| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.2.1 云计算研究现状 | 第12-14页 |
| 1.2.2 数据挖掘研究现状 | 第14-15页 |
| 1.3 论文的主要工作 | 第15-16页 |
| 1.4 论文的组织结构 | 第16-17页 |
| 第二章 相关技术介绍 | 第17-25页 |
| 2.1 Hadoop概述 | 第17页 |
| 2.2 Map Reduce计算模型 | 第17-22页 |
| 2.2.1 MapReduce基本原理 | 第17-20页 |
| 2.2.2 MapReduce运行流程 | 第20-22页 |
| 2.3 HDFS分布式存储文件系统 | 第22-25页 |
| 2.3.1 HDFS基本框架与工作流程 | 第22-23页 |
| 2.3.2 HDFS可靠性措施 | 第23-25页 |
| 第三章 云环境下的关联规则算法 | 第25-39页 |
| 3.1 关联规则挖掘基础理论 | 第25-27页 |
| 3.1.1 关联规则挖掘基本概念 | 第25-27页 |
| 3.1.2 关联规则挖掘基本模型 | 第27页 |
| 3.2 关联规则算法Apriori | 第27-33页 |
| 3.2.1 Apriori算法思想 | 第27-28页 |
| 3.2.2 Apriori算法流程 | 第28-33页 |
| 3.2.3 Apriori算法问题分析 | 第33页 |
| 3.3 基于MapReduce框架的关联规则算法Apriori | 第33-39页 |
| 3.3.1 Apriori算法并行化设计 | 第33-35页 |
| 3.3.3 Apriori算法并行化实现 | 第35-39页 |
| 第四章 云环境下的聚类分析算法 | 第39-50页 |
| 4.1 聚类分析基础理论 | 第39-41页 |
| 4.1.1 聚类分析基本概念 | 第39-40页 |
| 4.1.2 聚类分析基本模型 | 第40页 |
| 4.1.3 聚类分析算法的分类 | 第40-41页 |
| 4.2 聚类分析算法K-means | 第41-45页 |
| 4.2.1 K-means算法思想 | 第41页 |
| 4.2.2 K-means算法流程 | 第41-45页 |
| 4.2.3 K-means算法问题分析 | 第45页 |
| 4.3 基于MapReduce框架的聚类分析算法K-means | 第45-50页 |
| 4.3.1 K-means算法并行化设计 | 第45-48页 |
| 4.3.2 K-means算法并行化实现 | 第48-50页 |
| 第五章 实验设计与分析 | 第50-62页 |
| 5.1 搭建实验环境 | 第50-53页 |
| 5.1.1 软硬件环境 | 第50-51页 |
| 5.1.2 Hadoop实验环境搭建 | 第51-53页 |
| 5.2 基于MapReduce的并行化算法可行性实验 | 第53-55页 |
| 5.2.1 准备实验数据集 | 第54-55页 |
| 5.2.2 实验结果与分析 | 第55页 |
| 5.3 基于MapReduce的并行化算法实验与分析 | 第55-62页 |
| 5.3.1 准备实验数据集 | 第55-56页 |
| 5.3.2 实验结果与分析 | 第56-62页 |
| 第六章 结束语 | 第62-64页 |
| 6.1 本文工作总结 | 第62页 |
| 6.2 未来工作展望 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-68页 |
