基于hash技术的ext3目录索引机制的改进*

针对当前广泛应用的ext3文件系统对超过一定长度的目录进行索引操作时,其性能明显下降的现象,首先对其原因进行了分析,提出一种基于hash技术的ext3目录索引问题的解决方案,并在此基础上给出了实现代码。通过几种测试平台所获得的实验数据证明了该hash技术对解决ext3性能瓶颈的有效性。     

云盘客户端关键技术研究

首先分析云盘的需求和发展,从客户端角度理解系统结构和实现云盘服务的关键技术,介绍用户存储空间映射到本地系统、本地缓存的方案,详细阐述多用户终端等,最后总结云盘未来的研究方向.     

Ad hoc网络路由修复策略优化

针对Ad hoc网络中基于缓存的路由修复机制进行研究.通过对基于缓存的路由修复机制进行数学建模和理论分析,得出了基于缓存的路由修复机制的最优缓存策略应具有如下三个性质:1)优先缓存寿命长的可用路径;2)优先探测寿命长的可用路径;3)对于每次路由发现的可用路径集合.基于这些关键性质,本文设计一个最优缓存算法,并通过ns-2仿真验证了本文设计的最优化缓存策略和最优缓存算法的正确性和有效性.     

EDFUSE:一个基于异步事件驱动的FUSE用户级文件系统框架

开源FUSE文件系统用户模块实现方式采用多线程并发模型,在高并发条件下,线程间的同步将降低系统的吞吐率,增加响应时间。基于流水线分段数据通信思想和异步事件网络驱动模型,消除线程间的同步,通过优化文件和元数据缓存来提高缓存命中率等方式,实现了异步事件驱动的FUSE用户级文件系统的用户态框架。实验结果表明,在大量请求环境下系统的吞吐率得到提高。     

分布式结构化数据分页查询中的动态归并算法

本设计实现一种动态归并算法,主要应用在对于分布式结构化数据的跨节点跨表实时分页查询的业务场景中.分布式数据库中数据表都会被拆分为若干子表并存储于若干数据节点中,在对数据进行单表查询和多表查询时都需要进行数据的归并,本算法被设计用来处理中间数据的归并问题,在归并策略上采用了二路归并,从而保证了较高的节点并发度,使得归并的计算负载能够均衡地分配在各计算节点上;采用动态的归并过程而不是在任务一开始就确定节点之间的归并配对关系,确保算法的自适应性,避免了预先制定归并策略而可能导致的数据等待.实验结果表明随着参与归并的节点数量的提高,该算法执行效率明显优于单节点归并以及预先设定归并策略的多节点归并.     

基于BitTorrent模型的VOD系统的设计

利用P2P技术将集中的VOD(Video-On-Demand视频点播)服务分散化,使参与的用户既作服务的消费者,又作服务的提供者,充分利用客户端大量闲置资源,消除传统VOD系统的瓶颈,是当前进行大规模VOD应用的研究方向.本文提出了一种基于BitTorrent的VOD系统设计.该系统设计适用于大规模视频点播应用,且易于部署和扩展;对基于BitTorrent模型的视频服务能力进行了数学模型的建立和分析,并在实验环境中得到求解和验证.     

基于面向服务架构的分布式业务部署平台

针对分布式环境下业务系统运营中资源利用率低、可靠性差和扩展性弱等问题,设计了一种基于面向服务架构的分布式业务部署平台。该平台基于面向服务架构(SOA)组件模型,可自动化地部署和管理分布式业务系统;根据服务组件运行状态,动态为其分配计算资源,实现业务能力的动态扩展和收缩;同时,采用双机热备、高可用集群机、业务迁移等机制保证了高可靠性。仿真实验表明,该平台能在保证业务服务质量(QoS)的同时具有较高资源利用率。     

异构环境下降低慢任务抖动的调度算法——DPST

为解决在异构计算环境中现有的云计算负载均衡算法存在的慢任务频繁抖动的问题,提出了一种能减低慢任务调度抖动概率的算法--DPST算法。首先通过定义一种异构计算节点中异构任务的能力度量,对执行异构任务的节点处理能力进行了归一化;然后通过引入节点能力预判机制,降低慢任务无效调度的次数;并且利用慢任务和慢节点双队列机制,提高了调度效率。实验结果表明,DPST相对于Hadoop平台在异构环境下任务调度的抖动次数下降了40%以上。由于有效降低了任务调度的抖动次数,在异构环境中DPST算法能明显地缩短任务的平均响应时间并提高系统的吞吐量。     

面向连接的P2P即时通信中继策略研究

P2P即时通信模型要求所有对等节点都能进行双向通信,但网络安全技术方案的实施,使得整个P2P通信域有了内网和外网的区分,并且外网节点不能向内网主动发起连接,故P2P双向心通信受到限制。本文分析并设计了一种高效的通信机制-小服务器节点(Small Service Peer)避免由第三方的通信中继服务所导致的延时。提出了内网中继判定算法,以优化处于同一内网节点之间通信的性能。试验表明,采用本文提出小服务器对等节点的通信机制和内网中继判定算法,在不改变下层网络结构和配置的条件下,可以显著降低P2P应用系统对中继服务器的依赖,并提高即时通信系统实时性。     

基于SVD的深度学习模型对抗鲁棒性研究

对抗攻击的出现对于深度神经网络(DNN)在现实场景中的大规模部署产生了巨大的威胁，尤其是在与安全相关的领域。目前已有的大多数防御方法都基于启发式假设，缺少对模型对抗鲁棒性的分析。如何提升DNN的对抗鲁棒性，并提升鲁棒性的可解释性和可信度，成为人工智能安全领域的重要一环。文中提出从奇异值分布的角度分析模型的对抗鲁棒性。研究发现，模型在对抗性环境下鲁棒性的提升伴随着更加平滑的奇异值分布。通过进一步分析表明，平滑的奇异值分布意味着模型的分类置信度来源更加多样，从而也具有更高的对抗鲁棒性。基于此分析，进一步提出了基于奇异值抑制SVS(Singular Value Suppress)的对抗训练方法。实验结果表明，该方法进一步提高了模型在对抗性环境下的鲁棒性，在面对强力白盒攻击方法PGD(Project Gradient Descent)时，在CIFAR10和SVHN数据集上分别能达到55.3%和54.51%的精度，超过了目前最具有代表性的对抗训练方法。