基于多维散列桶的数据定位技术MDHash

传统的关系型数据库常用于永久、稳定的数据,它强调维护数据的完整性、一致性,但无法满足海量数据处理的实时性;而内存数据库虽然读写速度高出传统数据库几个数量级,但其频繁的数据交换、事务操作等由于操作复杂,都无法满足大型应用系统对于相对格式的海量数据进行固定格式的实时比对要求。提出了基于多维散列桶的数据定位技术MDHash,结合多种内存数据库的优点,主要通过散列桶、不定长字符串散列、文档散列共三层散列的方法来实现数据的定位,满足系统对海量数据的实时检索比对。

EasiFFRA:一种基于邻域粗糙集的属性快速约简算法

从高维异构感知信息中提取有效特征是支撑物联网系统预测与识别的基础.物联网场景中通常包括多个多种感知节点,系统通常会从感知数据中提取大量特征,其中不乏部分无关和冗余特征.这些无关及冗余特征会降低系统的运行速度,引入冗余计算,更会影响后续的分类及预测等机器学习操作的性能.因而高效识别并提取低维有效的特征子集是物联网数据分析所面临的一大挑战.邻域粗糙集方法能够在保持数据集可分性的前提下,识别和去除无关及冗余特征子集,从而达到降维效果.但由于现有基于邻域粗糙集的特征约简算法的计算开销大、运行时间长,故而并未得到广泛应用.提出了一种基于邻域关系对称性及决策值过滤策略的特征快速约简算法EasiFFRA.EasiFFRA可通过改进的散列分桶方法加速正域样本计算,可检验并过滤冗余决策值样本,从而降低现有方法中由于重复距离评估所带来的冗余计算.实验结果表明:EasiFFRA在实际采集的水质数据集和多个不同样本量及维度的公开数据集中平均加快75.45%的特征约简时间,其约简结果和已有邻域粗糙集特征约简算法等效,可有效解决物联网数据分析中由冗余及无关特征导致的分类及预测精度下降问题,有重要应用价值.

一种快速IP软件设计算法

本文通过分析IP工作原理，设计了一种IP算法，考虑到各数据报公平性，该算法利用循环选择法作为IP的数据报选取方式；使用桶散列(bucket hashing)结构作为其选路表的数据结构，并结合数组加以实现，从而极大地提高算法的运行速度。