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.     

EBSN中基于用户特征的社交事件规划与饥饿问题处理

社交事件发布参与平台越来越受到人们的关注,其主要功能是为对某个社交事件感兴趣的用户规划适合的社交活动.现有社交事件平台贪婪规划方法通常假设每个用户可以参与限定个数的事件,解决参加限定个数事件引起的时空冲突,但方法中没有考虑用户的特征,导致用户规划顺序不合理,同时,现有方法也没有考虑如何解决因资源占用出现用户无法获取事件的情况,导致用户对社交平台满意度下降.为解决上述问题,本文通过用户空闲时间与用户平均速度双重约束条件,提出一种基于用户特征的社交事件规划与饥饿问题处理方法,该方法首先提取用户特征排序的同时,结合贪心算法和Skyline思想再次排序,确定用户最佳处理顺序,在此基础上,针对社交网络事件规划中可能出现的用户饥饿问题提出救济算法,消除兴趣值不敏感的饥饿用户,在总效用值下降最小的前提下,保证了用户对社交网站的最大满意度.实验表明,本文提出的规划算法能够有效地进行社交事件规划并解决用户饥饿问题.     

基于Gram矩阵的T-CNN时间序列分类方法

时间序列分类是流式数据事件分析和数据挖掘的基础.针对现有方法损失时间属性、分类准确率低、效率低等问题，提出基于Gram矩阵的T-CNN时间序列分类方法.该方法对时间序列进行小波阈值去噪，过滤正态曲线噪声，提出基于Gram矩阵的无损时间域图像转换方法，保留事件全部信息.改进时间序列CNN分类方法，在卷积层计算引入Toeplitz卷积核矩阵，实现矩阵乘积替换卷积运算.引入Triplet网络思想，构建T-CNN分类模型，通过计算同类事件与不同类事件间的相似度优化CNN的平方损失函数，提高T-CNN模型梯度下降的收敛速率及分类准确性.实验表明，相比现有方法，T-CNN时间序列分类方法能够提高35%的分类准确率、35%的分类精确率及40%的分类效率.     

面向时空数据的区块链构建及查询方法

时空数据作为一种同时具有时间维度及空间维度的数据类型,被广泛应用于供应链管理、电子商务等领域,它的完整性及安全性在实际应用中具有重要意义。针对目前时空数据集中式存储方式存在数据不透明且易被篡改的问题,将区块链技术的去中心化、防篡改、可追溯等特性与时空数据管理相结合,提出面向时空数据的区块链构建及查询方法。首先,提出一种基于改进图型区块链（Block?DAG）的时空数据区块链架构ST_Block?DAG;其次,为了提升时空数据的存储及查询效率,在ST_Block?DAG区块链内部采取基于四叉树及单链表的结构存储时空数据;最后,在ST?Block?DAG存储结构基础上实现了多种时空数据查询算法,如单值查询、范围查询等。实验结果表明,与STBitcoin、Block?DAG以及STEth相比,ST_Block?DAG的时空数据处理效率提升了70%以上,时空数据综合查询性能提升了60%以上。所提方法能够实现时空数据的快速存储及查询,可以有效支持时空数据的管理。     

面向时间序列事件的动态矩阵聚类方法

时间序列事件聚类是研究事件分类及挖掘分析的基础。现有聚类方法多直接针对具有时间属性且结构复杂的持续事件聚类,未考虑聚类对象的转化,聚类准确性低且效率差。针对这些问题,提出一种面向时间序列事件的动态矩阵聚类方法RDMC。首先,构建事件近邻评价体系,根据评价值优劣衡量事件的代表性,通过近邻评分的后向差分计算策略构建RDS候选集;其次,提出基于组合优化的RDS选取方法,从候选集上快速得到RDS最优解;最后,动态构建RDS与数据集的距离矩阵,提出基于K-means的矩阵聚类方法,实现时间序列事件所属类别的有效划分。实验表明,相比现有方法,所提方法在聚类准确率、聚类可靠性、聚类效率等方面具有明显优势。     

面向金融活动的复合区块链关联事件溯源方法

现有区块链系统多采用平等挖矿模式,所有记账人(实体)将账本记录在单一主链上,数据存储具有随机性,且在复杂或分类金融场景下,主链数据难以关联或规律存储,导致存储及查询效率很低;同时,现有区块链系统中事件溯源大多只查询到源区块,不能判识实体间的隐含关联,查询具有局限性。针对这些问题,提出一种复合区块链关联事件溯源方法。该方法首先构建区块链复合链式存储结构模型,提出私有链和联盟链的概念,实现复杂或分类场景下的自适应数据关联存储;然后,追溯查询时,在获取到事件源实体区块的基础上,建立辅助存储空间,以便对相关数据进行转存,并提出基于Apriori算法的关联实体区块溯源方法,将所得的溯源实体区块用于构造源事件关联图,进而描述事件实体间的关联关系;最后,提出基于强化学习的风险评价体系,实现对溯源实体的风险评估。实验结果表明,复合区块链关联事件溯源方法可降低60%的存储开销,查询准确率和安全性分别提升90%和50%。     

Effect of Boron and Cerium on Microstructures and Properties of Cu-Fe-P Alloy

The effects of B and Ce on the removal of inclusions, microstructures, and properties of Cu-Fe-P alloys were studied. Certain impurity elements and the microstructures, mechanical properties, and conductivity of four experimental alloys, Cu-0.22Fe-0.06P, Cu-0.22Fe-0.06P-0.05Ce, Cu-0.22Fe-0.06P-0.02B, and Cu-0.22Fe-0.06P-0.05Ce-0. 02B （ %, mass fraction）, were tested and analyzed. Results show that on one hand, B and Ce have a remarkable function of removing S, Pb, and Bi from copper alloys ; on the other hand, the recrystallization temperature of the Cu-Fe-P alloy is considerably increased by adding trace B and Ce, resulting in the combined strengthening effect of precipitation hardening and cold work hardening after cold working and aging, while the negative effect of B and Ce on conductivity is slight. Therefore, a good combination of high strength and conductivity is achieved.     

基于区域分簇的大规模无线传感器网络生命周期优化策略

针对环境监测、电网冰灾监测等大规模监测系统中监测区域覆盖广、传感器数量大等特性,为节约网络能耗以延长生命周期,提出了一种基于区域分簇的大规模无线传感器网络生命周期优化策略(RCS).该策略首先利用传感器节点的位置信息进行凝聚的层次聚类(AGNES)算法将大规模网络分区以优化簇首的分布;其次,候选簇首节点竞选簇首成功后进行不均匀分簇,同时加入时间阈值来均衡簇首节点的能耗;最后,采用簇间多跳路由,根据节点剩余能量、与汇聚点距离计算网络能耗代价来构建最小生成树进行路由选择.在仿真实验中,该策略与经典的低功耗自适应分簇(LEACH)协议和能量高效的非均匀分簇(EEUC)算法比较,簇首能耗平均分别减少了45.1%和2.4%,网络生命周期分别延长了38%和3.7%.实验结果表明,RCS在大规模网络中能有效均衡整体网络能耗,显著延长了网络的生命周期.     

大规模动态图中概率游走约束的节点相似Top-k查询方法

大规模动态图节点相似Top-k查询方法对大规模图查询效率较低,且当图发生动态变化时难以对查询结果进行自适应更新,导致查询结果准确度不高。利用大规模动态图概率路径游走约束条件,提出一种节点相似Top-k查询方法。通过引入PageRank概率游走机制实现将基大图生成多个小规模单向图,并利用单边弱化因子对PageRank进行概率游走约束,避免单向图反复选取少数边的情况。采用Monte Carlo模拟法进行单向图集上的相似度累积计算,以Top-k取值为衡量准则递增游走步数,避免次优相似度叠加问题。结合图的动态性特点,依据局部自适应原则提出基大图触发更新策略与单向图集联动更新策略,在保证查询准确度的同时最大限度地降低更新维护代价。实验结果表明,与FR、KM、SimRank、P-SimRank等方法相比,该方法可有效提高查询效率、查询准确度与更新效率。