基于Netty的高性能消息中间件设计与实现

随着互联网业务规模的扩大以及访问量的增多,应用服务可能因流量过大而产生崩溃.为解决此问题和保证应用服务器接收消息的准确性,本文设计了一种基于Netty的消息中间件.该中间件以Netty网络框架为基础实现异步通信,同时为了提升通信双方的编解码速度及缩减整个通信流程的时间,自定义了一种通信协议.该中间件根据本协议特点设计了消费模型及基于文件系统的存储模型,并在消费者端进行了幂等性处理,以提高中间件的可靠性与准确性.实验表明,相比于不使用中间件或使用其它中间件,该中间件在产业化的智慧宿管平台中应用,有效提高了应用服务的响应速率以及接收消息的准确率,保证了智慧宿管平台的平稳运行.     

融合Mar-G LSTM的流程生产工艺质量预测算法

针对流程生产连续性强、时序耦合复杂等特点,传统神经网络不具备长期记忆能力,且在深层次网络训练时易出现训练参数灾难、梯度爆炸等问题,提出基于马尔可夫优化的融合门控循环单元(GRU)与长短期记忆网络(LSTM)的组合预测模型(Mar-G LSTM)。首先在循环神经网络结构中融入门控机制构建深度LSTM神经网络模型,对流程生产时序数据信息进行选择性记忆,学习时序数据序列的信息依赖,进而解决训练过程中的梯度爆炸问题;同时结合马尔可夫链对GRU-LSTM模型的预测结果进行修正优化,在降低模型的复杂度的情况下进一步提高了模型的预测精度。最后,结合某流程生产线的工艺数据进行分析验证,结果表明,Mar-G LSTM算法在预测精度上较随机森林模型、门控循环单元神经网络模型(GRU)、长短期记忆神经网络模型(LSTM)和卷积神经网络与门控循环单元网络组合模型(CNN-GRU)分别提高了37.42%、21.32%、17.91%和12.56%,所提Mar-G LSTM算法可实现流程生产质量的准确预测,为降低工艺参数调控任务的完成时间提供了思路和实现途径。