基于能耗均衡的无线传感网络自适应数据存取算法

提出了一种能耗均衡的自适应数据存储算法,将数据尽量存储在适合查询的位置。首先建立基于网格的网络模型,然后分析采集节点与初始存储节点、查询节点之间的位置关系,存储模式可在集中存储和分布存储之间切换。算法引入了虚拟扩展网格和能量分级消耗的机制,可有效均衡网络能耗。实验结果表明,该算法的节点能耗、生命周期和丢包率相比于GHT算法有一定的改善。

一种面向查询的无线传感器网络混合型数据存储算法

提出了一种面向数据查询的混合型的数据存储算法,将数据存储在合适的位置。通过分析采集、存储、查询节点之间的位置关系,存储模式可在集中存储和分布存储之间相互切换。本算法引入了"热点"保护机制,可有效均衡网络能耗。实验结果表明,该算法的能耗均衡性、节点能耗、生命周期和丢包率相比于GHT(Geographic Hash Table)算法有一定的改善。

基于MapReduce的分布式期望最大化算法

利用MapReduce编程模型的简化性和期望最大化算法(Expectation maximization,EM)的高精度、恒收敛性,提出了一种对数据集规模无限制的数据处理算法;并通过对高斯混合模型的参数估计进行算法性能的测试。结果表明,算法能改善传统EM算法在处理大规模数据集时效率低的缺点,具有较好的加速比及可扩展性。

云对等网络在线异常点零跳搜索检测算法

在云对等网络中在线异常点的实时搜索和准确检测关系云对等网络的稳定和安全,由于云对等网络的在现异常点检测受到大量对等合法数据的干扰,网络波动幅度不大,检测困难。提出一种基于密度部分存储优化的云对等网络在线异常点检测算法,通过计算局部节点数据的在线时间复杂度实现对路由交换数据序列的初始特征和先验信息的预估计,适当增大存储空间开销来换取时间效率,实现零跳搜索和对异常点的准确检测。研究结果表明,采用该算法进行云对等网络的异常点检测,检测准确率大幅提高,执行开销降低,保证了对云对等网络安全性,提高了动态监测能力。