| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 论文结构 | 第11-13页 |
| 第二章 移动网络大规模数据的处理框架 | 第13-21页 |
| 2.1 Hadoop技术简介 | 第13-17页 |
| 2.1.1 HDFS | 第13-15页 |
| 2.1.2 MapReduce | 第15-17页 |
| 2.2 Flume技术简介 | 第17-21页 |
| 第三章 移动网络大规模数据分发系统实现 | 第21-39页 |
| 3.1 流量监控分析平台简述 | 第21-22页 |
| 3.2 数据分发系统性能需求 | 第22-23页 |
| 3.3 基于Flume的日志分发系统 | 第23-35页 |
| 3.3.1 设计方案 | 第23-24页 |
| 3.3.2 以流记录为单位的传输方案测试 | 第24-30页 |
| 3.3.3 以文件为单位的传输方案测试 | 第30-33页 |
| 3.3.4 分发模块脚本开发及使用 | 第33-35页 |
| 3.4 基于自主研发的Importer的日志分发系统 | 第35-37页 |
| 3.4.1 Importer简述 | 第35-36页 |
| 3.4.2 压缩方案 | 第36-37页 |
| 3.5 Flume与Importer方案对比 | 第37-39页 |
| 第四章 基于移动网络数据的用户整体移动模式分析 | 第39-47页 |
| 4.1 用户整体移动性分析指标 | 第39-40页 |
| 4.2 数据格式 | 第40页 |
| 4.2.1 数据描述 | 第40页 |
| 4.2.2 输入与输出 | 第40页 |
| 4.3 用户整体移动性分析程序设计 | 第40-42页 |
| 4.4 用户整体移动性的实验结果 | 第42-44页 |
| 4.4.1 用户接入量 | 第42页 |
| 4.4.2 用户漫游量 | 第42-44页 |
| 4.4.3 热点小区概率 | 第44页 |
| 4.5 用户整体移动性模型 | 第44-47页 |
| 第五章 基于移动网络数据的用户个体移动模式分析 | 第47-61页 |
| 5.1 用户个体移动性预测算法 | 第47-50页 |
| 5.1.1 LZ-Based算法 | 第47-49页 |
| 5.1.2 Markov算法 | 第49-50页 |
| 5.2 基于时间的用户移动预测算法 | 第50-52页 |
| 5.2.1 ITD算法 | 第50-51页 |
| 5.2.2 TBM算法 | 第51-52页 |
| 5.3 数据格式 | 第52-53页 |
| 5.4 时间对用户个体移动性的影响 | 第53-54页 |
| 5.4.1 用户移动特征 | 第53页 |
| 5.4.2 不同时间段的移动特征对比 | 第53-54页 |
| 5.5 用户聚类 | 第54-55页 |
| 5.5.1 基于位置熵的用户聚类方法 | 第54页 |
| 5.5.2 聚类结果 | 第54-55页 |
| 5.6 固定类用户移动性分析与预测 | 第55-56页 |
| 5.7 移动类用户移动性分析与预测 | 第56-61页 |
| 5.7.1 基于MapReduce的Markov算法实现 | 第56-58页 |
| 5.7.2 实验结果 | 第58-59页 |
| 5.7.3 算法优化 | 第59-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 參考文献 | 第63-67页 |
| 致谢 | 第67-68页 |
| 攻读学位期间发表的学术论文目录 | 第68页 |