基于本体的上下文感知中间件框架

上下文感知是普适计算的核心技术之一,而描述和理解上下文信息是上下文感知的前提.由于上下文信息种类繁多、感知方式迥异,目前开发面向特定应用的上下文感知系统缺乏统一的机制和通用的架构,增加了系统开发的成本.引入语义Web技术,利用本体对上下文信息进行建模,采用本体描述语言描述上下文模型,提供了一个公共的上下文本体以实现多个独立开发的上下文感知系统对知识的共享和推理,构建了通用的上下文感知中间件框架,从而实现对域内上下文知识的共同理解.     

基于本体的上下文感知中间件框架

上下文感知是普适计算的核心技术之一,而描述和理解上下文信息是上下文感知的前提。由于上下文信息种类繁多、感知方式迥异,目前开发面向特定应用的上下文感知系统缺乏统一的机制和通用的架构,增加了系统开发的成本。引入语义Web技术,利用本体对上下文信息进行建模,采用本体描述语言描述上下文模型,提供了一个公共的上下文本体以实现多个独立开发的上下文感知系统对知识的共享和推理,构建了通用的上下文感知中间件框架,从而实现对域内上下文知识的共同理解。     

面向普适环境的上下文感知中间件研究

针对普适环境下上下文感知计算需求,引入广义模型化理论,建立了一种面向通用环境资源的上下文信息数据模型;在此基础上,提出了上下文感知中间件体系框架,并详细阐述了其构件化的实施方案。该中间件平台的上下文获取层能够封装各类感知器捕获的资源信息,中间处理层负责信息的管理、推理和聚合,基于门面模式的上下文访问层提供同步和异步相结合的上下文信息统一访问入口。通过实验测试了平台的时间损耗,表明该中间件可提供通用的上下文感知服务且具有较好的系统性能。     

普适计算环境下基于中间件的上下文质量管理框架研究

随着信息技术的快速发展,分布式计算技术逐渐向普适计算技术演化,从而达到信息空间和物理空间融合的最终目标,为用户提供普适的智能化服务。为了达到这个目标,一个主要的困难就是如何有效地连续监测、才甫获与解释环境相关的上下文信息来确保精确的上下文感知性。很多研究者已先后投身于上下文感知的普适应用的研究工作中,但大多数往往直接针对原始上下文进行处理,没有考虑上下文质量(QoC)的影响。因此,提出了一种基于中间件的上下文质量管理框架,即通过上下文的质量门阂管理、重复与不一致的上下文丢弃等不同层次的控制机制,为上下文感知服务和应用用户提供有效而可靠的上下文服务。     

支持移动和普适应用的上下文感知框架

蕴涵着高度动态变化特性的移动和普适计算环境给分布式系统的设计提出了新的挑战,上下文感知框架汇聚了感知和处理各种易变因素的基础设施.依托框架开发移动和普适应用,能加快开发速度,提高应用程序的健壮性.本文分析了各种上下文信息及其作用,给出了上下文感知框架XAF的设计,探讨了框架中的关键技术,包括上下文转换和服务自适应选择.     

基于上下文感知的普适服务框架

为了更好地适应用户的个性化需求和普适计算环境的特征,提出一种基于上下文感知的普适服务框架。该框架包括服务呈现层、服务管理层、服务提供层和上下文感知层。通过基于社区的服务管理方式来屏蔽普适计算环境中服务的异构性、分布性,动态地感知与当前计算环境和用户活动相关的上下文信息,采用基于上下文的服务推荐机制为用户提供个性化的服务,从而更好地适应人的意图和环境 因素。     

一种面向上下文感知计算的建模方法

上下文感知计算是指系统能发现并有效利用上下文信息（如用户位置，时间，环境参数，邻近的设备和人员，用户活动等）进行计算的一种计算模式。通常来说，上下文感知计算系统都是复杂的大规模分布式混合系统，如何对其有效建模是研究中的一个重要问题。本文提出一种基于Ptolemy Ⅱ的上下文感知计算建模方法。通过将FSM与层次化建模相结合减少FSM的状态数目，然后扩展FSM中状态，使其能执行预先定义的脚本或被再次建模。该建模方法能有效地支持上下文感知计算系统建模及快速原型构建。     

新的普适计算环境下上下文缓存置换算法

由于普适计算环境高度动态的特点以及无线环境连接易中断、传输速度低等方面的约束,使得普适计算应用对于上下文的访问开销非常大。为此,首先给出一个上下文感知系统框架,然后提出了一种基于规则的上下文缓存置换算法--RCRA,算法根据上下文的被访问概率、上下文时效性及历史访问次数决定是否将其置换出缓存。当有新的上下文需要进入缓存时执行该算法,以保证缓存中的上下文最新且最有价值。实验表明,RCRA不仅在命中率方面有较大提高,而且能够有效降低上下文访问的开销。算法应用于基于推理规则的上下文感知系统中,具有良好的可实用性。     

上下文感知在Smart Home系统中的应用

针对Smart Home环境的复杂性问题,提出了利用上下文技术来提高其智能化的方法.阐述了在普适环境下的上下文在智能家居环境中的重要性,介绍了上下文和上下文感知计算的定义,采用了基元组的形式定义了不同的上下文信息;提出了基于上下文感知的Smart Home系统模型,并对其功能进行了详细的描述;在Smart Home系统中,应用该模型对具体的上下文实例进行了描述和推理.     

面向普适计算的动态自适应中间件模型

为了提高普适计算系统的开发效率, 设计了一个基于OSGi框架的动态普适计算中间件模型. 该中间件模型以OSGi框架为基础, 建立移动管理器管理用户和服务的移动, 利用上下文管理器来管理上下文, 动态调整自己的行为, 支持上下文感知应用. 通过标准的接口实现各种异构普适设备间的互操作性. 实验结果表明该中间件能够满足通用普适计算环境的要求, 对于普适计算系统的开发具有一定的借鉴意义.     

自适应网格计算模型与分析

传统的网格计算框架不能满足计算系统资源多样性和动态性的日益增加。该文构建一个基于Agent的自适应网格计算框架,利用Agent的自治性、主动性,增加系统的自恢复能力,给出一个基于该文描述框架的实例,并且利用时间颜色Petri网建模,通过时间颜色Petri网的仿真工具对其进行仿真,仿真结果证明了自适应网格计算模型的有效性和可行性。     

云计算研究

云计算模式是在基础设施即服务（IaaS）、平台即服务（PaaS）、软件即服务（SaaS）、分布式计算、并行计算和网格计算等概念演进并产生的结果。云计算模式是一种全新的计算应用模式,将会成为人们获取服务的主导方式。本文首先介绍云计算在业界中的概念,接着分析云计算和相关计算,最后关于云计算发展的前景进行展望。     

网格计算中的信任模型研究

在现有信任关系研究的基础上提出了针对网格计算环境较为完备的信任模型,通过引入信任模型机制作为基于证书的安全体系的有效和必要补充,进一步完善了网格计算安全服务体系。     

云计算:系统实例与研究现状

针对云计算这样一个范畴综述了当前云计算所采用的技术,剖析其背后的技术含义以及当前云计算参与企业所采用的云计算实现方案.云计算包含两个方面的含义:一方面是底层构建的云计算平台基础设施,是用来构造上层应用程序的基础;另外一方面是构建在这个基础平台之上的云计算应用程序.主要是针对云计算的基础架构的研究与实现状况给出综述,对于云计算的应用也有所涉及.云计算有3个最基本的特征:第1个是基础设施架构在大规模的廉价服务器集群之上;第二是应用程序与底层服务协作开发,最大限度地利用资源;第3个是通过多个廉价服务器之间的冗余,通过软件获得高可用性.云计算达到了两个分布式计算的重要目标:可扩展性和高可用性.可扩展性表达了云计算能够无缝地扩展到大规模的集群之上,甚至包含数千个节点同时处理.高可用性代表了云计算能够容忍节点的错误,甚至有很大一部分节点发生失效也不会影响程序的正确运行.通过此文可以了解云计算的当前发展状况以及未来的研究趋势.     

云计算环境下的网络教学研究

云计算是新兴的虚拟化计算模型。云计算的广泛应用,将从根本上改变信息获取方式。对高校来说,云计算将在网络教学、信息共享、校园管理和基础设施建设方面发挥重要作用。云计算能有效满足信息化管理、科学研究的需求,将有效地促进网络教学的发展。     

一种适应数据与计算密集型任务的私有云系统实现研究*

与公有云计算相比,针对数据与计算双重密集型任务的私有云计算系统对计算效率和系统管理效率提出了更高的要求,目前的公有云计算系统显得过于复杂和繁琐,因此需要一种简便易用的能够适应数据与计算密集型任务的私有云计算系统实现。借鉴公有云计算的相关理论和实现方法,提出了一种针对数据与计算双重密集型任务的私有云计算系统实现方案。该方案通过作业文件描述用户的计算任务,确定计算任务的计算模型和计算的输入输出文件;针对私有云的特点,简化Google云计算系统的MapReduce并行处理框架,得到更加直观的数据计算模型;自动连     

国家重点研发计划助力国家高性能

The national high performance computing environment has been continuously supported in 13th five-year development plan of China by the national key R&D program. Further evelopment is expected through the implementation of a new project under the program. The main tasks of the project include resource access evaluation and standardization, core service optimization, management and operation supporting system, and the infrastructure upgrading. The goal of the project is to make the environment an service-oriented infrastructure. It will be equipped with exascale computing resources and personalized user services. The project is also pursuing the goal of establishing a high performance computing ecosystem and promoting scientific discovery and industrial innovation.     

关于云计算的几点思考

云计算是以虚拟化技术为基础,以网络为载体提供基础架构、平台、软件等服务为形式,整合大规模可扩展的计算、存储、数据、应用等分布式计算资源进行协同工作的超级计算模式。云计算技术的出现使得人们可以直接通过网络应用获取软件和计算能力,这一新的模式将会给传统的IT产业带来一场巨大的变革,云计算正在成为一种发展趋势。本文就云计算的发展前景和存在的风险谈几点思考。     

网络资源管理的Grid和P2P集成方案及其关键技术分析

网格计算(Grid)偏重通用协议,考虑共享的基础设施以及互操作问题;对等计算(P2P)则关注垂直集成解决方案.而开放网格服务体系结构(OGSA)为网格与P2P的集成提供了一个框架,使网格与P2P能更好地聚合在一起,从而更有利于网格的扩展性、自治性和动态性.对此,全面介绍了网络资源管理的Grid与P2P集成方案的常见模型,分析了这些模型中的几个关键问题,并指出了今后的研究方向.     

Adapting scientific computing problems to clouds using MapReduce

Cloud computing, with its promise of virtually infinite resources, seems to suit well in solving resource greedy scientific computing problems. To study this, we established a scientific computing cloud (SciCloud) project and environment on our internal clusters. The main goal of the project is to study the scope of establishing private clouds at the universities. With these clouds, students and researchers can efficiently use the already existing resources of university computer networks, in solving computationally intensive scientific, mathematical, and academic problems. However, to be able to run the scientific computing applications on the cloud infrastructure, the applications must be reduced to frameworks that can successfully exploit the cloud resources, like the MapReduce framework. This paper summarizes the challenges associated with reducing iterative algorithms to the MapReduce model. Algorithms used by scientific computing are divided into different classes by how they can be adapted to the MapReduce model; examples from each such class are reduced to the MapReduce model and their performance is measured and analyzed. The study mainly focuses on the Hadoop MapReduce framework but also compares it to an alternative MapReduce framework called Twister, which is specifically designed for iterative algorithms. The analysis shows that Hadoop MapReduce has significant trouble with iterative problems while it suits well for embarrassingly parallel problems, and that Twister can handle iterative problems much more efficiently. This work shows how to adapt algorithms from each class into the MapReduce model, what affects the efficiency and scalability of algorithms in each class and allows us to judge which framework is more efficient for each of them, by mapping the advantages and disadvantages of the two frameworks. This study is of significant importance for scientific computing as it often uses complex iterative methods to solve critical problems and adapting such methods to cloud computing frameworks is not a trivial task.