网格环境中资源发现方法研究

提出了一种新的C/S和P2P结合的网格环境中的资源发现机制――VIRD。它采用属性-值对的请求描述方法，提供了比基于名字的方法更强的查询能力。VIRD采用3层结构，资源信息在同一域内定期更新传播。用户请求先在域内进行查找，如果不能满足，再转发到域间。试验显示，即使在资源频度比较低、允许的最大TTL值很小的情况下，VIRD仍能获得比较高的查找成功率。和flooding和random walk相比，在相同查找成功率的情况下，VIRD所需的网络通信量和响应时间远小于二者。     

一个可扩展的匿名通信协议

对Internet上的许多应用来说,匿名显得越来越重要。然而,目前的Internet协议并不具有隐藏通信端地址的功能。该文在分析现有匿名技术的基础上,提出了一个可扩展的P2P匿名通信协议WonGoo。WonGoo通过分层加密和随机转发取得了强匿名和高效率,它在延长匿名路径的同时减少了消息头部开销,提高了可扩展性。文中还分析了WonGoo的匿名性。WonGoo提供与应用独立的实时双向匿名通信服务。     

一个面向虚拟网络拓扑发现系统的设计与实现

伴随当前虚拟化技术的成熟及应用,很多企业和单位开始尝试应用虚拟化技术,因此,对部门内部虚拟网络高效管理的需求变得尤为突出,而网络拓扑信息又是网络管理的先决条件,在对目前网络拓扑自动发现技术深入分析研究的基础上,本文设计并实现了一个面向虚拟网络的物理拓扑自动发现系统,它综合了多种拓扑发现机制和技术的优势,具有设计复杂度低,发现拓扑结构快速和完整的特点。     

面向高效能的软件及其设计、分析与实现方法专刊前言

在当前绿色云计算的背景下,本专刊将进一步凸显软件在节能减排中的独特而日益重大作用和角色,从效能的角度重新审视软件的发展道路,不仅是自身执行的高效能,而且必须考虑其运行中所依托计算系统的高效能.两者的有效融合,已经对传统的基于开发效率和用户友好的软件开发与设计理念提出了重大的挑战——我们必须在软件的开发和执行两者间寻求新的效能平衡,因为软件是硬件的绿色行为和规格的规范者,在硬件的设计和发展中发挥着日益重大的角色.为在硬件之外需求大规模分布式计算环境下系统效率的提升、能量有效性的提升和系统价格的下降,探索绿色云计算环境下高效能软件及其相关的编程模型与语言等的设计、分析与实现的技术、理论与实例.     

一个面向分布式桌面计算环境的超瘦客户端

瘦客户端技术通过程序逻辑与用户界面的分离以及处理的集中来达到提高资源利用率、降低系统成本、提高系统安全性等目的。该文介绍了一个适合面向分布式桌面计算环境的超瘦客户端系统——SmartTerm，分析了SmartTerm设计中面临的一些技术问题，提出了解决方案，并且以RFB协议为基础提供了一个SmartTerm的设计实现实例。SmartTerm可以应用到网格计算和普适计算环境下的网格终端、移动设备、远程控制设备等诸多领域。     

网络资源虚拟化技术专题前言

虚拟化概念出现以来(20世纪50年代末),首先运用于操作系统中以解决单机系统资源环境下的多任务/多用户程序运行与资源管理问题;随着网络技术的快速发展与广泛应用(20世纪90年代),为了解决网络环境下计算资源的有效管理与使用问题,网络虚拟化技术得到了新的发展,出现了包括 Java 虚拟机、Xen、Vmware 和KVM 等技术产品;通过虚拟化技术提高了计算资源的利用率及其管理的灵活性,简化了系统管理与维护工作。随着计算资源与应用场景的日益庞杂,虚拟化系统的复杂度也越来越高。虚拟化系统自身的安全性、可靠性以及性能等问题也日益突出。另一方面,虚拟化技术在一些新应用场景中存在的问题也是人们关注的热点,比如软件定义网络与实时虚拟化等。如何实现用户对包括计算资源和网络等资源“尽力而为”的使用到“按需分配”的使用也已成为人们关注的一个问题。     

融合生成对抗网络和朴素贝叶斯皮肤病诊断方法

不同皮肤病间发病率的差异导致了皮肤病数据类不平衡现象,对使用机器学习方法构建高效、准确的皮肤病诊断模型带来了巨大挑战。提出一种融合生成对抗网络(generative adversarial networks,GAN)和朴素贝叶斯的皮肤病二分类诊断方法:在皮肤病数据集上训练朴素贝叶斯二分类器作为诊断器,创新性地使用GAN为前者生成补充训练样本,使其训练集正负类样本达到平衡。针对皮肤病诊断多分类问题,提出一种融合生成对抗网络和朴素贝叶斯的多分类诊断方法:使用GAN和朴素贝叶斯训练皮肤病单病种二分类器,并结合了词频-逆文档频率算法(term frequency-inverse document frequency,TF-IDF),将多个二分类器组合成一个多分类器作为诊断器。与六种诊断方法进行了对比实验,提出的两种皮肤病诊断方法准确率和召回率均有提升。     

一种基于日志信息和CNN-text的软件系统异常检测方法

当前,数据挖掘作为一种高时效性、高真实性的分析方法,正在社会中扮演着越发重要的角色,其在大型数据中快速挖掘模式,发现规律的能力正逐步取代人工的作用.而在当前各个计算机领域大行其道的大型分布式系统(如Hadoop、Spark等)的日志中,每天都产生着数以百万计的系统日志,这些日志的数据量之庞杂、关系之混乱,已大大影响了程序员对系统的人工监控效率,同时也提高了新程序员的培养成本.为解决以上问题,数据挖掘及系统分析两个领域相结合是一种必然的趋势,也因此,机器学习模型也越来越多地被业界提及用于做系统日志分析.然而大多数情况下,系统日志中,报告系统运行状态为“严重”的日志占少数,而这些少数信息才是程序员最需要关注的,然而大多数用于系统日志分析的机器学习模型都假设训练集的数据是均衡数据,因此这些模型在做系统日志预警时容易过度偏向大样本数据,以至于效果不够理想.本文将从深度学习角度出发,探究深度学习中的CNN-text(CT)在系统日志分析方面的应用能力,通过将CT与主流的系统日志分析机器学习模型SVM、决策树对比,探究CT相对于这些算法的优越性;将CT与CNN-RNN-text(CRT)进行对比,分析CT对特征的处理方式,证实CT在深度学习模型中处理系统日志类文本的优越性;最后将所有模型应用至两套不同的日志类文本数据中进行对比,证明CT的普适性.在CT同日志分析的主流机器学习模型对比的实验中,CT相较于最优模型的结果召回率提升了近15%;在CT同CRT模型对比的实验中,CT相较于更为先进的CRT,模型准确率高出约20%,召回率高出约80%、查准率高出约60%;在CT的普适性实验中,将各类模型融入到本文的实验数据集logstash和公开数据集WC85_1中,在准确率同其他表现较优的模型同为100%的情况下,CT的召回率高出其余召回率最高的模型(DT-Bi)近14%.从中可看出,相较于主流系统日志分析机器学习模型,如支持向量机、决策树、朴素贝叶斯等,CNN-text的局部特征提取能力及非线性拟合能力都有更为优异的表现;同时相较于同为深度学习CNN簇的CNN-RNN-text将大量权重投入到系统日志的序列特征中的特点,CNN-text则报以较少的关注,反而在序列不规则的系统日志中展现出比CNN-RNN-text更优秀的表现.最终证明了CNN-text是本文所提到的方法中最适合进行软件系统异常检测的方法.