| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景和研究意义 | 第10-12页 |
| 1.1.1 大数据流式计算 | 第10-11页 |
| 1.1.2 批量流式计算平台典型代表SparkStreaming | 第11页 |
| 1.1.3 云环境下的SparkStreaming | 第11-12页 |
| 1.1.4 SparkStreaming中参数配置和资源分配的研究意义 | 第12页 |
| 1.2 国内外研究现状与不足 | 第12-13页 |
| 1.3 参数配置和资源分配的协同优化技术面临的挑战 | 第13-14页 |
| 1.4 本文主要贡献 | 第14-15页 |
| 1.5 本文的组织结构 | 第15-16页 |
| 第2章 相关工作 | 第16-24页 |
| 2.1 大数据流式计算平台的发展 | 第16-17页 |
| 2.2 批量流式计算平台概述 | 第17-19页 |
| 2.2.1 批量流式计算平台的特征 | 第17页 |
| 2.2.2 SparkStreaming概述 | 第17-19页 |
| 2.3 云环境下流式计算平台中相关优化技术 | 第19-22页 |
| 2.3.1 云环境下批量流式计算平台中相关优化技术 | 第19-20页 |
| 2.3.2 云环境下连续流式计算平台中相关优化技术 | 第20-21页 |
| 2.3.3 云环境下批量计算平台中的相关优化技术 | 第21-22页 |
| 2.4 大数据领域性能建模相关工作 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 总体设计 | 第24-28页 |
| 3.1 参数配置和资源分配协同优化方法的可行性分析 | 第24-25页 |
| 3.2 参数配置和资源分配协同优化方法的总体设计 | 第25-27页 |
| 3.2.1 模型构建 | 第26页 |
| 3.2.2 优化方案选取 | 第26-27页 |
| 3.3 本章小结 | 第27-28页 |
| 第4章 基于张量的性能模型构建方法 | 第28-38页 |
| 4.1 性能建模的关键问题 | 第28-29页 |
| 4.2 张量介绍 | 第29-32页 |
| 4.2.1 张量的定义与基本运算 | 第29-30页 |
| 4.2.2 张量分解 | 第30页 |
| 4.2.3 Tucker分解的求解方法 | 第30-32页 |
| 4.3 性能模型的构建 | 第32-36页 |
| 4.3.1 影响性能关键因素的选取 | 第32页 |
| 4.3.2 基于张量的问题模型构建 | 第32-34页 |
| 4.3.3 基于张量补全的性能模型构建算法 | 第34-36页 |
| 4.4 基于时间戳的样本数据丢弃方法 | 第36-37页 |
| 4.5 本章小结 | 第37-38页 |
| 第5章 参数配置和资源分配协同优化方案选取策略 | 第38-48页 |
| 5.1 问题定义 | 第38-39页 |
| 5.2 问题建模 | 第39-46页 |
| 5.2.1 动态邻域粒子群算法介绍 | 第39-40页 |
| 5.2.2 基于动态邻域粒子群算法的问题建模 | 第40-44页 |
| 5.2.3 基于动态邻域粒子群的参数配置和资源分配优化方案选取算法 | 第44-46页 |
| 5.3 在线匹配策略 | 第46页 |
| 5.4 本章小结 | 第46-48页 |
| 第6章 原型系统实现及性能评估 | 第48-68页 |
| 6.1 参数配置和资源分配协同优化方法的实现 | 第48-52页 |
| 6.1.1 APAR系统架构 | 第48-49页 |
| 6.1.2 数据结构 | 第49-51页 |
| 6.1.3 原型系统APAR工作流程 | 第51-52页 |
| 6.2 实验方法概述 | 第52-55页 |
| 6.2.1 测试负载 | 第52-54页 |
| 6.2.2 测试环境 | 第54页 |
| 6.2.3 性能评价指标 | 第54-55页 |
| 6.3 实验设计与结果分析 | 第55-67页 |
| 6.3.1 系统总体性能 | 第55-64页 |
| 6.3.2 模型评估 | 第64-66页 |
| 6.3.3 系统收敛速度测试结果与分析 | 第66-67页 |
| 6.4 本章小结 | 第67-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-76页 |
| 攻读硕士期间发表的学术论文 | 第76-78页 |
| 致谢 | 第78页 |
