RAID-VCR:一种能够承受三个磁盘故障的RAID结构

提出了一种新RAID结构——RAID-VCR.这种结构仅需要3个额外的磁盘来保存校验信息,但是却能够承受任意模式的3个成员磁盘故障.与现有的其它RAID结构相比,RAID-VCR的容灾能力大幅提高,但是对磁盘空间利用率和系统吞吐量的影响却非常小.RAID-VCR的编码和解码过程都是基于简单的XOR操作,并且以明文方式保存了用户数据,从而可以高效地执行读操作.仿真实验结果表明,RAID-VCR的编码和解码性能较好,具有很好的应用前景.     

基于关系模型的UML类图一致性检验

UML类图是UML建模语言的核心元素之一,类图模型的正确性和一致性对于保证需求分析的正确性至关重要。论文研究了UML类图模型的语义一致性问题,提出了一种自动检验类图一致性的方法。该方法以扩展的关系逻辑为语义基础,把一致性问题归结为关系逻辑公式的可满足性问题。实践表明,该方法能够有效的检查UML类图模型的一致性,发现需求分析中的错误和漏洞,在一定程度上保证了类图模型的正确性。     

基于RDBMS的XML数据管理框架

XML作为网络数据交换的标准,其数据数量与日俱增。利用数据库来管理XML的趋势日趋明显。论文提出一个XML数据管理的实现框架(XRM),通过解析schema文件,依据一定的映射策略,生成对应的关系模式、利用关系数据库存储维护的中间件。使用者能够透明地通过关系数据库来管理操作XML数据。该框架在设计上充分考虑了结构的灵活性,便于以后的扩展。     

一种云环境下基于分级管理的自律计算模型

自律计算是实现复杂IT系统的自我修复、自我管理的有效手段。但是在云环境下,系统所管理的计算资源数量急剧增长,传统的资源调度算法和模型架构无法对资源进行合理分配,导致资源的利用率很低。为了提高云环境下的资源管理效率,提出了一种面向云环境的自律计算模型,它采用多自主管理器的分级管理模式来解决传统自律计算模型在处理大量请求时的瓶颈问题;并提出了混合策略管理模式来应对不同的故障修复请求。该模型能够降低云环境下的资源管理成本,满足云服务所需的SLA。     

基于OpenFlow的虚拟网络架构的设计与实现

现有应用中的网络架构种类繁多,造成网络结构复杂难以维护,而OpenFlow网络能有效地解决现有网络维护困难和设备臃肿的问题。本文在深入研究OpenFlow技术的基础上,设计并实现基于OpenFlow的虚拟网络架构,其分为4个层次:应用层、VTN(Virtual Terminal Network)虚拟平台、控制层和物理层,并重点介绍其核心部分VTN虚拟平台的实现。通过对吞吐量和丢包率的监控,验证了它可以整合不同的网络结构,实现网络资源的统一管理,提高网络兼容性,并具有较好的性能。     

一种有效的多数据源RFID冗余数据清洗技术

相关文献指出低质量的RFID原始数据,特别是大量的冗余数据制约了RFID技术的大规模应用,因此需要一种更有效的冗余数据清洗技术。文章根据RFID数据以及典型应用场景的特点,提出了一种多数据源冗余数据清洗技术,其中包括融合冗余数据清洗方法和交叉冗余数据清洗方法。融合冗余数据清洗方法基于滑动窗口与集合论,交叉冗余数据清洗方法借鉴了参考标签思想并且结合信号强度特征。实验证明,提出的数据清洗技术不但可以有效地完成RFID冗余数据清洗,同时能够为清洗后的数据保留准确的数据来源信息。     

保证多 volume数据一致性的远程复制机制 *

提出了一种保证多 volume数据一致性的远程复制机制。其借鉴数据库系统中事务处理的基本思想 ,将多个 volume中相关联的更新作为一个原子事件向远程端复制,分析实现中如数据打包、故障恢复策略、I/O合并等关键问题 ,并给出了具体的实现方法。该远程复制机制解决了在基于存储层或基于逻辑卷方式下的大规模数据复制应用中,保证一组具有相关性数据在复制中的一致性和可用性问题。     

基因表达数据中局部模式的查询

基因表达数据分析一般是通过挖掘局部模式来实现的。保序子矩阵是局部模式挖掘中一种经典的模型,可以获取到在若干条件下表现出一致趋势的一组基因。高通量基因微阵列技术的进步,促进了海量基因表达数据的产生,使得对高性能基因表达数据分析算法的需求极为迫切。现有方法大多数是通过批量挖掘的方法来分析数据,即使有通过查询方式来获取精确结果的方法,其全面性与性能也有待提高。为了提高数据分析的效率与准确性,首先提出一种基于前缀树的基因表达数据索引gIndex,然后给出了一种基于列关键词查询的保序子矩阵分析方法GEQ_c。其不经过批量挖掘,只需要建立索引并通过关键词来完成正相关/负相关/时滞等模式的查询。实验结果表明,与现有方法相比,所提算法具有良好的数据分析效率与可扩展性。     

一种基于块级的存储性能优化方法

性能是存储管理系统中的一项重要内容,提高存储性能可以有效地降低系统的总体拥有成本(TCO).数据迁移是性能优化的重要的组成部分,确定一个有效的模型,以决定迁移的对象和迁移的位置非常重要.提出一个定量的评价模型,与仅关心IO特性的热点检测系统不同,该模型考虑多方面的影响因素,评估磁盘中每个数据块的重要性,以此作为数据分类的依据.与其他模型最大的不同在于它是基于块级的,不考虑文件系统和上层应用程序,因此具有较好的性能.实验表明,该模型可以用于热点检测,指导数据迁移;有助于提高存储系统中存储设备的利用率.     

基于多重分形的聚类层次优化算法

大量初始聚类结果之间存在强弱不同的相似性,会给用户理解与描述聚类结果带来不利影响,进而阻碍数据挖掘后续工作的顺利展开.传统聚类算法由于注重聚类形状及空间邻接性,或者考虑全局数据分布密度的均匀性,实际中均难以解决这一类问题.为此,提出了基于分形的聚类层次优化算法FCHO(fractal-based cluster hierarchy optimization),FCHO算法基于多重分形理论,利用聚类对应多重分形维数及聚类合并之后多重分形维数的变化程度来度量初始聚类之间的相似程度,最终生成反映数据自然聚集状态的聚类家族树.此外,初步分析了算法的时空复杂性,基于合成数据集和标准数据集的有关实验工作证实了算法的有效性.