分布式海量文本检索系统研究

文章利用分布式中间件技术和数据库技术实现海量数据高速加载与快速检索系统,针对数据库系统文本索引较慢等问题,采用并行索引方式来实现了一种可线性扩展的分布式海量文本数据检索系统。     

基于CORBA分布构件模型的应用服务器管理平台的研究与实现

本文在分析了CCM应用服务器管理意义的基础上，从StarCCM中间件系统结构特点出发，提出了StarCCMCM应用服务器层次式管理框架与管理模型，并介绍了在此基础上开发的StarCCM监控管理工具。通过StarCCM管理平台，可以实时地监控分布构件系统的内部运行状况，从而使得系统管理员可以有效地管理系统资源，调节系统性能参数。     

基于CORBA构件模型可视化组装工具的设计和实现

在分析CCM(CORBAComponentModel)平台组装工具重要性的基础上,结合构件和构件组装的特点,以可视化为目标,对StarCCM平台可视化组装工具进行了深入的研究、设计和实现。并通过一个应用实例来说明该工具组建网络应用的过程。该可视化组装工具不仅形象地将构件和组装可视化,让组装的概念变得直观易懂;同时还会大大简化了构件组装的过程,用户仅需通过对图形进行拖放连线等简单的界面交互操作,就可以组建应用组装包,实现了将构件组装成具体应用时的零编程。此外该工具对于进一步体现构件化软件设计和开发的思想,体现CCM平台的优越性,具有极其重要的意义。     

CORBA构件模型研究与实现

对几种构件模型进行了比较分析，研究了CORBA构件模型体系结构，提出了CCM构件平台实现技术及方法，并给出了采用国防科大计算机学院研制的CCM构件平台进行程序开发的步骤，体现出CORBA构件模型可以简化CORBA服务器方的应用开发过程，并能够提高CORBA的易用性。     

一种基于相似性聚类的社会网络合作模式发现方法

社会网络上的模式挖掘是近年来的研究热点之一,合作模式是社会网络上个体间的合作方式,这种模式可以通过社会网络的子结构表示。已有的基于频繁模式的挖掘算法主要考虑合作关系的结构特征,并且往往需要给定支持度阈值来控制结果的规模。在本文中,我们认为社会网络中的模式不一定需要是频繁的,模式与社区也并不需要精确匹配。我们在合作模式中考虑节点的社会地位,并在加权图上给出了一种模式的定义方法,和一种基于互相似性的模式匹配衡量标准,目的在于找出网络中具有"代表性"的合作模式。我们设计了一种基于距离的聚类方法用于抽取这种模式,并在一个大规模的真实数据集上进行了验证。     

StreamQCTree:一种流数据方压缩结构

数据流管理系统计算聚集查询结果保存在内存中形成流数据方(StreamCube),提供快速、精确的在线OLAP查询。有限的内存空间需要一种有效的存储方法来存储更大时间窗口的流数据方。提出一种基于QC-Tree结构的流数据方StreamQCTree生成、裁剪及查询方法。将QC-Tree结构中上界集划分为基本上界类和附加上界类;并分析附加上界类的成本计算模型;根据该模型在固定存储空间下,采用动态选择物化结点的方案选择物化部分附加上界类,使对StreamQCTree的平均查询响应时间最小。实验表明,StreamQCTree能够有效地访问数据方且获得较好的压缩效果。     

隐蔽型蠕虫传播过程建模与分析

文章针对隐蔽型蠕虫隐蔽性强和传播周期长等特点,引入周期性因素、感染能力差异因素和扫描速率变化等因素,建立了隐蔽型蠕虫的传播模型,通过模拟实验与各类其他蠕虫传播模型进行对比,并通过与真实网络测量数据的比较验证了所提模型的合理性和有效性。     

文本多分类中的特征选择研究

特征选择是数据挖掘和机器学习等领域内重要的预处理步骤,近年来得到了广泛的关注。文本数据的高维性往往会影响分类等数据挖掘任务的效率,因此特征选择常被作为文本分类过程中的重要组成部分,以达到降维的目的。随着分类技术的快速发展,类别的日益细化,文本的多类分类问题为特征选择方法提出了更多的挑战。本文面向文本多类分类的应用背景,阐述了目前特征选择方法所面临的主要挑战,给出了多分类特征选择方法的主要种类。本文沿着相关研究的发展路线,由易至难,由浅入深,通过对目前多分类特征选择算法的应用情况进行总结,并进行综述评论,最后对全文进行了概括,提出了未来可能的研究方向。     

基于频繁词集和k-Means的Web文本聚类混合算法

当前,Web文本聚类主要存在三个挑战：数据规模海量性、高雏空间处理复杂性和聚类结果的可理解性。针对上述挑战,本文提出了一个基于top-k频繁词集和k-means的混合聚类算法topHDC。该算法在生成初始聚簇时避免了高维空间向量处理,k个频繁词集对聚类结果提供了可理解的解释。topHDC避免了已有算法中聚类结果受文档长度干扰的问题。在两个公共数据集上的实验证明,topHDC算法在聚类质量和运行效率上明显优于另外两个具有代表性的聚类算法。