基于用户信任值的HDFS访问控制模型研究

目前,越来越多的用户使用云存储来保存或备份数据,以增强数据的可移动性,但针对云存储的安全性问题,研究人员主要关注隐私泄露、数据容灾、副本消除等方面,对访问控制的研究较少。在前人研究的基础上,提出了一种基于用户信任值的HDFS(Hadoop distributed file system)访问控制模型。该模型结合可信赖第三方认证系统Kerberos实现对用户的认证,并为每个用户设定一个信任值,通过信任值与信任值阈值的比较动态控制用户对HDFS的访问。实验结果表明,该模型不仅可以克服HDFS访问控制上的缺陷,而且能够动态、有效地控制用户对HDFS中资源的访问。     

一种Android终端控制物联网结点的技术应用

提出了一种对楼宇分体空调进行集中管理的方法,结合物联网的构成及实际应用模式,探索并将其理论方法引入到系统中来,构建了一个基于物联网的分体空调远程集中控制系统。通过Android终端设备,可对系统运行情况进行实时监控和管理。经实验测试验证,该集中控制节点及感知节点的设计满足系统的要求,可靠性高,成本低,功能强。     

双MicroBlaze软核处理器的SOPC系统设计

设计了一款基于双MicroBlaze软核处理器、面向嵌入式领域的SOPC系统,在信息处理繁忙的情况下,实现两软核处理器之间的同步、通信和中断功能,提高信息吞吐率和系统灵活性,降低设备尺寸。两处理器之间通过Mutex模块实现同步功能,通过Mailbox模块实现通信和中断功能,通过共享BRAM模块实现大块通信功能,并进行了有效的功能验证。该SOPC系统在XUPV5－LX110T开发板上得到验证。测试结果表明,两软核处理器之间有效地实现了同步,通信和中断功能,达到了预期的效果,验证了方案的有效性。     

模型驱动的Web服务组合的QoS属性的研究

为反映组合Web服务的服务质量(QoS),文章在用模型驱动的方法对Web服务组合进行研究的基础上探讨了如何对Web服务进行QoS属性拓展,给出了拓展的WSDL元模型。通过引入模型驱动的思想,解决了Web服务对QoS属性描述不足的问题。并通过对BPEL元模型的分析,得出了组合服务在各种结构模型情况下的QoS属性的计算方法。     

多路径自组织无线传感器网络平衡路由算法

为了降低网络延时,提高数据传输的可靠性,同时延长无线传感器网络寿命,提出了一种多路径平衡路由算法。该算法利用洪泛法生成一棵多路径路由树;数据发送失败后无需进行动态路由修复,降低了网络延时。仿真实验结果证明,该算法在延长网络生命期和缩短延时方面要明显优于分层算法。     

基于DHSP的格上最短向量量子算法的研究

SVP问题是格的公钥密码体制抗量子性的理论依据,论文运用量子计算分析SVP问题,对Kuperberg算法改进,提出了DH-SP多项式时间量子算法,并以此算法为模型框架,以Oded Regev算法理论为基础,提出近似因子为O(n3),时间复杂度是O(n4)的SVP量子算法,最后对其进行性能分析。论文算法的提出将对基于格的公钥密码体制的安全性带来重大威胁。     

基于二进制压缩的时间序列相似搜索

该文提出了一种基于二进制压缩(BC)的时间序列相似搜索的方法。该方法是把时间序列分段,提取每段上面的关键点把这些点转换成一个比特流,这些关键点是把每一段分成子段取这些子段的中间点,记录下比特流达到压缩的目的。该文证明了该方法在理论上具备非漏报的性质。然后使用天际线对时间序列进行索引。实验表明,该文提出的基于BC的方法比PAA方法有更小的边界,在相似度搜索的时候基于天际线索引的BC方法比基于R*树的PPA方法更有效率。     

基于粗糙度的近似概念格动态分类集成学习模型研究与应用

概念格(Galois格)是一种进行数据分类学习的有效工具,然而建格规模庞大使分类效率和准确率受到较大影响.将粗糙度理论应用到概念格分类问题研究中,提出一种新型的近似概念格动态建格和分类挖掘集成学习模型(CACLR).该模型在粗糙度区间根据样本空间分布构建多个相对独立分布且比较精确的近似概念格分类器,能及时消除建格过程中大量与分类知识无关的节点,有效缩减原格规模,融合得到的分类挖掘集成学习模型,具有较好的粗糙分类精度和知识预测学习能力.最后进行CACLR分类集成学习模型在标准UCI数据集中的对比实验,有效验证了该模型的实用价值.     

基于UML的构件可重用性度量方法

随着基于构件软件开发实践的深入,构件的质量将影响到最终的软件质量,但目前缺乏对构件在实际应用中有效的评价模型.基于Perry所提出的度量方法,给出了应用在UML中的度量模型,并且设计实现了对应的度量工具,以便构件使用者能够在实际开发应用中找出合适的构件.     

基于多项式核的结构化有向树数据聚类算法

各个点在数据内部的组织结构中自然地扮演着3种不同的结构性角色,分别是毂、质心和野值.在基于邻域的聚类算法中,邻域密度因子能够识别分离数据集中的毂、质心和野值.但是,邻域密度因子对有噪声和重叠的数据往往失效.为了解决该问题,引入了基于多项式核的邻域密度因子,并在有向树框架下,提出了一种结构化的数据聚类算法,其计算复杂度线性于输入数据的大小.对带有噪声和重叠的数据集,该算法能够找到所有显著的、任意形状的不均衡聚类.在人工和真实数据集上的实验结果都证实了该算法的有效性和快速性.