| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第9-13页 |
| 1.1 研究背景 | 第9页 |
| 1.2 研究意义 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-11页 |
| 1.4 本文研究内容 | 第11页 |
| 1.5 本文组织结构 | 第11-12页 |
| 1.6 本章小结 | 第12-13页 |
| 2 相关研究综述 | 第13-23页 |
| 2.1 Apriori算法介绍 | 第13-15页 |
| 2.1.1 经典Apriori算法相关定义 | 第13-14页 |
| 2.1.2 Apriori算法关联规则的挖掘步骤 | 第14-15页 |
| 2.2 GPU通用计算与CUDA | 第15-19页 |
| 2.2.1 CUDA编程模型 | 第16-18页 |
| 2.2.2 CUDA存储器模型 | 第18-19页 |
| 2.3 GPU集群介绍 | 第19-20页 |
| 2.4 云计算和AWS | 第20-22页 |
| 2.4.1 云计算基础概念 | 第20-21页 |
| 2.4.2 马逊云服务(Amazon Web Services,AWS) | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 3 基于AWS云平台GPU集群的Apriori算法设计和实现 | 第23-40页 |
| 3.1 Apriori算法对于数值型事务数据的处理 | 第23-24页 |
| 3.2 总体架构设计 | 第24-27页 |
| 3.2.1 Apriori算法分析 | 第24-26页 |
| 3.2.2 总体并行优化设计 | 第26-27页 |
| 3.3 AWS平台GPU集群架构的设计与搭建 | 第27-28页 |
| 3.3.1 GPU集群设计 | 第27-28页 |
| 3.3.2 GPU集群搭建 | 第28页 |
| 3.4 Apriori算法进程间并行改进与实现 | 第28-31页 |
| 3.4.1 任务分配负载均衡 | 第29-30页 |
| 3.4.2 进程间通信方式MPI | 第30页 |
| 3.4.3 候选项集的生成与剪枝 | 第30-31页 |
| 3.5 Apriori算法进程内并行改进与实现 | 第31-37页 |
| 3.5.1 事务数据的拷贝 | 第31-32页 |
| 3.5.2 候选频繁项集支持计数 | 第32-37页 |
| 3.6 实验与分析 | 第37-39页 |
| 3.6 本章小结 | 第39-40页 |
| 4 基于AWS GPU集群加速的Apriori算法的应用 | 第40-47页 |
| 4.1 大数据医疗趋势以及乳腺癌诊断应用的需求分析 | 第40-41页 |
| 4.2 乳腺癌肿瘤类型诊断应用总体设计 | 第41-42页 |
| 4.3 乳腺癌医疗数据的收集与处理 | 第42-43页 |
| 4.4 使用Apriori算法进行关联规则挖掘 | 第43-44页 |
| 4.4.1 候选频繁项集支持计数 | 第43-44页 |
| 4.4.2 利用频繁项集生成关联规则 | 第44页 |
| 4.5 利用关联规则对乳腺癌患者进行诊断 | 第44-45页 |
| 4.6 乳腺癌诊断应用的实现 | 第45-46页 |
| 4.7 本章小结 | 第46-47页 |
| 结论 | 第47-49页 |
| 参考文献 | 第49-51页 |
| 攻读硕士学位期间发表学术论文情况 | 第51-52页 |
| 致谢 | 第52-53页 |
