| 摘要 | 第10-12页 |
| Abstract | 第12-13页 |
| 第一章 绪论 | 第14-26页 |
| 1.1 课题研究背景 | 第14-20页 |
| 1.1.1 数据处理性能成为大数据领域的新挑战 | 第14-17页 |
| 1.1.2 异构计算的发展 | 第17-19页 |
| 1.1.3 研究意义 | 第19-20页 |
| 1.2 MapReduce大数据处理技术介绍 | 第20-24页 |
| 1.2.1 MapReduce分布式计算模型 | 第21-22页 |
| 1.2.2 MapReduce系统的计算资源调度 | 第22-24页 |
| 1.3 本文研究工作 | 第24-25页 |
| 1.4 论文结构 | 第25-26页 |
| 第二章 相关工作及研究挑战 | 第26-44页 |
| 2.1 相关研究工作 | 第26-39页 |
| 2.1.1 面向异构计算的MapReduce技术 | 第26-30页 |
| 2.1.2 IntelMIC协处理器 | 第30-33页 |
| 2.1.3 大规模数据处理系统的资源管理与调度 | 第33-39页 |
| 2.2 当前研究面临的挑战 | 第39-42页 |
| 2.2.1 异构MapReduce的系统设计 | 第39-41页 |
| 2.2.2 面向SIMD向量计算的异构MapReduce性能优化 | 第41页 |
| 2.2.3 异构资源的多用户公平分配 | 第41-42页 |
| 2.3 小结 | 第42-44页 |
| 第三章 基于H-MUD模型的异构MapReduce技术研究 | 第44-66页 |
| 3.1 引言 | 第44-45页 |
| 3.2 异构MapReduce系统建模 | 第45-51页 |
| 3.2.1 MUD数据流模型介绍 | 第45-46页 |
| 3.2.2 H-MUD数据流模型 | 第46-50页 |
| 3.2.3 H-MUD模型在异构计算中的挑战 | 第50-51页 |
| 3.3 基于H-MUD模型的异构MapReduce系统micMR | 第51-60页 |
| 3.3.1 micMR总体框架设计 | 第51-54页 |
| 3.3.2 总线I/O的时间隐藏优化技术研究 | 第54-58页 |
| 3.3.3 协处理器在micMR系统中的可扩展性设计 | 第58-60页 |
| 3.4 系统验证和结果分析 | 第60-64页 |
| 3.4.1 实验验证方法 | 第60页 |
| 3.4.2 micMR异构计算性能验证 | 第60-61页 |
| 3.4.3 I/O优化技术性能分析 | 第61-63页 |
| 3.4.4 协处理器的可扩展性验证 | 第63-64页 |
| 3.5 小结 | 第64-66页 |
| 第四章 面向SIMD向量计算的micMR优化技术研究 | 第66-92页 |
| 4.1 引言 | 第66-67页 |
| 4.2 异构MapReduce系统的SIMD向量计算挑战 | 第67-75页 |
| 4.2.1 SIMD向量计算技术的优势与特点 | 第68-69页 |
| 4.2.2 IntelMIC协处理器的量化分析和研究 | 第69-74页 |
| 4.2.3 异构MapReduce的向量计算挑战 | 第74-75页 |
| 4.3 面向SIMD向量计算的micMR优化技术研究 | 第75-83页 |
| 4.3.1 Map任务的向量化计算 | 第75-79页 |
| 4.3.2 数据的向量化存取 | 第79-81页 |
| 4.3.3 Hash算法的向量化 | 第81-83页 |
| 4.4 实验结果与分析 | 第83-89页 |
| 4.4.1 实验验证方法 | 第83-85页 |
| 4.4.2 Map任务向量化性能分析 | 第85-86页 |
| 4.4.3 数据向量化存储性能分析 | 第86-87页 |
| 4.4.4 Hash算法向量化的性能分析 | 第87-88页 |
| 4.4.5 micMR在SIMD异构计算节点中的性能测试 | 第88-89页 |
| 4.5 小结 | 第89-92页 |
| 第五章 面向异构资源的公平调度算法研究 | 第92-120页 |
| 5.1 引言 | 第92-94页 |
| 5.2 基于DRF的加权调度算法研究 | 第94-102页 |
| 5.2.1 DRF算法在异构计算中遇到的挑战 | 第94-95页 |
| 5.2.2 加权DRF算法研究 | 第95-101页 |
| 5.2.3 DRF及其相关算法对异构资源调度的局限性 | 第101-102页 |
| 5.3 主公平度公平DFF调度算法 | 第102-112页 |
| 5.3.1 资源模型描述 | 第102-105页 |
| 5.3.2 DFF异构资源调度算法 | 第105-109页 |
| 5.3.3 性能测试 | 第109-112页 |
| 5.4 DFF算法性质证明 | 第112-117页 |
| 5.4.1 DFF与DRF调度一致性 | 第113-114页 |
| 5.4.2 共享激励性 | 第114-115页 |
| 5.4.3 防护策略性 | 第115-116页 |
| 5.4.4 羡慕自由性 | 第116-117页 |
| 5.4.5 帕累托最优性 | 第117页 |
| 5.5 小结 | 第117-120页 |
| 第六章 面向大规模异构计算集群的micMR系统实现 | 第120-138页 |
| 6.1 引言 | 第120-121页 |
| 6.2 天河二号大数据处理平台介绍 | 第121-124页 |
| 6.2.1 大规模异构并行处理结构 | 第121-122页 |
| 6.2.2 高速互连网络技术 | 第122-123页 |
| 6.2.3 数据的混合存储结构 | 第123-124页 |
| 6.3 面向天河二号异构计算集群的micMR系统实现 | 第124-131页 |
| 6.3.1 系统总体框架设计 | 第124-127页 |
| 6.3.2 协处理器的令牌容错机制 | 第127-129页 |
| 6.3.3 基于容器云技术的micMR系统实现 | 第129-131页 |
| 6.4 实验结果和分析 | 第131-135页 |
| 6.4.1 实验验证方法 | 第131-132页 |
| 6.4.2 令牌容错机制验证 | 第132页 |
| 6.4.3 Docker容器云性能测试 | 第132-133页 |
| 6.4.4 micMR与Hadoop的性能对比 | 第133-134页 |
| 6.4.5 micMR在集群中的执行时间分析 | 第134-135页 |
| 6.5 小结 | 第135-138页 |
| 第七章 结论与展望 | 第138-142页 |
| 7.1 本文研究工作总结 | 第138-139页 |
| 7.2 下一步研究工作展望 | 第139-142页 |
| 致谢 | 第142-146页 |
| 参考文献 | 第146-158页 |
| 作者在学期间取得的学术成果 | 第158-159页 |
