Hadoop集群实时性能监控及I/O性能优化研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究背景和意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.3 本文的研究内容 | 第16-17页 |
| 1.4 本文的章节安排 | 第17-18页 |
| 第2章 Hadoop简介 | 第18-33页 |
| 2.1 Hadoop概述 | 第18-19页 |
| 2.2 Hadoop体系结构 | 第19-25页 |
| 2.2.1 HDFS | 第19-22页 |
| 2.2.2 MapReduce | 第22-25页 |
| 2.3 Hadoop分布式基本原理 | 第25-27页 |
| 2.3.1 容错性 | 第26页 |
| 2.3.2 本地计算 | 第26页 |
| 2.3.3 任务粒度 | 第26-27页 |
| 2.3.4 备用任务 | 第27页 |
| 2.4 HadoopI/O代价分析 | 第27-32页 |
| 2.4.1 map阶段 | 第27-29页 |
| 2.4.2 reduce阶段 | 第29-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 Hadoop实时性能监控系统 | 第33-44页 |
| 3.1 Hadoop集群监控需求 | 第33-34页 |
| 3.2 三个功能模块 | 第34-37页 |
| 3.2.1 数据收集——Ganglia | 第34-35页 |
| 3.2.2 警告报警——Nagios | 第35页 |
| 3.2.3 数据存储——MongoDB | 第35-36页 |
| 3.2.4 Hadoop实时性能监控模型 | 第36-37页 |
| 3.3 实现过程 | 第37-42页 |
| 3.3.1 Ganglia和Nagios的集成 | 第37-40页 |
| 3.3.2 监控系统数据的存储 | 第40-42页 |
| 3.4 本章小结 | 第42-44页 |
| 第4章 Hadoop Join算法的评估与改进 | 第44-61页 |
| 4.1 三种Hadoop Join算法 | 第44-51页 |
| 4.1.1 Reduce Join | 第44-46页 |
| 4.1.2 Map Join | 第46-48页 |
| 4.1.3 Semi Join | 第48-51页 |
| 4.2 实验环境 | 第51页 |
| 4.3 结果分析 | 第51-53页 |
| 4.4 改进的Hadoop Join算法 | 第53-57页 |
| 4.4.1 算法实现 | 第54-55页 |
| 4.4.2 算法的I/O成本分析 | 第55-57页 |
| 4.5 算法评估 | 第57-59页 |
| 4.5.1 Reduce Join | 第57-58页 |
| 4.5.2 Semi Join | 第58页 |
| 4.5.3 Map Join | 第58-59页 |
| 4.5.4 改进后的Hadoop Join算法 | 第59页 |
| 4.6 本章小结 | 第59-61页 |
| 总结与展望 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 附录 A(攻读学位期间所发表的学术论文目录) | 第66-67页 |
| 致谢 | 第67-68页 |
