移动计算环境中基于广播的数据缓存策略

在研究了数据广播频率的变化对缓存策略的影响之后,提出以移动客户机（Mobile Client,MC）从广播中读取数据的平均响应时间为标准,来决定是否缓存该数据项。其优点是可以避免每次访问这些数据项等待较长时间,同时也可降低移动客户机缓存管理的代价,提高其工作性能。     

Unix文件系统技术分析

本文主要文件系统的管理机制、物理结构、安全和共享等方面分析了Unix文件系统并加以评论。     

中间件技术研究

中间件技术屏蔽了底层分布式环境的复杂性和异构性,简化了分布式应用程序的开发,使分布式应用程序的健壮性、可扩展性、可用性更好。本文介绍了中间件的定义、分类、主流中间件技术平台,能够隐藏底层网络环境的复杂性,处理平台之间的异构性,是分布式计算和系统集成的关键组件。本文介绍了中间件的基本概念,阐述了一种基于系统层次的分类方法,并详细讨论了现存各类中间件技术的特点、相关标准及发展应用情况。     

基于Fastformer和自监督对比学习的实例分割算法

针对现有的实例分割算法对有遮挡以及模糊实例检测精度低、掩码较粗糙以及泛化能力弱的问题,提出一种基于Fastformer和自监督对比学习的实例分割算法。首先,在特征提取网络之后加入基于加性注意力的Fastformer模块,并对每一层特征图中的像素点之间的相互关系进行深入建模,以提高算法对特征图全局信息的提取能力;其次,受自监督学习启发,加入自监督对比学习模块对图像中的实例进行自监督对比学习,以提高算法对图像的理解能力,从而改善在噪声干扰较多的环境下的分割效果。在Cityscapes和COCO2017数据集上的实验结果表明,相较于近期经典的实例分割算法SOLOv2(Segmenting Objects by LOcations v2),所提算法的平均精度均值（mAP）分别提高了3.1和2.5个百分点,并在实时性和精度之间达到较好的平衡,在比较复杂的场景实例分割中具有较好的鲁棒性。     

Lotus Domino 开发Web服务器应用程序方法

介绍如何利用LotusDomino开发的Web服务器应用程序方法和LotusDomino开发工具,并概述Domino技术的基本原理.     

基于全局采样的混合门控神经网络推荐模型

为缓解在数据稀疏情况下,推荐性能降低的问题,提出一个基于融合评分数据和文本数据的混合推荐模型。采用词级注意模块从项目内容描述和用户评分中学习项目的隐藏特征,使用一种门控神经网络对获得的隐藏特征进行更有效的特征融合,采用集成邻域注意力和自动编码器的学习框架对用户的偏好进行建模。采用基于新的全局采样策略优化相关损失函数,提供更加精准的推荐服务。实验结果表明,该推荐模型优于主流先进推荐模型。     

基于注意力门控神经网络的社会化推荐算法

针对社会化推荐算法中存在的推荐准确率不高的问题,提出了一种多头注意力门控神经网络(MAGN)算法.具体来说,采用门控神经网络对输入的用户和用户-朋友对进行融合得到联合嵌入,利用注意力记忆网络来获取不同朋友在不同方面对用户的影响,利用多头注意力来获取在不同方面对用户影响程度偏高的几位朋友.采用门控神经网络将朋友影响和用户...     

用低速存储器件实现高速存储的设计

本文介绍了一种用低速存储器件实现高速存储系统的设计思想和实现方法,并且讨论了总线分时复用的详细过程。     

A*算法在数据广播中的应用与实现

在移动数据库的数据广播中,如何最大限度地降低数据项的平均期望访问时间是一个重要的研究方向.介绍了两种传统的Flat算法和VFk算法,并分析了它们的特点和不足.在以上两种算法的基础上,引入人工智能理论中的A*算法并加以改进,同时结合α-β剪枝技术,使之更适合于解决数据广播调度问题.通过仿真实验表明,在降低平均访问时间方面,A*算法是个不错的选择.     

移动事务并发控制技术的研究

为有效降低移动计算环境下事务处理的重启动率、提高事务的吞吐量,在研究传统并发控制协议的基础上,提出了一种数据锁乐观并发控制协议DLOCC,DLOCC协议结合了锁并发控制协议与乐观并发控制协议的优点,利用数据项的更新次数和访问概率将服务器上的海量数据进行分类,依据不同的数据类型采用相应的并发控制协议.模拟实验结果表明,DLOCC协议性能优于OCC-TI协议,有效地提高了系统资源利用率.