云计算环境中数据安全存储协同模型*

针对云计算环境中来自数据中心或存储区域内部的攻击,以及适应更复杂的存储管理的需求。从分布式体系设计角度提出一个实现存储控制平面和数据存储平面融合的协同体系模型。为协同存储安全模型设计详细的多级可信管理、密钥管理和数据同步方案。实验结果表明对于大量中等文件的读写性能较好,数据安全管理造成的性能损失在可接受范围内。而且具有较好的可扩展性,能够适应大规模分布式存储系统的应用环境。     

双速自适应以太网MAC设计及FPGA验证

嵌入式以太网有着广泛的应用,是目前嵌入式系统研究的一个重要领域。设计了嵌入式以太网的媒体访问控制器（MAC）。简单介绍了以太网MAC子层协议;用Verilog-HDL设计了10/100Mb/s自适应以太网控制器,其中包括片上总线总线口、发送模块、接收模块和流量控制模块等几部分;建立了相关测试向量,在ModelSimPLUS6.4SE软件中进行了仿真和调试,并成功用ALTERA的FPGA进行了验证;逻辑仿真和物理板级验证结果都表明该设计实现了10/100Mb/s以太网通信的相关功能。     

基于FPGAflHDL的红外遥控接收信号解码器设计

分析了红外线遥控系统的数据编码和传输机制;用VerilogHDL语言设计了红外遥控接收信号解码器电路;硬件结构包括边沿检测电路、分频电路、计数器、核心状态控制器和显示驱动电路等;在Mode1Sim6．2仿真工具中进行了仿真测试;用Xilinx ISE9．1软件进行了综合、适配和FPGA器件下载测试,并用Agi1ent16823A逻辑分析仪进行了数据采集显示验证,结果表明该电路实现了数据接收和显示的目的,符合红外遥控数据传输协议。     

船用燃气轮机油液磨粒在线监测技术综述

在分析润滑部件磨粒形成机制的基础上,综述了电感、电容、光纤、图像和超声波5类油液磨粒传感器原理和研究进展,分析了捕捉型和流通型两类船用燃气轮机磨粒在线监测技术应用现状,指出了船用燃气轮机油液磨粒在线监测技术现存问题和发展趋势。     

nZVI/BC与(Cu-Pd)/BC协同提高硝酸盐的去除和氮气的选择性

为探明纳米零价铁（nZVI）/BC与(Cu-Pd)/BC联合作用对水中硝酸盐的去除机理,分别负载纳米金属于小麦秸秆生物炭上,制得nZVI/BC与(Cu-Pd)/BC两种复合材料,并通过SEM、TEM、EDS、XRD对材料进行表征分析,从nZVI/BC的SEM中可以看出,纳米零价铁较好地分散在生物炭（BC）上面;从(Cu-Pd)/BC的TEM图中看出,纳米铜钯均有效地负载于BC上且分布均匀。结果表明,nZVI/BC:(Cu-Pd)/BC体系中硝酸盐的去除率可达100%,氮气转化率达到42%。当pH为4.05时硝酸盐去除效果最佳;硝酸盐去除率随着初始浓度的升高而降低;溶解氧的存在会降低硝酸盐去除率;存在PO{}_{\mathrm{4}}^{\mathrm{3}-}对去除效率的影响最大,去除率降低至15.8%,而CO{}_{\mathrm{3}}^{\mathrm{2}-}和SO{}_{\mathrm{4}}^{\mathrm{2}-}的存在对去除氮的影响不大,去除率接近100%。动力学研究表明：在最佳条件下,nZVI/BC与(Cu-Pd)/BC联合作用对NO{}_{\mathrm{3}}^{-}-N、NO{}_{\mathrm{2}}^{-}-N的去除均符合准二级吸附动力学模型,反应过程以还原反应为主。     

面向MapReduce计算的大规模集群通信优化

为了优化大规模集群运行MapReduce作业时的通信效率和减少shuffle数据传输量,首先采用存储局部性换取通信局部性的策略建立一个分布式协同数据映射模型;其次通过随机抽样和机器学习方法来提取作业数据的局部性特征,实现map计算数据的有效部署;最后,利用软件定义网络的全局灵活控制能力,优选通信链路好的节点并将计算任务映射到该类节点中。实验表明对于中间数据混洗密集类作业有较好的优化效果,通信延迟降低了4.3%~5.8%。该方案能减少shuffle流量和数据迁移延迟,并且适合各种调度策略和网络拓扑结构。     

面向大数据复杂应用的虚拟集群动态部署模型

针对计算负载的时变性和复杂性导致虚拟集群的资源利用率不高的问题,为提高虚拟集群资源的全局利用率,采用弹性资源管理策略来吸收多种计算模式混杂时的资源需求突变。在Docker容器技术的支持下提出一个根据作业需求变化的动态部署模型。该模型根据资源的动态需求变化,实时调整虚拟集群的计算形态,具体包括计算节点的类型及规模。该模型不仅实现用户作业执行环境的动态定制,而且达到错峰计算的目的。仿真实验表明,该模型使得虚拟节点CPU利用率提升5.3%,并且优化了计算作业的执行效率。该动态部署模型适合应用到数据中心或大规模集群中,能够有效提高计算资源的利用率。     

基于DFCNN的滚动轴承定量诊断方法研究

以滚动轴承作为研究对象,设计了深度可分离模块、残差骨干网络、金字塔池化结构和路径聚合结构等特征融合单元,建立了深度特征融合的卷积神经网络（Deep Feature Convolutional Neural Network,DFCNN）,分析了随机梯度下降法对网络参数优化的有效性及数据集传递次数与模型精度的关系,开展了不同样本容量和不同噪声环境下的故障试验。结果表明：提出的DFCNN模型可以有效识别滚动轴承损伤部位以及损伤程度,诊断准确率大于99.5%;该模型对样本容量要求低、抗噪能力出色,当信噪比大于-4时诊断准确率大于98.86%。