5个研究背景和意义示例,教你写计算机异构环境论文

今天分享的是关于异构环境的5篇计算机毕业论文范文, 如果你的论文涉及到异构环境等主题,本文能够帮助到你

远程教育中基于JAVA与CORBA的构件技术研究

这是一篇关于远程教育,CORBA规范,异构环境,软插件的论文, 主要内容为随着计算机网络技术的发展，远程教育也得到了蓬勃的发展。目前基于WEB的计算机远程教育系统大部分是通过CGI实现的。但通过CGI执行连接程序的缺点是系统开销较大，另外，对于面向对象技术、组件技术等新技术，CGI也无法适应。OMG提出的CORBA规范的主要目标是解决异构体系的分布计算问题，它实现了软件的即插即用，也就是说只要将应用模块按此标准规范，做成软插件的形式，插入软件总线即可实现集成运行。本文分析了远程教育的分布式特点、CORBA规范的特点以及CORBA构件技术在远程教育中的适应性。采用CORBA技术与数据库技术相结合，对远程教育中学生学籍管理和教学资源管理方法进行了研究，提出了一个基于CORBA的远程教育系统模型、分析了该模型各部分的功能并通过实例说明了开发该系统的方法和步骤。实践表明，通过CORBA接口，在异构环境下开发远程教育管理系统是可行的；而且，可极大地提高教学及管理资源的可重用性。

异构环境下服务质量感知的推荐算法研究与实现

这是一篇关于服务质量感知,时间感知,异构环境,Web服务推荐的论文, 主要内容为随着人们对信息需求的日益增长,互联网平台产生了大量功能各异的Web服务,面对海量的服务信息,用户往往需要花费大量的时间来寻找满足自身需求的服务。为了提高Web服务调用过程中的及时性和准确性,服务推荐算法应运而生。但在实际应用场景中,服务分布在不同的边缘服务器中,从而形成了用户服务质量(Quality Of Service,Qo S)分布不同的异构环境,上述的异构环境一方面导致用户与服务的交互数据随时间、网络动态发生变化,增加服务推荐的复杂性。另一方面导致用户调用服务所产生的Qo S数据比较分散且存在隐私泄露的风险。因此,为了在异构环境下为用户推荐高效、准确的Web服务,论文对上述问题进行探索,提出了基于时间感知的单平台服务推荐算法和基于隐私保护的跨平台数据特征感知服务推荐算法。此外,为了验证所提算法的可拓展性,论文进一步将算法推广到实际的应用场景中以解决生活中的交通堵塞问题,具体工作如下:(1)针对在单平台中用户调用Web服务的Qo S值动态变化问题,提出了一种基于时间感知的服务推荐算法。该算法引入时间维度,突破用户和服务交互数据唯一性、静态性的局限。主要分为两个阶段:第一阶段预测历史时间片中的缺失值,采用基于内存的协同过滤推荐算法来预测历史时间片上缺失的Qo S值。第二阶段分析发现连续时间间隙上用户Qo S值之间具有强相关性,并通过参照历史时间片中的Qo S值来预测当前时间片中缺失的Qo S值。与其他算法相比,该算法不仅保证了准确性和及时性,还满足了用户动态调用服务的需求。(2)针对跨平台中用户-服务交互数据稀疏和用户隐私安全问题,提出了一种基于隐私保护的跨平台数据特征感知服务推荐算法。该模型分为隐私保护和预测缺失Qo S值两个阶段,第一阶段采用隐私保护策略(Security Policies and Procedures,SPP)对用户数据进行加密处理,达到保护用户隐私的目的。第二阶段采用潜在因子模型(Latent Factor,LF)对稀疏的数据进行密集提取,并对数据进行基于密度的聚类,进而通过矩阵分解预测缺失值。对存有用户信息的其他平台采用同样的预测算法,再进行加权求和得到最终的预测结果。与其他算法相比,该算法不仅保护用户隐私,还在一定程度上缓解了稀疏数据导致的冷启动问题,提高服务推荐的准确性,并把预测的结果下放到边缘端,降低服务的响应时间。(3)将上述提出的Web服务推荐算法集成并推广到智慧交通应用场景中,设计并实现了智慧交通道路预测推荐系统。该系统在异构环境中考虑时间感知和跨平台数据特征感知对路径预测的影响,在一定程度上为用户提供合适的道路服务以避免交通堵塞,也进一步验证了论文所提算法具有一定的场景拓展性。

CPU+GPU异构环境下的大规模商品知识查询处理研究

这是一篇关于商品知识,异构环境,稀疏矩阵,用户主观知识,查询策略的论文, 主要内容为在电商平台日益涌现和高速发展背景下,商品的数量急剧增长,数以万计的用户在购物网站上发表商品评论,其中一些热门商品的评论数量更是不可估计,这些评论对于用户有着重要的参考价值。如何将互联网上的海量商品知识进行高效管理是当前学术界与工业界共同关注的热点问题。同时,随着图形处理器(Graphics Processing Unit,GPU)等硬件的不断发展,基于CPU+GPU的异构模式体系逐渐成为海量数据管理领域的研究热点,未来的高性能数据管理系统中CPU+GPU的异构计算体系占有不可或缺的一席之地。本文以大规模商品知识为中心,系统地研究CPU+GPU异构环境下的大规模商品知识查询处理技术,主要工作包括:(1)在已有的工作中,围绕电商平台上的商品信息构建商品知识图谱,并提出一种基于稀疏矩阵的知识表示方法。现存的商品知识图谱都是对商品客观知识进行构建,尚未涉及用户观点这类主观知识,忽略了与商品相关的用户观点这类主观信息的潜在价值。因此,本文提出了一种结合商品客观知识与主观知识的商品知识图谱框架,实现对商品客观知识与主观知识的有效组织管理。此外针对商品数据多以文本表示进而导致数据检索效率差的问题,本文提出一种基于稀疏矩阵的知识表示方法。实验结果表明稀疏矩阵式知识表示方法能够合理使用异构系统资源,提升系统存储空间利用率与数据查询效率。(2)提出一种CPU+GPU异构环境下的流水线型查询优化策略。现存两种知识管理方式分别是基于关系模型的管理方式和基于图模型的管理方式,但随着商品数据量的指数型增长导致查询效率逐渐不能满足用户需求。同时,硬件技术的不断发展使得GPU功能逐渐从图形领域扩展到通用计算领域,相较于CPU擅长处理逻辑复杂的计算任务,GPU则更善于处理具有重复、逻辑简单、大规模的计算任务。针对商品知识检索效率差的问题,本文采用GPU加速查询处理,提出一种CPU+GPU异构环境下的流水线式商品知识查询优化策略,通过复用查询中间结果,充分利用GPU的强大计算能力。实验结果表明,该方法在处理用户商品知识检索时,查询性能得到显著提升。