面向电力企业的实时/历史数据库系统研究与开发

在对实时/历史数据库研究的基础上,提出了面向电力企业的实时/历史数据库系统解决方案,在系统结构、可靠性、数据类型定义、采集接口、压缩算法、API接口等方面针对电力企业特点进行了适应性优化设计。介绍了在此方案基础上开发出的实时/历史数据库系统基础软件的主要功能和特点。

基于子图的服务器网络行为建模及异常检测方法研究

随着恶意代码变异速度加快,隐蔽性越来越强,特别是在攻击者将流量特征进行混淆时,基于流量统计特征的网络异常检测方法漏报率变大。文章应用图分析方法,提出一种基于子图的服务器网络行为建模方法,该建模方法将本地主机流量按照本地主机、本地端口、远程端口、远程主机的顺序建立具有4层树形结构的有向图模型。该模型反映了本地主机与远程主机的通信关系以及两端进程间的通信关系。基于此模型,分别对服务器的客户端行为和服务端行为建立子图模型。由于服务端行为在子图结构上具有长期稳定性,文章提出了基于子图的服务器网络行为异常检测算法SNBAD。该算法对服务器的网络流量划分数据窗口,并对每个窗口分别建立服务子图模型,刻画每个子图的通信特征。该算法通过计算连续数据窗口服务子图的Jaccard相似系数来对异常行为进行检测。文章将主机感染恶意代码的流量混入真实网络流量数据中对SNBAD算法进行了验证,实验结果表明,SNBAD算法能够有效检测服务器服务端行为的异常。

SimHPC:一种基于执行驱动的大规模并行系统模拟器

模拟实验方法对高性能计算机系统的性能评价和优化设计有着重要的意义,然而由于目标系统规模庞大,传统的体系结构模拟器难以满足模拟性能方面的要求.文中提出了一种专门用于高性能计算系统的模拟器——SimHPC,该模拟器采用执行驱动的全系统模拟方法,支持操作系统和应用程序的模拟运行.通过采用与目标系统同构的节点作为宿主节点以及并行模拟的方法,使得模拟性能相比传统的体系结构模拟器大幅提高,与现有的几种大规模并行系统模拟器相比,SimHPC在通用性和模拟性能方面也具有一定的优势.

Nova-BFT:一种支持多种故障模型的副本状态机协议

云计算在简化用户访问资源方式的同时导致了支撑系统开发部署的复杂,软件错误、部署管理失误导致的拜占庭故障已经成为影响系统可靠性的重要原因.对于在大部分运行周期都满足良性故障模型的系统,拜占庭容错协议在通信复杂度、安全等方面的开销以及其在攻击场景下性能鲁棒性方面的缺陷都限制了其在实际系统中的使用.如何满足实际系统对多种故障模型的需求,已经成为系统设计的一个重要问题.针对这一现状,设计了Nova-BFT,一种有效支持多种故障模型的副本状态机协议,通过牺牲部分峰值吞吐率的方式满足拜占庭容错协议对性能鲁棒性的要求,采用配置参数方式自适应满足良性故障的性能需求.实验表明,Nova-BFT在拜占庭故障模型下吞吐率为4～5kop/s,同时其对良性故障模型的支持可以有效满足大多数实际应用的需求.

分簇无线传感器网络的双时槽混合MAC协议

基于事件驱动的无线传感器网络应用,提出了一个基于分簇优化的低时延混合MAC协议——CHMAC。 CHMAC采用双时槽传输调度和载波检测多路接入/时分多址接入(CSMA/TDMA)混合模式,采用适合分簇网络的时槽分配,优先保证紧急事件的最小延迟发送,并充分利用分簇网络的数据流特点,精细控制节点的侦听、睡眠以及传输功率,以提高能量有效性和网络吞吐量。理论分析和模拟试验表明,该协议能够以良好的适应性和健壮性在各种流量条件下均表现良好的性能。

一种可实现呼损率比例公平的准入控制算法

提出了一种能够实现多业务之间呼损率比例公平的准入控制算法CDPF(call dropping proportional fairness).CDPF根据各类呼叫的平均到达率、平均持续时间、小区驻留时间等参数,动态地计算各类呼叫的准入阈值,从而控制各类呼叫的准入数量,使得各类呼叫的呼损率符合给定的比例.当网络负载发生变化时,各类呼叫的呼损率也随之变化,但各类呼叫呼损率之间的比值始终保持不变.仿真结果表明,随着网络负载的变化,CDPF能够很好地保证呼损率的比例公平.此外,CDPF算法比已有算法具有更低的时间复杂度.

一种适于主-从模式网络计算的事件驱动架构

为了满足大规模网络计算系统在高并发、动态资源管理、稳定性等方面的需求,提出了一种适于主-从模式网络计算的事件驱动架构.它综合了多线程任务处理和事件驱动任务处理的优点,基于排队论推导出了针对主-从模式网络计算的线程资源管理方法,通过引入网络队列将分阶段事件驱动架构的应用范围由单机环境扩展到广域网环境,利用延时队列改善了系统的响应性和可靠性,优先级队列的使用有效地支持了各种作业调度机制.此外,系统还具备了模块化构建和快速开发的特征.实验和药物发现网格应用的实践表明,应用该架构可使系统1 000个作业的平均提交时间由1 850 s缩短为1 350 s,作业的平均处理时间由1 910 s缩短为1 420 s,系统资源得到了更合理的利用.

一种用于无线传感器网络的非线性最小二乘声源定位算法

声源定位具有多种典型的应用需求和应用场景,而基于声音能量的无线传感器网络目标定位算法因简单高效而受到广泛关注.基于声音衰减模型的"能量比"非线性最小二乘定位算法(NLS)实现简单,定位精度高,且不要求传感器节点精确的时间同步.但自然界中噪声的广泛存在,以及声音反射和衍射等物理特性影响了该算法在实际应用中的定位精度.基于NLS算法进行改进,通过剔除异常数据,运用加权质心算法对结果进行简单修正和选择性修正,可以提高定位精度.在实际环境中进行实验,部署小规模传感器网络,经传感板上的麦克采集声压数据并计算得到声源位置.结果表明,改进算法较之原NLS算法可以得到更高的定位精度,算法稳定、可靠、有效.

基于Infiniband的大规模并行系统互连网络的建模与仿真

互连网络的数学建模在大规模并行系统的研究和设计中有重要的作用,而Infiniband网络是一种广泛运用于高性能计算机系统的互连网络标准。本文对基于Infiniband的互连网络进行了分析,建立了网络延时模型,并使用该模型分析了2D-mesh和m-portn-tree两种拓扑的互连网络特性。最后通过仿真对分析模型进行了测试和评价,仿真结果表明,该模型能够合理地反映互连网络的特性。

面向互联网应用的图像LBP算法GPU并行加速

很多互联网应用需要进行海量的图片处理。LBP算法是一种图像纹理特征提取算法,广泛用于图像检索等领域,但该算法较为复杂,在处理互联网环境中的海量图片时面临着性能挑战。解决该问题的办法之一就是采用GPU对LBP算法进行并行加速,特别是针对海量图片处理设计加速方案,使GPU同时进行多幅图像LBP特征的并行提取,并采用异步传输方式使多幅图像数据的复制与Kernel函数的执行并行化。通过对GPU单幅和多幅图像并行处理的实验测试,并将实验数据与CPU程序性能进行对比分析,结果表明:对不同分辨率多幅图像并行处理的加速比可达58倍。

互补学习:一种面向图像应用和噪声标注的深度神经网络训练方法

近几年来,深度神经网络在图像识别、语音识别、自然语言处理等众多领域取得了突破性的进展.互联网以及移动设备的快速发展极大地推进了图像应用的普及,也为深度神经网络的训练积累了大量数据.其中,大规模人工标注的数据是成功训练深度神经网络的关键.但随着数据规模的快速增长,人工标注图像的成本也越来越高,同时不可避免地产生标注错误,从而影响神经网络的训练.为此,提出了一种称为互补学习的方法,面向图像应用中深度神经网络的训练,将简单样本挖掘和迁移学习的思想相结合,利用少量人工标注的干净数据和大量带有噪声标注的数据,同时训练一主一辅2个深度神经网络模型,在训练过程中采用互补的策略分别选择部分样本进行学习,同时将辅模型的知识迁移给主模型,从而减少噪声标注对训练的影响.实验表明:提出的方法能有效地利用带有噪声标注的数据训练深度神经网络,并对比其他方法有一定的优越性,有较强的应用价值.

一种能量有效面向应用的控制帧方法

本文提出了一种自适应控制帧方法,该方法主要研究服务质量(QoS)、动态流量负载下碰撞和控制开销之间的均衡关系,以提高控制协议(MAC)的能效。为了验证该方法的性能,文中将其整合到S-MAC中并在NS2仿真平台上进行比较,结果表明该方法不但显著地提高了能效,而且满足了不同应用的QoS要求。