基于中位分割碎片合并的特征挖掘云平台设计

为有效精确地挖掘海量数据流特征,提出采用数据集中位分割和冗余数据碎片合并的方法设计决策树并构建云平台数据特征挖掘模型。传统的云平台下数据挖掘中对碎片信息不做处理,使文本碎片成几何级增长,导致有用信息的丢失。通过挖掘冗余信息中符合挖掘条件的碎片特征,使用KD树进行数据挖掘索引,在迭代过程中,对数据进行层进中位分割,并结合碎片合并技术,构建数据挖掘云平台模型,对中位数进行维度匹配分箱,使数据的挖掘和传输率最大限度地得到利用。仿真实验证明了采用碎片合并的方法能有效提取冗余碎片中的有用特征信息,数据挖掘性能得到大幅度提升,在数据信息提取和管理中具有很好的推广意义。

基于任务预测的可重构资源合并算法研究

针对FPGA可重构设计过程中会产生大量空闲碎片的问题,设计一种针对FPGA可重构设计的碎片合并算法。重点研究可重构设计中空闲碎片合并算法以及合并之后正在运行的任务重新定位的策略。对给出的碎片合并原则及资源定位策略进行详细分析,并通过建模给出证明过程。最后,进行实验测试,测试结果表明,对于1000个连续产生的随机任务进行碎片合并之后,所有任务一次申请资源成功率达到87.4%,等待一个任务结束之后资源申请成功率达到95.4%。