| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第11-16页 |
| 1.1 课题研究的背景和意义 | 第11-12页 |
| 1.2 Hadoop 与 GPU 相结合研究现状 | 第12页 |
| 1.3 GPU 及高性能并行计算技术发展现状 | 第12-13页 |
| 1.4 本文主要工作及其贡献 | 第13-14页 |
| 1.5 本文组织结构 | 第14-16页 |
| 2 Hadoop 和 GPU 关键技术介绍 | 第16-23页 |
| 2.1 Hadoop 概述 | 第16-17页 |
| 2.2 Hadoop 核心技术 MapReduce | 第17-18页 |
| 2.3 Hadoop 核心技术之 HDFS | 第18-19页 |
| 2.4 GPU 和 CUDA | 第19-22页 |
| 2.4.1 GPU 概述 | 第19-20页 |
| 2.4.2 CUDA 编程模型 | 第20-21页 |
| 2.4.3 CUDA 存储器模型 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 3 GPU-hadoop 并行计算框架体系 | 第23-37页 |
| 3.1 海洋环境信息实验云平台简介 | 第23-24页 |
| 3.2 将 GPU 嵌入 hadoop 的原因 | 第24-25页 |
| 3.3 GPU 与云平台相结合的有效途径 | 第25-27页 |
| 3.4 hadoop 融入 GPU 并行架构 | 第27-30页 |
| 3.4.1 处理机制 | 第27-28页 |
| 3.4.2 hadoop 融入 GPU 的运行过程 | 第28-30页 |
| 3.5 框架体系中实现海洋环境信息可视化 | 第30-35页 |
| 3.5.1 数据格式的设计 | 第30-31页 |
| 3.5.2 对数据的拆分 | 第31页 |
| 3.5.3 流场可视化的嵌入 | 第31-32页 |
| 3.5.4 可视化展示 | 第32-34页 |
| 3.5.5 远程提交可视化作业 | 第34-35页 |
| 3.6 本章小结 | 第35-37页 |
| 4 GPU-hadoop 并行计算框架下任务调度研究与优化 | 第37-51页 |
| 4.1 Hadoop 原生的作业调度 | 第37-38页 |
| 4.2 Hadoop 中作业调度的具体流程 | 第38-40页 |
| 4.3 GPU-hadoop 平台下可视化任务分配和调度优化 | 第40-49页 |
| 4.3.1 任务调度优化背景 | 第41页 |
| 4.3.2 使用守护进程优化 | 第41-44页 |
| 4.3.3 基于 GPU 计算能力的调度优化 | 第44-49页 |
| 4.4 本章小结 | 第49-51页 |
| 5 实验结果对比与分析 | 第51-55页 |
| 5.1 GPU-hadoop 并行框架体系的性能分析 | 第51-52页 |
| 5.2 守护进程和基于 GPU 计算能力的优化性能测试分析 | 第52-55页 |
| 6 总结与展望 | 第55-57页 |
| 参考文献 | 第57-59页 |
| 致谢 | 第59-60页 |
| 个人简历 | 第60页 |
| 发表的学术论文 | 第60-61页 |
