基于MapReduce的增广动态Skyline查询处理方法

Skyline查询能够计算大规模的数据集中满足多个标准的最优解,被广泛应用于多目标决策等领域.动态skyline查询作为skyline查询的一种重要变体,其结果随着查询点的不同而动态改变,为用户在指定查询要求方面提供了更大的灵活性.然而,随着数据量的不断增加,动态skyline查询会产生大量的查询结果,忽略了查询点的维度方向性和数据的全局整体性,给用户的选择带来极大困难.因此,需要进一步优化动态skyline查询的结果集,提高全局整体性,过滤冗余数据.针对上述问题,提出一种基于MapReduce的增广动态skyline查询处理方法.该方法将原始数据按照维度信息进行分区,在多个节点并行计算动态skyline,优化传统动态skyline结果集,同时提供全局更优的结果供用户选择.在此基础上,针对用户给出某些维度的容忍度的情况,提出一种引入用户容忍度的增广动态skyline查询处理方法.该方法可以根据用户容忍度缩减增广动态skyline查询的原始数据集,很大程度上减少中间结果的比较次数,并且提高了结果集的准确度.大量实验证明,基于MapReduce的增广动态skyline查询处理方法具有更好的有效性、准确性和可用性.     

一个面向中小企业动态联盟使能系统的研究

针对当今网络经济模式下中小企业对支持企业动态联盟的使能系统的需求，提出了一个支持应用服务提供商模式的，基于面向Web服务结构的使能系统－e_Scope。系统由模型对象，图形化工具对象和管理对象组成，模型对象为组建系统的基本元素，图形化工具对象为系统配置与操作接口，管理对象负责协调管理，系统依据模型对象，具有按需构建联盟使能服务平台和定义商务处理过程的能力，为中小企业动态联盟提供了一个按需配置的，经济可行的使能环境。     

数据流上的一种适应性查询优化及调度策略

针对数据流系统中的查询处理机制进行了深入的研究,从内存使用量和查询的实时性两方面进行综合考虑,提出了一种适应性查询优化策略Slope.该策略一方面可以根据各操作符的选择度和单位时间处理元组个数来适时调整查询计划;另一方面可以按调整后的查询计划进行非等值时间片轮转调度.还给出了Slope策略的相应算法并进行了性能测试.     

HoliAdapt—数据流中一种适应性查询处理策略

针对数据流上连续查询处理的特征，我们从选择率和执行时间的角度出发,考虑内存使用量和输出延迟适应性因素，提出一种适应性的查询处理策略—HoliAdapt。该策略基于查询窗口动态地收集统计信息，利用数学方法不断地优化查询计划，通过核心调度方法，对操作符进行适应性的调度,有效地减少时间延迟和内存使用量，提高系统查询的效率。     

数据流管理系统中适应性查询机制的研究

介绍了数据流技术的发展现状，然后讨论了适应性查询在数据管理中的发展演变，特别是在数据流管理中的特殊性。最后，在此基础上，提出了一个支持适应性查询的数据流管理系统RealStream，并详细介绍了其适应性查询处理机制。     

一种扩展的工作流过程定义模型

提出了一个支持复杂应用的扩展工作流过程定义模型ScopePModel，它可以描述复杂结构的工作流流程，并且能够清晰地描述任务之间的控制流依赖关系和任务的补偿信息，表达出复杂工作流程的定义；同时，本文所提出的工作流过程定义模型ScopePModel，不仅可以捕捉现实世界业务流程，具有丰富的表达能力，使工作流定义的语义更为明确，而且为工作流过程定义模型验证提供了强大、丰富的理论依据，为工作流过程定义模型验证奠定了良好基础．ScopeWork是我们自行研制开发的工作流管理系统的原型系统，它基于该模型实现了复杂业务过程的工作流过程定义以及调度等功能．     

一种支持MMOG的对等网络模型

使用P2P支持MMOG的主要难点在于“邻点发现”和“带宽消耗”.本文提出了一种支持MMOG的对等网络模型,它通过引入Delaunay三角网解决P2P游戏中的＂邻点发现问题＂,利用兴趣管理和应用层多播降低网络带宽消耗.     

数据流查询处理中一种共享的分级窗口维护策略

由于数据流具有无界的特性,数据流系统中的查询多为带有窗口的查询,对带有窗口的查询,现有方法常由操作符直接维护窗口,但操作符的类型及排列方式可能会导致窗口难以维护,且冗余度较大.因此提出一种查询处理中的分级窗口维护策略,将窗口分为流窗口和操作符窗口,以流窗口为主并控制操作符窗口的维护,使查询中的窗口保持一致,解决了窗口维护问题,并且符合流查询语言的语义,各级窗口中的数据通过共享来解决内存消耗问题.     

基于RELM的时间序列数据加权集成分类方法

时间序列数据通常是指一系列带有时间间隔的实值型数据,广泛存在于煤矿、金融和医疗等领域。为解决现有时间序列数据分类问题中存在的含有大量噪声、预测精度低和泛化性能差的问题,提出了一种基于正则化极限学习机(RELM)的时间序列数据加权集成分类方法。首先,针对时间序列数据中所含有的噪声,利用小波包变换方法对时间序列数据进行去噪处理。其次,针对时间序列数据分类方法预测精度低、泛化性能较差的问题,提出了一种基于RELM的加权集成分类方法。该方法通过训练正则化极限学习机(RELM)隐藏层节点数量的方法,有效选取RELM基分类器;通过粒子群优化(PSO)算法,对RELM基分类器的权值进行优化;实现对时间序列数据的加权集成分类。实验结果表明,该分类方法能够对时间序列数据进行有效分类,并提升了分类精度。     

云计算环境下的一种高效的资源管理策略

近年,随着物联网相关研究工作的深入进行和新业务需求的日益增长,基于物联网技术的各种应用系统不断涌现。通常,人们希望智能物具有环境场所感知能力,因此提出一种基于物联网技术的场所感知应用系统。首先,围绕信息物品维、自主网络维、智能应用维3个维度构建该系统的体系结构,并分析了系统中主要实体间的关系;其次,讨论了体系结构中面向场所感知的专门部件的关键支撑技术及其发展方向,主要涉及环境物位姿传感、场所感知智能应用两个方面,其中,特别地给出一种物联网条件下可行的场所感知算法;最后,通过仿真实验验证了该系统的感知效果。