更全的杂志信息网

基于线性超混沌评估机制的云网络大数据稳定评测算法

更新时间:2009-03-28

由于云网络固有的分散性、流动性、去中心化等特性,导致其管理模式只能采取分片方式稳定地评测数据,降低了云网络的适用性能,成为当前云网络技术广泛部署的关键性制约因素之一[1]

为了促进云网络数据资源的推广普及,提高云技术对国民经济体系的支持粒度,实现数据资源在云网络环境条件下的稳定评测,研究者提出了若干具有先进价值的解决方案。这些方案主要针对云网络存在的分片、抖动特性,采取挖掘方式对云网络进行质量评估,并在网络层及应用层采取措施实现最佳评测,在各个领域得到了一定程度的使用[2]。Li Jun等[2]鉴于云网络的这些特性,提出可以根据网络层及应用层的不同特点,采取一定的评估机制对网络抖动及应用特性进行数据定向挖掘。Baolin Sun等[3]基于云链路抖动评估机制,使用抖动占比指标作为关键性评测因素,依据网络中链路的抖动情况作为评估指标,提出了一种新的云网络大数据稳定评测方案,能够适应复杂网络环境; 不过该机制需要通过数据挖掘方式取得网络指纹,一旦网络指纹存在异构特性,则会由于评估指标过于单一的缘故致使整个网络的评估性能受到很大的影响。Huang Haiping等[4]基于多维评测的方式,使用凝聚态维度统一矩阵的方式进行数据互联评测,能够在链路抖动严重的情况下实现对资源的调度评估,且能够客观反应大数据的稳定特性,然而该算法需要采取并发方式进行矩阵评估,一旦评估矩阵的构建过程受阻,则该算法极易导致网络拥塞,致使评估效果不佳。Kong Sun[5]使用供给侧-用户侧联合模型评估方式,能够适应资源密度较低的云网络大数据稳定评测,特别适合投资密度较小的云网络基础设施的场合,不过该机制由于评测资源投放密度较大,使得该算法对网络链路抖动性能的适应性低,制约了该算法的广泛部署。

观察组护理后ADL评分为(93.4±2.3)分;对照组护理后ADL评分为(82.4±2.1)分,观察组护理后生活能力评分高于对照组(P<0.05)。

针对当前实践中遇到的问题,本文提出了一种基于线性超混沌评估机制的云网络大数据稳定评测算法,采取联合线性建模的方式,筛选出云网络大数据稳定评测过程中常用的若干参数进行基准评估,大大提升了云网络大数据评测的稳定性,且适用性较高。仿真实验结果证明了本文算法的优越性。

2.2.5 发表偏倚评价 Meta分析中对发表偏倚研究方法较多[18],有秩相关分析法、漏斗图法、回归分析法、剪补定量分析法等,Cochrane合协作网推荐的是通过漏斗图法来识别发表偏倚[19],因此笔者采用漏斗图的分析方法分析有效率,漏斗图显示不完全对称,提示可能存在一定程度的发表偏倚,见图4。

1 本文云网络大数据稳定评测算法

考虑到云网络大数据稳定评测具有的分散性及分割充分等特性,且数据评估过程需要综合考虑流动性枯竭等突发网络故障,以便对于突发网络状况进行稳定评测,该评测具有显著的多—多特性[6]。由于评估过程需要整体统筹链路层、数据层、控制层、传输层等若干瓶颈性因素,从而实现传输、接收、存储等多方面的稳定共存。因此本文算法的稳定评测流程分为评测预估、超混沌评估调度2部分。

从表1数据来看,梯度的自适应方法比其他三种方法的平滑性要差,与图1分析所得结果对应.均值滤波与分先梯度后均值的滤波方法都能得到较少的残差点数,滤波后的图像解包更平滑,防止因残差点过多导致解包困难的现象.从边缘保持指数来看,梯度的自适应方法对于边缘的保持优于中值方法和均值方法,而基于先梯度后均值的方法在边缘保持指数上优于其他所有算法.真实InSAR图像含噪声情况复杂,很难用一种方法取得理想效果,往往需要几种方法的综合反复试用来达到滤除噪声的作用,如采用先梯度后均值的滤波方法总体上好于其他方法.

随着智能制造的发展,制造过程中采用智能传感器的场合越来越多,产生了海量的数据。如何利用海量数据进行负荷预测从而对制造行为进行智能调控成为一个研究热点。云计算作为处理海量数据的有效方式之一,成为近年来发展智能负荷预测的重要手段。本文提出了一种智能物联云计算平台,针对不同的事务进行分类化处理,提高计算性能。提出了基于QEA优化的ARMAX模型,利用量子进化算法对ARMAX模型中的参数进行优化,结合云计算平台引入更多帮助预测的参数,以提高算法的预测精度。通过实验对比,该方法不仅提高了短期电力负荷预测的精度,同时减短了算法运行的时间消耗,可为优化智能物联网,提升工业智能制造水平提供支持。

 

表1 待传输的数据库

  

请求 维度 D a t a D e l y R 0 L 0 D 0 y 0 D D… … … …R n−1 L n−1 D n−1 yn 1 R 1 L 1 D 1 y 1 D

1.1 评测预估

设网络中待传输的数据片为 N,当前能够提供评测的资源片总数为 Li(MI百万指令),数据量(Data)、传输成本(Dely)、存储量(Store)均已通过数据挖掘方式获取,因此,评测资源与待传输数据片之间的多—多特性满足一定的线性相关特征。

构造拉普拉斯收敛函数[10]:

本文算法采取数据量(Data)、传输成本(Dely)、存储量(Store)三个维度的方式用于云网络大数据评测过程的建模,其中: 数据量(Data)与云网络中的数据传输带宽储备相对应; 传输成本(Dely)可用于评估各条传输链路的时延; 存储量(Store)可用来评估链路抖动及通断特性以及网络中储备的链路资源。不过由于表1方式采取列向量匹配方式,该方式具有线性特性: 一旦维度过高,列向量会因为具有共线特性而导致评估效率难以提高。因此本文涉及超混沌评估调度过程,提升评测预估过程的质量及稳定性。

Step 2 同时满足数据量(Data)、传输成本(Dely)、存储量(Store)的情况下,按如下过程进行操作:

(1) 首先根据表1进行一次评估,采取列向量匹配方式;

创设各种学习情境,沟通课堂内外,充分利用学校、家庭和社会等资源,让学生在动手做、动脑想等实践活动中,把抽象的知识转化为具体而充满生命活力的能力。引导学生关注社会,关心民生,关注社会热点,了解国内外大事,了解众生百态、人情冷暖、世间万象,学会辩证看待问题,培养认识世界的能力和批判精神,让课堂这一小天地,成为学生的人生导航标。

(3) 刷新表1,继续进行(1)、(2)所示的过程;

(2) 根据表1中的数据量(Data)及传输成本(Dely),逐个资源片进行数据片—资源片性能匹配;

(4) 输出评估结果。

通过拉普拉斯收敛特性[7–8]可以得最终成本Ping_T满足:

1.2 超混沌评估调度

Step 1 确认网络工作状态,当仅当满足多—多特性时进入下一步。

待传输的数据量i能够在传输周期内通过资源片j来进行传输调度评估x(i,j)(表示带宽传输性能),如果 j的抖动概率为 Cj,则待传输的数据量效能评估函数为i极限传输性能满足。待传输的数据量i能够支持下一个传输周期j的评估成本为u(i,j),那么代表了第j个待待传输的数据量的稳定性能评估指标。

由表1可知,数据量(Data)、传输成本(Dely)、存储量(Store)具有独立性,一级评测调度函数Ping_c与稳定性能评估指标呈现线性加权关系:

 

其中: Bud(i)为抖动概率;为i的单位传输量; w(i,l)为数据量(Data)的扩频因子。二级评测调度函数Ping_d与传输周期有关:

其中: Ti为i的传输周期; b(i,n)为完成第n个资源片的传输成本; D为抖动状态的链路比例; w(i,2)为传输成本(Dely)的超混沌评估系数; d表示评测过程中评测时间的最小评估单位。

 

4.保险科技的不断创新,使农业大灾保险大规模的数据获取和共享成为可能。受限于小农经济下传统小规模农户生产经营分散化、碎片化,我国“三农”信息管理系统一直不完备。随着保险科技的不断创新,云计算和大数据的广泛应用,使农业大灾保险这种要求承保区域更广、数据归集难度更大的新型保险形式成为可能,后台农险精算系统可以依托保险科技解决数据收集、整合的难题。基于地理信息系统GIS、遥感RS、全球定位系统GPS三位一体的3G和4G移动通信技术,能够实现农情、灾情、气象、保险理赔等农业保险数据的大集中,使农业大灾保险的“3S”农业生产产业化风险评估成为现实。

考虑到单纯采取二维评估参数会存在一定的共线问题,因此,本文设计三级评测调度函数 Ping_r,该测评函数代表存储量(Store):

 

其中: g为处于拥塞状态的节点数量,f为下一个传输周期内的传输成本(Dely)。因此,稳定评测由模型(1)~(3)共同决定:

关于施工用火,规程规定:外保温工程施工现场应为禁火区域,并应远离火源,严禁吸烟。动用明火时,必须严格执行动火审批制度,且确认该区域内的可燃类保温材料已覆盖了抹面层或界面层,并采取相应的安全措施,设专门的动火监护人,配备足够的灭火器材。严禁在已完成安装的保温材料上进行电气焊接和其他明火作业。

 

总成本Ping_(MAX)满足:

 

将模型(6)联立方程组并满足:

 

Step 3 评估流程结束。

 

使用柯西收敛准则构建辅助函数如下[9]:

 

网络处理数据时,整个云网络需要保证Data处于传输周期内,且当仅当数据量(Data)、传输成本(Dely)、存储量(Store)均满足传输周期内成本控制性能时,云网络才能够进行下一时刻的传输性能评估。评估过程如下。

2.4.3资金缺乏中药材产业扶贫资金有限,农户自身缺乏资金,农户一般不会选择银行贷款,又缺少龙头企业的支持与合作,融资渠道不足,中药材产业发展缺乏有力的资金支持。

绘本,顾名思义就是“画出来的书”,也就是指图文相互有机结合的书籍。现在市面上的绘本图书以儿童阅读为主,内容涉及也很广,文学、科学、教育等等。近年来,市场上出现了成人绘本,以台湾绘本家几米的最为火热,还有钱海燕、寂地等都是以成人绘本创作为主的。这些成人绘本中有很大一部分属于治愈系绘本。

 

可以求得云网络中的数据最佳传输带宽及稳定带宽。

2 仿真实验

本文使用Matlab对三维超线性评估算法(Three Dimensional Superlinear Evaluation algorithm,TDSE算法)[12]、超粒度自适应调度存储算法[13](Super-granularity Adaptive Scheduling Storage Algorithm,SASS算法)与本文算法的性能进行仿真[11],仿真参数如下: 云网络移动区域6000 km × 2400 km; 传输周期10 min; 节点数量<100000000; 资源请求数<100000000000; 数据传输率<1024 kbit/s。

上述仿真实验中,云网络大数据源采取谷歌爬虫数据抓取源,云网络节点均为可移动的传感节点,采取4G-LTE方式接入网络,使用随机抓取的方式进行资源抓取请求,并以无线方式实现数据传输。

(1) 稳定传输带宽。图1~2显示了在不同数据传输条件下,本文算法与TDSE算法在稳定传输带宽上的仿真情况。由图1~2可知,本文算法在不同的传输条件下,稳定传输带宽均要远远高于对照组算法,且本文算法的波动性较小,这时由于稳定传输带宽随着数据传输率呈现的增长趋势而不断增长,因此稳定传输带宽也不断增加; 然而 TDSE算法仅仅使用冒泡评估的方式进行稳定性评测,且传输过程中未对链路抖动情况进行有效评估,使得传输带宽也出现不稳定的情况,导致稳定传输带宽的性能要低于本文算法; 本文算法使用数据量(Data)、传输成本(Dely)、存储量(Store)三个维度对云网络的大数据传输进行多维保证,可有效降低出现传输异常的概率,因此本文算法的稳定传输带宽要高于TDSE算法。

  

图1 稳定传输带宽测试(低传输率)

  

图2 稳定传输带宽测试(高传输率)

(2) 丢包率。图3~4显示了不同数据传输条件下本文算法与TDSE算法在丢包率上的仿真情况。由图3~4可知,本文算法的丢包率始终处于较低的稳定水平,且增长幅度要低于对照组算法,体现了本文算法使用数据量(Data)、传输成本(Dely)、存储量(Store)三个维度进行数据评测的优越性,能够显著提高本文算法的数据传输性能,提高云网络的运行质量; TDSE算法由于仅使用一个维度进行运行质量评测,难以对网络抖动性能进行有效地消除,故该算法的丢包率要高于本文算法,传输性能较差。

  

图3 丢包率测试(低传输率)

  

图4 丢包率测试(高传输率)

3 结束语

针对当前云网络大数据稳定评测机制难以解决数据冗余度高,传输颗粒度不明显,传输性能较差等难题,提出了一种基于线性超混沌评估机制的云网络大数据稳定评测算法,采取数据量(Data)、传输成本(Dely)、存储量(Store)三个维度进行大数据稳定评测,极大的提高了数据传输质量,降低了丢包现象。仿真实验表明: 本文算法的传输控制性能优越,能够通过稳定评测的方式大大提高网络的运行质量,解决丢包率、传输带宽低等难题。

下一阶段将考虑到本文算法难以适应移动云网络的不足,采取流动映射控制机制提高本文算法的资源流动性能,进一步扩大本文算法在复杂网络条件下在实际应用方面的使用范围。

参考文献:

[1]章韵,巨德文,陈志,等. 基于可预测移动汇聚节点的无线传感网分簇算法研究[J]. 计算机科学,2012,6(39): 89–92.

[2]Li Jun,Li Jun,Chen Hao,et al. A data transmission scheduling algorithm for rapid-response earth-observing operations[J].Chinese Journal of Aeronautics,2014,27(2): 349–364.

[3]Baolin Sun,Shangchao Pi,Chao Gui,et al. Multiple constraints QoS multicast routing optimization algorithm in MANET based on GA [J]. Progress in Natural Science,2007,18(3): 331–336.

[4]Huang Haiping,Wang Ruchuan,Sun Lijuan,et al. Research on tasks schedule and data transmission of networks based on intelligent agents and intelligent algorithms [J]. The Journal of China Universities of Posts and Telecommunications,2009,16(6): 84–91.

[5]Kong Sun,Chen Zeng-qiang. Tree-based differential evolution algorithm for QoS multicast routing [J]. The Journal of China Universities of Posts and Telecommunications,2011,18(4): 76–81.

[6]Li Beizhi,Zhou Yaqin,Lan Shihai,et al. The information modeling and intelligent optimization method for logistics vehicle routing and scheduling with multi-objective and multi-constraint [J]. Journal of Donghua University,2007,24(4):455–459.

[7]Sun Huali,Xie Jianying,Xue Yaofeng. A hybrid TCNN optimization approach for the capacity vehicle routing problem [J].Journal of Shanghai Jiaotong University(Science),2006,11(1): 34–39.

[8]Li Jun,Li Jun,Chen Hao,et al. A data transmission scheduling algorithm for rapid-response earth-observing operations [J].Chinese Journal of Aeronautics,2014,27(2): 349–364.

[9]H Jiang,S Jin,C Wang. Prediction or not?An energy-efficient framework for clustering-based data collection in wireless sensor networks [J]. Parallel and Distributed Systems,IEEE Transactions,2011,22(6): 1064–1071.

[10]Li Zeng,Xi Li,Hong Ji,et al. Cross-layer adaptive resource allocation algorithm with diverse QoS requirements for single-cell OFDMA systems [J]. Journal of Harbin institute of Technology,2015,22(1): 15–22.

[11]A Ahmed,K A Bakar,M I Channa,et al. A survey on trust based detection and isolation of malicious nodes in ad-hoc and sensor networks [J]. Frontiers of Computer Science,2015,9(2): 280–296.

[12]Sun Wei,Tian Naishuo,Li Shiyong,et al. End-to-end rate-based congestion control with random loss:convergence and stability [J]. Journal of Systems Engineering and Electronics,2008,19(6): 1208–1214.

 
王艳
《湖南文理学院学报(自然科学版)》2018年第02期文献

服务严谨可靠 7×14小时在线支持 支持宝特邀商家 不满意退款

本站非杂志社官网,上千家国家级期刊、省级期刊、北大核心、南大核心、专业的职称论文发表网站。
职称论文发表、杂志论文发表、期刊征稿、期刊投稿,论文发表指导正规机构。是您首选最可靠,最快速的期刊论文发表网站。
免责声明:本网站部分资源、信息来源于网络,完全免费共享,仅供学习和研究使用,版权和著作权归原作者所有
如有不愿意被转载的情况,请通知我们删除已转载的信息 粤ICP备2023046998号