云计算的特征篇1
[关键词] 云计算； 教育空间站； 虚拟学习； 网络化学习； 在线学习社区
[中图分类号] G434[文献标志码] a
一、问题的提出
教育信息化的内涵是利用先进的信息技术促进教育变革、推动教育现代化，[1]另一方面，在网络环境下开展终身教育、建设学习型社会是可以预见的未来发展趋势，[2]于是虚拟学习社区应运而生。在传统的网络环境下，王海东等[3]系统阐述了网上虚拟学习社区的概念、社区特征和结构、社区的建立步骤；汪琼等[4]构建了一个在线交互虚拟学习环境；陈国强[5]分析了虚拟学习社区平台使用存在人员集中、时间集中、目的集中等特点，深刻剖析了现有资源内容的四个缺陷，即应付、堆砌、盈利、无吸引力等。
教育对人类社会发展具有不言而喻的重要意义，理论上说，教育也应该面向全国、乃至全球，开放、跨越与共享。然而，现有的部分教育师资、软件、工具、资源等存在独享、昂贵、不便捷等不足。在当前新的网络环境下，可以充分发挥云计算的优势，建立具有优良特性的虚拟学习社区，为各类用户提供一个更为快捷、低廉的途径参与网络化学习。
云计算是传统计算机技术和网络技术发展融合的产物，[6]旨在通过网络把多个成本相对较低的计算实体整合成一个具有强大计算能力的完美系统，并借助软件即服务SaaS等先进的商业模式把这强大的计算能力分布到终端用户手中。[7]云计算本质上是一种新的提供资源按需租用的服务模型，是新型互联网数据中心业务，[8]被认为是互联网领域的一场革命，其兴起为互联网的发展开辟了新天地，[9]被称为web3.0。[10]另一方面，随着社会不断发展与进步，各种教育需求急剧增长、教育资源严重不足，传统虚拟学习社区已显得力不从心，如何将目前最先进的信息技术服务于教育变革、推动教育资源共享，针对当前教育信息化和终身教育的瓶颈问题，在云计算环境下建立满足大多数教育需求的虚拟学习社区就成为当前急需解决的关键问题。
在上述背景下，湛江师范学院近年来着力推进面向地方基础教育的优质教育资源深度共享，通过未来教育空间站，在云计算的背景下构建服务于地方的数字化教育公共服务平台，从而实现传统课堂教学与网络课堂教学、高校课堂教学与中小学及幼儿课堂教学、城市课堂教学与农村课堂教学、普通教育与继续教育在时间、空间、内容和方式等四个维度的全面融合，促进学校教师教育方向的教学和科研从传统“自然时空”向信息技术支持下的“数字时空”扩展和延伸。
本文从云计算时代虚拟学习社区的现状入手，结合湛江师范学院未来教育空间站，重点分析云计算时代虚拟学习社区所具备的特征，为同行研究者科学可行地构建云计算时代虚拟学习社区提供尽可能全面完善的理论参考与实践借鉴，进一步推动新环境下虚拟学习社区的发展。
二、云计算时代虚拟学习社区的现状分析
随着信息技术的发展，未来的网络将是一个充满“云”的世界，网络将从根本上改变人类的精神家园，包括工作、生活以及认知方式，其中最直接受影响的是教育。[11]在国内，云计算方兴未艾，清华大学等高校已经采用云计算平台技术开发了云存储Corsair、云计算noVa等应用，[12][13]江苏无锡独创了“城市云”，广东率先在南海建立了华南地区首个云计算中心等。[14]目前，国内外相关学者已经关注到了云计算对虚拟学习社区带来的深远影响，展开了若干有意义的研究工作。朱惠娟[15]就云计算及其在网络学习环境构建中的应用做了初步的研究工作，提出了一个基础性框架。等[16]以构建灵活开放的教师专业发展共同体为出发点，基于云计算平台设计了一种面向教师专业发展的虚拟学习社区平台。Bo Dong[17]提出了基于iBm蓝云的e-Learning系统。在国际上，mohammed[18]提出了一种基于云计算的虚拟个性化学习方案，构建了一个初步的系统集成平台。Casquero o等[19]在iGoogle和Google apps的支撑下提出了基于云计算的虚拟学习应用，marenzi i.[20]提出了Learnweb 2.0平台支撑终身学习，相关资源可以存储在中心集群服务器、中心存储器、学习者桌面端、甚至在线交流社区，paul pocatilu[21][22][23]也展开了类似的研究。
云计算技术体系在各种媒体的大肆宣传下似乎已经相当完备，上述研究也已触及了部分技术及其应用实现。事实上，云计算本身还在不断发展与完善，应用规模仍然很小。目前，关于云计算环境下的虚拟学习社区，无论是理论模型还是实现技术，国内外文献中还鲜有完整、成熟的研究报道。本文认为，最优化资源管理方式是教育机构努力的目标之一，云计算因其“应用灵活、按需使用、按用付费”而成为最可能的解决途径之一。因此，分析云计算时代虚拟学习社区的特征，对于真正实现新环境下的虚拟学习社区具有重要理论指导意义。
三、湛江师范学院未来教育空间站
教育空间站是指在现代信息化技术支撑下的创新教师教育信息化虚拟平台。华东师范大学在国内首创了基于信息技术平台上的未来教师专业发展创新体系——“未来教师空间站”。在传统网络环境下，该未来教师空间站于2006年开始测试运行，目前已成为国内以技术创新支撑学习革命的典型案例之一，并在一定程度上获得了国际同行的认可。[24]与此类似，广西师范学院在整合各种常规的教师教育信息化环境和实验室的基础上，于2008年建成了未来教师空间站，有力地推动了广西教师教育信息化创新，在广西范围内有效地提高了教师教育能力，促进了教师专业发展，推进了教师教育教学改革。[25]
尽管如此，当前信息技术不断发展，网络环境已经发生了翻天覆地的变化，未来教师空间站也需要顺应时展而产生变革。在新的网络环境下，湛江师范学院于2011年开始建设面向地方基础教育服务的未来教育空间站，定位新、起点高、时代特征显著。未来教育空间站植根于当前最具革命性的网络计算体系——云计算，以云数据中心为主体基础设施，采用了最先进的虚拟现实技术，融入了大量极具时代意义的教师教育需求，如裸眼3D体验、网真课堂、物联网体验等。当然，本文不打算涉及这些具体设计和实施细节，仅侧重于以未来教育空间站为例讨论云计算时代虚拟学习社区的特征。
四、云计算时代虚拟学习社区的特征
本文认为，云计算时代的虚拟学习社区理应具有交互性、泛在性、服务性、社会性、不确定性、可视性、绿色性等主要特征，其中前三个特征是其显著特征，后四个特征是附属特征。
（一）交互性
交互是云计算的主体，因此交互性必然是云计算时代虚拟学习社区的首要特征。早在2008年，我国学者就针对网络教研的发展和教师博客群的现状提出了“李克东难题”，[26]本质上已经对现有的网络化教育教学过程中缺少深度交互提出了强烈的质疑。博客载体本身存在局限性，导致交互深度和广度都存在不足，因此，“李克东难题”一定程度上对于博客是无解的难题。在云计算环境下，虚拟学习社区的各类用户可以用更自然、更个性化的方式进行“人—云交互”，尽情享受各种服务需求，任何用户（anyone）只需要一个身份代码就可以在任何时间（anytime）、任何地点（anywhere）与任何“云”服务（anycloud）采用任何形式（anyhow）进行5a交互，包括同步或异步的学习交互、信息共享、资源交换等。
从功能模块看，未来教育空间站建有学习共同体互动室、远程实时交互课堂、3D教学与体验实验室、智能教学诊断室、自主学习教室等，这些模块都建有交互功能、强调深度交互，用户只要接入云服务，就可享受上述不同类型的交互。以远程实时交互课堂为例，一旦大量用户并发访问，传统模式下的“人—机”交互就相当于“人机等待”，传统远程实时课堂受到运行成本、设备性能、网络带宽等多种因素的影响，导致其利用率不高、交互效果差、覆盖率低，难以实现真正意义上的深度交互。在云计算环境下，云数据中心为未来教育空间站提供按需分配、可靠、易管理的数据服务，有效保证各类资源的灵活分配，合理支撑“人—云”5a深度交互，搭建网络实时交流互动的教学空间。
（二）泛在性
在网络环境中，服务提供商、个人用户等正不遗余力地满足各类应用需求的web服务（也包括大量的教育与学习服务），这些物理上分布在网络节点中的web Service就像是“云”计算环境中的一个个“云滴”[27]无处不在。因此，云计算时代的虚拟学习模式具有更高度的泛在性，任何用户（anyone）只要通过能够访问到网络的任何设备（anydevice），不管是在固定平台（如台式机、笔记本电脑等）还是移动平台（如手机、pDa等），都可以在任何时间（anytime）、任何地点（anywhere）采用任何方式（anyhow）在互联网开放云、企业私有云、家庭或个人私有云之间无缝切换、管理个人资源，从而开展5a学习。在此过程中，用户不需要担心所使用的资源、服务等是否被共同占有；不需要担心服务平台的底层软硬件资源的物理配置是否合理；更不需要关心服务平台的地理位置。[28]
对此，未来教育空间站建有大量以用户为中心的学习模块，可以是自主学习、师生交互式学习、生生协作式学习等，用户只要接入云服务，就可享受上述不同类型的5a云学习。在云计算平台下，未来教育空间站的用户处处都可以学习，发挥云计算的优势，全身心地投入泛在学习，无需关心任何与学习无关的内容。
（三）服务性
将虚拟教育学习的需求理解成一种广义的计算需求，服务性就可以理解为已经有第三方支撑这种计算的能力，而且只需支付廉价的服务费用、甚至免费。这就好比日常使用的水电煤，早期自己挖井、自己买发电机、自己挖煤，现在不需要做这些，支付相对低廉的费用就可享受这样的资源服务。未来云计算也是如此，数据在云端，云计算的用户没有必要永久性存储数据，也必定不再重视数据处理功能，也就是服务自我类的数据将不复存在，更多的教育与学习资源将以共享、交换等服务他人的形式存在。从另一个角度看，大量的用户端将缺少学习资源、相对知识贫乏，服务性也必将成为云计算的根本要素。
由于云的特殊性，云计算环境下的服务成本将极大地降低，资源变得极其廉价，云计算环境下的虚拟学习社区也成为浩瀚云海中的一朵学习服务云，其中包含一个庞大的廉价资源库。未来教育空间站的云数据中心也是如此，所建立的教育资源与软件开发实验室，将为各类用户提供教育资源与软件支持，包括软件、图书、课件、图像、视频等。普通大众用户可方便地按需免费使用、购买或者交换各类学习资源，云上提供的高质量、高效率的教育学习服务将逐步进入寻常百姓家。当然，该目标的实现不是一蹴而就的事情，在未来教育空间站的建设初期，主要面向湛江地方基础教育提供免费服务，用户也可上传各类资源，在建设中后期，面向全国基础教育研究资源购买和交换策略，全面开放用户服务。
于是，未来在虚拟学习社区中的学习将演化成一种用户自发的主动行为，就像现在使用水、电、气一样自然，需要学的时候学、想学的时候学。学习者集中精力投入感兴趣的学习，所关注的仅仅是在云端的学习任务和目标本身，而不必再担心昂贵的学习费用、高级的学习设备或舒适的学习环境等。此外，未来教育空间站还专门建有服务中心，其中包含了客户服务的职能，进一步增强了服务性。
（四）社会性
作为网络教育的一种典型形式，虚拟学习社区一直被期待着能够改变传统的网络学习方式。然而，现有的虚拟学习社区基础理论研究主要集中在虚拟学习社区的大型理论与微观理论这“两极”的研究上，严重缺乏与社会网络结构相关的中层理论研究。[29]
传统的社会网络是指社会个体成员之间因互动而形成的相对稳定的关系体系。类似地，在云计算环境下，5a虚拟学习形成前所未有的广度和深度交互活动，虚拟学习社区为各类用户提供了信息传播与信息共享、个人意愿表达、思想交汇、情感交流、甚至经济往来等活动的高效、泛在平台。由此也将导致虚拟学习社区中各类交互信息产生社会化、传播社会化、影响社会化，反过来，社区中的社会主体（指导者、学习者、管理者）云化、相互关系云化、社区信息云化等。
未来教育空间站的多个模块都强调深度交互，由此必然导致未来教育空间站的师生交互、生生交互、甚至师师交互，将形成服务于协作学习的社会网络结构。在云计算的支持下，未来教育空间站的虚拟交互就具有了社会性，反过来，这种社会化的学习团体进一步更好地维护和完善以云服务为基础的资源共享体系。换句话说，该虚拟学习社区在云计算环境的支持下，通过学习者自身的学习过程以及与其他用户的各种交互过程自适应演化形成了一种复杂的虚拟教育社会系统，不仅有复杂性，还具有明显的实践性，其社会性与最终的教育效果形成一个相对完备的自反馈系统。
（五）不确定性
不确定性包括随机性、模糊性、混沌、不稳定性等多个方面。交互性带来负载的随机性，泛在性带来负载数量的模糊性、服务响应质量的差异性，服务性带来资源的不稳定性，社会性带来舆情的不可预见性，由此必然导致以用户虚拟学习为起点的资源管理、动态负载均衡、监控响应、知识表示、舆情传播与控制等各方面的不确定性以及一系列链式不确定性传播与处理。对此，未来教育空间站在云数据中心的基础上，建有专门的服务中心，对各种不确定性实施监测、管理以及响应。
（六）可视性
可视性是指在虚拟学习的过程中以图形、图像、三维动画、视频等形式为主体的交互，这类交互有别于一般的文字交互。可视性有利于增强社区用户角色扮演与体验的真实感、提高社区用户角色参与的积极性、扩大社区不同角色用户之间的交互性（特别是情感交互）。传统虚拟学习社区已经意识到用户的这类需求，但是由于软硬件性能、网络环境、技术水平等方面的限制，现有的大多数虚拟学习社区并没有很好地实现可视性。比如有的虚拟学习网站也希望实现可视性，但是缺少软硬件设备添置费、缺乏足够的高效网络环境、或者根本不知道技术上如何实现。云计算时代，无需受制于设备、技术，这些问题都将迎刃而解，只需要提出服务需求，就能够实现高效的可视性，完成以虚拟现实为基础的虚拟学习。如目前已经出现了结合云计算、虚拟现实、web2.0等技术的沉浸式交互教学系统。[30]
未来教育空间站突破可视化交互效果不真实、性能不高等方面的限制，在充分发挥云数据中心资源优势的前提下，合理有效利用先进的虚拟现实技术，建成包括网真课堂在内的多个可视化模块，使用户在不具备任何可视化专业知识、基本不花费成本的情况下，无忧无虑地获得高性能的可视化学习和体验。
（七）绿色性
绿色性是当今环保时代对每个领域的一致诉求，任何进步不能以牺牲环境为代价，教育也不例外。云计算时代的数据中心服务器利用率高，不会像现有的服务器集群浪费资源、耗电散热，更不说数量众多的单位服务器以及不计其数的个人微型计算机。
例如，以网站为主要形式的传统虚拟学习社区需要配置至少一台高性能服务器以及无数个学习终端，每个终端都要配置大量学习必备软件，产生巨大的浪费，包括费钱、费电、费空间等。另一方面，学习利用率低，即使在白天，也会一直耗费大量的能源。这是由于传统虚拟学习不具有泛在性，造成学习的不便利；不具有交互性，造成学习不积极。此外，类似网站数量并不在少数，浪费就更加明显。云计算时代的虚拟学习社区将无需大量客户端计算机，更无需重复建立高配置、高耗能的服务器，无需占用大量空间资源，无需重复购买各种昂贵的教育软件，绿色低碳无疑将成为未来虚拟学习社区的一种必然趋势。
从这一点上看，未来教育空间站能打破传统时间、地域和空间的限制，发挥云计算的优势，能有效地利用设备、节约成本。例如，湛江属广东经济欠发达地区，因教育信息化的发展需要，截止2009年底，全市中小学校建成计算机室701个，配备计算机33051台、语音室382个、多媒体电教平台1600多套。但是，在传统模式下这些设备存在成本高、更新快、利用率低等问题，传统虚拟学习社区对于湛江这样的欠发达地区来说，无疑是低效、无解的，甚至一定程度上起到了反作用，如学生厌学、玩电脑游戏等。未来教育空间站可利用云数据中心整合全市教育系统的各类软硬件资源，并合理地分配云资源，为各个地面站统一提供强大的云服务。同时，在未来教育空间站的支持下，处于地面站的各个中小学等单位无需担心设备性能的更新换代问题，也无需部署和管理成本，只需要方便地享受按需的云服务、高效地进行教育信息化创新。
五、总结与展望
新环境下的虚拟学习社区是教育信息化的直接体现，有利于改善现有的四大矛盾，[31]本文的研究对于推动教育信息化的进程具有重要意义。本文结合湛江师范学院未来教育空间站，分析了云计算时代虚拟学习社区的现状，全面剖析了新环境下虚拟学习社区的特征。
下一步拟结合未来教育空间站提出新环境下虚拟学习社区的构建模型，将模型按角色划分为学习者、指导者、管理者等，从理论上给出各类模型的定义及其构建机制、原理与方法，并以未来教育空间站的建设过程为例，针对各类模型构建的实施步骤，提出若干指导性的原则与意见，为广泛建立云计算环境下的虚拟学习社区提供更有力的理论支撑和更全面的技术支持。
[参考文献]
[1] 王陆.虚拟学习社区原理与应用 [m].北京：高等教育出版社， 2004.
[2] [4] 汪琼，陈高伟.构建未来在线学习环境——一个在线交互虚拟学习环境构建模型[J].中国电化教育，2003，（200）：78～82.
[3] 王海东，丁兴富.在网络虚拟环境中构建学习社区[J].中国电化教育，2004，（214）：29～32.
[5] 陈国强.虚拟学习社区的有效性反思及其发展思路[J].电化教育研究，2006，（159）：26～29.
[6] 中国云计算网.云计算技术的产生、概念、原理、应用和前景[DB/oL]..
[7] 百度百科.云计算[DB/oL].http：///view/1316082.htm.
[8] [14] 中国计算机学会.中国计算机学会文集——2009中国计算机科学技术发展报告[C].机械工业出版社，2010.
[9] [27] [28] 李德毅，等.云计算热点问题分析[J].中兴通讯技术，2010，16（4）：1～4.
[10] DeCoufle B. the impact of Cloud Computing in Schools[J].the Datacenter Journal， http：///content/view/3032/40/，July 2009.
[11] [31] 包国庆.南国农教育哲学与中国电教之愿景[J].电化教育研究，2010，（208）：15～19.
[12] 陈康，郑纬民.云计算：系统实例与研究现状[J].软件学报，2009，20（5）：1337～1348.
[13] 郑纬民.云计算的机遇与挑战[J].中国计算机学会通讯，2011，7（1）：18～22.
[15] 朱惠娟.云计算及其在网络学习环境构建中的应用初探[J].中国电化教育，2009，（267）：105～107.
[16] ，安红.云学习时代教师虚拟学习社区构建研究[J].中国电化教育，2010，（276）：118～122.
[17] Bo Dong， et al. BlueSky Cloud Framework： an e-Learning Framework embracing Cloud Computing [a]. m.G. Jaatun， G. Zhao， and C. Rong （eds.）： CloudCom 2009， LnCS 5931[C].2009，577～582.
[18] mohammed al-Zoube. e-Learning on the Cloud[J].international arab Journal of e-technology，2009，1（2）：58～64.
[19] Casquero o.，portillo J.， Ramón ovelarR. ， Romo J.，and Benito m.. iGoogle and Gadgets as a platform for integrating institutional and external Services[a].mUppLe’08[C].2008，37～41.
[20] marenzi i.， et al. Learn web 2.0， integrating Social Software for Lifelong Learning[a].proceedings of the eD-media 2008[C].world Conference on educational multimedia， Hypermedia & telecommunications，2008.
[21] north Carolina State University. the Virtual Computing Lab[DB/oL].http：//vcl.ncsu.edu/.
[22] paul pocatilu， et al. Using Cloud Computing for e-learning Systems[a].DnCoCo'09 proceedings of the 8th wSeaS international Conference on Data networks， Communications， Computers[C].wSeaS， wisconsin， USa，2009，54～59.
[23] paul pocatilu， Felician alecu， marius Vetrici. measuring the efficiency of Cloud Computing for e-learning Systems[J].wSeaS transactions on Computers，2010，9（2）：42～51.
[24] 华东师范大学国际教师教育中心. 国际化教师专业发展创新体系：未来教师空间站[DB/oL].http：///show.asp？id=670.
[25] 兰瑞乐， 林雯， 杨满福. 教师教育信息化创新平台[J].广西师范学院学报（自然科学版），2009，26（1）：103～107.
[26] 姚赛男. 深度对话：试解“李克东难题”的可能路径[J].中国电化教育，2010，（7）：23～25.
云计算的特征篇2
关键词:点云;初始配准;精确配准;邻域特征;迭代最近点算法
中图分类号:tp391.41;tp391.7文献标志码:a
applicationofneighborhoodfeatureinpointcloudregistration
HeYongxing1*,oUXinliang2,KUanGXiaolan3
(
1.CollegeofComputerandCommunication,HunanUniversityoftechnology,ZhuzhouHunan412008,China;
2.DepartmentofComputerScienceandtechnology,ChangshaUniversity,ChangshaHunan410003,China;
3.DepartmentofComputerScienceandtechnology,ChangshaCommerceandtourismCollege,ChangshaHunan410003,China
)
abstract:
anewregistrationmethodoflargescalescatteredpointcloudsbasedoninvariantfeaturesofneighborhoodwasproposed,whichconsistedofpreliminaryregistrationandexactregistration.Firstly,thetargetpointsetwasweightedtoreducetheamountofcorrespondingpointpairsefficiently.Secondly,onthebasisofdistancefeaturesbetweenpointsandtheirneighborhoodcentroids,thispaperaddedanadditionalgeometricfeaturevectorofincludedangletoeliminatebadpointpairs,andthenthepreliminaryregistrationwascompleted.Finally,theiterativeClosestpoint(iCp)algorithmwithimprovedinvariantfeaturewasusedtoregisteraccurately.theexperimentalresultsindicatethegoodresultsofthepreliminaryregistrationandthebetterresultsoftheexactregistration,whichhavemettherequirementofregisteringpointcloudsfromdifferentviewpoints.
Keywords:
pointcloud;preliminaryregistration;exactregistration;neighborhoodfeature;iterativeClosestpoint(iCp)algorithm
0引言
随着现代三维扫描技术的提高,点云建模已经成为重要建模方式,对点云模型的处理已成为近年来研究的热点。为了对被测物体进行三维重建,首先需要获得物体表面的真实数据。但是,由于测量设备和环境等因素的限制和影响,每次测量得到的点云数据只是实体表面的一部分,并且可能出现平移错位和旋转错位。因此,必须对物体进行多次不同角度、不同位置的测量,并将从各个视角得到的点云数据转换到一个统一的坐标系下,以形成物体表面完整的测量数据,这个过程就是点云数据的配准。
点云数据配准分为初始配准和精确配准两部分。通常,初始配准是基于几何特征的配准,首先计算两个待配准点集的几何特征量;其次,通过对相似几何特征的比较来选取有效的匹配点对;最后,以匹配点对的几何特征(如法矢量等)为依据,计算刚体变换矩阵,进而完成初始配准。初配准只能从整体上完成点云的大致对齐,其精度并不高,故要引入二次精确配准。常用的精确配准方法是由Besl等[1]和Chen等[2]提出的迭代最邻近点(iterativeClosestpoint,iCp)算法。由于iCp算法是一种迭代收敛的算法,它对点云初始位置要求较高,并且易受噪声的干扰而陷入局部最优[3],所以应加入初始配准来调整点云位姿,以此来提高iCp算法的准确性。初始配准的关键在于确定匹配点对,快速准确地获取匹配点对已成为点云配准的研究重点。
匹配点对的选取,通常需要提取点云的几何特征,如高斯曲率、法矢量、切矢量、局部张量、点与邻域重心的距离等[4]。
曲率能够表示测点的邻域形状变化,具有平移、旋转和缩放不变性,是描述曲面几何特征的重要依据。曲率估算的方法主要有:最小二乘法[5]、Voronoi法[6]和taubin算法[7]。文献[8-9]对以上的曲率估算方法进行了验证,由于噪声对曲率估计的影响,基于曲率特征的点云配准方法鲁棒性并不高,而且时间复杂度较大。
Jiang等[10]提出了一种基于夹角特征的点云配准方法,用任意点与其邻近点法向之间的夹角作为配准的几何特征,该方法在估计法向量时也会受噪声点的影响,从而降低了夹角特征估计的准确性。mian等[11]提出使用包围盒来选取局部区域,计算该区域的张量特征,并用张量特征进行粗配准。该方法抗噪声的能力强、鲁棒性好,但是要得到好的配准结果,其初始点云的重叠率必须大于50%,并且计算张量特征比较费时。
云计算的特征篇3
关键词：云计算环境；海量音乐资源；定位挖掘；检索控制
中图分类号：tn911?34；tp391文献标识码：a文章编号：1004?373X（2017）12?0019?03
abstract：asthelocationretrievalaccuracyofminingmassivemusicresourcesinthecloudbigdataenvironmentisnothigh，positioningminingmethodofmassivemusicresourcesincloudcomputingenvironmentisimproved，andahigh?precisionpositioningminingmethodofmassivemusicresourcesbasedonadaptivecascaderetrievalcontrolisproposed.thesemanticfeaturesegmentationandtimeseriesstatespacereconstructionofdatainformationinmassivemusicresourcedatabaseareconductedaccordingtothekeywordsandmusictypes，andthentheself?correlationfeatureextractionofmassivemusicresourcesincloudcomputingenvironmentiscarriedout.theextractedself?correlationfeaturesaretakenasthepheromoneguidetomakehigh?precisionpositioningmining.theadaptivecascaderetrievalcontrolmodelisusedtocontroltheminingaccuracy.thesimulationanalysisresultsshowthatthismethodcanimprovethepositioningminingaccuracyofmusicresources，resourceutilizationanddataprecisionratio.
Keywords：cloudcomputingenvironment；massivemusicresources；locationmining；retrievalcontrol
S着大数据信息技术和云计算技术的发展，大量的音乐资源通过Deepweb数据库的形式存储于网络空间中，提供给网络用户进行有偿或者免费的下载[1]。对海量音乐资源的高效优化管理能提高音乐欣赏用户的体验，提高对音乐播放软件的认可度，海量音乐资源信息库是搜集、整理、收藏音乐资源并供人下载和播放的数据库，结合音乐播放软件实现音乐共享和传播。在云计算环境下，需要对海量音乐资源进行高精度定位，对云计算环境下海量音乐资源进行优化配置和访问控制，提高云计算环境下海量音乐资源的管理和检索效率；因此研究音乐资源在云计算环境下的高精度定位挖掘方法具有重要意义。
1海量音乐资源信息预处理
1.1音乐资源信息语义特征分割
为了实现对云计算环境下海量音乐资源的高精度定位挖掘，需要进行语义特征分割，降低资源定位挖掘的计算开销，采用自适应特征分割模型进行海量音乐资源库的存储音乐信息的数据特征重构和特征分割，去除冗余的信息特征[2?3]。音乐资源存储区域按音乐的歌词的关键词和音乐类型进行语义特征分割。音乐类型的存储本体特征通过自适应均衡分割方法被分为若干个（K个）数据子集，为云计算环境下海量音乐资源的语义特征并查集，满足：。根据音乐的播放环境和流行程度，进行资源分布区间的网格模型构建，使得音乐资源存储的状态分布结构满足，其中且。由此，采用决策树模型构建音乐资源信息检索和挖掘的特征访问控制模型。在进行音乐资源信息语义特征分割中需要首先创建一个空节点root作为根节点，在匹配节点的父节点处创建语义特征分割的分支结构模型[4]，并通过规则数据集匹配的音乐资源的存储空间，进行节点匹配，搜索节点为root节点，以叶节点B：0.7为起始节点进行语义特征分割。在匹配节点的父节点处得到候选数据项为：，以节点C：0.8中的BC为搜索节点，得到语义特征分割的自适应概率分布为0.7×0.8=0.56，由此构建压缩的UF?tree决策树模型，实现对云计算环境下的音乐资源信息存储空间的语义特征分割如下：
式中：表示待匹配本体的关系模型；为到当前数据项在tiD集的概率分布。云计算环境下海量音乐资源库中的特征空间采样数据集，根据音乐资源信息语义特征分割结果，进行了分布式特征重构分析。
式中，为云计算环境下的音乐资源检索的统计频次参量。通过自适应级联检索控制，挖掘音乐资源的候选项集和产生频繁项集，提高对音乐的准确检索和定位挖掘能力。具体算法描述如下：
输入：音乐资源搜索节点初始化参数，音乐资源定位挖掘的概率向量，候选集allCandidate
输出：音乐资源挖掘的繁项集和规则集Frequentitems
（1）group?dependen=newmapReduceframework（null）；
（2）parallelclosedfrequenttinDBgid
（3）LocalFptree.insert_tree（t，LocalFptree.root，G?List）；
（4）filemanagementiteminnowGroup
//闭频繁项集特征分解
{HeapHp=parallelFp?Growth（）；
LocalFptree.FpGrowth（mininglargedata.，item，Hp）；
//遍历每条事务数据
Support=0.0f；
add（candidateitem，Frequentitems）
end}
3实验测试分析
对海量音乐资源的定位挖掘仿真实验建立在Hadoop云计算平台上。仿真的硬件CpU为intel?Coretmi7?2600。采用matlab仿真工具进行数学仿真，结合酷狗、QQ音乐软件进行音乐资源的嵌入式访问接口设计和兼容性数据库存储，音乐软件通过100mB以太网相连在互联网中。对音乐资源进行语义特征分割的尺度为1.45，音纷试吹氖据信息流采样样本长度为1024，频带2～30kHz、时宽3.6ms，对Deepweb数据库中的海量音乐资源进行信息采样和挖掘定位仿真。根据上述实验环境设定，进行音乐资源的定位挖掘，以挖掘精度为测试评价指标，进行10000次挖掘实验，采用不同方法进行对比，得到挖掘精度对比结果如图2所示。图3为数据查准率对比。
据查准率对比
图3给出了以酷狗音乐软件为访问接口，采用本文设计的音乐资源定位挖掘方法和传统的挖掘方法进行音乐资源检索的查准率对比。分析上述仿真实验结果得知，采用本文方法进行云计算环境下海量音乐资源的定位挖掘的精度较高，信息检索的查准率高于传统方法，实现高精度的定位挖掘。
4结语
本文研究了在云计算环境下的音乐资源定位挖掘和优化检索问题，提出基于自适应级联检索控制的海量音乐资源的高精度定位挖掘方法。并进行了实验对比分析，从结果可知，采用本文方法对音乐资源进行挖掘时，器挖掘精度较高、检索性能较好。
参考文献
[1]南洋，陈琳.基于客观权重确定的数据中心网络性能评估方法[J].计算机应用，2015，35（11）：3055?3058.
[2]汪中才，黎永碧.基于数据挖掘的入侵检测系统研究[J].科技通报，2012，28（8）：150?152.
[3]KaRLSSonJ，Rowew，XUL，etal.Fastmissing?dataiaawithapplicationtonotchedspectrumSaR[J].ieeetransactionsonaerospaceelectronicsystems，2014，50（2）：959?971.
[4]BaRniCHo，VanDm.ViBe：auniversalbackgroundsubtractionalgorithmforvideosequences[J].ieeetransactionsonimageprocessing，2011，20（6）：1709?1724.
[5]moGHaDamaa，KUmaRm，RaDHaH.Commonandinnovativevisuals：asparsitymodelingframeworkforvideo[J].ieeetransactionsonimageprocessing，2014，23（9）：4055?4069.
云计算的特征篇4
关键词：云计算；电信通信网络；关系分析；应用
1云计算的简介
如果站在技术的角度对云计算进行分析，可以将其看作是一种基础性的设施，其主要的架构构成是在其上搭建多个的框架，云计算的概念可以通过分层模式进行体现，其具有虚拟化的物理硬件层，能够为整个系统提供一个非常灵活的自适应平台，为了能够在各个层次上都能对其业务需求进行良好的响应，云计算可以给予SaaS平台、paaS平台、iaaS平台来进行计算。
2云计算的发展现状
目前在云计算的研究及应用过程中，赛门铁克、Redhat、SUn、oracle、微软、iBm等主流的软硬件生产商都在进行云计算的相关研究，并提出了具有自身特点的云计算体系及架构，并且投入了大量的资金及技术来进行云计算的研究，各个厂家所提出的云计算的架构虽然有一定的差异，但是总体上的概念没有太大的区别，但是各个厂家对于云计算的概念理解及研究视角却有着较大的差别。另一方面，虽然云计算经过了一段时间的发展，取得了较大的进步，但是在其主要的技术应用中，还存在着一些有待解决的问题，例如多个虚拟机的功能融合、QoS问题、云环境下的安全问题等。
3云计算在电信通信网络关系分析中的应用
3.1基于云计算的客户价值预测
在电信通信网络中的客户价值预测工作中，通常涉及的知识面非常的广，需要进行大量的计算，而如果将云计算应用于客户价值预测中，对用户信息及通话信息的相关数据进行深层次的挖掘，应用分位点的概念，对新入网的用户进行有效的价值预测，该种预测方法与传统的绝对区间划分的预测方法，能够有效的降低预测误差。
其主要的预测流程为：将客户信息及通话记录中的有效字段进行抽取，然后将相应的字段进行合并连接；然后对用户的所在区域、年龄、性别等进行解析，解析完成之后将不符合筛选要求的用户予以剔除；然后将通话时长作为主要的参考依据，结合分位点，将相关的通话记录进行有效的分类，如果在分类的过程中采用了n-1各分位点，那么可以根据此分位点将所有的用户划分为n类，然后根据类别划分的不同，将n类记录分别进行存储，依据分好类的n个文件的不同类别，分别对其进行bayesian模型的训练，然后还要运用测试集对相关的模型效果进行检查对比。
3.2基于云计算的好友推荐
在运用云计算进行好友推荐的计算时，主要的参考依据是用户的熟悉度及相似度，这种计算方法在电信通信网络关系中具有非常广泛的应用前景，计算中的绝对量是熟悉度，通过二度好友的贡献度及熟悉度来进行二度好友的查找，通过这种算法能够得到二度好友的相关熟悉度，然后会根据相关的熟悉度对朋友的属性进行加权算法，最终能够得到非常精确的偏好特性，在该种计算方法中，会根据电信数据的特点，提取交流时长、交流频率等信息，通过对二度好友的属性相似度、用户偏好、熟悉度等进行计算，然后可以得到用户之间的总的推荐度，最后把总相似度较高的二度好友推荐给用户，使得好友推荐更加的精确。
其主要的计算流程为：首先对一度好友之间的相似度进行计算，通过对一度好友的熟悉度的计算，能够得到相关的二度好友关系，然后再对其相似度进行计算，并要根据一度好友计算出用户的环境偏好，然后通过用户自身属性、环境偏好及二度好友的熟悉度，计算出总的推荐度，根据总推荐度的高低，为用户进行好友推荐。
3.3基于云计算的电信社团特征结构化存储及验证
将云计算应用于电信社团特征的结构化存储中，其主要的计算方法是：根据一个月之内的通话记录分析，对其中所存在的社团属性进行统计分析，然后根据社团特征提出一种存储方案，并根据相关的通话网络来进行验证，对社团结构特性的统计分析进行归一化，并将其在相关的结构中进行存储，为进行二次的深入分析提供方便，在进行方案验证时，将社团作为研究单位，对其整体感兴趣的数据的分布情况进行分析，并将其与之前的研究数据进行分析比较，并对不同的特征进行统计。
其主要的计算流程为：首先要对社团中存在的各种属性进行统计，如果存在没有统计的属性，要对其单属性进行统计，然后将其统计特性进行归一化处理，制定出统计特性的概率分布情况，然后将其进行一致化处理，并将其结果存储于上述的存储结构当中。
[参考文献]
云计算的特征篇5
关键词：云计算；可信认证；安全
云计算是继同构计算、异构计算、元计算、网格计算、普适计算之后最有希望的计算模式。云计算的初始定义来自iBm公司2007底的云计算计划，在该计划中将云计算平台定义为：按用户的需求动态地部署、配置、重配置以及取消服务等伸缩性平台。
看到其中蕴含的巨大商机和潜力，一些知名的it企业相继推出自己的云服务。典型SaaS如：Google的appengine、microsoft的Livemeeting、officeLive；典型的paas如：GoogleCode、Facebookdevelopers以及Saleforce提供的；典型的iaaS如：iBm的“兰云”，microsoft的azure、amazon的eC2/S3/SQS等等，而且一些新的应用还在不断的推出。但在这云应用繁荣的背后，隐藏大量以风险。以前的风险依然存在，在新的环境中还可能造成更大的危害。新出现的风险表现在：1）传统的安全域的划分无效，无法清楚界定保护边界及保护设备和用户；2）用户的数量和分类不同，变化频率高，动态特性和移动特性强；3）数据、服务，通信网络被服务商所控制，如何确保服务的可用性，机密性等，使用户相关利益得到保护。
可信云是可信技术在云计算中的扩展，相关技术即可信云安全技术。本文对可信云环境中三种关键的安全技术即：可信识别技术、可信融合验证技术做了一些研究。这两种安全技术不仅把设备作为可信计算根，更把设备使用人作为可信计算的根，以信任根计算为计算手段，达到可信跟计算认证目的。可信识别技术将识别技术和识别行为密钥技术的相结合，将识别行为产生的密钥编码和设定的行为密钥进行来进行判别，克服误识率和拒识率的矛盾，增强防范身份假冒，身份伪造能力；可信密码学技术是对由可信根生成的可信点集矩阵进行基于拓扑群分形变换操作。可信密码学的密钥和算法都是随机可信的生物特征信息，因此密钥和算法凭都具有可验证性。采用可信模式识别技术和可信密码学技术，结合“零知识”，身份无法伪造，一旦应答，双方均不能否认。
1可信识别技术
传统的模式识别技术是指对用户的生物特征进行测量，和预留的模板数据进行比较，依据匹配结果进行识别。这些生物特征包括指纹、声音，人脸、视网膜、掌纹、骨架、气味乃至于签名笔迹、图章印痕等等。传统的识别技术具有“拒识率”和“误识率”的缺陷，具体说就是：匹配阀值增大，拒识率升高，“误认率”下降；匹配阀值减小，拒识率降低，“误认率”升高。生物特征采样点的数量有限，容易引起误判。在云计算环境中，其固有的虚拟性特征以及透明性不足，使身份认证，可信登录更是面临着比传统计算环境更大的风险。
可信识别技术是传统识别技术和识别行为密钥技术的结合。识别行为或自然形成或人为设定，如人为设定的2次人脸对比规则是先张嘴、后闭嘴，指纹对比规则是先拇指、后食指等。将识别行为编排成组，为每组识别行为秘密设定一个数，该数是该组累积成功识别次数。可信识别失败并不是以一两次失败就断定此次识别失败，而是把失败的次数记录下来，直到超过预先设定的阀值才断定识别失败。可信识别成功也不是依靠一两次成功就断定识别成功，而是累计该组的成功识别次数，直到等于该组秘密设定的成功次数为止，才断定本组识别成功。而非法用户不能猜出识别的组数以及每组识别的次数，因此不能假冒合法用户。只有指定的每组识别都达到要求。才能最终判别是真正的合法用户。
传统的识别行为征信息的阀值起着关键作用，阀值给定，拒识率和误视率是存在难以克服的矛盾。可信的识别行为密钥，并不取决于个别识别行为“误识率”的高低，而取决于客户设置的有效识别行为密钥编码。
可信识别的技术优势：可信识别模式在传统的模式识别的基础上，结合组间识别行为特征，非识别数，编组识别设定数，各组识别行为总数等措施，从而具有一下优势：1）可以设置可信识别策略设计；2）具有区别错误拒识设置；3）具有区别误识和仿冒设置；4）具有统计结论模式。从而弥补了传统识别就“拒识率”和“误识率”的技术缺陷。
2可信验证
可信融合验证技术采用可信模式识别技术和可信密码学技术，结合“云端零知识证明”，实现可信云端“零知识”认证，pKi等功能。
本文对云计算的一些关键安全技术作了一些探讨。可信云计算的识别技术是以可信的特征信息和识别行为相结合，通过判断对各组识别行为识别的成功数，克服识别模式中的拒识率和误识率的技术缺陷。可信融合验证技术是利用可信识别技术和可信加密/解密技术。实现双方“零知识”。具备身份无法伪造，保密性高，具有不否认性的特点。这些可信云安全技术的进一步研究以及随之而来的应用的展开。一定可以缓解客户对云计算的忧虑，催进云计算这种新的计算模式的发展。
[参考文献]
[1]weichaowang，ZhiweiLi，Rodneyowens.SecureandeffcientaccesstooutsourcedData.CCSw'09：proceedingsofthe2009aCmworkshoponCloudcomputingsecurity，pages55-65.november2009.
云计算的特征篇6
在深入分析云会计环境对集团企业人员行为和操作行为影响的基础上，详细阐述云会计环境下集团企业高可信内部审计的行为特征，构建了高可信内部审计实施路径的系统框架，为云会计环境下内部审计实现高可信性提供理论参考。
【关键词】
云会计环境；高可信内部审计；实施路径
在大数据时代，企业逐渐向“云端智能化”发展。传统封闭的局域网会计信息系统（accountinginformationSystem，以下简称aiC）逐渐被现代开放的互联网aiC取代“，云会计”应运而生；以往独立僵化、墨守成规的管理模式逐渐被权变动态、智能开放的新型管理模式所取代，“智能管理”应运而生。可见，信息化技术的飞速发展对企业的影响是巨大的，特别是集团企业，不仅拓展出更广泛的平台，呈现出更快捷的工作效率，还让集团企业在短时间内获得较以往更可观的收益。但是，信息化时代是复杂多变的，其摧垮一个集团企业的速度和力度较以往更快、更强。在复杂多变的云会计环境下，集团企业对内部审计的期望值越来越高，集团企业现行内部审计实施路径是否具有高适应性、可操作性、可信赖性的“高可信”性，成为集团企业管理层关注的重点。国都兴业信息审计系统技术（北京）有限公司于2009年提出了“企业云审计”解决方案，于2010年在企业云审计解决方案的基础上提出了“全云审计”的战略。他们提出：全云审计就是对云计算本身的审计，也就是实现对iaaS、paaS和SaaS各个层面的审计，解决云计算用户可信的问题。文峰于2011年在《云会计与云审计———关于未来审计的概念与框架的一些思考》中提出了“云审计”的概念，他认为：云审计就是将云计算运用到审计中去，在技术上提供广域审计共享与协作平台。他指出云审计的建立与发展很可能促成审计的重大变革，而这种重大变革不仅仅是云概念、云责任的提出，还有新兴技术的运用如物联网技术。《中国总会计师》杂志于2012年提出的云审计的定义是：通过数据的云储存，使得各种审计资源包括参与审计的人员、程序和相关硬件设备，都通过云来协调，在这个过程中，审计人员无需关注采用何种计算机程序，也无需关注数据的存储、共享和工作时效性等问题，审计人员需要关注的就是审计任务本身；同时并设想建立云审计XBRL标准规则以面向所有的会计师事务所建立公共的、由第三方维护的公共云计算。张艳玲于2013年提出在云审计过程中，审计项目小组可以在地理上非常分散，甚至不一定要来自于同一个审计机关或者委托机构，所有的工作协同和数据共享通过云技术来实现，不仅可以归集和管理审计所需的各类资料和数据，对容纳的数据实时更新和有机集合，而且能够智能控制对审计模型的选择和使用，保证审计过程的质量。魏祥健于2015年提出由各级审计机关用户层、云审计系统层、应用与维护服务等服务层、基础设施层所组成的在安全审计平台和外部应用接口相互作用力下的云审计系统框架。纵观上述文献的研究，学者们主要从以维护云计算用户安全为核心的“云审计”和以提高审计质效为核心的“云审计”两个基本层进行了广泛的研究。研究对象主要集中在云会计供应商和会计师事务所，涉及集团企业云审计方面的研究文献还较少。实际上，虽然云会计供应商和会计师事务所在一定程度上可以为社会企业提供专业的会计信息化，但对大型的集团企业来讲，自身的孵化体系完全可以支持云会计、云审计的应用，将实时动态管理、实时智能监控由梦想成为现实。鉴于此，本文首先将云会计环境下对集团企业内部审计的影响分为人员行为影响、操作行为影响，然后将云会计环境对集团企业内部审计的行为影响作为高可信内部审计的行为环境，在此基础上构建了一个高可信内部审计实施路径的系统框架，通过框架详细分析了云会计环境下集团企业高可信内部审计的行为特征及实施路径，以期为集团企业高可信内部审计的建设提供理论依据和策略指导。
一、云会计环境对集团企业内部审计的行为影响
集团企业具有大、广、多、杂的特征，即企业规模大、业务分布面广、业务种类多和所属子公司多、管控操作复杂。基于此，集团企业与其他企业不同的是，集团企业更多的是根据集团企业具体情况设有众多孵化性质的业务单元为集团企业量身进行自我更新，而将有限的部分的业务单元外包给云会计供应商和会计师事务所性质的机构。云会计环境呈现出广、快、多、杂的特征，即平台涉及面更广、操作速度更快、信息量更多、层面更复杂多维化。集团企业内部审计的内涵在于“防患于未然，治病于痊愈”，全面系统地贯彻“警钟长鸣，对症下药”的方针，置集团企业于可接受的“安全”环境中。云会计环境对集团企业内部审计的行为影响从人员行为影响和操作行为影响两个层面分析如下。
（一）人员行为的影响
云会计环境下对集团企业内部审计人员的行为影响集中表现在以下方面：
1.内审组织职能单元面临重组
云会计是以云计算技术为支撑，基于互联网构建的一种向企业提供会计核算、会计管理和会计决策服务的信息化基础设施和服务。云会计环境使得集团企业对企业内各职能单元提出了新的要求，也为集团企业内各职能单元在原有职能下呈现出新的延伸，对内部审计也不例外。“云会计”的高效率、大量度等优势已经让众多管理层喜出望外并受益匪浅，与云会计环境相配套的组织职能单元的重组是集团企业必然面临的任务。
2.内审人员业务能力受到挑战
云会计环境不仅使财会人员的业务能力受到了挑战，也对内审人员的业务能力提出了新要求，特别是大型集团企业的内部审计人员。大型集团在业务种类多、业务差异大、管控难度复杂的特征下，要求内审人员不仅具备相应类别审计的专业知识，而且要具备信息化审计处理多维度信息量的新能力，杜绝因信息量过大而无从下手、信息维度过多而犹豫迟疑等严重影响工作质效而造成的进展瓶颈。
3.内审人员需求层次更加丰富
大数据时代，集团企业更具生机活力，人们的生活更丰富多彩。人们可以打破常规的消费理念、生活理念、生存理念，转向新思维，寻求更深层次的幸福感。集团企业的内审人员也不例外。我国的内部审计发展较缓慢，集团企业虽对内部审计存在意义非常认同，但内部审计工作长期以来成效不大也使集团企业对该职能部门近乎冷淡。有些集团企业内审人员吃力不讨好的现状更加激化了内审人员的需求。
（二）操作行为的影响
云会计环境下对集团企业内部审计操作行为的影响集中表现在以下方面：
1.平台生态圈权变动态开放化
云会计环境下，使得集团企业将“共同价值”观设立平台生态圈的内涵诠释得更成熟，为实现多维信息搜集、多元信息整合、多态信息分享的良性平台生态圈助一臂之力。在此现状下，集团企业需要具备对多维、多元、多态信息的处理分析整合和去粗取精的能力。
2.相关者信息对称程度提高
传统上，相关者信息不对称导致了目标与实际脱轨、经管矛盾激化、误读政策低质低效等诸多问题。随着大数据经济的发展，云会计的不断更新，平台生态圈的不断成熟，相关者信息对称程度有所提高，使得上述问题有所缓解。
3.业务单元信息化程度不协同
集团企业的业务单元是为集团企业更具竞争力所设置的单元，现行大数据经济的发展势头并没有对集团企业进行全方位的覆盖，使得集团企业内业务单元信息化程度不协同导致的审计工作难度加大。
二、高可信内部审计的行为特征
美国经济学家谢林（Schelling）将社会互动理论容纳到经济学研究中，认为每个人都置身于特定社会群体中，群体中他人行为会对个体行为产生直接影响，而并不是简单地通过价格机制进行行为选择。对于经济犯罪行为，很可能是通过群体内成员的相互模仿在群体间扩散，使得特定群体更频繁地出现某种犯罪行为。借鉴美国经济学家谢林的经济学社会互动理论，可将云会计环境下的高可信内部审计行为特征分为渐进特征和革命特征两大类。
（一）渐进特征
“渐进性”是借鉴公司战略管理的渐进性变革的管理理念。它是一种持续的、稳步前进的变化过程，在某一刻影响企业体系中的某些部分，贯穿于企业管理的始终。集团企业内部审计的职能是警钟长鸣、杜绝舞弊。在云会计环境下，高可信的内部审计应具备渐进特征。原因在于，在过往的舞弊案例中，几乎没有舞弊人员会在事发之前主动停手，一方面因为他们要依赖于“舞弊”带给他们的地位、生活水平和些许的不良嗜好，另一方面舞弊人员要不断采取手段东拼西凑，掩盖其舞弊的行为，所以，这时候，当企业发现舞弊时，所谓的亡羊补牢已经行不通了。据美国注册舞弊审查协会统计，一项舞弊从开始到结束，一般会持续1—3年，而这期间有将近一半的企业最终无法挽回任何损失。高可信内部审计的渐进特征内含目标明确性、易操作性、可靠保密性、可渐进性、资源互补性、可信性、高适应性。首先，目标明确性强调的是内部审计对员工过往表现是否存在舞弊征兆有明确的评判基准。集团企业可以根据数据性基准和非数据性基准进行评判。其中数据性基准主要依据员工基本年薪、绩效年薪、任期激励收入等因素设计；非数据性基准主要依据员工年学习经历、年工作经验、年工作实绩等因素设计。其次，易操作性强调的是操作难度不大，培训成本不高。可靠保密性强调的是数据具有可靠保密性，证据具有可靠保密性，操作具有可靠保密性。再次，可渐进性强调的是保持良性循环的持续性、可参照对比性，而资源互补性强调由于资源在企业内部之间的配置总是不均衡的，高可信内部审计系统应有资源共享、优势互补的资源互补性特征，融通连接一切可用资源。最后，可信性和高适应性强调高可信内部审计系统本身应具有可信性和高适应的更新能力性。
（二）革命特征
“革命性”是借鉴公司战略管理的革命性变革的管理理念。它是一种短暂的、影响力度大的变革过程，对企业体系的影响是全面的，在企业生命周期中不常发生。在云会计环境下，高可信内部审计的革命特征不是必备的，但可以提升集团内部审计的威慑力，明确集团内部审计的权限，使审计意见能更好地追踪问效。集团企业舞弊状况频发的一个很可能的原因在于内部审计在集团企业的威慑力不强，审计权限不清晰，追踪问效力度不大。高可信内部审计的革命特征内含决策支持性、事前可审性、意见有效性。首先，决策支持性强调的是内部审计要获得集团企业领导的重视，不仅仅是口头上，还有正式的文件、公开的会议、公开的报告等。其次，事前可审性强调的是内部审计人员可以采用抽查的形式，对财务部准备支付还尚未支付、准备领取还尚未领取的资金有权限进行事前的审计，审查支付领取的合理性、合规性。最后，意见有效性强调的是内部审计人员通过随机抽查、顺序抽查等其他方式发现的重大错报所起草的审计意见，要公示并严肃惩罚。
三、云会计环境下的高可信内部审计实施路径
云会计是企业财务基于云计算技术的具体匹配，从云计算技术的基础设施即服务laaS（infrastructureasaService）、平台即服务paaS（platformasaService）和软件即服务SaaS（SoftwareasaService）匹配至云会计技术的财务处理分析模块。高可信内部审计的实施路径也是在云计算技术的基础上根据职能单元属性进行的匹配，具体由三个主层和三个辅助层构成。其中三个主层由基础设施服务层、平台生态圈服务层、软件应用服务层构成；四个辅助层由用户端层、督检端层、外接端层、反馈端层构成。基础设施服务层内含服务器、数据库、操作系统、内审数据网，是集团企业通过孵化业务单元孵化出的基于集团企业行业特点和业务类型所设计开发的，是集团企业及集团企业下属单位所需信息资源的源头数据中心。特别指出的是，设计内审数据网的目的是集团企业总部及集团企业下属公司之间进行交叉审计时，为对其他公司进行的审计独立性水平判断的初步事项进行了解，对已发表的审计意见等状况有更直观清晰的认识。平台生态圈服务层内含资源调度服务、资源更新服务、资源维护服务、意见反馈服务、事前审核服务、在线学习服务等，秉着共同价值观，建立健康安全开放动态的平台。软件应用服务层内含内审应用系统、内审管理系统、内审安全维护系统。用户端层内含用户管理、用户身份认证、用户权限管理；督检端层内含督检审核服务、督检跟进服务、督检公示服务；外接端层内含政府平台接口、金融平台接口、税务平台接口、会计师事务所平台接口、法务平台接口等。
四、结束语
构建基于云会计环境下的集团企业的高可信内部审计的实施路径是一个系统工程，除了架构外，还有诸多如云责任、云安全、云标准、云法务等方面建设的完善。因此，对云会计环境下高可信内部审计模型的深入理解与把握，是推动未来全云内审的关键。
作者：王婧婧单位：重庆工商大学融智学院
【参考文献】
［1］国都兴业信息审计系统技术（北京）有限公司.国都兴业揭开“全云审计”时代［J］.计算机安全，2011（2）：92.
［2］文峰.物联网对云审计的影响［J］.中国注册会计师，2011（4）：88-91.
［3］中国总会计师.审计+云计算=云审计［J］.中国总会计师，2012（7）：29.
［4］张艳玲.云审计———审计信息化的发展趋势［J］.商业会计，2013（10）：47-48.
［5］魏祥健.云计算环境下的云审计系统设计与风险控制［J］.会计之友，2015（1）：101-105.
［6］程平，段莹莹.云会计环境下高可信aiS行为特征影响研究［J］.科技管理研究，2015（4）：162-166.
云计算的特征篇7
事实上，无论是早期的分布计算、并行计算，前期的网格计算，还是当下的云计算，都是海量数据处理的一种计算模型。
近些年来,随着互联网技术的广泛应用，特别是web2.0应用的快速发展，客户数据呈爆炸式增长，如何应用好云计算这个数据处理模型，更好地为自己的客户服务，就成为众多厂商重点考虑的方向。
简单来讲，谷歌的搜索引擎能够快速响应客户提出的搜索请求，就是得益于云计算技术。正是因为谷歌构建了多达百万台的云计算服务器群，所以能够针对整个互联网的信息进行动态的收集、分析、整理和。当客户发出请求时，就可以快速给出响应结果。
如果将搜索引擎技术比作“大海捞针”，那么防毒厂商的工作就类似“大海捞毒针”，难度甚于前者。
所谓“捞毒针”，即要从整个互联网的海量数据中及时发现动态出现的风险，这时候防毒厂商采用云计算技术就成为了必然。因为传统的样本收集、人工分析、代码、客户下载的防护流程已无法快速应对当今快速变化的安全风险。
根据调查机构的最新统计，全球恶意程序已超过1000万个，而且每天还在以2万多个的速度增长。
趋势科技全球副总裁张伟钦指出，在此情形下，传统的代码比对技术正面临越来越大的挑战，一味地扩充病毒代码，只会造成客户端资源和带宽的极大消耗，最终给网络安全带来隐患。而防毒厂商通常会在自己病毒特征码中放置100万个左右的病毒特征，这就预示着至少还有90%的恶意程序不在防护之列。
如何采取有效的技术架构？一方面应对每天2万多个的新病毒的快速处理问题，同时又要解决90%的恶意程序全面防护的问题，这就变得非常紧迫。
行业人士认为，比较符合实际的操作方式是，用户在访问目标信息时，安全子系统会自动到云服务器群对目标信息的安全等级进行查询，然后根据查询结果及时阻止用户对高风险信息的访问，从而实现在恶意程序到达网络前就被阻止，一方面实现防护的高效性，另一方面也使网络和系统资源的占用率达到最小。
2008年7月16日，瑞星通过面向终端的卡卡6.0来为其“云安全”计划全面实施提供先决条件。依据瑞星的提法，卡卡6.0融合了并行处理、网格计算、未知病毒行为判断等新兴技术和概念，通过网状的大量客户端对网络中软件行为的异常监测，获取互联网中木马、恶意程序的最新信息，推送到服务器端进行自动分析和处理，再把病毒和木马的解决方案分发到每一个客户端。
然而，包括张伟钦在内的一些业界专家看来，这并非真正的云安全，它不过是把病毒特征码搜集流程进行了优化，没有摆脱传统病毒特征码扫描比对的传统技术。
另外，为了便于更加准确快速获取信息，包括websense在内的一些厂商设立了专门的“蜜罐”（数据库中心）系统，来广泛收集网络中存在的攻击行为。
7月22日，趋势科技推出的“云安全”技术架构策略和上述公司的作法又有所不同，他们构建的“云”服务器群自动对整个互联网的信息(如URL、邮件服务器、文件)进行动态分析，如分析一个URL就会采集这个URL的50多种属性以进行综合分析，同时会加入时间的统计分析，这样使得任何恶意风险在刚出现的时候，就能被“云”服务器群快速分析，在它侵入网络前，在源端就被直接阻止，从而达到零接触、零感染的防护价值。
张伟钦指出，这种方法的最大好处在于，它降低了从端点下载传统病毒特征码文件的依赖性，减少了与在公司范围内部署特征码有关的成本和管理费用――这已经成为庞大数据中心日益沉重的成本负担。
此外，“云安全”这种全新的方法，将有效降低客户网络和端点的带宽消耗，提供更快更全面的及时保护。
另据张伟钦介绍，趋势科技已经在全球建立了5个数据中心，几万部在线服务器，拥有99.9999%的可靠性。目前平均每天处理55亿条点击查询，每天收集分析2.5万个样本，资料库第一次请求命中率就可以达到99%。借助云安全技术，趋势科技每天阻断的病毒感染最高达1000万次。
借助web威胁保护战略，趋势科技率先界定了一种主张：单靠传统的代码比对安全解决方案，将不再能够针对当前web威胁提供有效保护。现在，新推出的云安全技术可以有效解决传统防护技术的问题，并让每个人在使用安全产品的过程中，都成为识别安全威胁的贡献者，同时分享其他所有用户的安全成果。
云计算的特征篇8
【关键词】云计算智能终端语义网个性化服务大数据
1前言
基于网络的计算架构在从Client/Server方式发展到Browser/Server的三层结构，再到移动化Client/Server（智能终端代替客户机）方式的过程中，人们一方面充分利用网络能力实现了远程计算和存储服务，另一方面又受限于网络能力而不得不在可用性、可靠性和服务体验之间进行折中设计。
随着网络发展进入光纤时代，带宽有了更好的保证，云计算开始显现出巨大的生命力。云计算是分布式计算、并行计算、网格计算等理论在互联网时代的延续，其愿景是以互联网为中心，提供安全、快速、便捷的数据存储和网络计算服务[1]。另一方面，从通信、计算机和智能感应技术的交叉领域发展起来的智能终端，使得人们随时随地连线世界的梦想得以实现，已经完全改变了人们的工作和生活方式。
随着云计算和移动互联网的发展，智能走向网络两端的趋势越来越明显：云计算多体现为业务平台，实现总体的业务逻辑和业务推送；终端负责为用户定制好的业务体验。未来，“云端共存、云端互动”的计算架构将成为移动互联网时代新的主流计算方式，本文将从语义和语用的角度，结合通用服务平台、用户个性化需求和大数据技术，分析这一新的发展趋势。
2个性化服务是新技术发展的果实
2.1个性化服务需求是人类天性使然
人类对服务需求的天然不同决定了移动互联网应用的多样性和动态性。移动电话发展早期，个性化铃音、换彩壳就曾是一些手机吸引用户的手段。在芯片逐步升级、各种设计方案不断出现、手机操作系统逐步智能化过程中，个性化设置功能越来越丰富。一些智能终端如苹果、三星手机，在初始化时要根据用户所在区域设定时钟、语言、度量衡单位等。随机安装的应用程序如天气预报、股票市场等，也需要用户自己进行设定。由于终端将和各种应用平台如appStore、微信、微博等进行信息交互，安全和隐私如是否允许应用访问通信簿、位置信息，是否接受平台推送的信息，以怎样的频率与平台做交互等，都需要用户根据个人喜好进行设置。
众所周知，基于不同的公理体系，知识的推演及结果是完全不同的。一款应用在提供快捷可靠的基础服务的同时，还要根据用户分群进行特殊考虑，以提供更加贴身的服务。如果能针对用户个性化特征及现时状态如地理位置等定制个性化体验，那将更加完美。
2.2云-端两点计算使低成本差异化成为可能
差异化和成本领先是两种截然不同的营销策略，同时实现难度极大。在信息服务领域，这个问题有了变化：信息服务研发和部署成本包括硬件和网络配置等是相对固定的，而服务交付等变动成本相对较少。开发商开发好业务平台和必要的客户端程序，用户购买了智能终端，固定投入就已经完成。用户连网下载客户端就可使用应用，获得需要的服务。整个过程中，用户分担了推广和应用交付成本。
用户在使用手机时，有意无意地把自己的个性化特征保留在手机上，有意的如通信簿及分组信息、微信微博好友信息等，无意的如各种连线、下载信息、应用使用记录、系统log等。手机上沉淀了用户本人的个性特征和爱好、消费习惯甚至是价值观。借助于网络和ota（overtheair，空中下载）技术，软件传播和升级便捷而便宜。因此，应用提供者可以通过手机的客户端收集用户允许的各种信息，理解用户个性特征，从而以用户设定和软件分析与定制的方式实现低成本的差异化服务。
3云—端两点计算：云为语义，端为语用
3.1下一代互联网是一种语义网
软件等于程序加数据。移动互联网时代，程序是以云-端两点计算架构为基础的，而互联网就是数据所在。互联网之父蒂姆·伯纳斯·李将下一代互联网称为“语义网”（Semanticweb），“语义网”其实就是“数据网”（webofData）[2]。
所谓语义就是为数据赋予生命——以元数据形式为每一片信息贴上标准化、计算机能够理解的“意义”。这样，互联网就是一个全球性的数据库，通过元数据的连接，计算机就能自动检索、搜索和集成网上的各种信息。
3.2语义、语用和两点计算模式
语义与语用通俗来讲就是一般和特殊的关系。语义形成是特殊到一般的过程，构成语句的词义通常有一定的概括性，包括一般性、模糊性、通用性，从而表达通用意义或本意；而语用则是一般到特殊的过程，通过词义的组合、搭配规则，表达在特定语境下的具体意义或派生意义。
在云-端两点计算架构中，云平台对应于语义部分，经过充分抽象的业务逻辑和交付流程，是通用的和公共的；而终端实现（或客户端）部分则对应着语用，能够根据用户个性化特征和需求进行特别处理与展现，给用户以完全个性化的体验。用户的各种特征记录和现时的需求则是语境，应用提供商需要根据这个语境进行语用推理。对用户信息掌握得越完整，对本次用户的需求了解得越贴切，定制化服务就越符合用户实际需求。例如一个搜索引擎，不同的人输入同一个问题，搜索结果如果是一样的，那么还只是停留在通用功能语义层上。如果能够针对不同人的个性特征，根据具体语用的情境推理，给出不同的、贴合用户本次搜索目的的精准结果，才达到了个性化服务层次。要实现这一点，需要把搜索同终端计算结合起来，获得用户实际语境。如果知道用户搜索目的是购物，就可以索引分析其曾经的交易数据、正使用的服务（如CRm信息）、近期浏览记录和社交媒体数据等，从而推测出用户购买意愿和消费习惯。
一个语句在一定语境中的真实含义除了要考虑字面意义，还要考虑一些额外意义。在个性化服务方面，语境就是用户的相关信息，包括用户特性：年龄、性别、教育背景、工作经历、兴趣爱好以及与本应用相关的习惯和偏好、本次服务的具体要求等。
从理论上看，完整字面意义的获得需要借助语境完成一个或多个下述操作：
（1）指称指派：为代词和时间副词确定具体指称对象。对应于识别语境中的用户并获得各种相关信息，并标出时间和地理位置。
（2）充盈丰义：补出省略的句子成分和句法不需要但语义理解上必要的成分；并对语义进一步细化，如补充隐含的逻辑关系、深化某些词语的意义等。这对应于两个过程：一是通过标准化语义理解字面意思；二是结合用户静态信息，进行必要的补充，获得特定语境下完整的意义，实现将云平台抽象的语义具体化。用户静态信息包括个人属性、兴趣标签、社交图谱、消费图谱等不易变化的信息。
（3）消除歧义：选定歧义语句在具体语境的单一意义。结合时间和地理位置，根据用户习惯和连线记录，分析确定用户的实际需求。
3.3云-端两点计算的分工与基本流程
终端是系统与用户接触的第一界面，负责接受用户命令、记录用户操作、根据语境进行语用推理预测用户基本需求。为此终端要根据用户个性化信息和时间、位置与环境参数，按照特定的业务逻辑和规则进行计算，并将结果传送给云端业务平台。
云端平台具有处理大数据的能力，存储着大量的业务数据和用户交互、交易数据。平台利用空闲处理能力进行业务数据的整合分析和索引，利用用户数据进行个性化分析和元数据标记，建立各种语境的特殊业务数据和用户个性化信息，并将处理规则和信息下发给终端；接到终端发来的运算结果后，平台根据语义判断和语境、用户信息匹配确认用户需求，获取基础服务内容，将结果下发给智能终端。
终端将平台返回的信息以适合终端特性和用户喜欢的形式展现给用户。在复杂的业务场景下，如用户首次使用业务或存在歧义平台无法判断用户真实需求时，平台和终端可能要经过多次交互，也可以以交付样例的形式请用户快速确认需求的符合性。
云-端具体分工和数据存储分布可以根据业务本身的特点进行设计，一般原则是尽量降低对网络高速大容量传送的依赖，利用终端越来越强大的计算和存储能力，保证用户随时随地的高质量业务体验。一些比较消耗网络资源的工作如数据同步（如图片视频）可在网络闲时由系统触发。
云平台存储着大量业务数据，甚至可以通过泛化和语义推理帮助用户澄清实际需求，或者给用户以建议从而交付超出用户期望的业务体验。例如，Linkedin网站在你注册时，会给出和你同期毕业的校友、曾在相同公司的同事，意外地帮你找到失散多年的老同学、老同事。
4云-端两点计算是以数据为中心的计算模式
4.1下一代互联网的核心是数据
随着软件业的成熟，各种开发环境、高级语言、开源软件使得计算越来越多地被复用；而数据则带有与业务和用户相关的特征，是特别的、个性化的，它已逐渐成为软件系统的核心。
Facebook的社交购物是基于社交关系图谱或兴趣图谱产生的购物行为，支持其F-Commerce购物的，是7500万个用户小组、每月超过450万的事件或活动。人们在互联网上进行交互、交易的同时，留下了大量的数据，这些数据将现实和网络生活连接了起来。未来移动互联网的两点计算架构将是以数据为中心的，这标志着智能化和大规模个性化定制时代的到来。
4.2让数据拥有生命
数据需要特定的业务环境来解释其具体意义，元数据则是表达数据意义的标准化标签，有了这些标签，数据和数据就可以自动发生联系，就像有了生命、有了智能。
以客户需求为起点的“产销反向定价”揭示了个性化需求与营销配合的新趋势。在信息化帮助下，企业能够根据用户分群设计差异化产品，在满足大众基本需求获得规模效益的同时，让最能实现商品使用价值的人支付高价，实现“情境定价”，甚至由用户自行选择产品配置并确定价格。
以数据为中心的计算模式实际上是以人为中心的计算模式。通用数据保存在平台，个性化数据则驻留在终端，数据和服务都围绕着个人需求。过去，人要告诉计算机做什么，还要告诉计算机怎么做；未来，只需选择平台决定做什么，终端将告诉平台怎么做。数据是这一切的基础。
4.3大数据应用技术
在世界每一个角落，都不断产生着数据；企业、个人的每一个动作也都会产生数据；描述一件事可以有很多维度……随时随地产生的大量数据如海洋一般，而处理数据的能力总是有限的。因此，要有选择地进行数据的测量和记录；同时，要解决海量数据的获取、存储、管理和搜索等问题，尽量使数据变得结构化、智能化。相关研究领域将涵盖数据索引和检索、数据整合和存储、数据分析和挖掘、元数据设计和语义网建设等。
具体应用的开发、部署是以服务为中心展开的。服务不同于一般产品的特征在于生产与消费同时性。服务不仅包括产品，也包括产品的展现形式、用户交互形式等。在两点计算架构中，平台提品的基本内容，终端决定产品展现形式和交互式体验。广义地讲，平台、广告、搜索、终端定制、多屏互动和分享等技术也是新业务模式下的重要研究领域。以用户需求为中心，进行大规模低成本个性化定制是软件企业努力的方向。
5新计算模式面临的挑战
5.1语义网：互联网的基础语言标准
以元数据为基础的语义网给网上每一片信息赋予一个信息化标签，从而使平台与终端、应用与应用、数据与数据之间能够相互连接，获得需要的更多相关数据。这种连接是根据数据含义和属性来实现的，与传统互联网人为点击跳转不同，是由数据本身内在关系决定的关联。
语义网建设最大的挑战来自于元数据标准的统一。现实情况是，各种应用系统都有自己定义的编码标准和业务数据；即使同一公司的软件产品，也常因为不同团队开发而建立了不同的元数据体系；还有的应用甚至没有明确定义的元数据。这样的系统和数据间是无法连接的。
智慧城市将是公共数据的入口和集中平台，建设运营、社会服务数据的用途是多种多样的，一组数据其元数据可能是多维度、多粒度的，因此元数据数量非常大。美国政府Data.gov网站曾公布各机构按语义网标准的400多组数据，其元数据竟达64亿。面对庞大纷繁的基础工作，且短期利益又不明显，可以推知语义网建设任重而道远。
5.2云平台上的大数据：统一数据门户、发掘集体
智慧
互联网上各种平台、应用的数据通常具有四个高“V”的特征：即多样性、容量、速度、价值，这就是大数据。大数据是信息基础设施关于数据的部分，能够实现数据自动匹配、寻找关系，甚至可以发掘人们只可意会不可言传的东西。当然，只有经过适当的处理才能获得这些高速产生的异构数据内在的价值。如根据用户交互和交易数据，可获得用户的关系图谱、兴趣图谱、消费图谱、活动轨迹等。在两点计算架构中，大数据不可能存储在终端，只能存储在平台侧。以虚拟化、并行分布式计算和自动化为特征的云计算正是适合大数据处理的创新性技术架构。
云计算、大数据应用已在国内被炒得火热，但大多数人忽略了一个问题：技术是业务背后的支撑，大数据应用是业务驱动而不是it驱动的。只有对具体业务的用户需求、商务模式和业务流程有足够的理解和把握，才有可能做好大数据应用。典型的云计算、大数据应用如智慧城市、云社区等已经在启动，但如何根据长远规划和业务特征，建立高效、安全、灵活的业务逻辑平台和大数据处理流程，仍是一个大的挑战。
5.3终端感知：智能情境感知和个性化交互体验
智能终端已经成为人的感官系统的延伸，能够同步体验到人的感觉和行为。与此同时，智能终端又可以随时和网络平台交互，甚至可以根据环境变化随时更新自身的软件。通过建立与业务相关的情境模式，根据用户设置或行为判断所处的情境，进而根据终端特性和用户喜好进行服务展现和交互，是用户体验提升的关键要素。
6小结
光纤网络的发展、云计算的兴起与智能终端的繁荣使得低成本大规模定制服务成为可能，实现这种服务的基础将是云-端两点计算架构。云端平台通过互联网大数据分析与挖掘获得用户个性化服务基本内容，终端则感知个性化情境和交互动作预测用户的行为，从而自然地实现个性化服务体验。
要实现这个目标，语义网建设、云计算平台上大数据处理和终端智能感应、适配技术将是主要的技术挑战。
参考文献：
[1]张亚勤.未来计算在“云-端”[eB/oL].（2008-07-12）.http：//.cn/it/2008-07-12/14302322570.shtml.
[2]涂子沛.大数据[m].桂林：广西师范大学出版社，2012.
[3]姜奇平.从精准到推荐：大数据时代重构网络广告商业模式[J].互联网周刊，2012（20）.
云计算的特征篇9
目前，以系留气球和自控飞艇为代表的飞艇以其耗能少、滞空时间长、载重量大等优点广泛用于军用、民用等领域。近年来，以具有3km滞空高度能力的系留气球和平流层自控飞艇浮空平台为代表的大型无人飞艇项目更是成为研究的热点，具有广阔和良好的应用前景。大型无人飞艇实际可升空高度和滞空时间与飞艇气囊的充气量大小密切相关，因此，为保证飞艇的升空与回收安全，必须对气囊的充气量大小进行监测，为放飞决策提供可靠的数据支撑。传统的监测手段都是以气囊饱满度定性估计，具有很大的主观性和不确定性，所以对大型无人飞艇气囊的体积定量测量就显得非常迫切。以激光扫描为代表的光学三维大尺寸测量技术与传统的激光点对点的测距技术不同，激光扫描测量技术的发展为空间信息的获取提供了全新的技术手段，由传统的人工单点数据获取转变为连续自动数据获取，提高了观测的速度和准确度，由于其融合了激光反射强度和物体色彩等光谱信息，可以真实描述目标的整体结构、形态特性以及光谱特征，具有测量范围大、准确度高、通用性强等特点，已成为大型飞行器、地形地貌、城市建筑三维重建等大尺寸物体几何量测量的主要手段之一。基于三维激光测量的大型无人飞艇气囊体积监测系统，是通过激光扫描获得气囊曲面点到激光扫描仪的距离，而后通过一系列的坐标转换、数据处理最终构建气囊的三维几何模型，从而定量计算出气囊的体积［1］。由于激光扫描获取点云的速度较快，可以满足对飞艇气囊体积进行即时监控的要求。
1系统设计
在飞艇气囊底腹部中心位置安装一个转动能力不小于180°的云台，具有180°扇区跨度扫描能力的二维激光阵列扫描仪装在云台上，实现对充气后气囊外形特征点的快速扫描。设计总体路线是:艇载计算机对激光扫描原始数据包进行解算，转化为三维坐标体系，随后通过内插值、滤波技术重构气囊外形轮廓，最后通过积分获得气囊的体积。以扫描仪为原点o，囊体的平行切平面XboYb为基准面。云台0时刻从零位线起，在设定的角速度ω下匀速转动，考虑云台零位线与扫描基准线相差一个角度ψ0，则通过扫描基准线的时刻为tb=ψ0/ω。从tb时刻开始采集数据，每隔Δt(即每隔ωΔt的间隔角)对气囊基准面以上的断面进行扫描，扫描仪按均分原理保留每个扫描断面特征点到扫描原点的距离数据，当云台工作时间达到tb+180/ω时，完成对基准面XoZ以上的气囊特征点的扫描，采集工作停止，云台复位，等待下一个扫描采集指令。
2关键技术
2.1内插值法
无人飞艇气囊体积监测系统涉及的关键技术之一是扫描仪采集到气囊外形特征点后，如何将已有特征点通过网格插值，重构出气囊的三维外形轮廓。本设计采用双线性插值算法构建三角网格结构，然后构建计算网格，对每个计算网格点在三角网格结构中进行搜寻插值，通过查找均分点位于哪个三角形中来构建其高程差值，获得网格点整齐均分的计算网格坐标，最终构建气囊的三维特征外形。为计算网格点在三角网格中的位置。为了确保计算网格点高程插值的一一对应属性，在对气囊外形进行三维重建时采用了区域分块技术，把气囊分为多个部分分别进行计算，最后通过面拼接将各部分体积累加即为总体积。
2.2数据滤波
由于无人飞艇气囊为柔性囊体，飞艇气囊体积监测装置使用时无法进行刚性固定，扫描仪在扫描时的晃动振动将形成散乱点或者空洞等杂波或噪声，需要通过对点云数据进行去噪滤波，以保证原始数据点的平滑特性。假设某一断面采集了n个数据点，当对点Si((n－j)＞i＞j)进行滤波时，先根据不同的测量环境选定参数值j(j的取值一般为2到5之间)，求出Si及两边相邻的各j个点Si－j，…，Si，Si+1，…，Si+j到激光器S0的距离Di－j，…，Di，Di+1，…，Di+j;而后对距离设定权值。
2.3控制及采集方案
控制及采集系统由激光扫描仪、小型云台、串口/以太网信号转换器、艇载以太网交换机、光纤收发器和地面测控计算机组成，为避免定位误差的累积，每个扫描周期后云台都将复位至原始位置，小型云台在水平面从0°转动至200°再复位至0°的时间为一个扫描周期，扫描周期t0的值随着云台的水平转速的大小而变化，云台的水平转速可通过地面测控计算机上的云台控制软件来设定。考虑到测量误差，舍弃云台(0°，10°)和(190°，200°)两个不匀速运动的区间，只选取扫描周期中云台转速均匀的中间段(10°，190°)进行采集，采集角度范围依然保持为180°。地面测控计算机的采集频率根据采集周期和最小采样角度来确定，本方案中采样角度为1°～5°，采集频率f与扫描周期t0之间的关系。
3试验结果
采用某型飞艇气囊对无人飞艇气囊体积监测装置进行测试验证，无人飞艇气囊体积监测装置对气囊进行激光扫描后，通过坐标转换、数据处理重构出气囊的三维特征外形。经与结构设计工程师确认，气囊充气饱和后的体积设计理论值为234m3，对气囊连续进行6次测量，测试结果如表1所示，6次测量均值为235.08m3，重复性为0.47m3，实测均值与设计理论值相对误差为0.46%，相对误差控制在±1%以内，单次测量时间小于10s，无人飞艇气囊体积监测装置可以满足对囊体体积即时测量的要求。
4结束语
云计算的特征篇10
关键词：云计算；负载预测；神经网络；虚拟机迁移
中图分类号：tn711?34；tm417文献标识码：a文章编号：1004?373X（2016）07?0024?05
abstract：Fortheproblemofhowtoreducethemanualoperationintheprocessofcloudcomputerresourcesmanagementtoachieveresourceadaptivemanagement，aresourcemanagementstrategyofneuralnetworkloadforecastingalgorithmbasedonloadsimilarityandmulti?objectivegeneticalgorithmbasedonhybridgroupingencodingisproposed.thesimulationexperimentsforphysicalnodesofdifferentscaleanddifferentneuralnetworkswereconductedintheenvironmentsofmatlabandCloudSimrespectively.theexperimentalresultsshowthattheelmanneuralnetworkloadforecastingalgorithmbasedonloadsimilarityadaptstothedynamiccharacteristicsofcloudcomputersystem，andcaneffectivelyimprovetheaccuracyofresourceloadforecasting.theresourcemanagementstrategyofmulti?objectivegeneticalgorithmbasedonhybridgroupingencodingcanreducethefrequencyofthevirtualmachinemigration，andoptimizetheusequantityofphysicalmachines.
Keywords：cloudcomputing；loadforecasting；neuralnetwork；virtualmachinemigration
0引言
云计算具有复杂性、大规模性和动态特性等特点给云计算机资源的管理带来了很多挑战性问题，其中虚拟机迁移策略和物理机使用数量的优化最为关键。目前，国内外学者对云计算资源管理的研究主要包括虚拟资源管理、资源负载预测和资源合理分配三方面。在虚拟资源管理方面，大部分是研究如何对内存、CpU及存储资源进行虚拟间的分配，只有少量研究是基于虚拟机负载变化进行虚拟机动态迁移和资源分配的文献[1?2]；在资源负载预测方面，文献[3]无法对突发的负载进行预测，文献[4]中没有考虑短期历史记录中无相似的就会影响预测效果；在资源合理分配方面，文献[5]不能进行自适应的云计算机资源管理。
针对上述问题，本文提出了一种基于负载相似度的神经网络负载预测算法和基于混合分组编码的多目标遗传算法进行虚拟机资源的管理，得出虚拟机最优迁移策略，从而达到资源的自适应优化配置管理。
1总体思路
基于混合分组编码的多目标遗传算法进行虚拟机资源的管理由3个模块组成，如图1所示。
具体来说，该模型首先从云计算机资源全局监控器模块获取资源的负载情况，然后把这些负载序列发送给资源配置策略生成器。策略生成器的负载预测模块先根据负载进行负载预测，通过负载预测器和虚拟资源优化器得到优化的虚拟机资源配置策略，最后资源配置器根据生成的资源配置策略进行虚拟机的迁移和资源的配置工作，从而达到资源的自适应管理。
2具体实现方法
2.1资源负载的特征聚类
2.1.1资源负载特征提取
（1）负载数据的选取及预处理
云计算机数据中心的短期负载预测要求一定的实时性，从而适应动态变化的负载。因此历史数据的选取要综合考虑准确度和实时性，本文选择过去3天的负载数据进行预测，如图2所示。
受突发因素和数据测量系统影响，获得的负载数据存在一定的异常数据，需采用水平处理法和垂直处理法对数据进行修正[6]。
（2）云计算机资源负载特征提取
由神经网络研究可知，每个神经网络具有d个输入及ε个输出，分别记为d维输入向量X{X1，X2，…，Xd}和ε维输出向量Y{Y1，Y2，…，Yε}。为了满足神经网络对数据的格式要求，本文采用基于滑动窗口的资源负载特征提取方法，如图3所示。
图3中给定长度为L的云计算机资源负载时间序列，依次取d（x1，x2，…，xd）个相邻的样本为滑动窗，并将它们映射为ε维预测值Yi（i=1，2，…，n），这n组数据即为负载特征向量，如表1所示，n组负载特征，每组前d个数据为输入的负载特征数据，作为网络输入；后ε个为当前数据的输出负载特征，作为网络训练输出比较值。
对于elman神经网络，d=win*ε，win表示一个窗口的大小，[ε]为输出向量的维数，[d]是输入向量的维数，win窗口的大小会对预测结果产生影响，因此需合理确定win的大小。根据试验要求，调整win的大小，固定其他参数不变，计算出不同win值对应的mSe，图9给出了不同win值的预测结果，表2给出了不同win值预测结果的mSe值。
从图10中可以得到如下结论：
（1）当聚类簇为1时表示没有对负载特征进行聚类，即普通的Bp和elman算法，mSe误差在5%左右，能达到较好水平；
（2）当聚类个数为2，应用基于负载相似度的预测算法，mSe误差分别为0.7%和0.9%，达到了预期效果，证明了基于负载相似度算法的有效性；
（3）当聚类个数为3，预测结果偏差在20%以上，这是因为过度聚类导致实际预测的样本不足，从而导致较大偏差的出现；
（4）elman算法的预测性能整体比Bp好。
3.3资源的配置管理仿真
本文选择CloudSim作为仿真平台。仿真实验中分别模拟了50，100，200个物理节点三种规模进行实验对比，每个物理节点装备2个处理器，频率为3000mipS，1Gb/s网络带宽，8GB内存，7200转512GB硬盘。实验中使用的虚拟机是单核的，每个虚拟机的配置根据需要动态分配资源。
从中可以得出如下结论：
（1）以最少物理机使用个数为目标的配置策略可使物理机使用个数最少，但虚拟机迁移次数较高。
（2）以最少迁移次数为目标的配置策略可使虚拟机迁移次数最少，但物理机使用个数增多。
（3）基于混合分组的多目标遗传算法配置策略的虚拟机迁移次数和物理机使用个数虽然都不是单个最优，但实现最优权衡，服务级目标（SLa）违背率最低，并且使用相对较少的虚拟机迁移次数和较少的物理机个数。
4结论
本文提出了基于负载相似度的elman神经网络负载预测算法和基于混合分组编码的多目标遗传算法的虚拟机资源管理策略。并在CloudSim及matlab环境下分别完成了仿真实验，证明了负载预测算法和资源管理策略的有效性。本文所提出的负载预测算法只考虑了过去3天时间内的负载情况，属于短期负载预测，对周度、月度等中长期负载预测还无法进行；提出的资源管理策略是以虚拟机为资源单位进行管理的，属粗粒度资源管理，对细粒度资源管理还无法进行，还需进一步完善。
参考文献
[1]SHinD，aKKanH.Domain?basedvirtualizedresourcema?nagementincloudcomputing[C]//proceedingsof20106thinternationalConferenceonCollaborativeComputing：networ?king，applicationsandworksharing.Chicago：ieee，2010：1?6.
[2]KUpFeRmanJ，SiLVeRmanJ，JaRap，etal.Scalingintothecloud[eB/oL].[2009?08?12]http：//cs.ucsb.edu/jkupferman/docs/scalingintothecloudspDF.
[3]李强，郝汾沁，肖利民，等.云计算中虚拟机放置的自适应管理与多目标优化[J].计算机学报，2011，34（12）：2253?2264.
[4]CaRone，DeSpReZF，mUReSana.Forecastingforgridandcloudcomputingon?demandresourcesbasedonpatternmatching[C]//proceedingsof20102ndieeeinternationalConferenceonCloudComputingtechnologyandScience.indianapolis：ieee，2010：456?463.
[5]LimK，CHenm，XieJ.Cloudcomputing：asynthesismo?delsforresourceservicemanagement[C]//proceedingsof2010SecondinternationalConferenceonCommunicationSystems，networksandapplications.[S.l.]：ieee，2010：208?211.
[6]朱振伟.气象因素对电网负荷特性影响的研究[D].杭州：浙江大学，2008.
[7]祁薇熹，李彬.多目标演化算法的进展研究[J].计算机与数字工程，2008，36（5）：16?18.