基于Hadoop平臺(tái)的網(wǎng)絡(luò)數(shù)據(jù)并行處理系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn).pdf

1、隨著移動(dòng)互聯(lián)網(wǎng)時(shí)代的到來(lái)，給人們的生活帶來(lái)各種各樣的便利，同時(shí)也意味著會(huì)產(chǎn)生越來(lái)越多的數(shù)據(jù)，如何從這海量的數(shù)據(jù)中挖掘價(jià)值將是一個(gè)非常有價(jià)值的課題。聚類(lèi)算法就是其中一種從海量數(shù)據(jù)中挖掘價(jià)值的工具，它有著非常廣泛的使用場(chǎng)景，包括對(duì)一些未知的物品進(jìn)行分類(lèi)，同時(shí)可以進(jìn)行相應(yīng)應(yīng)用。隨著數(shù)據(jù)量的劇增，聚類(lèi)算法在單機(jī)環(huán)境下開(kāi)始越來(lái)越吃力，越來(lái)越面臨瓶頸。因此，海量數(shù)據(jù)對(duì)聚類(lèi)算法以及相應(yīng)的處理系統(tǒng)提出了新的要求。
　　本文是基于Hadoop平臺(tái)的

2、網(wǎng)絡(luò)數(shù)據(jù)并行處理系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)。本文首先對(duì)Spark相關(guān)性能進(jìn)行優(yōu)化研究，主要包括兩部分:開(kāi)發(fā)過(guò)程中相關(guān)性能優(yōu)化研究，shuffle性能優(yōu)化研究。開(kāi)發(fā)過(guò)程中相關(guān)性能優(yōu)化研究主要研究了避免使用shuffle算子以及對(duì)多次使用的RDD進(jìn)行持久化這兩個(gè)方面。shuffle性能優(yōu)化主要研究了sort shuffle和hash shuffle各自的適用場(chǎng)景以及相應(yīng)的優(yōu)化，并通過(guò)實(shí)驗(yàn)來(lái)驗(yàn)證。聚類(lèi)算法面臨海量數(shù)據(jù)處理遇到的瓶頸越來(lái)越大，為了開(kāi)發(fā)并行化

3、聚類(lèi)算法來(lái)應(yīng)對(duì)海量數(shù)據(jù)處理難的問(wèn)題，本文引入Hadoop平臺(tái)并在該平臺(tái)上搭建Spark平臺(tái)。針對(duì)k-m eans算法存在隨機(jī)選取初始中心導(dǎo)致迭代次數(shù)過(guò)多的問(wèn)題，本文提出了一種基于Spark平臺(tái)的由克洛斯卡爾算法改進(jìn)的k-means算法來(lái)解決初始中心選擇問(wèn)題，通過(guò)迭代次數(shù)和迭代時(shí)間這兩個(gè)指標(biāo)來(lái)評(píng)價(jià)實(shí)際效果。為了更好展示實(shí)驗(yàn)結(jié)果，本文將Spark的k-means++算法作為比較對(duì)象，實(shí)驗(yàn)結(jié)果顯示，基于Spark平臺(tái)的由克洛斯卡爾算法改進(jìn)的k

4、-means算法比Spark的k-means++算法有更少的運(yùn)行時(shí)間以及更少的迭代次數(shù)。針對(duì)k-means算法沒(méi)有考慮向量之間相似性的問(wèn)題，本文提出了一種基于Spark平臺(tái)的由克洛斯卡爾算法和谷本距離改進(jìn)的k-means算法，使用誤差平方函數(shù)作為評(píng)價(jià)指標(biāo)，與Spark的k-means++算法以及基于Spark平臺(tái)的由克洛斯卡爾算法改進(jìn)的k-means算法相比，具有更少的誤差平方函數(shù)值，也就得到更好的聚類(lèi)結(jié)果。
　　本文最后搭建了一