基于内存云的大块数据对象并行存取策略
| 摘要 | 第2-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.3 论文研究内容 | 第9-10页 |
| 1.4 结构安排 | 第10-12页 |
| 第二章 相关研究 | 第12-23页 |
| 2.1 ZooKeeper介绍 | 第12-13页 |
| 2.2 LogCabin介绍 | 第13-14页 |
| 2.3 内存云概述 | 第14-15页 |
| 2.4 内存云体系架构 | 第15-17页 |
| 2.5 内存云数据模型 | 第17-18页 |
| 2.6 内存云垃圾回收机制 | 第18-19页 |
| 2.7 内存云快速恢复策略 | 第19-21页 |
| 2.7.1 规模效应 | 第19-20页 |
| 2.7.2 分散日志段 | 第20-21页 |
| 2.8 内存云优点 | 第21-22页 |
| 2.9 移动应用特征表示 | 第22页 |
| 2.10 本章小结 | 第22-23页 |
| 第三章 内存云大块数据对象并行存取策略 | 第23-32页 |
| 3.1 小块数据对象存储 | 第23-24页 |
| 3.2 大块数据对象并行存储 | 第24-28页 |
| 3.3 内存云小块数据对象读取策略 | 第28页 |
| 3.4 大块数据对象并行读取方法 | 第28-30页 |
| 3.5 内存云大块数据对象存取容错算法 | 第30页 |
| 3.6 算法性能分析模型 | 第30-31页 |
| 3.7 本章小结 | 第31-32页 |
| 第四章 基于内存云的移动应用相似度构建方法 | 第32-42页 |
| 4.1 内存云与机器学习应用的结合方式 | 第32-33页 |
| 4.2 应用构建过程 | 第33-34页 |
| 4.3 问题分析 | 第34页 |
| 4.4 LDA主题模型建立 | 第34-37页 |
| 4.4.1 LDA模型介绍 | 第34-35页 |
| 4.4.2 构建应用标签的词袋模型 | 第35-36页 |
| 4.4.3 移动应用中的LDA模型 | 第36页 |
| 4.4.4 Gibbs抽样 | 第36-37页 |
| 4.5 应用隐含主题矩阵构建 | 第37页 |
| 4.6 问题描述 | 第37-38页 |
| 4.7 移动应用相似度矩阵构建 | 第38-39页 |
| 4.8 生成相似度矩阵算法 | 第39页 |
| 4.9 相似度矩阵转化为内存云对象 | 第39-40页 |
| 4.10 相似度矩阵转化为内存云对象算法 | 第40-41页 |
| 4.11 本章小结 | 第41-42页 |
| 第五章 实验 | 第42-53页 |
| 5.1 实验环境 | 第42页 |
| 5.2 内存云大块数据对象并行存取实验结果与分析 | 第42-47页 |
| 5.2.1 实验数据 | 第42-43页 |
| 5.2.2 BOPW和BOPR算法平均耗时实验 | 第43页 |
| 5.2.3 BOPW和BOPR算法串并行平均耗时 | 第43-45页 |
| 5.2.4 BOPW和BOPR算法并行加速比 | 第45-47页 |
| 5.3 内存云的机器学习应用实验结果与分析 | 第47-52页 |
| 5.3.1 主题分布 | 第47-50页 |
| 5.3.2 推荐评价 | 第50-52页 |
| 5.4 本章小结 | 第52-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 6.1 总结 | 第53页 |
| 6.2 工作展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 硕士研究生期间发表论文 | 第59-60页 |
| 致谢 | 第60-61页 |
