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

1、隨著移動互聯(lián)網(wǎng)時代的到來，給人們的生活帶來各種各樣的便利，同時也意味著會產(chǎn)生越來越多的數(shù)據(jù)，如何從這海量的數(shù)據(jù)中挖掘價值將是一個非常有價值的課題。聚類算法就是其中一種從海量數(shù)據(jù)中挖掘價值的工具，它有著非常廣泛的使用場景，包括對一些未知的物品進(jìn)行分類，同時可以進(jìn)行相應(yīng)應(yīng)用。隨著數(shù)據(jù)量的劇增，聚類算法在單機(jī)環(huán)境下開始越來越吃力，越來越面臨瓶頸。因此，海量數(shù)據(jù)對聚類算法以及相應(yīng)的處理系統(tǒng)提出了新的要求。
　　本文是基于Hadoop平臺的

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

3、聚類算法來應(yīng)對海量數(shù)據(jù)處理難的問題，本文引入Hadoop平臺并在該平臺上搭建Spark平臺。針對k-m eans算法存在隨機(jī)選取初始中心導(dǎo)致迭代次數(shù)過多的問題，本文提出了一種基于Spark平臺的由克洛斯卡爾算法改進(jìn)的k-means算法來解決初始中心選擇問題，通過迭代次數(shù)和迭代時間這兩個指標(biāo)來評價實(shí)際效果。為了更好展示實(shí)驗(yàn)結(jié)果，本文將Spark的k-means++算法作為比較對象，實(shí)驗(yàn)結(jié)果顯示，基于Spark平臺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)行時間以及更少的迭代次數(shù)。針對k-means算法沒有考慮向量之間相似性的問題，本文提出了一種基于Spark平臺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)作為評價指標(biāo)，與Spark的k-means++算法以及基于Spark平臺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結(jié)果。
　　本文最后搭建了一