简述云计算的主要特征篇1
关键词：
海量点云；简化；切片法；计算设备架构；图形处理器；并行计算
中图分类号：tp391.413文献标志码：a
0引言
随着大规模精细三维模型获取技术的不断发展，三维激光扫描技术凭借其数据获取速度快、精度高、覆盖广的特点，成为高精度三维模型数据获取的主流方式之一，获取的点云数据量也呈几何级数增长，因此，如何对海量散乱点云数据进行简化已成为计算机图形学、快速成型、三维测绘、地理信息系统、数字城市、军事仿真、游戏娱乐等点云模型应用领域的重要研究课题之一。
传统的点云简化方法主要分为两个大类：第一类是顾及特征的简化[1-3]，此类算法需要依据单点的K邻近点集拟合曲面，并构建曲面的法向量和曲率等相关特征度量因子判定单点是否为特征点，从而实现点云简化。这些算法能够保持模型特征，但是涉及K邻近点集等复杂计算操作，耗时多，仅适用于小数据量的点云简化。第二类是规则采样简化算法[4-6]，此类算法依据一定规则对原始点云进行采样，然后以采样点作为特征点保留，剔除其他点实现点云简化。这类算法简化效率高，但是不能有效地保持模型特征，由于采样标准单一，在特征变化明显的尖锐弯曲处会导致局部细节过度光顺丢失细节。由此可见，传统算法的主要问题是点云简化过程中计算复杂与模型特征保持不能兼顾。
近年来通用计算图形处理器（GeneralpurposeGraphicsprocessingUnit，GpGpU）的快速兴起，尤其是nViDia公司2006年推出的图形处理器（GraphicsprocessingUnit，GpU）并行计算框架――统一计算设备架构（ComputeUnifiedDevicearchitecture，CUDa）[7]凭借其高性价比、低通信开销、卓越的并行计算能力，让海量化或者计算复杂度高的三维点云模型数据快速处理成为可能。文献[8]使用GpGpU实现基于边缘点的激光雷达（LightDetectionandRanging，LiDaR）点云滤波算法，文献[9]提出一种基于CUDa的双边滤波的点云滤波算法。两者都将K邻近点、曲面拟合、法向量以及曲率等计算复杂度高的步骤，利用CUDa编写不同的kernel并行化，从而加速点云简化，但是，由于在单个线程中完成类似求解单点K邻近点的计算需要消耗太多的全局内存等GpU资源，这严重制约此类算法处理点云的规模，仅适用于数十万级的小规模点云处理。
本文借助众核GpU通用计算高性能并行的特点，结合快速成型领域切片点云简化算法[10-12]顾及特征的优势，实现了基于CUDa的顾及模型特征且适合千万级点云的并行简化算法，并从该算法的时间效率方面的优势阐述了CUDa用于海量数据处理的优势和潜力。
1切片点云算法原理
基于CUDa的切片算法实现原理如下：首先，在CpU端根据点云的几何分布特征对点云进行分层并降维投影至相应的投影平面上；然后，依次对不同投影面上单层点云中的每一点和相应投影平面坐标原点所连直线与投影面某一坐标轴固定方向的夹角大小进行升序排序；最后，使用本文提出的利用CUDa在GpU端对每层排序后的切片点云依据弦高差法并行计算各点的弦高差值和各层切片的弦高差均值作为阈值，通过比较各点弦高差与阈值的关系，确定该点是否为特征点从而完成该层切片简化。
1.1特征点的提取原理
利用弦高差法来确定切片中各点是否为特征点，原理详见文献[13]，其中弦高距离由式（1）求得：
di=|axi+Byi+C|/a2i+B2i+C2i（1）
如图1所示，pi为目标待判定点，直线pi-1pi+1所构成直线方程为l：ax+By+C=0，由计算几何的原理可求得pi到直线l的垂直距离为di。
其中：mj表示第j层点云的总数；di表示第j层点云中的第i个点的弦高差值。
1.2基于CUDa的切片算法实现
由上述原理可以看出：依次计算单点的弦高差、单层切片的阈值σ以及单点弦高与阈值的比较等操作均是计算密集的操作，不涉及对原始切片数据的写操作，不会因为数据的复写而引发数据的二义性，具备良好的数据独立性，因此本文借助nViDia推出的GpGpU平台CUDa的单程序多数据（SingleprogrammultipleData，SpmD）特性[7]，利用GpU中大规模并行处理器的并行计算能力，使用相互独立的线程并发执行这些计算，实现基于数据并行性的点云简化，具体算法如下。
步骤1将依据角度排序后的单层点云切片从CpU的cpuvector中传入至GpU的gpuvector中。
步骤2结合CUDa，设定核函数的线程块数量blockDim.x和线程块中线程数量threadDim.x，启动核函数BowstringCaculate_kernel并行计算出每一点的弦高差值并存入GpU显存的数组Height中。
步骤3在GpU中用并行归约算法求出该层切片的弦高差均值σ，作为该层切片的特征判定阈值。
步骤4启动核函数isFeaturepoint_kernel，根据BowstringCaculate_kernel返回的各点弦高Height与阈值σ，确定该层切片中的特征点，并将计算结果存入数组isFearturepoint中。
步骤5将isFearturepoint数组中的元素利用CUDa的核函数cudamempy传回至CpU端，在CpU端根据对应索引位置的值决定cpuvector相应位置上的点保留与否，从而得到简化后的点云SimplyfiedVector。
步骤6回到步骤1继续对其他切片层的点云简化。算法中的流程如图2所示。
其中，执行单层切片点云弦高差计算的核函数BowstringCaculate_kernel的伪代码如下。
算法BowstringCaculate_kernel。
有序号的程序――――――――――Shift+alt+Y
程序前
输入：Layerpoints为排序后的单层切片点云的坐标数组；Size表示该层切片的点云数量。
输出：Height为用于保存每个线程计算的弦高差值的数组。
1）
Dimindexthreadinx.x+blockidx.x*blockDim.x；
2）
Dim*leftpoint，*rightpoin；
3）
if（index
4）
Loopindexfrom0toSizeDo
5）
leftpointLayerpoints+index-1；
6）
rightpointLayerpoints+index-1；
7）
if（index==0）then
8）
leftpointLayerpoints+Size-1；
9）
endif
10）
if（index==Size-1）
11）
rightpointLayerpoints+index-（Size-1）；
12）
endif
13）
Height[index]calculateHeight（leftpoint；
14）
Layerpoint[index]，rightpoint）；
15）
indexindex+blockDim.x*GridDim.x；
16）
endLoop
17）
endif
程序后
其中，calculateHeight为计算单点的弦高函数，其实现原理如式（1）和图1所示。
2实验分析
实验平台配置如下：windows7操作系统，CpU为intelCorei53470@3.20GHz3.60GHz，内存为4.0GB（3.28GB可用），显卡为nViDiaGeForceGt640。在该平台下使用C++语言结合VisualStudio2010和nViDia的CUDa6.0框架实现本文算法。
算法实验的模型数据如图3所示：龙模型共437645个点，大佛模型共有1753052个点，高观音模型共11807207个点。
本文使用上述3个不同数量级的点云模型，对本文提出的基于CUDa的切片点云简化算法（简称GpU切片算法）与基于CpU的切片点云简化算法[13]（以下简称CpU切片法）进行对比实验。
其中：弦高差阈值由式（1）求出，切片方向均为z轴，依次选取切片数量laynum为10，25，50，75，100作5组对比实验，结果如表1所示。
通过表1，可依次求得上述3个不同数量级模型的算法耗时与切片层数的关系曲线如图4所示。
其中图4中的折线图（a）、（b）、（c）依次表示龙模型、观音模型以及高观音模型的算法耗时与切片层数的对应关系，（d）表示龙模型、观音模型以及高观音模型对应的CpU切片法与GpU切片法的加速比（其中加速比等于CpU算法执行时间除以GpU算法执行时间）与切片层数的对应关系。
从表1呈现的数据以及图4的折线图（a）、（b）、（c）呈现的线条走势可以看出：在两种算法对应的压缩率基本一致基础上，本文提出的GpU切片算法的效率比传统CpU算法高出10～30倍，约1～2个量级；但是，随着切片层数的增加，本文提出的GpU算法耗时有一定程度的增加。因为在CUDa架构的切片算法中（流程如图2所示），随着切片层数的增加，CpU和GpU之间进行i/o交互的次数也随之增加，最终导致算法的执行时间有一定程度的增加。从图4（d）可以看出：龙模型和观音模型的加速比，均随着切片层数增加有一定程度的减小。而数据量多达千万个点的高观音模型，其加速比曲线变化相对平稳。这是由于GpU更适合于密集型的计算，当数据量（计算量）较小时，算法在GpU上的执行时间无法隐藏访问和数据传输的延迟，而随着数据量的增大，这些延迟逐渐被隐藏，因此加速比逐渐增大。而当数据量增大一定的程度，GpU近乎满负荷的工作，所有的访问和数据传输的延迟都已被很好地隐藏，加速比也趋于稳定如高观音模型的加速比曲线所示。
此外，以模型特征最为明显的观音模型为例，依次选取该模型切片数为25，50，75的底座前侧简化局部视图，如图5所示。发现当切片层数为25时，由于压缩率粒度太大导致底座衣服褶皱与莲花形等多处被过度平滑，特征丢失太严重；切片层数为75时，由于压缩粒度太小导致残留的冗余点较多；而切片层数为50时，底座衣服褶皱与莲花形的特征细节完整保持，而且冗余的点较少，简化效果是较为理想，因此，对不同的模型选取合适的切片层数对模型简化至关重要。
3结语
本文利用CUDa的高性能并行计算优势，对传统基于CpU的串行切片点云简化算法进行了改进，将传统算法的核心步骤：单点的弦高差计算与特征点判定算法逻辑并行化，通过对不同数量级的3个点云模型的简化实验，得出以下结论：
1）对于同一模型，GpU算法尽管随着切片层数的增加，耗时由于数据交互次数增加有一定程度的小幅震荡，但均远少于传统CpU算法。
2）对于不同数量级的模型，加速比曲线随着点云数量的增加而逐渐稳定，且加速效果更优，验证了本文算法应对海量点云简化的优势和潜力。
3）模型的特征保留完整性与切片层数无直接关系，仅仅与模型表面特征有关。
下一步主要工作是在CpU端使用多线程并行技术，提高点云切片分层排序的速度；应用GpU架构中不同访问性能的内存模型和基于任务并行性的流水线模型对算法进行优化。
参考文献：
[1]
周煜，张万冰，杜发荣，等.散乱点云数据的曲率精简算法[J].北京理工大学学报，2010，30（7）：785-790.（ZHoUY，ZHanGwB，DUFR，etal.algorithmforreductionofscatteredpointclouddatabasedoncurvature[J].transactionsofBeijinginstituteoftechnology，2010，30（7）：785-790.）
[2]
李义琛，庞明勇.基于二次误差度量的点云简化[J].小型微型计算机系统，2012，33（11）：2538-2543.（LiYC，panGmY.Decimatingpointcloudbasedonquadricerrormetric[J].JournalofChineseComputerSystems，2012，33（11）：2538-2543.）
[3]
王先泽，李忠科，张晓娟，等.特征保持的基于紧支径向基函数的点云简化[J].计算机工程与设计，2013，34（1）：201-206.（wanGXZ，LiZK，ZHanGXJ，etal.FeaturepreservingsimplificationofpointcloudbasedonCSRBF[J].ComputerengineeringandDesign，2013，34（1）：201-206.）
[4]
胡志胜，于敬武，述涛.一种结合了栅格化和特征判断的点云压缩方法[J].辽宁工程技术大学（自然科学版），2015，34（8）：958-963.（HUZS，YUJw，SHUt.apointcloudcompressionapproachcombinedwithrasterizingandfeatureestimate[J].JournalofLiaoningtechnicalUniversity（naturalScience），2015，34（8）：958-963.）
[5]
邢正全，邓喀中，薛继群.基于栅格划分和法向量估计得点云数据压缩[J].测绘通报，2012（7）：50-54.（XinGZQ，DenGKZ，XUeJQ.pointclouddatacompressionbasedongriddivisionandnormalvectorestimation[J].BulletinofSurveyingandmapping，2012（7）：50-54.）
[6]
邵正伟，席平.基于八叉树编码的点云数据精简方法[J].工程图学学报，2010，31（4）：73-77.（SHaoZw，Xip.Datareductionforpointcloudusingoctreecoding[J].JournalofengineeringGraphics，2010，31（4）：73-77.）
[7]
赵开勇，汪朝辉.大规模并行处理器编程实战[m].2版.北京：清华大学出版社，2013：36-40.（ZHaoKY，wanGCH.programmingmassivelyparallelprocessors：aHandsonapproach[m].2nded.Beijing：tsinghuaUniversitypress，2013：36-40.）
[8]
崔放，徐宏根，王宗跃.基于GpGpU的并行LiDaR点云滤波算法[J].华中师范大学学报（自然科学版版），2014，48（3）：431-436.（CUiF，XUHG，wanGZY.apointcloudfilteringalgorithmbasedonGpGpUparallelcomputing[J].JournalofHuazhongnormalUniversity（naturalScience），2014，48（3）：431-436.）
[9]
唐杰，徐波，宫中牛等.一种基于CUDa的三维点云快速光顺算法[J].系统仿真学报，2012，24（8）：1633-1638.（tanGJ，XUB，GonGZL，etal.Fastfairingof3DpointcloudusingCUDa[J].JournalofSystemSimulation，2012，24（8）：1633-1638.）
[10]
paRKHt，CHanGmH，paRKSC.aslicingalgorithmofpointcloudforrapidprototyping[C]//proceedingsofthe2007SummerComputerSimulationConference.SanDiego，Ca：SocietyforComputerSimulationinternational，2007：articleno.24.
[11]
SHinH，paRKS.Directslicingofapointsetmodelforrapidprototyping[J].ComputeraidedDesignandapplications，2004，1（1/2/3/4）：109-115.
[12]
peRCoCoG，GaLantUCCiL.Localgeneticslicingofpointcloudsforrapidprototyping[J].RapidprototypingJournal，2008，14（3）：161-166.
[13]
方芳，程效军.海量散乱点云快速压缩算法[J].武汉大学学报（信息科学版），2013，38（11）：1353-1357.（FanGF，CHenGXJ.afastreductionmethodformassivescatteredpointcloudbasedonslicing[J].GeomaticsandinformationScienceofwuhanUniversity，2013，38（11）：1353-1357.）
简述云计算的主要特征篇2
关键词：mLS点云模型特征提取线性相关性有限元模型
1概述
到目前为止，很多国内外学者对三维点云数据的特征提取进行了研究，但将提取的点云特征模型应用于建立工程有限元模型的研究未见报道[1][2][3]。邹冬、庞明勇等于2011年采用估算投影残差的方法来判别三维点云模型潜在的特征点，此算法能够准确地提取点云模型上的特征点和特征线，但特征识别时间代价太高[4]。故本文结合研究对象棱角分明的特点，以及文献[4]、[5]的优点与缺点，提出一种改进的基于mLS的点云模型特征提取的新算法，能够快速、简单、有效地提取研究对象的边界特征点和特征线，并应用于建立三维有限元模型，在很大程度上减少结构有限元分析时建模的工作量，从而加快建立所研究的结构有限元模型。
2基于mLS的点云模型特征的提取算法
2.1边界特征点的提取假设预处理后的点云数据
2.2自动生成特征线。由上述算法得到特征点集合p后，需要将这些特征点首尾连接，生成特征线集合L。本文结合最近点搜索方法和双向搜索方法来实现边界特征线的提取。
Step1：在特征点集合p中，任取一点pi作为特征线的始点，记为pb，搜索离pb最近的点pi+1或者pi-1作为此特征线的终点pe，连接pbpe，记为l1，保存在特征线集合L里。
将点集U按x，y，z三个方向最长轴的中值划分成8个新的点集。使用二叉树方法搜寻给定点pi的最近点集，用欧式距离公式计算各点集内的其中一点与pi（x，y，z）的距离，取其中距离值最小的点的集合作为最近点集。
由于距离公式涉及到开方运算，相对较慢，而比较距离的平方效果也一样。因此本文采用比较平方的形式，将两点间的距离公式定义为：
Step2：以pb和pe作为新的起点，使用Step1的方法，从剩余的点集p中背向搜索相应的最近点pi+2与pi-1或pi+1与pi-2，作为下一终点连接起来，记为l2和l3，存入特征线集合L中，并对既为终点又为起始点的点加以标记。
Step3：判断特征点集合p是否均为标记的点，若为空，则停止搜索，否则转到Step1继续进行。
2.3特征修复。在生成的特征线中不可避免地会产生一些缺陷，导致提取点云特征模型不完整，主要有两种情况[1]：一是单条特征边的缺口；另一种是两条或多条特征边在角部区域形成夹角的情况。所以生成特征线之后，需要为交汇的特征线建立合适的连接角点。结合以上两种情形，将改进后的特征修复方法介绍如下：
Step1：从特征线集合L中任意选择一条特征线li，以其终点pe为中心，r为半径构造一个球邻域，查找r-邻域内的特征点或点集。若在此邻域内无其他的终点，则标记终点pe为缺口，并将半径r变为2r，继续搜索另一终点。
若有1个，则认为是单个特征边的缺口，将两终点连接起来，并将新生成的特征线存入L集合。若无，则接着扩大半径，迭代进行。为了能够覆盖特征线之间的空白区域，半径参数r应选择稍大一些。
Step2：若r（2r）-邻域点n（p）是数目大于或等于2，则认为是两条或多条特征边缺口。设点pi，pj，pk∈n（p），先寻找某一特征终点pi的次尾部特征点pi-1，并和点pi建立直线li。同样为点pj，pk建立直线lj，lk。建立的三条直线反向延伸交于一点σ，记点σ为模型的角点。
3实验结果和分析
本文通过在VC++6.0的环境下，使用openGL编程实现了点云特征的提取算法，获得了点云的特征模型。再通过导入autoCaD2007中获得CaD模型，接着再导入到anSYS12.0大型有限元软件中，经过一系列定义分析类型和材料参数，并对其施加网格划分等简单处理，最终将提取的点云特征模型应用于有限元模型的快速建立，为下一步进行结构有限元分析做好建模准备工作。
参考文献：
[1]邹冬，庞明勇.点云模型特征的提取算法[J].农业机械学报，2011，42（11）：222-227.
[2]陈义仁，王一宾，等.一种改进的散乱点云边界特征点提取算法[J].合肥：计算机工程与应用，2012，48（23）：177.
[3]马骊溟，徐毅，李泽湘.基于高斯曲率极值点的散乱点云数据特征点的提取[J].深圳：系统仿真学报，2008，20（8）：2341-2344.
简述云计算的主要特征篇3
所谓高斯滤波算法就是利用高斯滤波器设置高斯分布，滤波的平均效果相对比较小，所以在进行数据滤波的同时能够在不损坏原数据形貌的前提下完成数据的滤波。而平均滤波算法指的是将模型采样点的值换成平均滤波器中各数据点相应的统计值，这样可以很好的将数据的毛刺消除。
数据精简在逆向工程技术的重构曲面环节，如果存在点云过于密集的情况，不仅会影响计算机的操作、存储以及运行的效率，而且还会影响到曲面模型的生成时间和光顺性。对采集的点云数据进行精简，就是为了防止这一问题的发生。而针对点云的类型，所选取的精简方式也是不一样的。例如，对于比较散乱的点云，往往是选择随机采样的方式进行数据的精简的；网格式的点云，进行数据的缩减主要采用的是最小包围区域的方法或者是等分布密度的方法。
数据分割以模型外形曲面相应子曲面的不同类型作为数据分割的依据，把类型相同的子曲面数据分成一组，形成互不重叠、特征比较单一的数据区域，给曲面模型的重建提供了便利。对电云数据进行区域分割的方法有两种，即自动分割法和测量分割法。自动分割法又包括基于边和基于面的两种方法。基于边的分割方法把测量点的曲率的变化作为是两个区域的边界，最终分割的区域结果是封闭的边界区域；基于面的分割方法是把几何特征比较相似的点作为同一个区域。而通过测量的分割方法是在进行数据测量的过程中，依据模型的外形特征进行分子曲面的划分，再对各不相同的特征区域进行标注，然后对测量的路径进行规划，按照曲面的不同特征将测量的数据通过CaD软件实现数据的处理和分成显示。
多视点云实现对齐由于模型的外形数据不是通过一次测量来得到的结果，所以需要把零乱的数据放到同一个坐标系里，要完成这一个过程就需要进行数据的对齐或者是拼合。目前，数据的对齐方法有两种，即直接对齐法图形对齐法。直接对齐法就是对数据进行直接的操作，完成数据的对齐，最终使得数据结构实现一致以及数据信息完整化。图像对齐法，首先对数据需要进行局部造型，然后拼合对齐视图数据相应的几何图形，这种方法虽然简单、快捷而且结果非常准确，但是在分割后不同的视图中，由于特征信息和拓扑不是很完成，局部造型很困难。
逆向工程技术在公路设计中的应用
对旧路进行改建是公路设计的一大难题，因为在改建过程中需要保护周边的环境以及还原区域实景等，文章以某一平交口的改造为例，讲述公路设计中逆向工程技术的应用。
1对地形数据进行采集和处理利用激光扫描仪进行数据的采集，激光扫描仪主要由测距系统和扫描系统构成。激光的测距系统是一种非接触式的测量，激光束的发射和接收的时差来测量扫描议和扫描点之间的距离。激光的扫描系统是将激光束在反射镜的作用下均匀的旋转，并以等角的速度进行发射，然后对竖直和水平方向的激光束进行测量。测距系统和扫描系统相互结合，可以计算出扫描点的三维坐标。利用imgeware软件可以对采集的点云数据进行处理。该软件将采集的三维点云数据进行去噪、平滑、分割、拼合等处理，最后得出完整的带有点号的点云文本数据和三维坐标数据。
2建立模型把三维点数据的文本输入到CaRD/1软件中，进行地形图的处理，导出高精度的Dem，采样之间的间距为0.2m，等高线之间的间距为1m。再次，将软件中导入Dem文件进行数模的叠加，最后得到带颜色的Dem文件。
3根据点云地形图进行平面设计Dem模型是带有颜色的，设计人员对旧路中心线以及边缘线的确定会变得更精确和直观，最终使实景还原度得到提高，更有效的完成道路的优化处理。选取最佳的角度，对三维状态的模型方案进行设计。
4根据点云的地面线数据进行纵断面和横断面的设计在点云Dem模型的基础上，对纵断面的插值进行计算，得出带有颜色的关于地面线的三维点云数据。点云Dem模型可以通过对景深进行设置，直观地看到中线法线方向的地面上实际的情况。通过点云Dem模型，可以将带有视景深度横断方向的点云数据切出，然后对旧路横断方向的原有构造物、拆迁情况等有详细的了解，有把握地进行横断面的设计。
结语
简述云计算的主要特征篇4
关键词：云计算；教学资源共享；Hadoop
中图分类号：G64文献标识码：a文章编号：1005-5312（2014）02-0247-01
一、引言
随着我国教育体制改革的不断深入以及经济社会发展对人才质量内涵提出的新要求，学校内部单一教学资源平台己经不能应对更加复杂的需求，出现了学校内部教学资源与外部教学资源的集成应用需求。为解决扩展性教学资源集成，急需研究和建立开放教学资源平台体系结构，支持学校间教学资源平台协同开发，透明地获取所需资源，实现学校间的松耦合协作和面向任务的资源动态重构。云计算技术的出现，为高校教育提供了一个新的具有集成、开放、虚拟和自治特征的服务平台，可以有效的解决当前教育领域面临的资源共享与协作难题。
二、云计算在国外教育资源共享的应用
美国肯塔基州就将云计算应用到拥有10200名学生的该学区中。通过云服务平台，将原来过时废弃在仓库中的1400台计算机转变为能够起作用的虚拟机。正因为云服务不需要本地计算机有硬盘，这种转换才成为可能。云计算在英国的院校中也有一席之地。很多英国高等教育机构，均利用了谷歌的程序。学生的应用需求和削减支出是主要的推动因素。同样非洲也欢迎云计算。已经有很多非洲的教育机构选择了云计算服务，选择云计算的主要动力来自于不完备的it基础设备和没有资金去更新软硬件设备。谷歌已经与很多东非教育机构达成合作关系，为这些学校提供谷歌的云计算服务。
三、云计算在高校教学资源共享平台中的实施方案
（一）资源共享平台系统架构
为了更好的对云计算中的教育资源进行管理，首先需要了解其宏观的资源管理架构。架构通常可以分为物理架构和逻辑架构。物理架构是指计算机、服务器以及网络等设备的物理连接结构；而逻辑架构则是从各个元素所发挥的功能角度来区分它们的角色并描述了它们之间的关系。物理架构和逻辑架构是可以相互进行映射的。
系统架构是建立云计算环境首先需要考虑的关键问题。调度系统架构通常与数据中心架构密切相关，目前在有管理需求的大规模分布式环境下多是考虑的多级分布式体系结构。
（二）云计算框架Hadoop
在目前许多开源的云计算框架之中，Hadoop是其中最为著名的一个。很多大型企业都对Hadoop进行了应用，并结合企业的具体业务进行了大量的改进工作。Hadoop由许多模块组成，其包括HadoopCommon，HDFS，mapreduce和Zookeeper等等。Hadoop框架允许用户在大规模集群设备上使用简单的并行编程语言泛型对海量数据集合进行分布式地处理。在Hadoop集群系统中可能拥有成百上千个独立的物理设备。每个物理设备都有其各自的计算与存储能力。不像其它传统方案依靠硬件设备来提供高可靠性，Hadoop本身就被设计为在应用软件层可以随时检测并处理节点失效问题。
（三）如何消除HDFS性能瓶颈
教育资源共享平台在设计过程中就不应对所有数据都一视同仁，而需要根据实际需求区别对待，例如更为有价值的数据理应得到更多的重视，并为其分配更多的存储资源，即建立更多的副本以应对高并发访问，降低访问延迟，同时还可以提高数据的安全性与稳定性。因此可以在HDFS的基础上进行改进，在名字节点之上增加了一个系统控制器。
在HDFS的原型设计中，其通过文件数据块（Block）副本的方式解决其并行读取的问题。副本的数目在整个集群运行之前被存储，并且在整个系统运行中是统一且固定的（系统管理员可以通过配置文件进行重新配置，但更改的也是全局配置）。所有的数据节点都会采用这个配置，即数据节点上的所有文件块都会有相同的副本数目。
因此在此场景下文件副本的差异化配置就显得十分必要了。但数据节点以及云计算运营商难以知晓哪一个或哪一些文件会在较长时间内被高频率访问从而成为热点文件。如果采用固定的配置方法，则系统配置难以跟上用户需求的快速变化。基于Hadoop分布式开源架构的云计算本身就拥有简单的副本机制，包括副本的创建、故障节点检测与处理等等功能。但是该架构缺乏对副本的动态调整功能，无法灵活应对用户需求的快速变化。
四、结论
综上所述文件数据块副本数目的动态调整成为最好的选择。云计算存储资源动态调度机制（CloudcomputingStorageresourceDynamicallySchedulingscheme，CSDS）能够解决上述问题。
基金项目：2013年保定市科学技术研究与发展指导计划项目“基于云计算的高校教学资源共享平台研究”（13ZG014）。
简述云计算的主要特征篇5
关键词：云探索；地税行业；云计算；数据技术
中图分类号：tp393文献标识码：a文章编号：1001-828X（2012）12-00-02
基于税种划分国、地税机关对纳税人的管理权限，导致不同税务机关征管的税种在计算依据或征管数据互为依存；国、地税机关税收信息化建设白成体系的格局，导致数据标准不一、数据交换和共享渠道不畅。现代化的税收管理体制要求全面涵盖税收征管业务功能、云计算程和所有税种，提高系统间的信息共享程度，保证数据口径和数据来源的一致性，实现数据的一次采集多处使用和国、地税业务的数据互联和功能互通。在当前国、地税信息化程度不断提升的环境下，要充分考虑业务和技术的规范、统一的可行性，从提高管理效率和纳税服务水平的需要出发，适当探索建立国、地税公共应用平台，逐渐统一国、地税在征收管理、纳税服务、稽查、电子报税等方面的应用系统，使其在业务处理流程、底层技术框架、界面上保持统一。在业务层面上，可以根据数据和业务结构不同，在后台分别实现。
一、云计算及其功能
云计算，顾名思义，就是工作的流程，是工作业务的流程，反应的是一个动态的过程。对“云计算”这三个字的定义，由于不同公司、不同机构、不同学者有着不同的理解，所以很难对云计算下一个明确的定义。即便如此，我们也可以为云计算下一个通用的总结，所谓云计算技术，实际上就是流程在计算机系统里的反映。云计算技术就是要解决这些云计算程的问题。随着科学技术的发展，云计算技术也得到了大力的发展，很多学者和研究人员都给出了自己对于云计算技术定义的理解。
计算机网络物理介质的不安全因素主要有电磁泄漏及干扰，网络介质在接口、某些特定线缆都有可能出现因屏蔽不严而导致的信号泄漏。目前大多数计算机网络系统的屏蔽措施都不是很健全，这对网络安全构成了一定威胁。系统软件及应用程序的安全问题主要是因为网络软件的安全功能不完善，或系统中存在各种恶意代码，如后门程序、病毒程序等。这样会导致信息泄漏、资源非法使用或数据损毁等后果。操作系统和应用程序在功能上变得越来越丰富，在用户使用网络更加方便的同时，也存在很多容易受到攻击的地方。人员安全问题主要是由于工作人员的保密观念不强导致。其中操作失误导致的信息泄漏或损毁也是导致安全问题的一个重要因素。工作人员利用自己对系统的熟悉了解，为达非法目的对系统数据进行篡改、破坏也会对网络系统造成严重后果。云计算升级工具：这里是指当云计算定义变更后，将新的流程定义用于过时的云计算实例上，使之可以按照新的流程进行执行的流程实例升级工具。云计算驱动界面：云计算系统本身只能定义流程、执行流程，其他的和业务系统相关的功能处理还需要大量的开发工作。这里是想设计一种统一的方案，使得通过云计算定义和电子表单系统相结合，可以实现云计算驱动界面生成和展示。这样就可以节约大量的人力，提高业务系统的开发效率，并提高系统质量。同时还可以增加系统的灵活性，提高对需求变更的支持能力。业务权限系统整合：云计算引擎和业务系统权限的整合是一个比较复杂的问题，这里是想通过对云计算定义信息的扩展，使之和业务系统权限认证体系无缝结合，从而达到简单、方便、有效的权限控制。
二、地税信息化建设的现状
在这个高度信息化的时代，如何使本单位内部的各个组成部分在工作以及办公的时候具有较高的集成化，其重要性越来越凸显出来。目前，面对着激烈的市场竞争，工作效率的高低俨然已经成为各个行业在市场竞争中的成败。过去办公方式，显然逐渐背离了现时代对办公的要求。传统的“有纸化”办公方式将单位的各个部门分散化，人员拿着办公文件亲自送到所要进行审批、签字以及盖章的部门或者人员那里，不仅浪费人力物力，更严重的问题是这些计算程很浪费时间，导致工作效率的低下。开发一套满足地税行业特定需求的电子政务产品不仅解决了工作人员亲自拿着公文去各部门去审批签字，在很大程度上提高了工作效率，而且在“无纸化”的办公环境中，能够有效的降低系统的运行成本。当前，电子政务已经进入了高速发展的时期，地税行业的信息化发展也正在如火如荼的进行中。本文的研究目标就是以现有开源云计算产品为基础，为地税行业的软件基础平台设计、实现一个完整、高效、适用性强的云计算平台。同时，在云计算扩展应用上针对多任务支持、动态云计算程支持、界面驱动、权限系统整合几个方面进行研究，给出对应的解决思路。
流程管理、监控工具：为用户提供云计算流程的管理、监控功能，为每个流程提供一系列的操作列表，使用户可以对流程进行人工的干预、调整。
单节点、多任务支持：传统的云计算系统，节点即任务，一个节点上只能有一个任务存在和执行。对于地税行业核心应用系统来说，通常情况下，一个业务阶段上会有很多的可执行任务，这些任务直接没有明确的先后顺序关系或者制约条件。如果把这些大量的任务都设计为一个节点的话，那么整个的云计算模型将会非常的复杂，这样会对业务流程的分析、模型的制作带来很大的麻烦，并且业务系统的开发也会复杂很多。因此单节点、多任务的特性对地税行业来说是非常必要的，这样的话，我们就可以设计简单的云计算流程（即少量节点，节点下多个任务），从而降低业务流程建模复杂度，并降低软件复杂度。同时该特性也会影响到建模工具、升级工具等相关特性。
三、云探索在地税行业信息化建设中的应用
云探索的方法和技术在网络入侵防范中有着广泛的应用，云探索与网络入侵检测是密切相关的。为此，我们先阐述云探索的知识、方法与技术。云探索是一个交叉研究领域，涉及数据库系统、机器学习、智能信息系统、统计学和专家系统。云探索充分利用了这些学科的结果，但是研究目标和重点又不同于这些单一研究领域。云探索方法能从巨大的真实数据库中提取感兴趣的和以前不知道的知识，从而成为一个在理论和应用中重要而实用的研究领域。但是，云探索并不等同于任何一个上述提及的学科。例如，统计学在云探索中应用广泛，但是在一些方面并不解决问题。统计学的方法限制在数学范围内，无法表示集合之间的关系，如集合的包含关系。在关系数据库中，属性值只能使用精确数据，不能使用不确定或不精确的数据。数据库对于云探索来说，只是一个训练集，相对于数据库在DBmS系统中的角色，要次要得多。机器学习的算法也很多，但是要在云探索中应用，必须要解决实用性问题，即在大量的数据中进行有效的学习。云探索主要解决以下问题：（1）数据的表示云探索不仅要挖掘二维数据表数据，还要挖掘文本数据、多媒体数据和万维网数据。（2）挖掘算法现在云探索已经发展了众多的建模和学习方法，从中选择合适的算法更多是来自经验。（3）使用背景知识使用背景知识无疑会帮助在云探索中建模的准确度。（4）可视化-使用可视化的方法进行云探索非常重要和有用。（5）挖掘结果的评价模型挖掘出来后，必须要对模型进行系统或者统计测试，以检验模型的质量。（6）人机交互寻求云探索过程中的可视化方法，使知识发现的过程能够被用户理解，也便于在知识发现的过程中进行人机交互。
第一，要遵循信息化工作的科学性、规范性、程序性。信息一体化建设的前提是业务一体化。应按照信息技术客观规律的要求，采取业务再造、机构重组等现代管理思想，对税收业务规程、工作制度、考核体系等进行修改和完善，遵循“科学、简便、有效、共享”的原则，调整某些不适应现代化管理要求的制度。并根据信息化特征，规范信息采集渠道，完成新的税收业务规程和内部管理程序、工作制度的建设与革新。第二，加强税收信息化专业队伍的建设和组织管理。税务系统应建立一支具有良好政治业务素质、结构合理、相对稳定的信息化专业开发服务队伍。应制定必要的特殊政策，从机构设置、工作环境、职称评审、待遇、再培训、职务晋升、干部交流等多方面，建立人才培养和激励机制，稳定技术队伍，解决日益突出的信息技术人才流失问题，并吸引更多的专业人才到税务机关工作。要通过学习进修、专题培训等方式，加快技术人员的知识更新，使其适应信息技术发展和税收信息化事业发展的需要。在总局、省局应建立相对集中的税务管理信息化开发和技术支持队伍，以实现对核心业务系统和技术的掌控。第三，加强部门间密切配合。要树立全局观念，加强联系，信息技术部门要做好技术管理和技术支持、服务工作；业务部门也应要按照信息技术的要求，在软件开发、整合、项目推广、设备调整、资金管理等工作中，与技术管理部门密切配合，确保信息化建设协调有序。第四，规范性与灵活性结合。上级管理部门应在一体化原则和标准的前提下，建立创新机制，适当放松并鼓励基层单位在采用信息技术新方法，以及进行征管改革创新、目标管理、为纳税人服务、部门合作办税、信息管理和信息资源开发使用等方面的探讨应用，以期获得更多更好的制度创新和技术创新。
四、结论
从大量数据中提取隐含的、以前未知的、隐藏的、潜在有用的知识或高层信息，如数据库中的记录。“知识”是指描述数据集合整体特性的更高层次的概念，如预测属性值的规则、属性之间的依赖关系等。有时“数据”、“知识”、“信息”并没有严格加以区分。通过制定合理、科学的数据采集工作制度，严肃数据采集纪律，保证数据采集质量的完备性。数据采集质量的技术检测只是一个手段，更多的还必须靠管理制度和规范来解决。
参考文献：
简述云计算的主要特征篇6
关键词云安全模型信息系统保护测评
中图分类号：tp3文献标识码：a
文中以云安全服务模型为研究依据，从云计算信息系统的安全特性入手，提出建立云安全服务模型及管理中心，介绍了云安全等级保护模型的建立情况。
1简述云计算信息系统安全特性
以传统的互联网信息系统相比较，云计算信息系统把全部数据的处理与存储都放在服务端，终端用户根据网络可以及时获取需要的信息和服务，没有必须在本地配置的情况下进行数据的处理和存储。根据网络中所设置的网络安全防护设施，可以在服务端设置统一的身份兼备与安全审计系统，确保多数系统出现的安全问题得到有效解决，但此时新的设计服务模式又会带来新的安全问题，例如：滥用云计算、不安全的服务接口、数据泄露、安全管理等多个方面的问题。
2建立云安全服务模型及管理中心
现实中的不同云产品，在部署模型、资源位置、服务模型等各个方面都展现出不一样的形态和模式，进而形成各不相同的安全风险特征及安全控制范围。所以，必须从安全控制的角度创建云计算的模型，对各个属性组合的云服务架构进行描述，从而确保云服务架构到安全架构的合理映射，为设备的安全控制和风险识别提供有效依据。建立的云安全服务模型如图1所示。
3云安全模型的信息安全等级测评办法
云安全信息安全保护测评的办法就是根据云安全服务模型与云安全中心模型，考察用户在云安全方面的不同需求，安全模型处在安全等级保护体系下的不同位置。安全模型一端连接着等级保护技术，另一端连接着等级保护管理的要求。根据云安全信息中心的建模情况，对云安全模型下的核心基础、支撑安全展开分析，获取企业在云安全领域的信息安全等级测评模型，依照模型开展下一步的测评工作。
3.1分析等级测评云安全模型下的控制项
根据上述分析情况，可以把云安全模型嵌套在云安全等级保护模式中，从而展开与云安全有关的信息安全等级评价，并对安全模型下的有关控制项展开分析。首先察看云认证及授权情况，对是否存在登陆认证、程序授权、敏感文件授权等进行测评。依照不同的访问控制模型，选择访问控制的目标是强制性访问、自主性访问、角色型访问，进而采取与之相对应的方法。为了确保网络访问资源可以有效的控制和分配，需要创建统一、可靠的执行办法和解决策略。自由具备统一、可靠地方式才可以保障安全策略达到自动执行的目的。测试网络数据的加密情况，要对标准的加密功能及服务类型，做到静态和动态的安全保护。探测数据的备份与恢复情况，就必须查看云备份是否安全、数据销毁情况、磁带是否加密及密码钥匙的管理，检查的重点是供应商的数据备份情况。查看对管理用户的身份是否可以控制管理，是否可以管理用户角色的访问内容。查看用户的安全服务及审计日志，其中包括网络设备的监控管理、主机的维护、告警管理与维护等。
3.2分析等级测评云安全模型的风险性
依照等级保护的有关要求，运用风险分析的办法，对信息系统展开分析时必须重视下面的内容。
（1）云身份认证、授权及访问控制
云安全对于选择用户身份的认证、授权和访问控制尤为重要，但它所发挥的实际效果必须依赖具体的实施情况。
（2）设置云安全边界
云安全内部的网络设备运用防火墙这系列的措施展开安全防护。但外部的云用户只能运用虚拟技术，该技术自身携带安全风险，所以必须对其设置高效的安全隔离。
（3）云安全储存及数据信息备份
一般情况下，云供应商采用数据备份的方式是最为安全的保护模式，即使供应商进行数据备份更加安全，仍然会发生数据丢失的情况。所以，如果有条件的，公司应该采用云技术共享的所有数据进行备份，或在保留数据发生彻底丢失事件时提出诉讼，从而获取有效的赔偿。云计算中一直存在因数据的交互放大而导致数据丢失或泄露的情况。如果出现安全时间，导致用户数据丢失，系统应该快速把发生的安全时间通报给用户，防止出现大的损失。
4结束语
综上所述，随着云计算技术的发展，云计算信息系统会成为日后信息化建设的重要组成部分。文中从云安全等级保护测试为研究依据，简述了云计算信息系统安全特性，对云安全服务模型及管理中心的建立情况进行分析，提出云安全模型的信息安全等级测评办法。
参考文献
简述云计算的主要特征篇7
【关键词】图像识别技术移动增强现实技术结合
移动互联网技术的飞速发展，使得移动增强现实技术（maR）受到了越来越多的关注，在实际应用中的关键技术包括了交互技术、显示技术以及跟踪定位技术等。在长期的发展中，对于相关算法的研究多集中在室内环境，对于室外的复杂场景适应性不足，无法完成大规模图像的实时跟踪注册。对此，本文提出了基于图像识别技术的maR系统。
1系统总体架构
maR系统采用了C/S架构，可以实现对于场景图像、增强信息以及人员的管理，其中数据管理主要是利用管理系统，建立起相应的场景图像数据库和增强信息数据库，对相应的数据信息进行存储，同时建立索引，以方便用户进行信息的检索；人员管理主要是针对图像采集人员和采编人员的管理，采编人员需要将采集到的图像以及与之关联的增强信息输入到数据库中。结合云端的存储功能和计算能力，系统可以完成对于样本的训练以及图像的快速识别。系统总体架构如图1所示。
2基于图像识别的跟踪注册算法
2.1改进特征描述算法
在室外场景中，存在着大量结构类似的建筑工程，受其影响，如果使用BRiSK或者SURF等算法进行图像特征匹配，并不能取得预期的效果，对此，相关研究人员提出了以重力方向解决相似特征的误匹配问题，并且取得了显著的成果。假定存在有四个特征点，其通过邻域像素灰度信息计算特征点主方向，而且仅仅相差一个旋转角度，如果特征点邻域旋转到主方向，计算出的特征描述将会变得缺乏典型性和区分性。而如果利用重力传感器信心，在BRiSK或者SURF算法的特征描述中加入重力信息，可以生成Gravity-BRiSK和Gravity-SURF描述，使得四个特征点的描述差异更加显著。
2.2大规模图像识别技术
当前，许多基于图像检索的场景识别算法，如随机树、BoF等，都存在着计算量大、内存消耗大的问题，对此，系统在对大规模图像识别算法进行选择时，引入了VLaD算法，能够在一定程度上解决内存占用问题，以Gravity-SURF对图像特征进行描述，也可以实现对于相似图像特征的有效区分，提升场景识别的准确性和可靠性。在系统运行中，识别算法需要首先针对云端图像数据库中存在的训练图像的Gravity-SURF描述进行提取，做好VLaD编码处理，得到图像的VLaD聚合量。在针对图像进行在线识别时，算法能够对aR（增强现实技术）上传的查询图像的VLaD聚合向量进行提取，与训练图像本身的聚合向量进行对比，通过相似度测量来保证识别结果的准确性。
2.3视觉跟踪注册算法
在自服务器中获取识别图像的编号后，maR系统可以针对图像进行跟踪注册，以完成对三维模型的实时渲染。从确保实时性的层面考虑，可以选择BRiSK算法，构建Gravity-BRiSK描述。在实际应用中，算法会对关键帧进行训练，得到特征集，在跟踪初始化环节，算法能够获取相应的实时帧图像，将其与关键帧特征匹配集合结合起来，运用pRoSaC算法，可以取种其中存在的误匹配点。为了提升跟踪注册算法的实时性和鲁棒性，可以利用金字塔L-K光流跟踪的方式，完成对于特征点的准确匹配。
在光流跟踪阶段，如果摄像机本身的运动速度过快，则由估算得到了特征点坐标会存在较大的误差，算法会自动将这些特征点剔除来保证良好的效果。同样，当摄像机本身的角度不合理、出现遮挡或者光照变化时，系统同样会剔除相应的特征点，@样必然会导致特征点数量的减少，影响跟踪的稳定性。针对这个问题，需要做好系统设定，当跟踪点的数量小于一定数值时，系统初始化，然后重新进行特征点匹配。
2.4三维渲染
在场景中，以Unity3D渲染引擎进行三维模型的绘制，以实现虚拟场景与现实场景的融合显示。不过，考虑到Unity3D渲染引擎与摄像机使用的均为左手坐标系，本身提到的摄像机坐标系和由跟踪注册算法定义的世界坐标系为右手坐标系，需要进行坐标系的转换工作。这里在右手坐标系中，选择特征点，坐标为pwr（x，y，z）、pcr（x，y，z），对应的左手坐标系特征点坐标为pwl（x，y，z）以及pcl（x，y，z），坐标转换关系为：
pcr=Rrpwr+tr，pcl=Rlpwl+tl
pcl=apcr，pwl=apwr
其中，Rr、Rl表示旋转矩阵，tr、tl表示平移矩阵，a=diag（1，-1，1）。结合上述公式，经计算，可以得到Unity3D渲染引擎中摄像机的旋转矩阵和平移矩阵，有
RUnity3D=Rl-1
tUnity3D=-Rl-1tl
其中，Rl=aRra，tl=atr。
3结语
经测试，本文提出的算法可以满足系统对于实时性和精度等方面的要求，而且基于云端的增强现实系统可以在多个领域中得到应用，能够发挥出良好的效果。
参考文献
[1]吕强，黄成，刘明.移动云计算――移动增强现实技术和服务[J].中兴通讯技术，2015（02）：25-29.
[2]申威.基于图像识别的增强现实系统的实现[D].北京邮电大学，2013.
[3]严雷，杨晓刚，郭鸿飞，陈靖.结合图像识别的移动增强现实系统设计与应用[J].中国图象图形学报，2016，21（02）：184-191.
作者简介
吴振宇（1980-），男，浙江省义乌市人。大学学历。现为浙江交通技师学院讲师。研究方向为计算机教学研究。
简述云计算的主要特征篇8
关键词：云计算；云数据；数据管理技术
一、云计算
（一）云计算的概述。近年来，由于数据的快速增长，用户对计算机的数据存储能力，要求也越来越高。云计算是一项新兴的数据处理技术，改变着普通用户使用计算机分析、处理数据的方式，为用户提供了强大的数据分析、存储能力，方便用户进行数据管理，目的是让用户高效的使用计算机的数据资源[1]。云计算不仅是解决数据的计算问题，更多的是结合其他技术进行综合发展。
（二）云计算的技术原理。云计算以互联网作为发展平台，以计算机技术作为实现途径，将数据进行整合、处理、应用、存储等，云计算是一种有效性强、低成本的计算机技术，通过计算机系统，实现数据资源优化的计算方式。云计算的基本原理是使数据分布在计算机上完成，能够使计算的数据进行合理的应用，实现计算机的存储功能。这就意味着计算机的云计算能力就像商品一样可以进行流通，最主要的是使用方便，价格低，而主要方式又是通过互联网进行的，实现了与计算机技术的接轨。
（三）云计算的应用。云计算具有操作简单的优势，用户无需掌握太多的云计算技术，就可以直接进行操作。在云计算下，可以使用户快速获得信息，为用户提供一站式服务[2]。云计算的特征主要表现为管理性、分散性、储存性等特征，同时还具有服务性、经济性等更深层次性的特征。云计算系统是通过ip网络连接的，云计算系统的核心组成部分是云计算平台。目前，国内多数企业都采用了云计算来为用户服务，例如，谷歌推出的谷歌app服务，iBm推出的“云海”操作系统等等，许多知名的企业都在大力的开发云计算软件，随着云计算的发展，一些虚拟化服务、数据整合服务也都采用了云计算技术，争取创造出更多的云计算产品。
二、云数据管理技术
（一）GFS技术。GFS技术，是一个大型的文件计算系统，它为谷歌云计算提供大量的数据储存空间，形成谷歌的云计算解决方案[3]。GFS将整个系统分为客户端、主服务器、数据块服务器3类，使应用程序直接调用这些函数，与该数据库连接在一起，进行整个系统数据的保存。GFS将文件按照固定大小进行分块，每一块被称为一个数据块，并有相应的索引号。在客户端进行访问GpS时，需要先进行节点访问，然后进行数据信息的获得，这种数据存储方式实现了控制数据流的作用，使得云数据管理技术的整体性能得到了提高。
（二）Dynamo技术。云计算的数据具有数量庞大、数据不确定性的特点，需要采用有效的管理技术对数据进行分析和管理。在云数据的众多管理技术中Dynamo技术具有独特的技术优势，它不仅具有分布式的储存模式，而且还能进行数据存储的表格构建，Dynamo技术可直接提供底层支持，它的优点是通过它所提供的n、R、m三个使用参数，根据客户的需求来进行实例的调整，其中n是副本个数，R是读取个数，w是写入成功的个数，当读取个数大于副本个数，就可以保证数据的一致性，当读取个数小于副本个数，则就不能保证数据的一致性。Dynamo技术的工作原理其实就是提供不同的版本，并能够灵活应用。
（三）云数据管理技术的利与弊。云数据管理的数据具有海量性、异构性、非确定性的特点，而云数据管理技术本身又具有规模大、结构性强的特点，是针对云数据的特点使用的一种数据管理方式，在应用上为客户提供方便快捷的数据模型，来进行数据的读取。虽然云数据管理技术在不断的改进和完善，但也存在着一些问题，例如，在数据丢失时，如何进行数据的还原与修复的问题，是需要云数据管理进行技术提升的方面。
结论
随着社会大量数据信息的涌现，云计算和云数据管理技术受到越来越多的关注，这也充分体现了数据由密集型向技术型转变的发展趋势。传统的数据管理方式在海量数据的冲击下，会遇到一定的挑战，云数据管理技术应采用新的方式去处理数据，从更深层去管理数据，通过云计算的平台构建，实现为更多用户服务的理念，也将出现越来越多的数据管理技术，使数据存储和管理方式不断的更新与发展。
参考文献
[1]刘正伟,文中领,张海涛.云计算和云数据管理技术[J].计算机研究与发展,2012,1(07):26-31.
[2]南志海.云计算和云数据管理技术探讨[J].硅谷,2013,06(05):7+3.
简述云计算的主要特征篇9
1人体点云数据的获取三维人体扫描系统如图1所示。它是基于双目立体视觉原理［6］开发的，主要由4台摄像机、2个激光投射装置、4个采集卡和1台微型计算机等组成。人站在前后2组摄像机之间，激光投射装置初始时将光源定位在距地面2.2m高度处，自上而下扫描人体，扫描时间大约需要3～4s，扫描完成后，人即可离开扫描系统，系统软件对拍摄的人体图片进行自动处理来获取人体前、后面点云数据，初始的人体点云数据如图2所示。该数据由人体前、后面2组点云组成，无论沿扫描线方向还是扫描方向，点云都非常的密集。对于点云的处理，首先采用三维空间几何变换将人体前、后面配准为一个完整的人体模型［7］，然后对点云进行定位，使人体垂直轴与坐标系的xz面垂直。点云的密集无序，不利于点云的简化、除噪、光顺以及人体模型的构建等，因此本文采用1组等距的平行平面剖切人体点云数据对其进行分层，处理后可获得人体扫描线点云数据［8］，如图3所示。根据扫描线点云的特点，每条扫描线上的点可以放到二维平面上进行处理，与散乱点云、网格化点云的处理比较，要简单得多。分层后的点云如图4所示。由于扫描线上点的分布不均匀，在某些部位或方向上密度较大，存在大量的冗余数据，严重影响了后续点云光顺去噪处理的效率，因此需要对其进行简化，减少测量点的数量。
2点云的简化
点云简化后如果保留的点较多，则起不到简化作用，如果剩余的点较少，可能会丢失大量信息，因此，点云简化要采用效率较高的算法，在最大程度保留数据原始信息的基础上，删除不必要的点。
2.1典型的点云简化方法均匀采样法是每隔m个点保留1个点，该方法无需搜索数据点的邻域，速度快，但是容易造成孔洞区域的扩大。倍率缩减法由于遍历次数多，其时间复杂度高［9］。弦偏离法［10］较适合应用于顺序排列的数据。对于散乱点集，因相邻存储的3个点往往会超出极限弦偏离值或最大弦长，导致几乎所有点都被采样到，因而通常无法达到数据简化的目的［11］。用栅格法［12］(见图5)简化后的点云是接近均布的，容易造成点云数据细节的缺失。
2.2扇形栅格简化法
2.2.1扇形角度简化法文献［13］提出了一种扇形角度简化方法来简化人体点云数据。它根据人体截面曲线一般为环形闭合曲线且具有单值性的特点，得出在轮廓曲线内的中心点向外做射线，则射线与轮廓线的交点只有1个的结论，根据这些特征采用等角度扇形分割，形成扇形区域对点云进行简化。将截面点云划分成若干小的扇形区域，而不是采用一般的方格划分，如图6所示:假设o为截面轮廓点云分布的中心，以o为极点建立极坐标系，将圆周36等分，每个小的扇形区域的包围角θ=2π/36，每个扇区会包含若干个点云数据，调整扇形区域的角度θ大小可以调整点云数量。截面轮廓中心坐标可以由如下方法计算，假设轮廓包围区域为均质薄板，以薄板的质心作为扇形区域分割的中心，根据质心计算公式，则有:式中面密度ρ(x，y)=1。将直角坐标系原点平移到截面轮廓中心(实际上不一定必须是中心点)，并转换成极坐标系，本系统水平切面的平面坐标系为o-XZ坐标系，极坐标系为l(θ)，l为极径，θ为极角。(x，z)与(l，θ)的转换关系为:搜索扇形区内数据点的数量n，对含有点云的扇形区做下述计算，求出扇形区内数据点的中心。以中心点(xc，yc)替代扇区内所有数据点，以此遍历所有含点云的扇区，即可将点云数据简化，得到人体截面曲线的型值点。这种数据简化方法具有以下特点。1)具有滤波和光顺效果。实际上按照以上扇形分割和中心点计算方法，对截面点云数据具有局部滤波和光顺效果，调整扇角θ的大小，可以调整滤波和光顺的效果，但是当点云中的噪声点较多或者噪声点偏离人体点云的距离较大时，简化后的点云会发生失真现象。2)不会发生型值点重叠现象。因为简化操作是以环形轮廓中心为中心做扇形分割，1个扇形区域只得到1个型值点，因此不可能发生型值点的径向重叠。3)简化率调整方便。调整扇形区域角度即可调整扇形区内包含点云的数量，进而调整简化率。采用该方法对一些特殊部位的截面点云的简化有较大的失真，主要发生在胸部和臂部截面轮廓曲线处于同一切面的部位，该扇形区即为胸部与臂部轮廓线结合部位，或肩部与胸部过渡部位，此扇形区一般为轮廓曲线内凹部位。在这些部位的截面轮廓曲线有2种可能的状态:一是不满足单值性，当θ角相同时，出现2个以上的轮廓点，即轮廓曲线内的中心点向外做射线，射线与轮廓线的交点不是单一的;二是轮廓曲线局部dl/dθ较大，即局部轮廓曲线与射线夹角较小，如图7标记a所示。
2.2.2扇形栅格简化法的基本原理扇形栅格简化法原理为以扇形栅格对点云进行栅格简化，通过增加沿径向的取样点，弥补了扇形区域简化的缺陷，从而降低了诸如胸部与肩部结合部位和肩部与胸部过渡部位等复杂截面轮廓点云简化的失真度。如图8所示。具体简化步骤为:1)利用式(1)求出截面轮廓点云的中心坐标(xo，yo)，以(xo，yo)为极点o建立极坐标系l(θ)，l为极径，θ为极角。2)将点云从直角坐标系原点平移到截面轮廓中心，并转换成极坐标系，系统水平切面的平面坐标系为o-XZ坐标系，转换关系见式(2)。3)以截面轮廓点云的最大极径lmax和最小极径lmin为半径做圆环封装区域，以θ为角度间隔，以l为半径间隔，将圆环区域分割为扇形栅格。4)对所有含点云的扇形栅格，应用式(3)求出扇形栅格内数据点的中心(xc，yc)，以中心点替代栅格内所有数据点。点云简化后如图9所示。
2.2.3简化结果分析1)点云被限制在栅格内，因此，该方法能较好地保持点云凹部细节特征。简化率易于调整，只需调整l和θ即可，且运算速度较快。简化后的点云可以直接快速地通过扇形的角度和栅格进行排序。2)由于噪声的影响，用该方法简化后的点云中可能存在重叠现象，因此在后续处理中，还需对其进行除噪和光顺处理。3)由于人体不是刚体，用手工方法测量人体数据时，会由于人体的呼吸、测量者的主观经验而产生误差，因此该简化方法很难通过人体实际测量值的比较来验证其精度。由于该算法运算速度快、具有保留模型细节特征，且通过几组点云的实验，主观上认为简化前后点云偏离度非常小，因此，使用该算法对点云进行简化，可提高后续点云处理的效率。
简述云计算的主要特征篇10
关键词：三维激光扫描点云数据处理三维建模
中图分类号：p258文献标识码：a文章编号：1007-9416（2013）01-0085-02
1概述
三维激光扫描技术又称作高清晰测量（HighDefinitionSurveying，简称HDS），它是利用激光测距的原理，通过记录被测物体表面点的三维坐标信息、反射率、纹理等信息，将被测实体和场景的三维数据完整地采集到电脑中，进而快速复建出被测目标三维模型及线、面、体等图件数据。
项目位于内蒙古敖仑花铜钼矿露天采场，面积约1平方公里，扫描区域如图1。作业要求：全野外三维点云数据采集、填挖方量计算、1：2000地形图、建立三维模型、生成三维视频。
2三维激光扫描系统的原理
脉冲式三维激光扫描仪工作原理是激光器发射出单点的激光，通过记录激光的回波信号，计算激光的飞行时间，来计算目标点与扫描仪之间的距离。这样连续地对空间以一定的取样密度进行扫描测量，就能得到被测物体的密集的三维彩色散点数据，称作点云。三维激光扫描仪通过脉冲测距法获得测距观测值S，精密时钟编码器同步测量每个激光脉冲横向扫描角度观测值α和纵向扫描角度观测值θ。三维激光扫描一般使用仪器内部坐标系统，X轴在横向扫描面内，Y轴在横向扫描面内与X轴垂直，Z轴与横向扫描面垂直，由此可得点云坐标（XS，YS，ZS）的计算公式，如图2、3所示。
3仪器介绍
本项目点云采集三维激光扫描仪，图4。
此仪器是当今最先进的三维激光扫描系统之一，它是一种高速脉冲式扫描仪，特点如下：
（1）完全的视场角：扫描视场角为水平360°，垂直270°，可获取顶部，垂直方向、水平方向和水平方向以下区域的数据；（2）测量级精度的双轴补偿器：可架设在已知点上进行导线测量、可输入点坐标来放样、精度1”，补偿范围+/-5’；（3）基于标准反射率表面工作距离：300m-90%反射率；134m-18%反射率；（4）高速扫描：扫描速度可达50000点/秒；发射的光斑大小为50m处恒定3mm，大大提高了扫描的速度和精度。（5）测量级精度如表1。
4Scanstation2外业三维数据扫描
三维点云数据采集，关键步骤如下：
4.1外业踏勘
首先，要进行现场踏勘、制作扫描规划草图，规划的内容包括：外业操作人员、扫描区域和时间、站点设置、标靶位置等。其次，科学设站，在保证仪器发挥最大功效的同时，应避免重复扫描，另外，后期如进行标靶拼接，一定要设计好下一站标靶的位置以确保两站标靶通视，如进行点云拼接，设站要尽量采集到较多的特征点。最后，标靶设置要规范，标靶摆设要稳固，尽量不要共线，同时标靶的位置最好设置在两站公共空间的最大距离处，以保证拼接精度。
4.2外业扫描
外业点云数据扫描，主要步骤如下：（1）连接扫描仪和电脑，设置ip地址；（2）添加数据库，确定数据存储位置；（3）添加扫描仪，设置扫描仪参数，主要包括：照片曝光率、扫描范围、点云间隔密度等；（4）选择扫描数据存储的位置并连接扫描仪；（5）三维点云数据及标靶扫描。
5点云数据处理
在Cyclone系统软件内进行，步骤如下：
5.1剔除噪音点
在扫描过程中，由于受扫描系统本身的系统误差，如数据采集时激光雷达旋转引起的抖动、在扫描过程中杂散光和被测物体表面粗糙程度、波纹、表面材质等因素及外界环境影响，会产生不属于扫描实体本身的冗余数据，称为噪音点，如图5，6，为了保证数据计算及模型的精度，在数据拼接之前需进行噪音点剔除。
5.2点云拼接
每站扫描的数据都是独立的自由坐标系统，坐标系原点为扫描仪镜头，其X方向为扫描仪开机时的镜头朝向。因此为了统一坐标系，需将各站数据进行拼接处理。拼接的思路是先将每天各测站的数据拼接成一个整体，然后将各天的数据进行拼接。
（1）点云拼接原理：外业扫描时用全站仪测得标靶的真实三维坐标，各测站扫描时均两两包含三个以上不共线同名标靶，利用各测站间的同名点将各测站数据拼接在一起。
（2）点云拼接方法：共有四种方法：在已知点上设测站扫描（即坐标拼接）、使用标靶将数据转换到统一坐标系中（即标靶拼接）、用点云匹配的方法将点云转换到统一坐标系中（即特征点云拼接）、综合使用上述三种方法。
第一种方法属于直接法地理坐标转换。与传统的测量方法一样，首先进行控制测量，获得控制点坐标，扫描时在已知点上设站，扫描相当于碎部测量。第二和第三种方法属于间接法的地理坐标转换。首先用至少三个公共点来将相邻测站的点云进行拼接，公共点可以是专用标靶或特征点（如窗户的边角、房角等）。
5.3点云建模
建模的过程是在Cyclone软件下利用海量点云进行精确计算、拟合几何物体的形状，精确表现扫描物体。矿区扫描点云数据如图7。
点云经过剔除噪音点、拼接、构建tin三角网，生成mesh三维模型。如图8所示。
5.4成果输出
（1）地形图制作：在Cyclone下利用mesh三维模型自动生成等高线如图9，将点云与等高线导出，在CaD中制作1：2000地形图。
（2）填挖方量计算：项目采用了两种计算方法，一是利用点云数据构建三角网，用方格网法计算；二是在mesh模型中选定参考面，设置取样间隔，计算土方量，如图10所示。
在Cyclone系统里，应用mesh三维模型计算时，取样间隔的数值可以设置成0.01至1米之间，均可保证土方量计算又快又准，但如采用传统的方格网法计算，取样间隔即使设置到1米，也是相当费时费力的。
6结语
本项目采用世界先进的三维激光扫描系统采集三维点云数据，在Cyclone系统里进行数据处理、模型制作，采用两种方法计算土方量，通过与传统测量方法相比，得出以下结论：
（1）数据采集速度快，ScanStation2的扫描速度是50000点/秒，短时间就可完成大区域面积内三维点云数据的采集，既节约成本又提高了工作效率；（2）激光三维扫描，不需要接触被测物体，且是根据物体的反射率和材质来采集数据信息，可进行全天候扫描；（3）点云数据完整精确，在软件下可进行多视角、三维可视化漫游浏览，方便、直观；（4）三维激光扫描仪获取的点云数据信息量丰富，既包含被测物体X，Y，Z坐标信息，还包括RGB颜色及反射率信息，后期对矢量数据可进行深挖掘及研究应用，一举多得；（5）应用三维点云数据可以提取任何线性特征，可以出任意比例的二维图，也可以在图上量取任何想要得到的信息，在保证高精度的同时还大大提高了生产效率，这是目前现有的方法中所不能比拟的。
参考文献
[1]李滨.徕卡三维激光扫描系统在文物保护领域的应用[J].测绘通报，2008年第6期.
[2]李清泉.三维空间数据的实时获取、建模与可视化[m].武汉大学出版社，2003年.
[3]田庆.地面激光雷达数据的分割与轮廓线提取[C].北京建工大学硕士论文，2008年.