基于按需服务的用户QoS 偏好信息的处理策略

为满足按需服务的需求,需建立处理用户QoS 偏好信息的具体策略与方法．本文研究了QoS 偏好信 息的描述方式,提出了基于AHP 判断矩阵的QoS 偏好信息表示方法．该方法使用数字标度方法把QoS 偏好转换为 AHP 矩阵,用特征向量法计算出矩阵的权重向量,从而为QoS 偏好提供了量化表示．在此基础上,给出了基于QoS 偏好的相对最优服务的求解策略．具体数例表明,本文中QoS 偏好信息的处理方法与策略是有效的．     

基于随机Petri网的柔性工作流可用性分析

提出一种基于随机Petri网的柔性工作流可用性分析方法。给出基本的异常处理模型,以电子商务配送系统(ELMS)为例,利用随机Petri网对系统进行SPN建模,分析ELMS系统的各种可用性参数。实验结果表明,该方法能准确、有效地对支持异常处理操作的柔性工作流进行可用性分析。     

可信网络中用户行为可信的研究

目前网络安全受到严重的挑战,国际研究表明网络安全正向着网络可信方向发展,未来网络安全是增加行为可信的可信网络,它主要包括服务提供者的可信、网络信息传输的可信和终端用户的可信.通过研究用户的行为信任,不仅可以减少或避免与恶意用户交往,而且因为服务提供者与用户之间建立了互信,从而提高了它们合作完成任务的可能性,降低了因不信任带来的监控和防范等额外开销,所以对用户行为可信的研究不仅可以提高网络的安全性而且也可以提高网络的性能.以可信网络中用户行为可信研究为核心,提出了面向可信网络的用户行为信任的评估、预测与控制架构,包括行为信任的可靠评估;满足不同安全与性能需求的灵活的信任预测;基于信任与风险、利益得失的系统访问博弈决策:基于信任的动态的资源访问控制和以信任预防为主,实时监控为辅的异常行为的监控与防范等.并把这些用户行为可信管理机制进行有效组合,实现了动态控制与静态控制,信任与风险的统一,为可信网络的进一步研究提供基础.     

基于开放网络知识的信息检索与数据挖掘

网络大数据是指"人、机、物"三元世界在网络空间(cyberspace)中交互、融合所产生并在互联网上可获得的大数据.这些数据具有多源异构、交互性、时效性、社会性、突发性和高噪声等特点,不但非结构化数据多,而且数据的实时性强.网络大数据背后蕴含着丰富的、复杂关联的知识.建立面向开放网络的知识库是获取网络大数据中的丰富知识的有效手段.对当前国内外主要的开放网络库进行了比较,分析了相应的构建方法、多源知识的融合以及知识库的更新等关键技术.进一步从用户意图理解、查询扩展、语义问答、线索挖据、关系推理以及关系和属性预测等方面出发,总结了基于开放网络知识库的信息检索、数据挖掘与系统应用的研究现状和主要问题.最后,对开放网络知识库的发展趋势和面临的主要挑战进行了展望.     

网络计算环境下QoS偏好的处理策略及其应用

为保障用户按需服务的需求,较深入研究了用户QoS需求偏好信息的处理策略。基于多属性决策理论,首先提出了QoS偏好信息的三种描述方式：序关系向量、AHP矩阵和语言评价集合,并给出了相应的转化和计算方法。随后,把QoS偏好的处理策略应用于服务选择,提出一个相对最优服务的确定方法,该方法可以反映用户的QoS偏好,满足用户按需服务的需求。具体实例表明所提出的QoS偏好信息的处理策略是切实可行的。     

Internet环境下基于语义的服务组合研究

服务科学、管理与工程(Service,Science,Management,Engineering,SSME)是一门新兴的多学科研究领域.该学科应用信息技术将分布于各传统学科的服务整合起来构成网络服务体系,各个领域构成的服务体系将成为一个服务系统.该服务系统中的服务活动通常表现为并行、交叉行为,服务之间存在相互依赖性,这就使得服务活动的协调成为一个突出的问题.按逻辑语义的方式进行服务的注册、匹配、查询,提供动态组合的、基于语义的、计算机可理解的服务是解决服务系统动态合成各种问题的重要方法.从服务管理的角度出发,通过引入服务本体的思想,提出语义级服务描述体系,即基于本体论的、面向服务的、可动态组合的服务描述实现模型,并使用Petri网定义、描述、验证了该模型.同时将提出的模型应用于网络管理系统开发中的一个案例.     

小样本学习研究综述

小样本学习旨在通过少量样本学习到解决问题的模型.近年来在大数据训练模型的趋势下,机器学习和深度学习在许多领域中取得了成功.但是在现实世界中的很多应用场景中,样本量很少或者标注样本很少,而对大量无标签样本进行标注工作将会耗费很大的人力.所以,如何用少量样本进行学习就成为了目前人们需要关注的问题.本文系统梳理了当前小样本学习的相关工作,具体介绍了基于模型微调、基于数据增强和基于迁移学习三大类小样本学习模型与算法的研究进展;本文将基于数据增强的方法细分为基于无标签数据、基于数据合成和基于特征增强三类,将基于迁移学习的方法细分为基于度量学习、基于元学习和基于图神经网络三类.本文还总结了目前常用的小样本数据集,以及代表性的小样本学习模型在这些数据集上的实验结果,随后对小样本学习的现状和挑战进行了概述,最后展望了小样本学习的未来发展方向.     

网络大数据:现状与展望

网络大数据是指“人、机、物”三元世界在网络空间(Cyberspace)中交互、融合所产生并在互联网上可获得的大数据.网络大数据的规模和复杂度的增长超出了硬件能力增长的摩尔定律,给现有的IT架构以及机器处理和计算能力带来了极大挑战.同时,也为人们深度挖掘和充分利用网络大数据的大价值带来了巨大机遇.因此,迫切需要探讨大数据的科学问题,发现网络大数据的共性规律,研究网络大数据定性、定量分析的基础理论与基本方法.文中分析了网络大数据的复杂性、不确定性和涌现性,总结了网络空间感知与数据表示、网络大数据存储与管理体系、网络大数据挖掘和社会计算以及网络数据平台系统与应用等方面的主要问题与研究现状,并对大数据科学、数据计算需要的新模式与新范式、新型的IT基础架构和数据的安全与隐私等方面的发展趋势进行了展望.     

服务网格中基于请求生命期的资源预留方法和策略

基于面向服务的网格环境,针对网格服务实例所指向的资源,提出了资源预留树的预留方法.利用在任务请求生命期内发现的所有合适资源构建资源预留树,当预留资源失效时,可直接在资源预留树内选取一个替代资源,保证资源预留的可靠性.针对不同的用户服务质量,设计了3种不同的预留策略,在此基础上,提出了基于不同策略的资源预留树算法TTL-RTA.相关的性能分析和仿真实验表明,该算法具有较好的效率和可靠性.     

网格环境下一种用户偏好的表示和计算方法

为保障用户特定的QoS需求,需要有效地表示和计算用户的需求偏好信息,为此提出了一种QoS偏好的序关系向量表示和计算方法.该方法首先把用户对QoS属性的偏好次序,转化为序关系向量表示,然后运用优化模型计算出QoS属性的权重向量,最后利用QoS权重向量来确定候选服务的优先顺序,从而保证了用户特定的QoS需求.该方法能把用户QoS偏好信息转化为可量化计算的形式,具体实例结果表明了该方法的有效性.