检索结果-内蒙古大学图书馆

中国移动“5G+AICDE”技术研讨会

作者：戚晓东中移铁通有限公司信息和产品开发中心

近年来,随着连接到互联网上的设备数量增加。互联网正在将今天的物联网转变为未来的大规模物联网。据估计,几年后将需要较高的通信和计算能力,以满足数据共享和处理大量物联网设备及应用程序的需求。5G及以后的移动网络有望通过提供每... 详细信息

近年来,随着连接到互联网上的设备数量增加。互联网正在将今天的物联网转变为未来的大规模物联网。据估计,几年后将需要较高的通信和计算能力,以满足数据共享和处理大量物联网设备及应用程序的需求。5G及以后的移动网络有望通过提供每秒万亿比特的数据速率来满足这些需求的一部分。它将是支持大规模物联网和新兴的具有严格延迟限制任务应用的关键推动因素。另一方面,具有新兴云化技术(如雾和边缘计算)的下一代软件定义网络(SDN)可以在支持和实现上述应用方面发挥重要作用。阐述了在5G时代变革中的重要技术,包括混合云雾计算,以及在混合云雾系统中使用SDN以支持5G和更高级别应用程序时,必须解决的潜在机遇和重要挑战。

关键词： 5G 云计算 SDN 雾计算大规模物联网

来源：评论

学校读者我要写书评

暂无评论

多源基因学习的微种群教与学优化及应用

多源基因学习的微种群教与学优化及应用

引用

第三届 RISC-V 技术及生态研讨会

作者：于彦鹏孟玉迪王筱薇兰莹范勤勤上海海事大学物流研究中心上海201306 上海海事大学物流工程学院上海201306

由于微种群教与学优化算法的种群规模较小,故其种群多样性很难维持。为提高微种群教与学优化算法的搜索性能,提出了一种基于多源基因学习的微种群教与学优化算法(micro-population teaching-learning-based optimization based on multi... 详细信息

由于微种群教与学优化算法的种群规模较小,故其种群多样性很难维持。为提高微种群教与学优化算法的搜索性能,提出了一种基于多源基因学习的微种群教与学优化算法(micro-population teaching-learning-based optimization based on multi-source gene learning,MTLBO-MGL)。在MTLBO—MGL算法中,将教阶段和学阶段根据随机选择策略来对个体进行基因水平上的进化操作;并从基因层面上对种群多样性进行检测和使用稀疏谱聚类方法对种群的每个维度进行聚类。然后,根据多样性检测和聚类结果,选择不同的进化策略来提高所提算法的搜索性能。在28个测试函数上,通过将所提算法与其他4种微种群进化算法作对比,证明了所提算法的整体性能要显著好于所对比的4种算法。本文还将所提算法应用于无人机三维路径规划问题,结果表明MTLBO-MGL算法能够在该问题上取得较好结果。

关键词：教与学优化微种群进化计算基因水平多样性稀疏谱聚类无人机三维路径规划

来源：评论

学校读者我要写书评

暂无评论

基于QEMU的高效指令追踪技术

基于QEMU的高效指令追踪技术

引用

第三届 RISC-V 技术及生态研讨会

作者：王涛秦宵宵徐学政王璐方健军事科学院国防科技创新研究院北京1O0071

系统模拟器通过模拟处理器、内存、外设等硬件资源创建一个完整的虚拟计算机环境，支持运行和调试不同架构的软件，可大大缩短跨架构的软件开发周期。模拟器的调试模块通常具有指令追踪功能，可记录程序运行的指令序列以用于进一步分析... 详细信息

系统模拟器通过模拟处理器、内存、外设等硬件资源创建一个完整的虚拟计算机环境，支持运行和调试不同架构的软件，可大大缩短跨架构的软件开发周期。模拟器的调试模块通常具有指令追踪功能，可记录程序运行的指令序列以用于进一步分析，如程序运行时间评估、程序行为模式分析、软硬件联合仿真等。支持RISC_V架构的主流模拟器QEMU和spike均具有指令追踪功能，但其时间和空问开销过大，在应对规模较大的应用时效率低下。本文提出了一种基于QEMU的指令追踪技术，将程序中的基本块、控制流图等静态信息与分支选择等动态信息解耦，在保证指令序列不失真@NN高效追踪执行序列。相比QEMU原生实现的指令追踪，本文提出的指令追踪技术的时问开销平均降低了80%以上，空问开销平均降低了95％以上。此外，本文面向RISC-V架构，实现了多种场景下的指令序列离线分析，包括指令分类统计、程序热点标记、行为模式分析等。

关键词： QEMU RISC-V 指令追踪模拟器处理器

来源：评论

学校读者我要写书评

暂无评论

氟化石墨烯薄膜应用于超高灵敏拉曼增强检测

氟化石墨烯薄膜应用于超高灵敏拉曼增强检测

引用

2023第四届全国功能高分子材料学术研讨会

作者：阙龙坤艾建平邵太欢郭一帆李金阳周祚万西南交通大学化学学院

制备大面积和高质量石墨烯及衍生物对高敏感性和良好稳定性的表面增强拉曼探测(SERS)非常重要。但是高效制备和精细调控大面积石墨烯衍生物仍然存在巨大的挑战。在本工作中,通过对亚厘米级的石墨烯进行简便的氟化处理,得到了可用于高性... 详细信息

制备大面积和高质量石墨烯及衍生物对高敏感性和良好稳定性的表面增强拉曼探测(SERS)非常重要。但是高效制备和精细调控大面积石墨烯衍生物仍然存在巨大的挑战。在本工作中,通过对亚厘米级的石墨烯进行简便的氟化处理,得到了可用于高性能表面拉曼增强探测的氟化石墨烯薄膜。首先,在氨气等离子体的协助下,通过精确控制石墨烯生长成核密度,在铜箔上得到了亚厘米尺寸的单晶石墨烯。然后石墨烯薄膜与碳氟在高温下释放的氟原子进行反应。SERS结果表明,在优化了F/C比率后的氟化石墨烯薄膜表现出优异的染料分子探测性能。并且由于氟化石墨烯具有非常稳定的化学性质,探针分子在氟化石墨烯薄膜上长时间放置后,其拉曼信号仅轻微降低。此外,理论计算证实,特定激光的能量与探针分子的最低未占据分子轨道和氟化石墨烯的费米能级之间的能隙相匹配,是有利于SERS信号的增强。这种能够大规模制备具有高灵敏度的氟化石墨烯薄膜为具有潜在应用的SERS材料开辟了一条道路。

关键词：表面拉曼增强氟化石墨烯亚厘米尺寸单晶石墨烯 CVD生长

来源：评论

学校读者我要写书评

暂无评论

扬州城新冠疫情清零防控模式的建模和分析

引用

应用数学学报 2022年第6期45卷 847-859页

作者：鲍文娣葛静李娟林支桂周罗晶朱怀平中国石油大学(华东)理学院青岛266580 淮阴师范学院数学与统计学院准安223300 浙江理工大学计算机科学与技术学院杭州310000 扬州大学数学科学学院扬州225002 江苏省苏北人民医院扬州225001 加拿大约克大学数学与统计系加拿大多伦多M3J1P3

新冠德尔塔病毒通过境外输入在广州、南京、扬州等地区局部散发.在中国政府强有力的监管防控政策和全市人民的密切配合下,通过“追踪-检测-隔离”清零防控模式,找出“零号病人”,确定传染链,进行全员核酸检测精准筛查密切接触者,并及时... 详细信息

新冠德尔塔病毒通过境外输入在广州、南京、扬州等地区局部散发.在中国政府强有力的监管防控政策和全市人民的密切配合下,通过“追踪-检测-隔离”清零防控模式,找出“零号病人”,确定传染链,进行全员核酸检测精准筛查密切接触者,并及时采取不同等级的隔离措施,阻断传染链,多地小规模的聚集性疫情在近一个月内能够得以控制.本文以扬州市COVID-19疫情防控为研究对象,通过区分社区和集中隔离点的感染者,建立了具有隔离和大规模检测的传染病模型,研究当前清零模式成功的机制,并利用相关参数模拟了扬州的抗疫成功的过程.利用新模型,我们比较分析“躺平”模式,消极模式以及推迟当前清零政策等,研究了多种情形下的疫情发展趋势及其影响.

关键词：新型冠状病毒肺炎德尔塔毒株时滞动力学模型扬州疫情参数反演

来源：评论

学校读者我要写书评

暂无评论

语料库与民间书信研究

语料库与民间书信研究

引用

中国英汉语比较研究会第十四次全国学术研讨会暨2021英汉语比较与翻译研究国际研讨会

作者：钱毓芳浙江工商大学

大数据时代,计算社会科学研究、基于语料库的社会科学研究,突破社会科学研究中经典的定量和定性方法。而国际社会科学界对定性研究的突破,以引进实证数据驱动的语料库方法为标志。语料库方法,作为一种语言学研究方法,其研究优势在于:一... 详细信息

大数据时代,计算社会科学研究、基于语料库的社会科学研究,突破社会科学研究中经典的定量和定性方法。而国际社会科学界对定性研究的突破,以引进实证数据驱动的语料库方法为标志。语料库方法,作为一种语言学研究方法,其研究优势在于:一是对大规模文本超强的储存能力;二是对语言精确的解释力;三是超于人类大脑的学习能力。语料库方法为社会科学研究另辟蹊径,近年来出现了一批重要成果,如气候变化、性别歧视、仇恨言论研究等。本研究将着重探究语料库用于民间书信的研究。

关键词：社会科学研究

来源：评论

学校读者我要写书评

暂无评论

虚拟科研团队识别方法研究——以重症医学领域为例

引用

图书情报工作 2022年第15期66卷 97-106页

作者：吕千千谭宗颖中国科学院大学经济与管理学院图书情报与档案管理系北京100049 中国科学院文献情报中心北京100190 中国电子技术标准化研究院北京100007

[目的/意义]在美国对华科技和人才封锁政策背景下,虚拟科研团队发现能够从情报研究的角度,为潜在合作对象识别、具有实体化潜力的科研团队发掘、团队组建及其结构优化提供参考和关键数据支撑,具有重要的理论和实践应用价值.[方法/过程]... 详细信息

[目的/意义]在美国对华科技和人才封锁政策背景下,虚拟科研团队发现能够从情报研究的角度,为潜在合作对象识别、具有实体化潜力的科研团队发掘、团队组建及其结构优化提供参考和关键数据支撑,具有重要的理论和实践应用价值.[方法/过程]首先,研究选取Scopus数据库中2012-2021年重症医学领域获NIH资助的研究论文、会议论文和综述,引入并改进社团识别研究中基于模块度的Louvain算法,依据特定交叉科学领域科研人员科研产出合著网络中作者合作的紧密程度,初步识别虚拟科研团队;然后,结合向量空间模型、模拟退火算法和并行计算,进一步优化作者合作关系表征和精炼算法迭代过程,通过优化矩阵计算和矩阵输入提升虚拟科研团队识别的效果和效率;最后,对比GN算法和谱聚类算法的识别结果,验证改进的Louvain算法识别虚拟科研团队的有效性.[结果/结论]在大规模作者-作者关系矩阵运算中,将改进的Louvain算法用于识别特定领域的虚拟科研团队较为理想,具体表现在以下3个方面:①充分考虑情报学研究中作者对论文的贡献,提高科研团队识别效果;②通过优化矩阵输入,精炼局部模块度计算;增加并行计算,有效减少运算时间,提升识别效率;③虚拟科研团队识别结果为潜在合作对象的发现提供参考.

关键词：虚拟科研团队作者关系矩阵科研团队识别

来源：评论

学校读者我要写书评

暂无评论

蛋白质与小分子官能团相互作用及算法开发

蛋白质与小分子官能团相互作用及算法开发

引用

作者：杨柳中国科学技术大学

学位级别：博士

蛋白质不仅是组成生命细胞的关键的大分子成分之一,在生命体重要的生命活动和进程中也扮演着关键的角色。小分子在生物体内不仅参与细胞新陈代谢,更是作为不可或缺的调节剂与蛋白质发生相互作用,以调节蛋白质发挥特定的功能。很多蛋白... 详细信息

蛋白质不仅是组成生命细胞的关键的大分子成分之一,在生命体重要的生命活动和进程中也扮演着关键的角色。小分子在生物体内不仅参与细胞新陈代谢,更是作为不可或缺的调节剂与蛋白质发生相互作用,以调节蛋白质发挥特定的功能。很多蛋白质彼此之间即使在整体上表现出序列或者结构的差异性,但通过其局部保守的结构花样可以识别并结合包含相同或者相似结构片段的小分子。对具备保守性结合模块的小分子结构片段或者官能团的深入探究,不仅可以帮助人们更深刻地认识和理解大分子与小分子彼此之间的识别机制,也可以对药物分子设计等应用提供有效的理论指导。关于对蛋白质中可以与小分子官能团相结合的保守性结合模块的相关研究,目前主要有两种技术路线。第一种是基于解析的复合体结构,针对某种小分子官能团,从氨基酸序列或者相互作用类型等角度,逐个地进行个性化的手工比对分析,寻找与小分子官能团相结合的蛋白质中的保守性结合模块。第二种是从完整的小分子出发,借助于不同类型的小分子官能团定义方法,以确定小分子官能团组成,接着大规模地提取官能团在蛋白质中的结合环境,利用统计学习等方法对结合环境进行相似性比较,最终获取小分子官能团的保守性结合模块或者偏好的结合环境。这两类技术路线分别都存在一些局限性。第一种技术路线的研究对象种类比较单一,只能集中于某一类小分子官能团或某一类蛋白家族,即依赖于相关领域专家的专业知识,又需要含有特定官能团的小分子与蛋白质复合物的结构数据。第二种技术路线涉及到如何定义小分子官能团,严重依赖于预先设计的小分子拆分算法,往往忽视了蛋白质中完整的结合口袋对官能团几何构型的影响,此外,在计算蛋白质中的保守性结合模块的过程中,大部分方法涉及到结构或者序列的相似性比对,如何选择相似性度量手段也会影响计算结果。为了解决已有研究中存在的上述问题,我们开发了一个全新的算法:Automatic FG-based Three-dimensional Motif Extractor,缩写为 AFTME,这是一种可以大规模自动化地提取蛋白质三维空间中小分子官能团的保守性结合模块的算法。AFTME在自动拆分小分子得到官能团的同时,将蛋白质的小分子结合口袋分解为若干个可以与被拆分的小分子官能团发生相互作用的子口袋,以获取小分子的每个官能团在蛋白质中偏好的结合环境。与已有的小分子官能团或者片段的保守性结合模块的探究算法相比,AFTME算法主要有以下创新特点。首先摆脱了对结构或者序列比对方法的依赖,不再受到所选择的相似性度量手段的限制。其次,从技术上来说,AFTME采用的小分子官能团的拆分方法不再单独依赖于化学知识或者已有的小分子拆分方案以及小分子官能团的模体库,它是基于小分子官能团在结合口袋中的几何构象分布特征,实现了对小分子的自动拆分和相应官能团的自动生成。最后,值得强调的是,AFTME算法首次实现了小分子官能团生成和蛋白质中保守性结合模块匹配的同步化操作,不仅易于进行大规模数据分析,而且有利于与合适的机器学习模型进行合并继而推广到多种应用领域。利用新开发的算法AFTME,分别对233种自然界中存在的小分子在蛋白质中的相互作用模式进行了大规模分析,共得到了 481个小分子官能团及其保守性结合模块。利用由这些官能团及其保守性结合模块所构建的匹配信息库,选择两个药物靶点——组蛋白甲基转移酶DOT1L和COVID-19主蛋白酶Mpro作为测试对象,对其潜在的抑制剂分子进行了较为成功地预测。此外,针对分子识别所关注的特异性和亲和力两个方面的问题,从官能团和结合模块的视角,探究了蛋白质与小分子相互作用的识别机制,发现在蛋白质的小分子结合口袋中普遍存在着四类结合模块,不同类型的模块组合会产生具有不同强弱亲和力的小分子结合口袋,为药物分子的设计提供了新的参考线索。

关键词：小分子官能团结合模块计算方法蛋白质-小分子相互作用药物设计

来源：评论

学校读者我要写书评

暂无评论

基于类脑系统的仿生脑模型构建系统的设计与实现

基于类脑系统的仿生脑模型构建系统的设计与实现

引用

作者：赵鋆北京邮电大学

学位级别：硕士

人类对大脑结构和功能的探索从未停止,脑科学和脑认知被许多国家视为人类科学领域“皇冠上的明珠”。继美国、欧盟和日本之后,我国在“十三五”国家科技创新规划中推出脑科学研究计划,明确提出发展类脑计算与脑机智能。随着类脑计算研... 详细信息

人类对大脑结构和功能的探索从未停止,脑科学和脑认知被许多国家视为人类科学领域“皇冠上的明珠”。继美国、欧盟和日本之后,我国在“十三五”国家科技创新规划中推出脑科学研究计划,明确提出发展类脑计算与脑机智能。随着类脑计算研究的推进,使用计算机或专用硬件执行大规模脑仿真,模拟神经信号在神经元内部的产生以及其在神经元之间的传递过程,这为人类研究生物脑运作机理提供一种有效手段。然而对生物脑抽象建模得到仿生脑模型,并部署到专用硬件上执行仿真,需要研究人员具备较强的计算机科学专业技术,无疑为相关研究增加了研究难度。为降低脑科学研究人员在对生物脑建模并部署仿真时的知识门槛,本文设计并实现了一个仿生脑模型构建系统,为相关研究人员提供一个对生物脑进行抽象建模和仿真的平台。本系统主要包括模型构建、模型转换、模型仿真、结果展示、模型管理、系统管理和日志管理等功能,为仿生脑模型的构建和仿真以及系统运行提供支撑。本文主要工作包括:1.仿生脑模型构建。本文根据实际应用场景,定义适用于本文系统的仿生脑模型相关文件的格式。本文系统根据用户提供的神经元、神经元簇等模型参数构建仿生脑模型,并使用结构化的模型描述文件和模型数据文件,记录仿生脑模型的结构信息和突触连接数据。2.模型转换策略设计与实现。本文系统基于某类脑系统,该类脑系统提供特制类脑芯片和类脑仿真引擎为仿生脑模型仿真提供支持。而特定硬件对仿生脑模型中神经元出度大小存在限制,出度超出限制的神经元在仿真过程中会带来额外的突触数据读取和脉冲信号传递的时间开销。此外在仿真过程中,仿真引擎需要比较神经元突触延迟和当前时间拍,两者一致时神经元之间才会传递脉冲信号。神经元之间各异的突触延迟会增加仿真引擎的判断分支,带来额外的时间开销。本文针对上述问题设计而向特定硬件的两种模型转换策略,对仿生脑模型进行定向转换,以在使用特定硬件仿真时加速模型仿真过程。***仿真器神经元模型库的扩展。本文系统集成了业界流行的NEST仿真器作为用户的仿真引擎备选。然而NEST仿真器缺少某类脑系统支持的经典LIF神经元模型。不同仿真引擎对同一仿生脑模型的仿真结果应保持一致。为保证系统兼容性,本文修改部分NEST源码,新增经典LIF神经元模型,满足用户构建和仿真仿生脑模型时的神经元类型需求。本文系统采用前后端分离式开发架构,后端包括业务服务器和若干计算节点,业务服务器使用Django框架处理用户在前端发起的请求,计算节点负责具体的模型构建、仿真任务。同时本系统使用腾讯云提供的COS对象存储服务解决仿生脑模型相关文件存储问题,以及使用MPI消息传递接口实现系统后端计算节点间通信与构建模型时涉及的并行计算。本文首先介绍了系统开发涉及的相关技术和类脑计算领域相关知识,分别分析仿生脑模型构建系统的相关模型构建、模型转换、模型仿真等功能型需求和系统性能、安全等非功能型需求。其次,本文设计并实现面向特定仿真硬件的模型转换策略。再次,本文设计系统整体架构并划分具体功能模块,以及简要对模块间接口和数据存储进行说明。接着,结合时序图和类图详细介绍系统各功能模块实现方案。然后本文设计测试用例,测试系统功能模块运行情况,并分析测试结果。最后,本文总结全文工作内容,并针对系统实现过程中存在的不足提出改进方法。

关键词：仿生脑模型类脑计算脑仿真模型转换

来源：评论

学校读者我要写书评

暂无评论

大规模基因序列压缩及其并行化算法研究

大规模基因序列压缩及其并行化算法研究

引用

作者：尧海昌南京邮电大学

学位级别：博士

基因数据因其重要的社会价值和科研价值受到国际社会的广泛重视。随着基因测序技术的不断进步,测序速度在不断提升而测序成本在不断下降,因此人类基因数据正以指数形式增长,而且未来增长速度会更快。基因数据的增长速度远远超过了存储... 详细信息

基因数据因其重要的社会价值和科研价值受到国际社会的广泛重视。随着基因测序技术的不断进步,测序速度在不断提升而测序成本在不断下降,因此人类基因数据正以指数形式增长,而且未来增长速度会更快。基因数据的增长速度远远超过了存储容量和网络带宽的增长速度,给基因数据的存储、备份和传输等都带来了很大的挑战。基因压缩算法是缓解该挑战的重要手段。基因数据是生命的密码,记录着生物体的全部遗传信息,是每个国家特有的资源,其安全是国家安全的重要组成部分。因此,在提升基因数据存储效率的基础上同时保障基因数据的安全具有十分重要的意义。本文从安全高效存储大规模基因数据的需求出发,在对当前国内外已存在的基因压缩算法深入研究的基础上,分别从基因压缩核心算法,大规模基因序列批量压缩算法,基因压缩单机多线程并行算法,基因压缩分布式并行算法,基因流数据压缩算法依次递进逐步解决关键科学技术问题。具体来讲,本文的创新工作总结为如下三点:(1)针对基因压缩的核心算法,提出基于最大似然模型的基因序列匹配算法MLGM(Maximum Likelihood Genome Matching),提升当前基因匹配算法的效率。从基因序列的生物特征出发,研究基因序列间广泛存在的插入、删除和替换这三种变异的特征。匹配算法不以精确匹配长度为标准,而是匹配片段中允许碱基变异的,以匹配存储开销作为选择匹配片段标准。在搜索到精确匹配片段之后,以匹配片段为锚点,比对相邻匹配片段间的INDEL与碱基替换,对片段进行联合,并依此迭代,直至找到最优的最大似然匹配片段。与当前基因压缩算法采用的精确匹配算法相比,MLGM算法能够以更小的存储开销表示序列间的差异信息。实验结果表明,MLGM算法相对于当前最优秀的基因压缩算法mem RGC采用的匹配算法平均压缩率提升了16.64%。(2)在MLGM的基础上,提出基于二维哈希矩阵的大规模基因序列批量压缩算法HRCM(Hybrid Referential Compression Method for large collections of genomes),解决当前还没有高效的多序列无损压缩算法的问题。HRCM在首次压缩前,将序列文件辅助信息与基本碱基序列分别提取。只对基本碱基序列进行匹配,提升了匹配速度,降低了内存消耗。在首次压缩后,并不对压缩结果直接存储,而是选取部分序列的首次压缩结果构建二维哈希矩阵索引,所有待压缩序列的首次压缩结果基于二维哈希矩阵进行二次压缩。设计了首次压缩结果与二次压缩结果的高效表达方式,降低了压缩文件存储总开销。二次压缩机制还降低了参考序列选取对压缩结果的影响。而且,算法采用流水线压缩机制,内存峰值与待压缩序列数量无关,可以满足大规模的基因序列压缩。实验结果表明,在压缩1100个人类基因时,HRCM算法平均压缩率达到了2347:1,相比于当前最优秀的基因压缩算法mem RGC,压缩率提升了5.8倍。而且,因为批量压缩时只需要一次参考序列预处理及匹配索引构建即可以完成对所有序列的压缩,压缩速度相较于当前最快的压缩算法Hi RGC提升了46.4%;压缩算法的鲁棒性也在所有比较算法中表现最优;压缩算法的加密属性也保障了基因数据的安全。(3)针对大规模基因序列压缩时间长的问题,提出高效的大规模基因序列压缩并行化算法。通过研究大规模基因压缩算法中流程与数据的依赖部分与可并行化部分,将其与多种并行化技术融合,重新设计算法与数据流,分别提出面向单机环境多线程的,面向分布式存储环境基于Hadoop的和基于Spark的大规模基因序列压缩并行化算法Mt GC(Multi-thread Genome Compression),Hadoop GC(Hadoop based Genome Compression)和Spark GC(Spark based Genome Compression)。三种并行算法解决了不同的问题,相互补充,不可替代。Mt GC将非参考序列的其他序列压缩通过线程池技术实现并行化,解决了单机环境上的基因压缩速度问题。Hadoop GC解决了在当前应用最广的分布式计算系统Hadoop平台上的批量基因离线压缩问题,设计了分布式存储系统下基因数据输入与输出算法,分布式计算环境下的数据分配策略,内存管理算法和文件管理算法。在Map阶段完成待压缩序列首次压缩,在Reduce阶段完成待压缩序列的二次压缩,各阶段均利用多节点计算能力实现算法并行。Spark GC基于内存分布数据集技术与Spark Streaming流式数据处理技术,既支持大规模基因数据的批量压缩,也支持基因实时数据流的在线压缩。Spark GC将Spark算子与大规模基因序列压缩算法融合,通过RDD转化实现基因序列分布式并行压缩,进一步提升了压缩速度;设计RDD内存缓存方式和序列化机制,

关键词：基因压缩并行化多线程分布式计算基因安全

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：