| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 论文主要内容 | 第13-14页 |
| 1.4 论文章节组织结构 | 第14-17页 |
| 第2章 相关研究基础 | 第17-31页 |
| 2.1 Hadoop简介 | 第17-24页 |
| 2.1.1 分布式文件系统 | 第18-20页 |
| 2.1.2 MapReduce介绍 | 第20-22页 |
| 2.1.3 MapReduce框架结构 | 第22-24页 |
| 2.2 目前主流的MapReduce调度方法分析 | 第24-28页 |
| 2.2.1 FIFO调度 | 第25页 |
| 2.2.2 HOD调度 | 第25-26页 |
| 2.2.3 公平调度 | 第26-27页 |
| 2.2.4 计算能力调度 | 第27-28页 |
| 2.3 基于Hadoop的MRShare资源共享系统 | 第28-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第3章 面向全局完成时间优化的多MapReduce作业合并方法 | 第31-39页 |
| 3.1 研究动机 | 第31-33页 |
| 3.2 面向全局完成时间的多MapReduce作业合并 | 第33-36页 |
| 3.2.1 面向全局完成时间优化的多MapReduce作业合并框架 | 第34-35页 |
| 3.2.2 面向全局完成时间优化的多MapReduce作业合并的基本过程 | 第35-36页 |
| 3.3 关键问题及解决思路 | 第36-37页 |
| 3.5 本章小结 | 第37-39页 |
| 第4章 面向共享读的多MapReduce作业合并方法 | 第39-53页 |
| 4.1 相关工作 | 第39-40页 |
| 4.2 多MapReduce作业合并的I/O资源消耗和收益评价模型 | 第40-47页 |
| 4.2.1 单个MapReduce作业的I/O资源消耗模型 | 第40-44页 |
| 4.2.2 多MapReduce作业独立执行的I/O资源消耗模型 | 第44页 |
| 4.2.3 多MapReduce作业合并的I/O资源消耗及收益模型 | 第44-47页 |
| 4.3 面向共享读的多MapReduce作业合并问题描述 | 第47-48页 |
| 4.4 面向共享读的多MapReduce作业合并算法 | 第48-52页 |
| 4.4.1 单输入文件的多MapReduce作业合并算法 | 第48-49页 |
| 4.4.2 多输入文件的多MapReduce作业合并算法 | 第49-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第5章 面向共享Map输出的中间数据量估计算法 | 第53-61页 |
| 5.1 中间数据的数据处理流程 | 第53-55页 |
| 5.2 面向共享Map输出的问题描述 | 第55-56页 |
| 5.3 面向共享Map输出的中间数据估计算法 | 第56-59页 |
| 5.4 本章小结 | 第59-61页 |
| 第6章 实验方案与实验结果对比 | 第61-69页 |
| 6.1 实验环境 | 第61-62页 |
| 6.2 实验方案及结果 | 第62-66页 |
| 6.2.1 MapReduce作业I/O资源消耗模型的实验方案及结果 | 第63-64页 |
| 6.2.2 面向共享读多MapReduce作业合并算法的实验方案及结果 | 第64-66页 |
| 6.2.3 面向共享Map输出的多MapReduce作业合并算法的实验方案及结果 | 第66页 |
| 6.3 本章小结 | 第66-69页 |
| 第7章 总结与展望 | 第69-71页 |
| 7.1 论文工作总结 | 第69-70页 |
| 7.2 工作展望 | 第70-71页 |
| 参考文献 | 第71-74页 |
| 致谢 | 第74页 |
