| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 关联规则挖掘算法 | 第11-12页 |
| 1.2.2 基于CPU的关联规则并行挖掘 | 第12页 |
| 1.2.3 基于GPU的关联规则并行挖掘 | 第12页 |
| 1.2.4 分布式环境下的关联规则并行挖掘 | 第12-13页 |
| 1.3 论文研究目的及主要工作 | 第13页 |
| 1.4 论文组织结构 | 第13-16页 |
| 第二章 关联规则挖掘算法的并行化 | 第16-26页 |
| 2.1 关联规则挖掘概述 | 第16-18页 |
| 2.1.1 关联规则 | 第16页 |
| 2.1.2 关联规则挖掘 | 第16-17页 |
| 2.1.3 关联规则挖掘算法 | 第17-18页 |
| 2.2 并行计算和并行算法 | 第18-19页 |
| 2.2.1 并行计算 | 第18页 |
| 2.2.2 并行算法 | 第18页 |
| 2.2.3 关联规则并行挖掘算法 | 第18-19页 |
| 2.3 MapReduce编程模型和Spark计算框架 | 第19-20页 |
| 2.3.1 MapReduce相关技术综述 | 第19页 |
| 2.3.2 Spark计算框架 | 第19-20页 |
| 2.4 GPU体系架构和CUDA并行计算 | 第20-25页 |
| 2.4.1 CPU和GPU | 第20-22页 |
| 2.4.2 GPGPU和CUDA简介 | 第22-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 基于Spark的并行关联规则算法研究 | 第26-38页 |
| 3.1 FP-growth算法 | 第26-27页 |
| 3.2 FP-growth算法的扩展化方案 | 第27-30页 |
| 3.2.1 并行投影 | 第27-28页 |
| 3.2.2 划分投影 | 第28-29页 |
| 3.2.3 水平切分 | 第29-30页 |
| 3.3 分组算法 | 第30-32页 |
| 3.3.1 简单分组算法和数据倾斜 | 第30-31页 |
| 3.3.2 负载均衡的分组算法 | 第31-32页 |
| 3.4 Topk聚集 | 第32-33页 |
| 3.5 FP-growth算法的Spark实现 | 第33-36页 |
| 3.5.1 算法概要 | 第33-35页 |
| 3.5.2 具体实现 | 第35-36页 |
| 3.6 本章小结 | 第36-38页 |
| 第四章 基于Spark-GPU的并行关联规则算法研究 | 第38-48页 |
| 4.1 MapReduce和GPU的结合 | 第38页 |
| 4.2 Spark融入GPU并行架构 | 第38-39页 |
| 4.3 GPU并行Apriori算法 | 第39-45页 |
| 4.3.1 Apriori算法 | 第39页 |
| 4.3.2 位表矩阵存储结构 | 第39-41页 |
| 4.3.3 基于位表矩阵的候选项集生成 | 第41-43页 |
| 4.3.4 基于位表矩阵的频繁项集生成 | 第43-44页 |
| 4.3.5 算法整体流程和性能分析 | 第44-45页 |
| 4.4 Spark-GPU并行Apriori算法 | 第45-47页 |
| 4.4.1 集群架构 | 第45-46页 |
| 4.4.2 Spark执行流程 | 第46-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第五章 性能测试和实验结果 | 第48-54页 |
| 5.1 实验环境 | 第48-49页 |
| 5.2 测试方法 | 第49页 |
| 5.3 基准测试数据集 | 第49-50页 |
| 5.4 实验结果与分析 | 第50-53页 |
| 5.4.1 速度性能测试 | 第50-52页 |
| 5.4.2 集群核数的扩展性测试 | 第52-53页 |
| 5.5 本章小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54页 |
| 6.2 展望 | 第54-56页 |
| 致谢 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 论文发表情况 | 第62页 |