| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第13-22页 |
| 1.1 课题背景 | 第13-15页 |
| 1.2 研究现状 | 第15-19页 |
| 1.2.1 大数据处理系统 | 第15-16页 |
| 1.2.2 Hadoop性能优化 | 第16-18页 |
| 1.2.3 近数据处理 | 第18-19页 |
| 1.3 本文贡献及内容安排 | 第19-22页 |
| 1.3.1 本文贡献 | 第19-20页 |
| 1.3.2 内容安排 | 第20-22页 |
| 2 Hadoop应用性能分析框架 | 第22-45页 |
| 2.1 研究动机 | 第22-23页 |
| 2.2 背景介绍 | 第23-28页 |
| 2.2.1 MapReduce编程模型 | 第23-24页 |
| 2.2.2 MapReduce在Hadoop中的实现 | 第24-28页 |
| 2.3 应用性能分析框架 | 第28-34页 |
| 2.3.1 整体设计 | 第28-29页 |
| 2.3.2 具体实现 | 第29-33页 |
| 2.3.3 开销分析 | 第33-34页 |
| 2.4 实验分析 | 第34-42页 |
| 2.4.1 实验环境 | 第34-35页 |
| 2.4.2 性能分析框架效果评估 | 第35-42页 |
| 2.5 相关工作 | 第42-44页 |
| 2.6 本章小结 | 第44-45页 |
| 3 基于集成学习的Hadoop性能模型及性能优化 | 第45-70页 |
| 3.1 研究动机 | 第45-47页 |
| 3.2 背景介绍 | 第47-51页 |
| 3.2.1 MapReduce运行流程 | 第47-48页 |
| 3.2.2 Hadoop系统配置参数 | 第48-49页 |
| 3.2.3 相关工作的局限性 | 第49-51页 |
| 3.3 基于集成学习的性能模型 | 第51-55页 |
| 3.4 系统配置参数调优 | 第55-57页 |
| 3.5 实验分析 | 第57-67页 |
| 3.5.1 实验方法 | 第57-59页 |
| 3.5.2 性能模型参数设置 | 第59-60页 |
| 3.5.3 性能模型准确率评估 | 第60-64页 |
| 3.5.4 配置参数优化效果评估 | 第64-67页 |
| 3.6 相关工作 | 第67-69页 |
| 3.7 本章小结 | 第69-70页 |
| 4 基于近数据处理的MapReduce性能优化 | 第70-95页 |
| 4.1 研究动机 | 第70-71页 |
| 4.2 背景介绍 | 第71-74页 |
| 4.3 近数据处理系统架构 | 第74-77页 |
| 4.4 近数据处理系统软硬件接口 | 第77-85页 |
| 4.4.1 虚拟地址管理 | 第78-79页 |
| 4.4.2 应用程序接口 | 第79-81页 |
| 4.4.3 任务迁移机制 | 第81-83页 |
| 4.4.4 近数据处理系统MapReduce框架 | 第83-85页 |
| 4.5 实验分析 | 第85-91页 |
| 4.5.1 基于gem5的全系统仿真环境 | 第85-87页 |
| 4.5.2 近数据处理优化效果分析 | 第87-89页 |
| 4.5.3 数据量对近数据处理的影响 | 第89-90页 |
| 4.5.4 近数据处理系统能耗分析 | 第90-91页 |
| 4.6 相关工作 | 第91-94页 |
| 4.7 本章小结 | 第94-95页 |
| 5 总结与展望 | 第95-97页 |
| 参考文献 | 第97-105页 |
| 作者在攻读硕士学位期间的科研成果与科研工作 | 第105页 |