基于进程执行时间的多级反馈队列调度算法

针对多级反馈队列(MLFQ)调度算法在时间片大小选取上对系统性能的关键影响,提出了一种基于进程执行时间的多级反馈队列调度算法。算法结合动态时间量子思想,通过进程的执行时间动态确定队列以及时间片来完成调度。同时为了减少队列进程的切换次数,利用中位数的方法来决定时间片的大小。实验结果表明,与传统的多级反馈队列调度算法相比,改进的算法不仅缩短了进程的平均周转时间和平均等待时间,也减少了进程切换次数,为操作系统领域处理机调度智能化提供了有效的参考价值。

基于灰关联熵的网络安全态势Kalman预测算法

在评估当前网络安全态势的基础上,掌握未来一段时间的网络安全态势,能够为网络管理者做出安全防护的决策提供有效的信息。利用网络安全态势值具有非线性时间序列的特点,提出一种基于灰关联熵的网络安全态势卡尔曼预测算法。首先应用灰关联熵分析方法对网络安全态势的各种影响因素做关联度分析,由此选出关键影响因素,接着根据这些影响因素建立相应的过程方程和预测方程。最后应用卡尔曼滤波递推地进行网络安全态势预测。实验结果表明该算法的预测精度优于传统的GM(1,1)算法和普通卡尔曼算法,算法适应性和实时性优于RBF算法。

实时系统调度算法综述

在多道程序环境下,主存中有多个进程,其数目往往多于处理机数目。操作系统通过处理机调度程序,按照某种调度算法动态地把处理机分配给就绪队列中的一个进程,使之执行。处理机是重要的计算机资源,提高处理机的利用率及改善系统性能(吞吐量、响应时间),很大程度上取决于处理机调度性能的好坏,因而操作系统的调度算法是非常重要的。通过研究基本的操作系统作业(进程)调度算法,详尽分析和对比这些调度算法的优势和劣势。最后对新兴的实时系统研究现状进行介绍和展望,为以后实时系统调度算法研究提供了有效的参考价值。

基于Kalman算法的网络安全态势预测

网络安全态势预测是网络安全领域的研究热点之一,在分析当前网络安全态势预测方法的基础上,论文利用Kalman滤波理论建立了网络安全态势预测模型,利用当前和过去时段的攻击强度和网络安全态势值对下一时段的网络安全态势进行预测。实验结果表明该算法的预测精度优于传统的GM(1,1)算法和普通卡尔曼算法(即未结合影响因素),算法适应性和实时性优于RBF算法。