提取 | 第47-51页 |
| 4.3 基于Markov模型对汽车行业用户的行为预测 | 第51-58页 |
| 4.3.1 Markov预测模型简介 | 第51-52页 |
| 4.3.2 基于Markov模型中的PPM预测模型的构建 | 第52页 |
| 4.3.3 算法实现流程 | 第52-54页 |
| 4.3.4 对汽车行业用户的预测结果分析 | 第54-58页 |
| 第五章 总结与展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62页 |
