一、Design and Implementation of Parallel Virtual Machine on GM（论文文献综述）
李泽源[1]（2021）在《移动边缘计算中计算卸载和资源分配协同优化策略设计与实现》文中指出近年来,随着移动互联网的发展,智能终端中出现了更加多样的计算密集型服务,如人脸识别、增强现实和虚拟现实等。这些服务具有计算复杂度高、耗能高以及时延敏感等特点,在增加网络负载的同时也会为移动设备的计算能力以及续航能力带来巨大的挑战。移动边缘计算作为5G的核心技术之一,通过在靠近用户的网络边缘提供计算、通信等资源,可以缓解核心网的压力,并且在降低移动设备运行计算密集型服务的时延和能耗方面起到了十分重要的作用。本文的具体工作如下:首先,本文总结了移动边缘计算相关的国内外研究现状,研究了计算卸载和资源分配等移动边缘计算相关技术,分析了超密集网络的特点和深度强化学习方法的原理。其次,本文在移动边缘计算场景下,结合超密集网络,提出了资源分配算法和计算卸载算法。资源分配算法针对计算密集型服务,通过分析各个边缘服务器的状态,给出了最佳资源分配决策。计算卸载算法基于深度强化学习方法,通过考虑外部通信环境以及移动设备性能的影响,结合资源分配算法,给出了最佳计算卸载决策。本文利用贪心算法与二进制粒子群算法进行对比,结果显示,本文所提算法有较好的性能。再次,本文基于上述提出的算法,并面向人脸识别服务,设计实现了基于计算卸载和资源分配的边缘计算系统。本文主要从云端、移动设备端和边缘服务器端三个方面阐述了系统的设计与实现。在云端,本文利用Docker技术实现了人脸识别服务镜像的创建与分发。在移动设备端,本文主要利用Tensor Flow Lite技术实现了算法模型在Android设备上的部署。同时,本文利用MTCNN和Mobile Face Net技术实现了Android设备上的人脸识别服务。在边缘服务器端,本文基于资源分配算法得到资源分配表,利用Docker技术实现了人脸识别服务的自动化配置与处理,并实现了识别结果到移动设备端的自动返回。最后,本文搭建了相应的测试拓扑,对系统的功能和性能进行了测试,包括移动设备端和边缘服务器端上各个功能模块的有效性验证,以及不同环境参数和不同算法策略下时延和能耗的对比分析。结果表明,本文提出的计算卸载和资源分配协同优化策略在时延和能耗的综合开销上具有更好的表现。
郑冰冰[2]（2021）在《面向社会整体收益最大化的服务资源供应和任务调度算法研究》文中进行了进一步梳理云计算主要有三种服务模式:基础设施即服务（IaaS）、平台即服务（PaaS）和软件即服务（SaaS）。由于专业性、实惠性和便利性,SaaS服务成为政府、企业、团体和个人应用云计算的重要选择。同时,出于成本节约、按量付费、弹性缩放等方面的考虑,SaaS提供商选择购买IaaS提供商的资源以运营其服务。因此,云环境下以SaaS提供商为中心,形成了 IaaS提供商-SaaS提供商-用户的三层服务市场。在该服务市场中,动态服务提供的主要过程是:用户动态到达并提交服务请求（称为任务）,SaaS提供商根据实际需求购买合适种类和数量的IaaS资源,在这些资源上处理服务请求并向用户收取相应的费用。从社会整体收益最大出发,为了实现高效的服务提供,需要解决以下三个小问题:（1）资源的有效供应。即根据用户任务的实际需求,决定从IaaS提供商处购买的资源的种类和数量,以防止资源过供应和欠供应问题。（2）任务的高效调度。即将用户的任务以适当的顺序分配到合适的资源上,从而实现资源的充分利用和任务的高效执行。（3）服务的合理定价。即为用户的服务请求计算合适的价格,以调控服务提供过程,实现社会整体收益最大。一般来说,资源供应、任务调度和服务定价三者是相辅相成、相互影响、不可分割的,他们共同决定了服务提供的效率。为了实现社会整体收益最优的目标,在服务的价值很难确定的情况下,本文针对易并行任务,考虑基于用户对任务的估值解决上述三个小问题。易并行任务具有灵活的并行度,可以在不产生额外成本的情况下被拆分成任意多个子任务在不同的资源上并行执行。在这样的背景下,如何高效进行资源供应、任务调度和服务定价以优化动态服务提供成为亟待解决的问题。同时,开放、自治、大规模的云计算环境存在一些独有的特点,如资源的异构性和可变性、任务资源需求的多样性、用户服务质量要求和价值偏好的各异性等。同时,用户动态随机到来。其未来到达情况及服务请求信息往往难以精确预测,造成未来信息的不确定性。此外,理性的用户可能采取策略行为,通过隐瞒真实估值提高其个体收益。这些都为服务提供带来了严峻的挑战。因此,本文从SaaS提供商的角度出发,综合分析云环境下资源和用户的特点以及服务提供的过程,以社会整体收益最大为目标,围绕三层服务市场中的服务提供优化问题进行了一系列研究。具体来说,主要工作及贡献为:1.针对任务调度和服务定价问题,首先提出了一种基于线性规划的优化算法。该算法面向用户的策略行为,可以提取用户真实的估值信息,在资源有限的情况下提高服务提供的效率,实现社会整体收益最大。接着针对可能存在的用户合谋的情况,进一步提出了一种防止合谋的优化算法。该算法可以在帮助SaaS提供商高效提供服务的同时有效防止用户合谋的发生,保证社会整体收益。2.针对资源供应和任务调度问题,提出了一种在线多目标优化算法。该算法面向可变的资源和不确定的未来信息,以SaaS提供商收益和用户满意率双重最优为目标,可以在未来信息未知且无法准确预测的情况下帮助SaaS提供商实时高效地为用户提供服务,优化社会整体收益,兼顾短期和长期收益。3.针对混合资源供应、任务调度和服务定价问题,首先提出了一种面向按需型IaaS资源的在线优化算法。该算法面向资源混合可变、未来信息不确定以及用户采取策略行为的真实复杂的云场景,可以在激励用户真实暴露其估值的基础上帮助SaaS提供商实时高效地进行决策,实现社会整体收益优化。接着在上述算法的基础上结合混合资源在线供应算法,提出了一种面向按需型和预留型混合IaaS资源的在线优化算法,帮助SaaS提供商进一步节约成本,提高社会整体收益。综上所述,本文围绕三层服务市场中的动态服务提供问题,针对不同的场景提出一系列资源供应、任务调度和服务定价算法,以优化社会整体收益,兼顾短期和长期收益。这些算法的提出兼具理论意义和现实价值,既能推进云计算理论和技术的进步,又能广泛应用于云计算市场,促进服务计算和云计算生态的良性、健康发展。
邓皓[3]（2021）在《面向雾计算的智能分析服务运行支撑系统的设计与实现》文中指出随着人工智能、大数据、物联网、5G等智能技术与产品的融合和发展,人类的各项活动所需要的服务也日趋复杂和智能,催生出智能视频监控、电子医疗、智慧城市、智能交通等诸多智能分析服务。智能分析服务通常需要大量的感知数据和计算资源,运行计算密集型机器学习算法,并需要实时处理反馈结果。若使用传统的云计算中心模式来支撑其运行,必然会带来较大的服务响应延迟、用户体验质量差等问题。而雾计算作为云计算的延伸,通过将计算力从云中心下沉至雾边缘设备,可以有效地解决智能分析服务响应时间长,以及边缘网络的传输带宽压力大等问题。本文结合雾计算边缘网络环境的特点,重点研究智能分析服务在边缘网络上运行所需解决的两个关键问题,分别是如何优化智能分析服务的感知数据采集流程,以及如何设计智能分析服务的边缘网络部署方案,并在此基础上完成了面向雾计算的智能分析服务运行支撑系统的设计与实现。第一个关键问题是在智能分析服务的输入数据采集流程中,针对时序感知数据采集中数据冗余、产生海量数据传输量等问题,本文通过引入雾-端协同预测机制来压缩边缘网络中信息冗余度高的数据传输量,并进一步细化上述机制中阈值研究,提出一种基于时空相关性的雾-端自适应同步算法,该算法能结合时序采集数据的时间连续性和感知终端的空间部署相关性,动态调整每个感知终端所对应的同步等待时长,从而减少雾-端协同预测机制的误判率,提高服务数据采集流程的鲁棒性。实验结果表明,该算法能减少约30.68%的误判率。第二个关键问题是,为了将复杂的智能分析服务部署到资源有限的边缘设备上,本文设计了一种基于改进Kernighan-Lin算法的服务边缘部署算法,能够在异构的边缘设备群中动态求解智能分析服务计算逻辑图的最优划分个数,并选择合适的边缘设备集合来完成服务的部署,尽可能得出一个减少服务整体运算时间的部署策略,进而降低服务响应时延。实验结果表明,该算法能减少约18.59%的服务整体运算时间。本文首先阐述了整体课题研究的背景和实际意义,分析了国内外学术界对这个课题的研究现状。接着对整个智能分析服务运行支撑系统的需求进行分析,并提出系统需要实现的两个关键技术问题,进行了研究并解决。然后在此基础上,对本文所述的面向雾计算的智能分析服务运行支撑系统的架构和功能模块进行了设计与实现,对模块内部的类与接口进行了详细的介绍。最后对系统的部署与测试进行了说明,并对论文的工作进行了简要的总结与展望。
李明浩[4]（2021）在《大规模代码测试模块划分方法及应用》文中认为随着互联网的快速发展,软件的规模越来越大、迭代速度越来越快,软件的质量也面临着挑战。目前大规模开源软件代码量甚至达到数百万行、千万行,在传统单机环境下对大型软件进行静态缺陷检测会导致测试时间过长,甚至因资源不足而导致测试失败。为了解决大规模代码的静态缺陷测试效率问题,本文设计一种大规模代码模块划分方法,并且实现了该方法的分布式检测架构。本文首先对被测工程的依赖性关系进行建模,将代码文件之间的依赖性以有向图的方式进行表示,通过对有向图进行简化和分析,将其划分为若干最小不可分的模块。然后对最小不可分模块进行任务量评估,并对可用资源节点与最小不可分模块集合进行无向图分析。根据可用资源数量和模块数量,对该无向图进行分类处理,并尝试找出该无向图的最大匹配,从而进行静态的模块划分和重组。为了保证静态划分结果的准确性,需要对静态划分结果的缺陷检测进行监控,对异常模块进行超时评估,并将异常模块与可用资源建立无向图,以便进行再次重组和划分,并在此基础上进行了动态的模块划分。为了实现上述模块划分方法,本文基于Yarn资源管理框架设计并实现了针对缺陷检测的分布式检测系统,支持资源管理、任务调度、任务监控等功能。本文在最后对模块划分方法和分布式检测系统进行了相关实验验证,通过对6个大规模代码工程进行划分和分布式检测,在相同硬件的基础上,与单机环境相比测试效率都提高了 30%以上,代码行数越多该分布式系统检测效率提高越明显。
罗璇[5]（2020）在《数据驱动的采煤机摇臂寿命预测方法研究》文中研究指明采煤机作为现代化矿井安全、高效生产的主要机械设备,是一个将机械、电子电气系统和液压传动系统集成于一体的复杂系统,现如今针对采煤机的研究受到越来越多的关注。其中摇臂作为直接承担着综采面截割煤壁、动力传送的重任,同时也是采煤机的故障高发区,因此对采煤机摇臂进行寿命预测研究具有重要的实际价值和工程意义。本文分析了采煤机摇臂传动系统和其实际工况特点,以此为基础进行传感器测点部署,根据采集的信号完成特征提取,最终建立摇臂的自适应组合寿命预测模型。首先,对采煤机运行数据进行分析,通过改进K-means聚类算法得到异常数据清洗模型,利用hadoop平台的MapReduce计算框架实现该异常数据清洗模型的并行化设计,最终完成数据清洗,为之后的特征提取和预测工作奠定基础。其次,针对振动信号具有复杂性、非线性等特点,对其进行小波包分解、EMD经验模态分解、VMD变模态分解、LMD局部均值分解,将分解出来的能量分数作为初步的特征指标,然后结合时域、频域特征指标进行相关性分析,实现初步的指标筛选,最后采用PCA技术完成高维数据的降维并选择主元数据作为振动信号的特征指标。然后,针对单一预测模型预测结果可靠性不高的问题,分别建立ARIMA时间序列模型和Elman神经网络模型,并通过对固定权重组合模型和变权重组合模型特点的分析提出自适应的组合预测模型方法,最后实验验证了该组合预测模型的预测准确性。最终,结合采煤机摇臂传动系统特点和实际工况得到采煤机摇臂结构模型,通过主成分分析法确定采煤机摇臂结构模型各信号的权重,以此为基础通过自适应组合预测模型实现摇臂的寿命预测,最终通过实例分析验证该预测模型的可靠性。
郑义[6]（2020）在《车联网环境下无信号交叉口车辆协同控制算法研究》文中认为作为道路拥堵和交通事故的多发地带,无信号交叉口交通顺畅与否直接影响整个路网的通行效率。随着自动驾驶和车联网等先进技术的发展,道路交叉口的协同优化已成为智能交通领域的研究热点,多车协同通行控制是其重要组成部分,具有重大的现实意义和广阔的发展前景。此外,不同车辆混行将成为常态,由于复杂性的增加,对于协同控制机制也提出了更高的要求。本文依托国家重点研发计划资助项目“车路协同系统要素耦合机理与协同优化方法”（编号:2018YFB1600500）,以网联自动驾驶车辆和人工驾驶车辆为研究对象,以行车安全场理论为基础,以降低行车风险、提高通行效率为研究目的,围绕网联自动驾驶车辆协同控制、无信号交叉口驾驶人操作意图识别、网联自动驾驶车辆和人工驾驶车辆协同控制开展研究,并搭建耦合式仿真平台分析通信性能对车辆控制算法的影响。本文具体的研究工作包括:针对无信号交叉口网联自动驾驶车辆,提出一种基于模型预测和行车安全场理论的行车风险最小化算法（MPC-based Driving Risk Minimization Algorithm,MPC-DRMA）。传统车辆协同控制算法忽略各交通参与要素的影响,存在一定的局限性。为了更好地解决无信号交叉口车辆的协同优化控制问题,本文以网联自动驾驶车辆为研究对象,提出一种基于模型预测和行车安全场理论的MPC-DRMA算法,用于全面系统地描述“人车路”闭环系统中所有交通要素对行车安全的影响,以驾驶平顺性、舒适性和行车风险最小化为控制目标,通过降低所有冲突路径车辆总的行车风险,为接近交叉路口的每一辆车寻求最优的行驶策略。基于VISSIM和MATLAB搭建仿真试验平台,结果表明,MPC-DRMA控制算法在降低车辆行车风险的同时,能够有效提升无信号交叉口通行能力,降低燃油消耗,并且减少车辆尾气排放。针对无信号交叉口人工驾驶车辆,提出一种基于驾驶人感知-决策-行为的驾驶人操作意图预测模型。目前,对于车路协同系统多种要素耦合机理的研究较少,而驾驶人感知机理和行为特性又是尤为关键的一环。本文在驾驶人风险感知水平的基础上,结合驾驶人行为和车辆动力学,构建基于混合状态系统（Hybrid State System,HSS）的人车耦合模型,分别将驾驶人决策和车辆运行状态建模为离散状态系统（Discrete State System,DSS）和连续状态系统（Continuous State System,CSS）。以直行、左转弯、右转弯和停车典型驾驶行为作为研究对象,构建驾驶人操作意图识别模型,设计HSS+GM-HMM架构估计驾驶人在无信号交叉口的操作行为,为建立完善的人车耦合体系提供决策依据。相比于KNN估计和人工估计,HSS+GM-HMM框架具有更好的估计效果。针对无信号交叉口网联自动驾驶车辆和人工驾驶车辆,提出一种基于模型预测改进的行车风险最小化算法（MPC-based modified Driving Risk Minimization Algorithm,MPC-mDRMA）。随着自动驾驶和智能网联技术逐渐成熟,人工驾驶车辆、网联人工驾驶车辆、自动驾驶车辆和网联自动驾驶车辆混行将成为常态。探究混行交通环境下人-车-路系统耦合机理,对于实现混行环境车路协同控制是十分必要的。因此,本文在MPC-DRMA算法的基础上,利用双状态安全速度模型和异结构交通流模型分别对人工驾驶车辆和网联自动驾驶车辆建模,引入驾驶人行为场对优化目标函数进行完善。考虑到驾驶人的存在势必会对车辆的速度造成影响,依据分支限界算法对人工驾驶车辆速度进行约束。网联自动驾驶车辆利用HSS+GM-HMM架构估计驾驶人在交叉口的操作行为,实现与人工驾驶车辆的耦合交互。仿真表明,MPC-mDRMA算法可以有效地提高混行环境车辆协同的效果,随着网联自动驾驶车辆市场渗透率的增加而表现出更好的性能。针对现实道路场景,分析通信延迟和数据丢包对车辆协同控制算法的影响。目前,对于无信号交叉口车辆协同的大部分研究都是假定理想的通信环境,难以真实反映车辆协同的客观环境。无线通信在传播过程中存在很大的不确定性,网络拓扑的复杂多变,频繁的信道访问请求会引发数据丢包和通信延迟等问题,导致在线性和非线性水平上的不稳定性,车辆协同控制算法性能大幅下降。将网络模拟器NS3补充到前文搭建的仿真试验平台,构建基于VISSIM、NS3和MATLAB的耦合仿真平台,以数据包投递率和通信延迟为评价指标,分析二者与车辆密度、车辆节点数量和车辆距离的关系。选取控制算法中的“冲突数目”和“平均速度”指标,研究通信延迟和数据包投递率对车辆协同控制算法的影响。上述研究解决了无信号交叉口场景中车辆的协同控制问题,将“行车安全场”理论引入到多车协同控制中,定量描述车辆的行车风险,基于驾驶人风险感知水平估计人工驾驶车辆在无信号交叉口的操作意图,提出的MPC-DRMA和MPC-mDRMA算法可用于网联自动驾驶环境和混行交通环境下,不同属性车辆间的协作控制,有助于无信号交叉口行车安全和通行效率的改善。
吴菲[7]（2020）在《基于Spark框架的密度峰值聚类算法研究与应用》文中进行了进一步梳理在飞速发展的信息化时代中,数据逐渐成为人们关注的焦点。数据爆炸式的增长趋势不断促使数据挖掘技术的发展。但是,传统的数据挖掘技术无法快速有效的处理海量数据,因此,并行化的分布式数据挖掘技术为大数据分析提供了新的研究方向。本文重点研究了基于密度的聚类方法并且改进了 2014年Alex Rodriguez在science上提出的通过快速搜索和发现的密度峰值聚类算法（Clustering by fast search and find of density peaks,CFSFDP）,针对其不能自动确定聚类中心以及时间复杂度高的缺点作出了进一步的改进。本文主要工作如下:（1）CFSFDP算法在确定聚类中心点时,需要通过决策图人为进行选择,具有一定的主观意识,因此聚类结果缺乏科学性与准确性。针对这一缺点,本文提出了一种能够自动确定聚类中心的密度峰值聚类算法——AUTO-CFSFDP（Auto determine the cluster-Clustering by fast search and find of density peaks）。首先针对变量分布不均匀的问题,将密度和距离进行归一化处理,再通过切比雪夫不等式确定归一化后的密度阈值上限,利用标准差确定归一化后的距离阈值上限,最后根据决策函数确定决策阈值上限,统筹考虑两种决定因素,避免中心点选取遗漏,实现自动确定聚类中心。实验结果表明该算法能够有效地自适应选择聚类中心,并且具有很好的鲁棒性和有效性。（2）AUTO-CFSFDP与CFSFDP算法一样在进行聚类的过程中需要遍历整个数据集,因此同样具有时间复杂度较高的缺点,针对这一缺点,本文提出了一种基于Spark框架的并行式的AUTO-CFSFDP算法——PAUTO-CFSFDP（Parallel Auto determine the cluster-Clustering by fast search and find of density peaks）。该方法首先对数据进行了分区,将数据切割成大小基本一致的数据空间,其次在每一个数据空间内进行局部聚类,最后将局部聚类结果汇总进行全局聚类。在此基础之上,本文对非中心点划分进行了进一步的改进,利用三角不等式的原理简化划分过程。实验结果表明,Spark框架下的并行式密度峰值聚类算法相较于原始算法在计算效率上取得了更好的效果。（3）将Spark框架下的并行式密度峰值聚类算法运用到了孕妇医疗数据当中,对孕妇的妊娠方式提供了推荐,为婴儿发育情况提供了参考,实验证明该算法具有一定的实用价值。
张绪升[8]（2020）在《交通一卡通数据清洗方法研究与实现》文中指出现如今,随着“绿色出行,低碳环保”理念深入人心、公共交通行业的蓬勃发展以及全国一卡通的迅速推广,交通一卡通的发行量越来越大,现阶段城市交通一卡通已经产生了海量的数据。若能将这些零散的数据聚集起来,从中挖掘出有价值的信息,并利用这些有价值的信息去解决公共交通领域的瓶颈问题,这便是把大数据技术应用到公共交通领域的意义所在。由于受到各种复杂因素的影响,采集得到的交通一卡通数据或多或少都存在数据质量问题。若这些问题得不到足够重视,就会对后期的数据分析以及数据挖掘的结果产生不可估量的影响,从而极大地降低数据的可靠性。所以,研究交通一卡通数据清洗方法的意义重大。交通一卡通数据中通常存在数据缺失、记录重复、数据错误等数据质量问题,而本文关注的重点是交通一卡通数据中的离群点数据。由于传统小规模交通一卡通数据的清洗、存储和分析技术不再适用于海量数据的处理,因而本文首先引入了Spark分布式计算框架。利用Spark基于内存计算的特点,能够极大的提升大数据环境下数据清洗的效率。针对交通一卡通数据量大、数据属性较多、数据类型多样等特点,提出了一种K-means聚类算法与局部离群因子检测算法（Local Outlier Factor,LOF）相结合的离群点检测方法（Clustering-based and LOF Outlier Detection Method,CLOF）,即CLOF方法。考虑到LOF算法在计算数据对象离群因子时必须不断地对数据集进行遍历,而实际上,交通一卡通数据中绝大部分数据对象不是离群点。因此,本文利用K-means算法先将数据集进行分类,再将类中心周围离群点可能性较低的数据点进行剪枝操作。这样做的目的是先剔除一部分不含离群点的数据集,再去计算剩下疑似离群点的局部离群因子,从而极大地降低计算的时间复杂度。基于此,本文最终提出了在Spark分布式集群上并行化CLOF算法的数据清洗方案。实验表明,在同样的实验条件下,CLOF算法的检测精度与经典的LOF算法相比有所提升,而在算法检测误差率上CLOF算法的误差率更低;另外,在算法运行时间上CLOF算法远少于LOF算法。同时,实验验证了Spark分布式集群在处理大数据集时具有优越性,在Spark分布式集群上并行化CLOF算法的数据清洗方案具有很强的可扩展性。
侯守璐[9]（2020）在《物联网边云协同计算环境中的资源管理技术研究》文中研究表明随着智慧城市、智能制造等物联网服务的快速推广及应用,物联网设备的分散性而决策过程的集中性导致了大量数据在执行环境中移动,增加了对带宽资源的消耗。边云协同计算可以为物联网服务提供低时延、低能耗和高可靠的算力支持。但是,在物联网服务执行过程中数据的海量性、碎片性和随机性以及网络环境的动态性给提供支撑服务的各种资源的优化管理带来了前所未有的挑战。在分布式的边云协同计算环境中,从降低资源消耗的角度来解决与物联网服务相关的资源管理与调度是一个具有重要研究意义的问题。本论文研究在保证服务质量的前提下如何有效减少海量物联网服务数据的传输开销和计算开销,主要从大规模物联网服务流程的分布式执行、云计算以及边云协同计算在处理动态物联网服务数据时的高能效资源管理三个方面展开研究。主要内容及创新如下:第一,研究了边云协同计算环境中流量感知的物联网服务流程资源的分割与分布式部署算法,以减少通信网络中的数据移动量。具体地说,通过将服务流程模型抽象为有向图,基于图的广度优先遍历策略和流程元素的空间属性分析,提出了基于空间属性的物联网服务流程切分算法。此外,针对借助于经验数据（带有一定置信水平的不确定值）指导子服务流程的优化部署这一事实,采用不确定规划理论将带有不确定性的子服务流程部署问题转化为等价的确定性分配问题,提出了可以满足给定置信水平的子服务流程的分布式优化部署算法。第二,针对边云协同计算环境中云端面临的高能效资源管理问题,提出了分布式在线优化算法,通过时间解耦将多核并行云计算中复杂的资源调度问题解耦为处理器内核的CPU时间分配和电压配置、服务器之间以及服务器内部不同处理器内核之间的数据分发调度三个子问题分别同时优化,实现云计算中心能源效率的最大化。此外,证明了非凸处理器内核的电压配置问题随着工作负载的增加而不断地呈现出凸性并且可以逐渐地取得全局最优解,从而保证了整个云计算中心的渐近最优性。这一工作在系统负载较轻的情况下,以可以忽略不计的吞吐量为代价换取能耗的大幅度减少;在系统负载较重的情况下,可以通过增加能耗来提高系统吞吐量。第三,针对边云简单协同计算在处理海量和碎片化的物联网服务数据时面临的高能效资源管理问题,借鉴MapReduce模型对分布式系统中的计算节点进行联合建模,提出了分布式在线优化算法。通过时间解耦将边云融合中复杂的资源管理与调度问题解耦为原始数据分发、结果数据聚合以及计算资源的配置三个子问题分别同时优化,以高效、低资源消耗的方式实现对物联网服务数据的生命周期管理。进而,将边云简单协同计算模型扩展到边云复杂协同计算模型,即除了路由转发数据之外,边缘节点还承担部分数据的计算任务。最后,基于理论分析提出了边云复杂协同计算模型在能源效率、数据处理时延上比边云简单协同计算模型表现更佳的临界条件的计算公式。
李祯[10]（2019）在《高效能仿真云平台关键技术研究》文中提出随着仿真应用领域的不断拓展,仿真对象规模日益扩大、结构日益复杂,以提升平台按需协同与可定制的建模仿真能力为目标,构建高效能建模仿真平台的需求日益凸显。云仿真技术作为一种新兴的网络化建模仿真手段,极大地改变了建模仿真应用模式,为构建高效能建模仿真平台提供了方法与架构支撑。然而当前云仿真理论和技术研究尚不完善,难以应对多领域多用户按需协同与可定制的建模仿真需求。从效能优化角度看,也未能充分发挥云计算平台的资源整合与按需供给的特点和优势,难以为用户提供更加敏捷高效的建模仿真服务。针对上述问题,论文以高效能仿真云平台建设为目标,提出了用户中心式云仿真服务架构及其应用模式,解决了多领域多用户按需协同与可定制的建模仿真需求。同时从建模开发、仿真运行以及作业调度三个方面,提出了仿真云平台效能优化框架和方法。论文的主要工作和贡献总结如下:1.提出了高效能用户中心式的云仿真服务架构及应用模式,设计了用户中心式仿真云平台架构。用户中心式云仿真服务架构以提升仿真云平台效能为目标,以面向服务架构为基础,根据用户需求的语义特征,通过一个虚拟协同建模环境,将领域相关的仿真资源、技术人员和用户等动态关联在一起,提供资源按需发现、组合、协同建模和仿真等能力。仿真云平台架构则分别从用户管理层、领域仿真服务层、仿真部署和调度管理层以及基础架构层等四个方面,设计了实现高效能用户中心式云仿真服务架构所需的关键模块。2.提出了仿真云效能度量框架。以高性能计算领域中效能概念为基础,提出并阐述了仿真云平台效能的概念与内涵,设计了仿真云平台效能量化模型。该模型定量化地描述了影响仿真云平台效能的关键因素,为设计高效能云仿真服务架构和效能优化方法提供了理论依据。3.提出了基于云平台的面向特征领域建模仿真框架Clou Fo DSim。Clou Fo DSim的核心是构建了面向特征的领域资产追踪、管理和组合集成方法,一方面实现了仿真云平台下领域仿真资产的虚拟化管理,提供了资源的按需发现和动态聚合的能力;另一方面,基于特征的模型管理和集成框架,解决了传统组合式仿真中需求与已有资源难以匹配的问题。因而,Clou Fo DSim从建模开发效能优化角度,实现了面向多领域多用户按需协同与可定制的建模仿真能力。4.提出了面向带宽保障的并行仿真作业管理和调度框架及相应的优化算法。该框架从作业调度效能优化角度,采用基于虚拟集群的方式部署并行仿真作业,以保障虚拟机间的带宽性能,解决仿真云中面临的网络带宽竞争以及网络性能不确性等问题。针对虚拟集群的分配问题,提出了自适应带宽感知的虚拟集群部署算法Ada Ba。进而,在Ada Ba算法基础上,提出了面向带宽保障的并行仿真作业调度算法Bg MBF以及其改进算法Bg MBFSDF。在保证带宽需求前提下,获得了最优的虚拟资源分配和作业调度性能。5.提出了通信感知的自适应仿真运行优化框架及相应的优化算法。该框架从仿真运行效能优化角度,分别从虚拟机间网络通信消耗及模型在分布式虚拟节点上的分割部署策略两个方面,提出了高效的自适应优化算法。针对自适应模型分割部署问题,论文以大规模人工社会仿真运行优化为例,提出了基于统计迁移图分割的负载分割方法,在负载均衡约束下,减小了模型在分布式虚拟机节点间的通信量。针对虚拟机间网络通信消耗问题,论文提出了通信感知的虚拟机自适应迁移调度算法,在考虑迁移代价情况下,减小了数据中心内虚拟机间的通信消耗。本文从理论框架和关键技术两个方面,对高效能仿真云平台进行了研究。在理论框架上,面向仿真云效能优化需求,提出了用户中心式云仿真服务架构及其应用模式,并从建模开发、作业调度以及仿真运行三个方面,提出了基于仿真云的效能优化框架。在关键技术方面,面向建模开发效能优化需求,提出了基于Clou Fo DSim的云端高效能仿真应用构建方法;面向作业调度效能优化需求,提出了面向带宽保障的并行仿真作业调度优化方法;面向仿真运行优化需求,提出了通信感知的自适应仿真运行优化方法。论文研究成果对云仿真理论研究和仿真云平台建设具有借鉴和指导意义。
二、Design and Implementation of Parallel Virtual Machine on GM（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、Design and Implementation of Parallel Virtual Machine on GM（论文提纲范文）
（1）移动边缘计算中计算卸载和资源分配协同优化策略设计与实现（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要工作和结构 |
| 2 基于移动边缘计算的相关技术 |
| 2.1 移动边缘计算技术 |
| 2.1.1 移动边缘计算概述 |
| 2.1.2 计算卸载与资源分配 |
| 2.2 超密集网络 |
| 2.3 深度强化学习 |
| 2.3.1 马尔可夫决策过程 |
| 2.3.2 强化学习 |
| 2.3.3 深度学习 |
| 2.3.4 深度强化学习 |
| 2.4 本章小结 |
| 3 移动边缘计算中计算卸载和资源分配协同优化策略研究 |
| 3.1 网络场景和计算及通信模型 |
| 3.1.1 网络场景 |
| 3.1.2 计算及通信模型 |
| 3.2 基于计算密集型服务的资源分配算法 |
| 3.2.1 计算资源分配模型 |
| 3.2.2 最小化时延的资源分配算法 |
| 3.3 基于深度强化学习的计算卸载算法 |
| 3.3.1 时延约束下最小化综合开销的计算卸载问题 |
| 3.3.2 马尔可夫决策过程的建模 |
| 3.3.3 算法框架的设计 |
| 3.3.4 计算卸载决策的生成 |
| 3.4 算法性能评估与对比 |
| 3.4.1 仿真参数设置 |
| 3.4.2 仿真结果分析 |
| 3.5 本章小结 |
| 4 面向人脸识别服务的边缘计算卸载与资源分配系统设计 |
| 4.1 系统总设计 |
| 4.2 云端设计 |
| 4.3 移动设备端设计 |
| 4.3.1 资源监测子模块设计 |
| 4.3.2 卸载决策子模块设计 |
| 4.3.3 人脸识别子模块设计 |
| 4.3.4 数据管理子模块设计 |
| 4.4 边缘服务器端设计 |
| 4.4.1 设备管理子模块设计 |
| 4.4.2 资源分配子模块设计 |
| 4.4.3 人脸识别子模块设计 |
| 4.4.4 数据管理子模块设计 |
| 4.5 本章小结 |
| 5 面向人脸识别服务的边缘计算卸载与资源分配系统实现 |
| 5.1 系统总体实现 |
| 5.2 云端实现 |
| 5.3 移动设备端实现 |
| 5.3.1 资源监测子模块实现 |
| 5.3.2 卸载决策子模块实现 |
| 5.3.3 人脸识别子模块实现 |
| 5.3.4 数据管理子模块实现 |
| 5.4 边缘服务器端实现 |
| 5.4.1 设备管理子模块实现 |
| 5.4.2 资源分配子模块实现 |
| 5.4.3 人脸识别子模块实现 |
| 5.4.4 数据管理子模块实现 |
| 5.5 实验设计及结果分析 |
| 5.5.1 实验网络环境搭建 |
| 5.5.2 系统功能测试 |
| 5.5.3 系统性能测试 |
| 5.6 本章小结 |
| 6 总结和展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）面向社会整体收益最大化的服务资源供应和任务调度算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 云环境下的资源供应 |
| 1.2.2 云环境下的任务调度 |
| 1.2.3 云环境下的服务定价 |
| 1.2.4 存在的不足 |
| 1.3 主要工作及贡献 |
| 1.4 各章节安排 |
| 第二章 相关理论基础 |
| 2.1 云环境中的动态服务提供问题 |
| 2.1.1 动态服务提供问题分解 |
| 2.1.2 IaaS提供商的资源及计费模式 |
| 2.1.3 面向任务的用户 |
| 2.1.4 易并行任务 |
| 2.1.5 软截止日期 |
| 2.1.6 用户的价值函数 |
| 2.1.7 任务调度的例子 |
| 2.2 在线算法 |
| 2.2.1 基本概念 |
| 2.2.2 经典例子 |
| 2.2.3 竞争分析 |
| 2.3 机制设计 |
| 2.3.1 基本概念 |
| 2.3.2 VCG机制 |
| 2.3.3 云环境中的机制设计 |
| 2.3.4 合意性质 |
| 2.4 本章小结 |
| 第三章 任务调度和服务定价社会整体收益优化算法 |
| 3.1 引言 |
| 3.2 系统模型 |
| 3.2.1 基本符号 |
| 3.2.2 问题建模 |
| 3.3 基于线性规划的任务调度和服务定价算法 |
| 3.3.1 任务调度算法 |
| 3.3.2 服务定价算法 |
| 3.3.3 理论分析 |
| 3.4 防止合谋的任务调度和服务定价算法 |
| 3.4.1 补充基本符号 |
| 3.4.2 防合谋算法 |
| 3.4.3 理论分析 |
| 3.5 实验评估 |
| 3.5.1 实验设置 |
| 3.5.2 基于线性规划的算法的实验评估 |
| 3.5.3 防合谋算法的实验评估 |
| 3.6 本章小结 |
| 第四章 可变资源供应在线多目标优化算法 |
| 4.1 引言 |
| 4.2 系统模型 |
| 4.2.1 基本符号 |
| 4.2.2 问题建模 |
| 4.3 在线资源供应和任务调度算法 |
| 4.3.1 任务调度策略 |
| 4.3.2 资源供应策略 |
| 4.3.3 成本计算策略 |
| 4.3.4 任务接受策略 |
| 4.3.5 理论分析 |
| 4.4 实验评估 |
| 4.4.1 实验设置 |
| 4.4.2 实验结果 |
| 4.5 本章小结 |
| 第五章 混合资源供应在线社会整体收益优化算法 |
| 5.1 引言 |
| 5.2 面向按需资源的资源供应、任务调度和服务定价在线算法 |
| 5.2.1 面向按需资源问题的系统模型 |
| 5.2.2 面向按需资源的在线优化算法 |
| 5.3 面向混合资源的资源供应、任务调度和服务定价在线算法 |
| 5.3.1 面向混合资源问题的系统模型 |
| 5.3.2 面向混合资源的在线优化算法 |
| 5.4 实验评估 |
| 5.4.1 面向按需资源的在线优化算法的实验评估 |
| 5.4.2 面向混合资源的在线优化算法的实验评估 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 主要工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 博士期间发表的论文 |
| 博士期间参与的科研项目 |
| 博士期间获得的奖励 |
| 学位论文评阅及答辩情况表 |
（3）面向雾计算的智能分析服务运行支撑系统的设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要工作 |
| 1.4 论文组织与结构 |
| 第二章 相关技术简介 |
| 2.1 雾计算架构 |
| 2.2 Docker微服务技术 |
| 2.3 数据采集传输量压缩的相关技术 |
| 2.3.1 基于数据压缩的方案 |
| 2.3.2 基于数据预测的方案 |
| 2.4 Kernighan-Lin算法 |
| 2.5 本章小结 |
| 第三章 需求分析 |
| 3.1 系统概述 |
| 3.2 核心功能性需求 |
| 3.2.1 服务管理 |
| 3.2.2 数据管理 |
| 3.2.3 部署管理 |
| 3.2.4 资源管理 |
| 3.3 非核心功能需求 |
| 3.4 本章小结 |
| 第四章 基于雾-端协同预测机制的传输量压缩设计 |
| 4.1 总体流程 |
| 4.2 基于雾-端协同的预测机制 |
| 4.2.1 网络架构 |
| 4.2.2 机制设计 |
| 4.3 基于时空相关性的雾-端自适应同步算法 |
| 4.3.1 问题分析 |
| 4.3.2 问题定义 |
| 4.3.3 算法描述 |
| 4.4 实验验证 |
| 4.4.1 实验环境 |
| 4.4.2 基于雾-端协同的预测机制的实验分析 |
| 4.4.3 基于时空相关性的同步时长自适应算法的实验分析 |
| 4.5 本章小结 |
| 第五章 基于改进Kernighan-Lin的服务边缘部署设计 |
| 5.1 场景分析 |
| 5.2 问题定义 |
| 5.3 算法描述 |
| 5.3.1 总体流程 |
| 5.3.2 服务划分策略 |
| 5.3.3 启发式的多目标移动决策 |
| 5.4 实验验证 |
| 5.4.1 实验环境 |
| 5.4.2 实验结果与分析 |
| 5.5 本章小结 |
| 第六章 总体设计 |
| 6.1 系统总体架构 |
| 6.2 分布式部署架构介绍 |
| 6.3 系统关键功能模块介绍 |
| 6.3.1 服务管理模块 |
| 6.3.2 部署管理模块 |
| 6.3.3 数据管理模块 |
| 6.3.4 资源管理模块 |
| 6.4 系统典型工作流程 |
| 6.4.1 雾边缘网络中感知数据的采集和压缩流程 |
| 6.4.2 雾边缘网络中智能分析服务部署方案的设计流程 |
| 6.4.3 智能分析服务的启动流程 |
| 6.5 本章小结 |
| 第七章 详细设计 |
| 7.1 服务管理模块详细设计 |
| 7.1.1 类图及接口说明 |
| 7.1.2 典型场景说明 |
| 7.2 数据管理模块详细设计 |
| 7.2.1 类图及接口说明 |
| 7.2.2 典型场景说明 |
| 7.3 部署管理详细设计 |
| 7.3.1 类图及接口说明 |
| 7.3.2 典型场景说明 |
| 7.4 资源管理详细设计 |
| 7.4.1 类图及接口说明 |
| 7.4.2 典型场景说明 |
| 7.5 本章小结 |
| 第八章 系统部署与测试 |
| 8.1 测试环境与部署 |
| 8.2 系统测试 |
| 8.3 测试结果分析 |
| 8.4 本章小结 |
| 第九章 总结与展望 |
| 9.1 论文工作总结 |
| 9.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（4）大规模代码测试模块划分方法及应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究内容 |
| 1.3 论文主要工作 |
| 1.4 论文章节安排 |
| 第二章 相关技术 |
| 2.1 模块划分与依赖性分析相关技术 |
| 2.2 Yam资源管理技术 |
| 2.3 虚拟化技术 |
| 2.4 大规模代码测试技术 |
| 2.5 本章小结 |
| 第三章 模块划分方法 |
| 3.1 依赖性分析 |
| 3.1.1 包级别依赖关系 |
| 3.1.2 类级别依赖关系 |
| 3.1.3 方法级别依赖关系 |
| 3.1.4 代码级别依赖关系 |
| 3.2 基于依赖关系的模块划分方法 |
| 3.2.1 依赖性关系表示问题 |
| 3.2.2 基于依赖关系的划分方法 |
| 3.3 基于测试资源的静态模块划分 |
| 3.3.1 划分集合重复率问题 |
| 3.3.2 基于测试资源的静态模块划分方法 |
| 3.4 基于资源监控的动态模块划分 |
| 3.5 本章小结 |
| 第四章 分布式检测系统设计与实现 |
| 4.1 分布式测试系统整体架构设计 |
| 4.1.1 分布式检测系统基础架构 |
| 4.1.2 分布式节点状态 |
| 4.2 模块划分方法的设计与实现 |
| 4.2.1 依赖性划分的设计与实现 |
| 4.2.2 模块划分方法的设计与实现 |
| 4.2.3 划分结果重组设计与实现 |
| 4.3 分布式检测系统设计与实现 |
| 4.3.1 分布式检测系统整体架构设计 |
| 4.3.2 资源管理模块设计与实现 |
| 4.4 本章小结 |
| 第五章 实验结果及分析 |
| 5.1 实验环境 |
| 5.2 分布式检测实验结果及分析 |
| 5.2.1 模块划分方法实验结果及分析 |
| 5.2.2 分布式缺陷检测实验结果及分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究工作与总结 |
| 6.2 进一步研究工作 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（5）数据驱动的采煤机摇臂寿命预测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 数据清洗方法研究现状 |
| 1.2.2 数据驱动的寿命预测方法研究现状 |
| 1.3 主要研究内容 |
| 1.4 技术路线 |
| 2 基于改进K-means的异常数据清洗模型 |
| 2.1 采煤机运行状态数据特性 |
| 2.2 Map Reduce并行计算框架 |
| 2.3 基于改进K-means的异常数据清洗模型 |
| 2.3.1 K-means聚类算法 |
| 2.3.2 改进的K-means聚类算法 |
| 2.3.3 基于改进K-means的异常数据清洗模型 |
| 2.4 基于Map Reduce的异常数据清洗模型并行化设计 |
| 2.4.1 基于改进K-means算法的异常数据清洗模型并行化设计 |
| 2.4.2 Map和 Reduce过程设计 |
| 2.5 实验验证 |
| 2.6 本章小结 |
| 3 采煤机摇臂传动系统分析和特征指标选取 |
| 3.1 采煤机摇臂传动系统分析与传感器测点部署 |
| 3.1.1 采煤机摇臂传动系统分析 |
| 3.1.2 采煤机摇臂工况特点 |
| 3.1.3 传感器测点部署 |
| 3.2 振动信号特征指标选取 |
| 3.2.1 时域、频域特征 |
| 3.2.2 小波包分解 |
| 3.2.3 EMD经验模态分解 |
| 3.2.4 VMD变模态分解 |
| 3.2.5 LMD局部均值分解 |
| 3.3 相关分析法筛选特征指标 |
| 3.4 PCA主成分分析法 |
| 3.5 实验验证 |
| 3.6 本章小结 |
| 4 基于自适应组合模型的采煤机摇臂寿命预测建模 |
| 4.1 单一预测模型建模 |
| 4.1.1 Elman神经网络建模 |
| 4.1.2 ARIMA时间序列建模 |
| 4.2 基于ARIMA和 Elman的自适应组合预测模型 |
| 4.2.1 固定权重的组合模型 |
| 4.2.2 变权重的组合模型 |
| 4.2.3 基于ARIMA和 Elman的自适应组合预测模型 |
| 4.3 实验验证 |
| 4.4 本章小结 |
| 5 实验验证与分析 |
| 5.1 实验平台搭建 |
| 5.1.1 硬件配置 |
| 5.1.2 软件配置 |
| 5.2 实验数据描述 |
| 5.3 采煤机摇臂寿命预测流程 |
| 5.4 基于自适应组合模型的采煤机摇臂寿命预测实例分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（6）车联网环境下无信号交叉口车辆协同控制算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 车联网应用技术国内外研究现状 |
| 1.2.2 车联网仿真技术国内外研究现状 |
| 1.2.3 交叉口车辆协同控制国内外研究现状 |
| 1.2.4 驾驶人意图识别国内外研究现状 |
| 1.2.5 通信性能对车辆控制影响国内外研究现状 |
| 1.3 研究现状综合分析 |
| 1.4 研究内容与技术路线 |
| 第2章 车辆冲突分析与行车安全场模型构建 |
| 2.1 无信号交叉口车辆冲突状态分析 |
| 2.2 车辆冲突状态检测与模型构建 |
| 2.2.1 车辆冲突判断检测 |
| 2.2.2 基于安全裕度的车辆模型构建 |
| 2.3 行车安全场理论 |
| 2.3.1 安全场理论研究现状 |
| 2.3.2 用场表征行车风险 |
| 2.3.3 行车安全场定义 |
| 2.4 行车安全场通用模型 |
| 2.4.1 势能场 |
| 2.4.2 动能场 |
| 2.4.3 行为场 |
| 2.4.4 统一行车安全场 |
| 2.5 本章小结 |
| 第3章 网联自动驾驶环境下车辆协同控制算法研究 |
| 3.1 网联自动驾驶环境定义 |
| 3.2 无信号交叉口车辆通行规则确定 |
| 3.3 模型预测控制理论 |
| 3.4 基于模型预测的行车风险最小化车辆协同控制算法 |
| 3.4.1 车辆协同控制算法设计思路 |
| 3.4.2 约束条件的设置 |
| 3.4.3 优化目标函数的设计 |
| 3.4.4 求解算法 |
| 3.4.5 MPC-DRMA算法实现流程 |
| 3.5 MPC-DRMA仿真试验与结果分析 |
| 3.5.1 仿真试验总体设计 |
| 3.5.2 试验结果与分析 |
| 3.6 本章小结 |
| 第4章 基于风险感知水平的驾驶人操作意图估计方法研究 |
| 4.1 无信号交叉口驾驶人操作行为分析 |
| 4.2 驾驶人风险感知水平分析 |
| 4.2.1 驾驶人风险感知参数确定 |
| 4.2.2 可接受的风险感知水平 |
| 4.3 基于HSS+GM-HMM的驾驶人操作意图识别 |
| 4.3.1 混合状态系统模型架构HSS |
| 4.3.2 隐马尔科夫模型架构HMM |
| 4.3.3 隐马尔科夫结构确定与训练 |
| 4.3.4 基于HSS+GM-HMM的驾驶人操作意图识别 |
| 4.4 仿真试验与结果分析 |
| 4.4.1 仿真试验总体设计 |
| 4.4.2 结果与分析 |
| 4.5 本章小结 |
| 第5章 混行交通环境下车辆协同控制算法研究 |
| 5.1 混行交通驾驶环境定义 |
| 5.2 混行交通场景车辆建模 |
| 5.2.1 基于双状态安全速度模型的人工驾驶车辆建模 |
| 5.2.2 基于异结构交通流模型的网联自动驾驶车辆建模 |
| 5.3 无信号交叉口通行优先权决策 |
| 5.4 基于模型预测改进的行车风险最小化车辆控制算法 |
| 5.4.1 分支限界算法 |
| 5.4.2 基于分支限界算法的车速优化策略 |
| 5.4.3 MPC-mDRMA算法优化目标函数设计 |
| 5.4.4 MPC-mDRMA算法实现流程 |
| 5.5 MPC-mDRMA仿真试验与结果分析 |
| 5.5.1 仿真试验总体设计 |
| 5.5.2 结果与分析 |
| 5.6 本章小结 |
| 第6章 通信性能对车辆协同控制算法影响分析 |
| 6.1 仿真试验方案总体设计 |
| 6.1.1 网络仿真器确定 |
| 6.1.2 仿真试验平台搭建 |
| 6.1.3 网络评价指标的确定 |
| 6.1.4 仿真环境与参数设置 |
| 6.2 通信性能影响因素分析 |
| 6.2.1 根据节点密度进行性能分析 |
| 6.2.2 根据节点速度进行性能分析 |
| 6.2.3 根据网络区域进行性能分析 |
| 6.3 通信性能对车辆控制算法的影响分析 |
| 6.3.1 通信延迟对平均车速和冲突数目影响分析 |
| 6.3.2 数据包投递率对平均车速和冲突数目影响分析 |
| 6.3.3 数据包投递率与通信延迟对算法影响分析 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 研究主要成果与结论 |
| 7.2 主要创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 作者简介及攻读博士期间所取得的科研成果 |
| 致谢 |
（7）基于Spark框架的密度峰值聚类算法研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 聚类分析方法 |
| 1.3 CFSFDP算法研究现状 |
| 1.3.1 CFSFDP优缺点研究及其研究现状 |
| 1.3.2 自动确定聚类中心方法研究 |
| 1.3.3 截断距离方法研究 |
| 1.3.4 并行CFSFDP方法研究 |
| 1.4 论文所做的工作及创新点 |
| 1.5 论文组织结构 |
| 第二章 自动确定聚类中心的密度峰值聚类算法 |
| 2.1 CFSFDP算法 |
| 2.2 聚类中心选择分析 |
| 2.3 一种能够自动确定聚类中心的CFSFDP算法 |
| 2.3.1 采用切比雪夫不等式确定密度上限 |
| 2.3.2 采用标准差确定距离上限 |
| 2.3.3 决策函数 |
| 2.4 算法总结 |
| 2.5 仿真实验结果分析 |
| 2.5.1 聚类数量分析 |
| 2.5.2 AUTO-CFSFDP聚类结果分析 |
| 2.5.3 时间复杂度分析 |
| 2.6 本章小结 |
| 第三章 SPARK框架下并行AUTO-CFSFDP算法与改进策略 |
| 3.1 Spark框架 |
| 3.2 并行Auto-CFSFDP算法的设计实现与改进 |
| 3.3 基于三角不等式的PAUTO-CFSFDP算法改进 |
| 3.3.1 Spark框架下距离三角不等式优化原理 |
| 3.4 时间复杂度和空间复杂度分析 |
| 3.4.1 时间复杂度 |
| 3.4.2 空间复杂度 |
| 3.5 仿真实验结果分析 |
| 3.5.1 准确性对比 |
| 3.5.2 运行时间对比 |
| 3.5.3 加速比对比 |
| 3.5.4 扩展比对比 |
| 3.6 本章小结 |
| 第四章 PAUTO-CFSFDP改进算法的应用与分析 |
| 4.1 前言 |
| 4.2 实验方案设计 |
| 4.2.1 整体框架设计 |
| 4.2.2 方案设计 |
| 4.3 实验数据分析 |
| 4.3.1 数据选取与展示 |
| 4.3.2 数据分析 |
| 4.4 系统搭建与实验 |
| 4.4.1 集群部署 |
| 4.4.2 实验结果及分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 1 作者简历 |
| 2 攻读硕士学位期间发表的学术论文 |
| 3 参与的科研项目及获奖情况 |
| 4 发明专利 |
| 学位论文数据集 |
（8）交通一卡通数据清洗方法研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 交通一卡通发展现状 |
| 1.2.2 数据清洗研究现状 |
| 1.3 论文的内容和结构安排 |
| 第二章 相关知识背景与技术介绍 |
| 2.1 数据清洗 |
| 2.1.1 数据质量 |
| 2.1.2 数据清洗的定义与原理 |
| 2.1.3 数据清洗的一般过程 |
| 2.2 离群点清洗 |
| 2.2.1 基于统计的离群点检测方法 |
| 2.2.2 基于距离的离群点检测方法 |
| 2.2.3 基于密度的离群点检测方法 |
| 2.2.4 基于聚类的离群点检测方法 |
| 2.3 Hadoop分布式文件系统 |
| 2.4 Spark分布式平台 |
| 2.4.1 Spark平台组成 |
| 2.4.2 RDD弹性分布式数据集 |
| 2.4.3 应用提交逻辑 |
| 2.5 本章小结 |
| 第三章 基于Spark的分布式离群点清洗方案 |
| 3.1 大数据平台总体概述 |
| 3.1.1 平台建设目的及预期社会效益 |
| 3.1.2 主要研究内容 |
| 3.1.3 平台体系架构 |
| 3.2 交通一卡通数据分析 |
| 3.2.1 交通一卡通数据特点 |
| 3.2.2 交通一卡通数据质量问题 |
| 3.3 典型数据清洗方案 |
| 3.4 基于Spark的分布式数据清洗方案分析与设计 |
| 3.4.1 需求分析 |
| 3.4.2 基本设计思路 |
| 3.4.3 详细设计方案 |
| 3.5 本章小结 |
| 第四章 基于聚类和密度的离群点检测方法研究 |
| 4.1 局部离群点概念引入 |
| 4.2 基于聚类和密度的离群点检测方法思想 |
| 4.2.1 K-means聚类算法 |
| 4.2.2 LOF离群点检测算法 |
| 4.2.3 CLOF离群点检测算法 |
| 4.3 基于Spark的 CLOF算法并行化实现 |
| 4.3.1 K-means聚类剪枝任务并行化 |
| 4.3.2 局部离群因子计算任务并行化 |
| 4.4 本章小结 |
| 第五章 实验与结果分析 |
| 5.1 实验平台搭建与环境配置 |
| 5.1.1 Linux系统网络配置 |
| 5.1.2 Hadoop集群搭建 |
| 5.1.3 Spark集群搭建 |
| 5.2 实验过程 |
| 5.3 实验结果分析 |
| 5.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读学位期间的科研成果 |
| 致谢 |
（9）物联网边云协同计算环境中的资源管理技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及研究意义 |
| 1.2 资源管理研究现状 |
| 1.3 主要研究内容及挑战 |
| 1.4 论文组织结构 |
| 第二章 流量感知的物联网服务资源管理与调度 |
| 2.1 引言 |
| 2.2 物联网服务流程分布式部署框架 |
| 2.3 基于空间属性的服务流程切分算法 |
| 2.4 一定置信水平下的子服务流程优化部署算法 |
| 2.5 应用示例及半实物仿真实验 |
| 2.6 本章小结 |
| 第三章 云计算环境中高能效资源管理与调度 |
| 3.1 引言 |
| 3.2 高能效在线资源管理 |
| 3.2.1 系统模型及问题构建 |
| 3.2.2 处理器内核资源管理 |
| 3.2.3 服务器之间的计算卸载 |
| 3.2.4 处理器内核之间的任务分发 |
| 3.3 算法和理论性能分析 |
| 3.4 仿真结果及分析 |
| 3.5 本章小结 |
| 第四章 边云简单协同计算中高能效资源管理与调度 |
| 4.1 引言 |
| 4.2 高能效在线资源管理 |
| 4.2.1 系统模型及问题构建 |
| 4.2.2 跨边缘节点和云数据中心节点的工作负载分配 |
| 4.2.3 聚合数据中心选择和结果迁移调度 |
| 4.2.4 云数据中心计算资源管理 |
| 4.3 算法及和理论性能分析 |
| 4.4 仿真结果及分析 |
| 4.4.1 基于模拟数据集的实验 |
| 4.4.2 基于真实数据集的实验 |
| 4.5 本章小结 |
| 第五章 边云复杂协同计算中高能效资源管理与调度 |
| 5.1 引言 |
| 5.2 高能效在线资源管理 |
| 5.2.1 系统模型 |
| 5.2.2 边云复杂协同计算中的问题构建 |
| 5.2.3 边云简单协同计算中的问题构建 |
| 5.2.4 边云协同计算中的问题求解 |
| 5.3 理论性能分析 |
| 5.4 仿真结果及分析 |
| 5.4.1 基于模拟数据集的仿真实验 |
| 5.4.2 基于真实数据集的仿真实验 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（10）高效能仿真云平台关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号使用说明 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 高效能建模仿真平台建设需求 |
| 1.1.2 云仿真及其发展趋势 |
| 1.1.3 面向效能需求的不足与局限 |
| 1.1.4 本文研究的问题与意义 |
| 1.2 相关研究现状与分析 |
| 1.2.1 云仿真架构及其应用研究 |
| 1.2.2 仿真云效能优化方法研究 |
| 1.3 研究内容与论文结构 |
| 1.3.1 研究内容 |
| 1.3.2 论文结构 |
| 第二章 高效能用户中心式仿真云平台架构设计 |
| 2.1 仿真云效能度量框架 |
| 2.1.1 仿真云平台效能的定义与内涵 |
| 2.1.2 仿真云平台效能量化模型 |
| 2.2 用户中心式的云仿真服务架构 |
| 2.2.1 动态COI领域仿真环境 |
| 2.2.2 动态仿真运行环境 |
| 2.2.3 用户中心式云仿真应用模式 |
| 2.3 用户中心式仿真云平台架构 |
| 2.4 本章小结 |
| 第三章 基于Clou Fo DSim的云端高效能仿真应用构建方法 |
| 3.1 方法的提出 |
| 3.1.1 需求与动机 |
| 3.1.2 Clou Fo DSim:基于云的面向特征领域仿真建模框架 |
| 3.2 面向特征的组合集成方法 |
| 3.2.1 基于DEVS的建模仿真框架 |
| 3.2.2 面向DEVS的元特征模型 |
| 3.2.3 基于Fx DEVS的特征组合集成框架 |
| 3.3 基于领域资产追踪的领域建模与仿真服务 |
| 3.3.1 面向Clou Fo DSim的领域资产追踪元模型 |
| 3.3.2 领域建模与仿真服务过程 |
| 3.4 案例实验 |
| 3.4.1 领域分析 |
| 3.4.2 领域设计与实现 |
| 3.4.3 基于特征组合的应用定制 |
| 3.5 本章小结 |
| 第四章 面向带宽保障的并行仿真作业调度优化方法 |
| 4.1 面向带宽保障的高效能并行仿真作业管理和调度 |
| 4.1.1 仿真云中的并行仿真作业调度问题 |
| 4.1.2 基于虚拟集群的带宽保障方法 |
| 4.1.3 面向带宽保障的作业管理和调度框架 |
| 4.2 算法设计 |
| 4.2.1 自适应带宽感知的TVC部署算法 |
| 4.2.2 带宽保障的迁移回填调度算法 |
| 4.3 性能评估 |
| 4.3.1 仿真实验设置 |
| 4.3.2 输入负载 |
| 4.3.3 结果和讨论 |
| 4.4 本章小结 |
| 第五章 通信感知的自适应仿真运行优化方法 |
| 5.1 通信感知的自适应仿真运行优化框架 |
| 5.1.1 云端仿真运行优化问题 |
| 5.1.2 自适应仿真运行优化框架 |
| 5.2 基于统计迁移图分割的大规模人工社会仿真运行优化方法 |
| 5.2.1 问题 |
| 5.2.2 方法 |
| 5.2.3 结果与讨论 |
| 5.3 通信感知的自适应虚拟机迁移优化方法 |
| 5.3.1 问题建模 |
| 5.3.2 算法设计 |
| 5.3.3 性能评估 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
| 附录 A 基于网格分割算法和空间距离生成算法 |
| 附录 B 环境实体在GIS上地理分布及在不同算法下的分割结果 |
四、Design and Implementation of Parallel Virtual Machine on GM（论文参考文献）
- [1]移动边缘计算中计算卸载和资源分配协同优化策略设计与实现[D]. 李泽源. 北京交通大学, 2021(02)
- [2]面向社会整体收益最大化的服务资源供应和任务调度算法研究[D]. 郑冰冰. 山东大学, 2021(10)
- [3]面向雾计算的智能分析服务运行支撑系统的设计与实现[D]. 邓皓. 北京邮电大学, 2021(01)
- [4]大规模代码测试模块划分方法及应用[D]. 李明浩. 北京邮电大学, 2021(01)
- [5]数据驱动的采煤机摇臂寿命预测方法研究[D]. 罗璇. 西安科技大学, 2020(01)
- [6]车联网环境下无信号交叉口车辆协同控制算法研究[D]. 郑义. 吉林大学, 2020(08)
- [7]基于Spark框架的密度峰值聚类算法研究与应用[D]. 吴菲. 浙江工业大学, 2020(02)
- [8]交通一卡通数据清洗方法研究与实现[D]. 张绪升. 广东工业大学, 2020(02)
- [9]物联网边云协同计算环境中的资源管理技术研究[D]. 侯守璐. 北京邮电大学, 2020(01)
- [10]高效能仿真云平台关键技术研究[D]. 李祯. 国防科技大学, 2019(01)