基于云平台的数据存储安全技术与应用
这是一篇关于云环境,数据安全,分布式文件系统,并行运算的论文, 主要内容为随着云计算技术的迅猛发展,软件技术和架构在云环境下发生了显著变化,用户开始将系统和数据迁移到云环境中从而满足对资源按需获取、负载均衡和容灾能力等方面的需求。然而,云环境也面临着API与外部接口和漏洞等攻击,因此云环境下数据安全访问和存储问题也日益严峻。保证云环境上存储的数据的安全是当前迫切需要解决的问题。本文对现有的云环境下保证部署系统和数据存储安全的相关技术进行了深入研究,在此基础上结合具体项目需求,设计了一套基于云计算的,利用访问控制、存储加密保证数据存储安全的系统。该系统已在企业内部上线运行使用。系统按照功能分四层。视图层作为客户交互页面,是对数据的访问和修改的入口。控制层是整个系统后台的入口,系统设计了接口调用校验模块来实现对于系统接口和数据的安全访问控制,该功能使用JAVA技术进行实现,并使用Redis作为缓存提高效率。该功能为系统提供访问权限校验的能力,保证数据不会被越权泄露或修改。系统接口层提供了对云平台层服务的组织封装和简单的业务逻辑实现。云计算层为整个项目提供业务逻辑处理和数据存储功能,存储方式为MYSQL和Hadoop分布式文件系统,数据在最终存储前将进行加密。为了提升加密效率,本文提出了一种云计算环境下利用MapReduce改进的并行AES、RSA混合加密算法,通过RSA管理密匙,AES负责加密明文数据。待加密明文数据将进行分组,然后对所有组的明文数据并发的进行AES密文计算,最后将各组加密所得密文归并得到最终加密后的密文结果。本文对所设计的系统完成了开发和测试,根据测试结果表明,基于云平台的放疗数据存储安全系统符合使用需求,并具有较强的实际应用价值,该系统已经在实际企业环境中运行使用,得到了相关医务工作者的认可。
基于云环境下的家校协作平台的设计与实现
这是一篇关于Spring-boot框架,Mybatis,SaaS,多租户技术,云环境的论文, 主要内容为当前,大部分家校平台基于传统的C/S模式开发,高昂的物理设备购置与维护成本以及后期平台升级、维护开销令人难以接受。在如今网络技术和云计算日臻成熟的环境下,可以充分借助云服务强大的计算能力以及基础设施优势,搭建高效、灵活、便捷的家校协作平台。利用云服务的模式与特点使学校不需要为软件购买许可,也无需对软件进行安装、托管和管理,这方面的操作全部由家校平台的服务提供商负责,在提升学校智能化办公、减轻教师压力的同时,也增进了学校与家长之间的沟通效率。本文基于Spring-Boot框架技术,整合Mybatis和Redis开发了基于云环境的家校协作平台。利用HBuilder和Ajax技术实现了平台的前端以及用户移动客户端。最后对平台进行了功能、性能以及兼容性的测试。主要的研究内容如下:1、家校平台需求分析。主要对平台的功能性需求、非功能性需求、核心业务流程进行分析。其中平台功能性需求分析将整个平台分为教师PC端、家长移动客户端、云服务供应商端。非功能性需求分析确定了平台配置需求、性能需求、部署环境需求。核心业务流程分析确定平台的核心功能以及业务流程,主要包括通知管理功能、教案管理功能、在线阅卷功能、考勤管理功能和课堂评价功能等。2、设计与实现基于云环境下的家校协作平台。使用Spring-boot+Mybatis框架整合Redis缓存技术作为平台的集成开发环境,注入主要依赖,实现平台的配置自动化,减轻代码压力的同时加强平台在数据持久层的数据交互,使用Java语言实现平台所需功能。利用HBuilder工具结合Ajax技术对前端以及移动客户端进行设计与实现。设计与实现多租户模式数据库,使用MyBatis+MyCat实现多租户,引入租户标记来隔离租户与租户之间的数据,利用MybatisPlus来实现多租户SQL解析。3、对家校平台进行功能、性能、兼容性测试。首先利用黑盒测试技术对平台进行功能测试,然后利用LoadRunner测试工具对平台进行了性能测试,最后使用Testin云测平台对移动客户端进行兼容性测试。
云环境下大规模时间序列数据的异常检测技术研究
这是一篇关于云环境,时间序列数据,异常检测,半监督学习,VAE的论文, 主要内容为在复杂多变的云环境下,为确保云中的各种应用程序和服务24/7在线,运维工程师需要同时监控实体(集群机器、容器、应用程序等)的多个指标序列(如CPU利用率、请求响应延迟等),确保服务的质量和可靠性。近年不少研究使用深度学习等算法用于时间序列的异常检测,但它们大多数是针对单个指标的异常检测,由于标签数据难以获取,导致监督学习算法难以实施,而无监督算法要么需要大量的正常数据训练,要么具有低准确率,难以满足云环境下大规模时间序列的异常检测。针对上述问题,本文对云环境下时间序列运维数据的异常检测问题进行研究,以能够及时准确地检测出异常并定位异常产生的原因。首先,提出一种实体级别的基于长短期记忆网络LSTM的半监督变分自编码的异常检测算法LR-Semi VAE,利用少量标签带动大量无标签数据一起进行训练,且用变分自编码VAE来学习多元时间序列的复杂分布,使用长短期记忆网络LSTM来建模数据间的时间依赖关系,将分类器预测的标签用于VAE重建输入序列,通过优化ELBO损失函数,使模型在训练过程中关注正常数据,忽略异常数据,且用重建概率分数作为异常检测器。最后,在第三方数据集上对LR-Semi VAE的异常检测性能进行评估,LR-Semi VAE相对于半监督学习算法VAE M2、无监督学习算法LSTM-VAE的异常检测性能分别提高了约30%和50%。其次,针对面向服务体系结构的应用和微服务的异常检测,本文在LR-Semi VAE基础上进一步提出了RT-Semi VAE异常检测算法。RT-Semi VAE使用LSTM来捕捉短期依赖、多头注意力机制Transformer学习长期依赖关系,并根据服务调用链追踪溯源根因实体,且对异常产生的原因做出指标级别的定位,方便运维工程师能及时找到异常根源并采取措施进行修复。实验表明,RT-Semi VAE相较于VAE M2和LSTM-VAE的异常检测性能分别提高约37%和55%。最后,将针对单体应用的LR-Semi VAE异常检测算法和针对服务依赖应用的RT-Semi VAE异常检测算法进行集成,设计一个面向智能运维服务的时间序列异常检测系统原型,包括监控采集时间序列数据、存储数据、融合异常检测算法、异常定位、数据展示等功能。对原型进行测试,从包丢失、内存泄漏和CPU占用等常见的异常类型与已有的其它检测方案进行对比,结果表明能快速准确地检测出异常,细粒度地定位异常产生的原因,在保障服务的质量和稳定性方面具有优势。
云环境下大规模时间序列数据的异常检测技术研究
这是一篇关于云环境,时间序列数据,异常检测,半监督学习,VAE的论文, 主要内容为在复杂多变的云环境下,为确保云中的各种应用程序和服务24/7在线,运维工程师需要同时监控实体(集群机器、容器、应用程序等)的多个指标序列(如CPU利用率、请求响应延迟等),确保服务的质量和可靠性。近年不少研究使用深度学习等算法用于时间序列的异常检测,但它们大多数是针对单个指标的异常检测,由于标签数据难以获取,导致监督学习算法难以实施,而无监督算法要么需要大量的正常数据训练,要么具有低准确率,难以满足云环境下大规模时间序列的异常检测。针对上述问题,本文对云环境下时间序列运维数据的异常检测问题进行研究,以能够及时准确地检测出异常并定位异常产生的原因。首先,提出一种实体级别的基于长短期记忆网络LSTM的半监督变分自编码的异常检测算法LR-Semi VAE,利用少量标签带动大量无标签数据一起进行训练,且用变分自编码VAE来学习多元时间序列的复杂分布,使用长短期记忆网络LSTM来建模数据间的时间依赖关系,将分类器预测的标签用于VAE重建输入序列,通过优化ELBO损失函数,使模型在训练过程中关注正常数据,忽略异常数据,且用重建概率分数作为异常检测器。最后,在第三方数据集上对LR-Semi VAE的异常检测性能进行评估,LR-Semi VAE相对于半监督学习算法VAE M2、无监督学习算法LSTM-VAE的异常检测性能分别提高了约30%和50%。其次,针对面向服务体系结构的应用和微服务的异常检测,本文在LR-Semi VAE基础上进一步提出了RT-Semi VAE异常检测算法。RT-Semi VAE使用LSTM来捕捉短期依赖、多头注意力机制Transformer学习长期依赖关系,并根据服务调用链追踪溯源根因实体,且对异常产生的原因做出指标级别的定位,方便运维工程师能及时找到异常根源并采取措施进行修复。实验表明,RT-Semi VAE相较于VAE M2和LSTM-VAE的异常检测性能分别提高约37%和55%。最后,将针对单体应用的LR-Semi VAE异常检测算法和针对服务依赖应用的RT-Semi VAE异常检测算法进行集成,设计一个面向智能运维服务的时间序列异常检测系统原型,包括监控采集时间序列数据、存储数据、融合异常检测算法、异常定位、数据展示等功能。对原型进行测试,从包丢失、内存泄漏和CPU占用等常见的异常类型与已有的其它检测方案进行对比,结果表明能快速准确地检测出异常,细粒度地定位异常产生的原因,在保障服务的质量和稳定性方面具有优势。
基于云环境下的家校协作平台的设计与实现
这是一篇关于Spring-boot框架,Mybatis,SaaS,多租户技术,云环境的论文, 主要内容为当前,大部分家校平台基于传统的C/S模式开发,高昂的物理设备购置与维护成本以及后期平台升级、维护开销令人难以接受。在如今网络技术和云计算日臻成熟的环境下,可以充分借助云服务强大的计算能力以及基础设施优势,搭建高效、灵活、便捷的家校协作平台。利用云服务的模式与特点使学校不需要为软件购买许可,也无需对软件进行安装、托管和管理,这方面的操作全部由家校平台的服务提供商负责,在提升学校智能化办公、减轻教师压力的同时,也增进了学校与家长之间的沟通效率。本文基于Spring-Boot框架技术,整合Mybatis和Redis开发了基于云环境的家校协作平台。利用HBuilder和Ajax技术实现了平台的前端以及用户移动客户端。最后对平台进行了功能、性能以及兼容性的测试。主要的研究内容如下:1、家校平台需求分析。主要对平台的功能性需求、非功能性需求、核心业务流程进行分析。其中平台功能性需求分析将整个平台分为教师PC端、家长移动客户端、云服务供应商端。非功能性需求分析确定了平台配置需求、性能需求、部署环境需求。核心业务流程分析确定平台的核心功能以及业务流程,主要包括通知管理功能、教案管理功能、在线阅卷功能、考勤管理功能和课堂评价功能等。2、设计与实现基于云环境下的家校协作平台。使用Spring-boot+Mybatis框架整合Redis缓存技术作为平台的集成开发环境,注入主要依赖,实现平台的配置自动化,减轻代码压力的同时加强平台在数据持久层的数据交互,使用Java语言实现平台所需功能。利用HBuilder工具结合Ajax技术对前端以及移动客户端进行设计与实现。设计与实现多租户模式数据库,使用MyBatis+MyCat实现多租户,引入租户标记来隔离租户与租户之间的数据,利用MybatisPlus来实现多租户SQL解析。3、对家校平台进行功能、性能、兼容性测试。首先利用黑盒测试技术对平台进行功能测试,然后利用LoadRunner测试工具对平台进行了性能测试,最后使用Testin云测平台对移动客户端进行兼容性测试。
云环境下大规模时间序列数据的异常检测技术研究
这是一篇关于云环境,时间序列数据,异常检测,半监督学习,VAE的论文, 主要内容为在复杂多变的云环境下,为确保云中的各种应用程序和服务24/7在线,运维工程师需要同时监控实体(集群机器、容器、应用程序等)的多个指标序列(如CPU利用率、请求响应延迟等),确保服务的质量和可靠性。近年不少研究使用深度学习等算法用于时间序列的异常检测,但它们大多数是针对单个指标的异常检测,由于标签数据难以获取,导致监督学习算法难以实施,而无监督算法要么需要大量的正常数据训练,要么具有低准确率,难以满足云环境下大规模时间序列的异常检测。针对上述问题,本文对云环境下时间序列运维数据的异常检测问题进行研究,以能够及时准确地检测出异常并定位异常产生的原因。首先,提出一种实体级别的基于长短期记忆网络LSTM的半监督变分自编码的异常检测算法LR-Semi VAE,利用少量标签带动大量无标签数据一起进行训练,且用变分自编码VAE来学习多元时间序列的复杂分布,使用长短期记忆网络LSTM来建模数据间的时间依赖关系,将分类器预测的标签用于VAE重建输入序列,通过优化ELBO损失函数,使模型在训练过程中关注正常数据,忽略异常数据,且用重建概率分数作为异常检测器。最后,在第三方数据集上对LR-Semi VAE的异常检测性能进行评估,LR-Semi VAE相对于半监督学习算法VAE M2、无监督学习算法LSTM-VAE的异常检测性能分别提高了约30%和50%。其次,针对面向服务体系结构的应用和微服务的异常检测,本文在LR-Semi VAE基础上进一步提出了RT-Semi VAE异常检测算法。RT-Semi VAE使用LSTM来捕捉短期依赖、多头注意力机制Transformer学习长期依赖关系,并根据服务调用链追踪溯源根因实体,且对异常产生的原因做出指标级别的定位,方便运维工程师能及时找到异常根源并采取措施进行修复。实验表明,RT-Semi VAE相较于VAE M2和LSTM-VAE的异常检测性能分别提高约37%和55%。最后,将针对单体应用的LR-Semi VAE异常检测算法和针对服务依赖应用的RT-Semi VAE异常检测算法进行集成,设计一个面向智能运维服务的时间序列异常检测系统原型,包括监控采集时间序列数据、存储数据、融合异常检测算法、异常定位、数据展示等功能。对原型进行测试,从包丢失、内存泄漏和CPU占用等常见的异常类型与已有的其它检测方案进行对比,结果表明能快速准确地检测出异常,细粒度地定位异常产生的原因,在保障服务的质量和稳定性方面具有优势。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码向导 ，原文地址：https://m.bishedaima.com/lunwen/49955.html
