| 摘要 | 第1-7页 |
| ABSTRACT | 第7-9页 |
| 目录 | 第9-13页 |
| 表格索引 | 第13-14页 |
| 插图索引 | 第14-16页 |
| 算法索引 | 第16-17页 |
| 主要符号对照表 | 第17-18页 |
| 第一章 绪论 | 第18-28页 |
| 本章概要 | 第18页 |
| ·研究背景与意义 | 第18-25页 |
| ·并行机体系机构的演变 | 第18-19页 |
| ·计算资源扩展能力的变化 | 第19-20页 |
| ·工业界应用模式的改变 | 第20-23页 |
| ·大数据应用的调优指导 | 第23-25页 |
| ·本文的研究内容和研究思路 | 第25页 |
| ·本文组织结构 | 第25-28页 |
| 第二章 大数据计算模型相关工作 | 第28-42页 |
| 本章概要 | 第28页 |
| ·传统并行计算模型 | 第28-31页 |
| ·传统并行计算模型概述 | 第28页 |
| ·代表性模型介绍 | 第28-31页 |
| ·大数据编程模型 | 第31-35页 |
| ·大数据编程模型概述 | 第31页 |
| ·代表性模型介绍 | 第31-35页 |
| ·大数据计算模型 | 第35-40页 |
| ·大数据计算模型概述 | 第35页 |
| ·国内外研究现状 | 第35-40页 |
| ·本章小结 | 第40-42页 |
| 第三章 P-DOT：一个面向大数据处理的并行计算模型 | 第42-64页 |
| 本章概要 | 第42页 |
| ·模型介绍 | 第42-46页 |
| ·定义与形式化描述 | 第42-43页 |
| ·主要参数与时间成本函数 | 第43-44页 |
| ·普适性、扩展性与容错性 | 第44-45页 |
| ·相关模型比较分析 | 第45-46页 |
| ·模型证明 | 第46-54页 |
| ·时间成本函数的限制条件 | 第46页 |
| ·时间成本函数的推导与证明 | 第46-50页 |
| ·普适性分析与证明 | 第50-52页 |
| ·扩展性、容错性的分析与证明 | 第52-54页 |
| ·基于模型的优化方法 | 第54-59页 |
| ·数据层优化方法介绍与分析 | 第54-55页 |
| ·计算层优化方法介绍与分析 | 第55-57页 |
| ·通信层优化方法介绍与分析 | 第57-59页 |
| ·实验验证 | 第59-63页 |
| ·实验环境与测试程序 | 第59页 |
| ·时间成本函数的相关实验与分析 | 第59-63页 |
| ·本章小结 | 第63-64页 |
| 第四章 H-DB：一个面向大数据查询的混合异构系统 | 第64-78页 |
| 本章概要 | 第64页 |
| ·引言 | 第64-65页 |
| ·应用背景 | 第65-68页 |
| ·地震前兆台网介绍、需求与特点 | 第65-68页 |
| ·相关大数据查询系统比较分析 | 第68页 |
| ·H-DB查询系统介绍 | 第68-70页 |
| ·系统整体概览 | 第68-70页 |
| ·主要功能模块介绍 | 第70页 |
| ·模型数据层优化方法的应用 | 第70-73页 |
| ·全局索引的建立与访问机制 | 第70-72页 |
| ·分类查询的工作机制 | 第72-73页 |
| ·性能评估 | 第73-77页 |
| ·实验环境与测试案例 | 第73-75页 |
| ·查询性能结果与分析 | 第75-77页 |
| ·本章小结 | 第77-78页 |
| 第五章 LFRTrainer：一个大规模分布式人脸识别训练系统 | 第78-92页 |
| 本章概要 | 第78页 |
| ·引言 | 第78-79页 |
| ·应用背景 | 第79-81页 |
| ·人脸识别介绍、需求与形式化描述 | 第79-80页 |
| ·相关人脸识别训练系统比较分析 | 第80-81页 |
| ·LFRTrainer训练系统介绍 | 第81-84页 |
| ·系统整体概览 | 第81-82页 |
| ·人脸识别模块介绍 | 第82-84页 |
| ·模型计算层优化方法的应用 | 第84-87页 |
| ·分布式SVM训练器的实现 | 第84-86页 |
| ·LIBLINEAR函数库的多核加速方法 | 第86-87页 |
| ·LFRTrainer系统的流水线优化 | 第87页 |
| ·性能评估 | 第87-90页 |
| ·实验环境与测试案例 | 第87页 |
| ·训练性能结果与分析 | 第87-90页 |
| ·本章小结 | 第90-92页 |
| 第六章 基于Caffe的深度学习系统优化 | 第92-114页 |
| 本章概要 | 第92页 |
| ·引言 | 第92-94页 |
| ·深度学习系统背景 | 第94-99页 |
| ·深度学习的并行化概述 | 第94-95页 |
| ·深度学习的软件工具与平台 | 第95-98页 |
| ·Caffe开源系统结构与特点 | 第98-99页 |
| ·模型混合层优化方法的应用 | 第99-108页 |
| ·训练过程的分布式解决方法 | 第99-101页 |
| ·测试过程的分布式解决方法 | 第101-102页 |
| ·卷积层等模块的多核加速方法 | 第102-105页 |
| ·基于部分同步策略的通信优化 | 第105-107页 |
| ·基于有界延迟策略的通信优化 | 第107-108页 |
| ·性能评估 | 第108-113页 |
| ·实验环境与测试案例 | 第108页 |
| ·训练性能结果与分析 | 第108-113页 |
| ·本章小结 | 第113-114页 |
| 第七章 总结与展望 | 第114-116页 |
| 本章概要 | 第114页 |
| ·本文研究工作总结 | 第114-115页 |
| ·进一步工作 | 第115-116页 |
| 参考文献 | 第116-124页 |
| 致谢 | 第124-126页 |
| 在读期间发表的学术论文与取得的研究成果 | 第126页 |
