| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题背景和研究意义 | 第9-11页 |
| 1.1.1 大数据数据处理平台的演进 | 第9页 |
| 1.1.2 Spark计算平台 | 第9-10页 |
| 1.1.3 Spark内存配置的研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文主要贡献 | 第12-13页 |
| 1.4 本文组织结构 | 第13页 |
| 1.5 本章小结 | 第13-15页 |
| 第2章 相关工作 | 第15-21页 |
| 2.1 分布式内存计算平台 | 第15-16页 |
| 2.1.1 批处理平台 | 第15页 |
| 2.1.2 实时计算平台 | 第15-16页 |
| 2.2 Spark平台简介 | 第16-17页 |
| 2.3 Spark内存配置管理相关工作分析 | 第17-18页 |
| 2.4 其他大数据平台内存配置相关工作分析 | 第18-19页 |
| 2.5 大数据负载性能调优相关工作分析 | 第19-20页 |
| 2.6 本章小结 | 第20-21页 |
| 第3章 问题分析与总体设计 | 第21-29页 |
| 3.1 Spark内存管理 | 第21-22页 |
| 3.2 Spark负载内存需求分析 | 第22-25页 |
| 3.2.1 Spark负载内存需求影响因素分析 | 第22-24页 |
| 3.2.2 不同负载内存需求比较 | 第24-25页 |
| 3.3 方法框架及关键环节 | 第25-27页 |
| 3.4 本章小结 | 第27-29页 |
| 第4章 基于经验的Spark内存配置方法 | 第29-37页 |
| 4.1 Spark负载分类 | 第29-32页 |
| 4.1.1 Spark负载内存访问特征选取 | 第29-31页 |
| 4.1.2 Spark负载分类模型构建 | 第31-32页 |
| 4.2 Spark负载内存需求预测模型构建 | 第32-35页 |
| 4.2.1 关键参数选取 | 第32-33页 |
| 4.2.2 Spark内存需求预测模型构建 | 第33-35页 |
| 4.3 即席负载的类别匹配 | 第35-36页 |
| 4.4 本章小结 | 第36-37页 |
| 第5章 基于机器学习的内存Spark配置方法 | 第37-57页 |
| 5.1 基于机器学习的Spark内存配置方法的引入 | 第37-38页 |
| 5.2 Spark负载分类 | 第38-48页 |
| 5.2.1 分类方法概述 | 第38-39页 |
| 5.2.2 Spark负载内存访问特征指标选取 | 第39-45页 |
| 5.2.3 Spark负载分类模型构建 | 第45-48页 |
| 5.3 Spark负载内存需求预测模型构建 | 第48-55页 |
| 5.3.1 Spark内存关键参数选取 | 第49-51页 |
| 5.3.2 Spark内存需求预测模型构建 | 第51-55页 |
| 5.4 即席Spark负载类别匹配 | 第55-56页 |
| 5.5 本章小结 | 第56-57页 |
| 第6章 性能评测 | 第57-79页 |
| 6.1 Spark内存配置方法原型实现 | 第57-58页 |
| 6.2 性能评估 | 第58-77页 |
| 6.2.1 实验环境 | 第58-59页 |
| 6.2.2 性能指标 | 第59-60页 |
| 6.2.3 负载选取与实验方法 | 第60-77页 |
| 6.3 本章小结 | 第77-79页 |
| 结论 | 第79-81页 |
| 参考文献 | 第81-85页 |
| 攻读硕士学位期间所发表的学术论文 | 第85-87页 |
| 致谢 | 第87页 |