| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第7-13页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 K-Medoids聚类研究现状 | 第8-10页 |
| 1.3 Hadoop发展现状 | 第10页 |
| 1.4 论文主要研究内容 | 第10-11页 |
| 1.5 论文组织结构 | 第11页 |
| 1.6 本章小结 | 第11-13页 |
| 第2章 云计算平台介绍 | 第13-24页 |
| 2.1 云计算概述 | 第13-15页 |
| 2.2 Hadoop平台 | 第15-17页 |
| 2.2.1 Hadoop平台概述 | 第15-16页 |
| 2.2.2 Hadoop工作模式 | 第16-17页 |
| 2.3 Hadoop分布式文件系统 | 第17-19页 |
| 2.4 MapReduce编程模型 | 第19-22页 |
| 2.5 Hadoop数据类型 | 第22-23页 |
| 2.6 本章小结 | 第23-24页 |
| 第3章 基于密度的K-Medoids算法 | 第24-29页 |
| 3.1 相关概念介绍 | 第24-25页 |
| 3.2 传统的K-Medoids算法 | 第25-26页 |
| 3.2.1 K-Medoids算法流程 | 第25-26页 |
| 3.2.2 K-Medoids算法优缺点 | 第26页 |
| 3.3 基于密度的K-Medoids算法的改进 | 第26-28页 |
| 3.3.1 K-Medoids算法改进思路 | 第26-27页 |
| 3.3.2 基于密度的K-Medoids算法流程 | 第27-28页 |
| 3.4 本章小结 | 第28-29页 |
| 第4章 基于密度的K-Medoids算法MapReduce化 | 第29-42页 |
| 4.1 算法的并行化分析 | 第29页 |
| 4.2 算法的MapReduce化策略 | 第29-30页 |
| 4.3 算法的MapReduce化过程 | 第30-41页 |
| 4.3.1 Job1的Map和Reduce函数设计 | 第30-32页 |
| 4.3.2 Job2的Map和Reduce函数设计 | 第32-34页 |
| 4.3.3 Job3的Map和Reduce函数设计 | 第34-36页 |
| 4.3.4 Job4的Map和Reduce函数设计 | 第36-38页 |
| 4.3.5 Job5的Map和Reduce函数设计 | 第38-39页 |
| 4.3.6 Job6的Map和Reduce函数设计 | 第39-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第5章 算法对比实验及结果分析 | 第42-52页 |
| 5.1 实验环境的搭建 | 第42-45页 |
| 5.1.1 硬件和软件环境 | 第42页 |
| 5.1.2 Hadoop的安装和配置 | 第42-45页 |
| 5.2 改进算法的对比测试与结果分析 | 第45-51页 |
| 5.2.1 测试数据集简介 | 第45-46页 |
| 5.2.2 测试指标 | 第46页 |
| 5.2.3 基于Hadoop下算法的聚类效果的对比测试 | 第46-50页 |
| 5.2.4 基于Hadoop下算法的时间性能测试 | 第50-51页 |
| 5.3 本章小结 | 第51-52页 |
| 第6章 结论与展望 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 攻读学位期间的研究成果 | 第57页 |
