检索结果-内蒙古大学图书馆

软件学报 2019年第10期30卷 3206-3226页

作者：刘博涵张贺董黎明计算机软件新技术国家重点实验室(南京大学)

DevOps 已提出近十年,其作为敏捷方法在完整的软件生命周期上的延伸,旨在从文化、自动化、标准化、架构以及工具支持等方面,打破开发与运维之间的壁垒,重塑软件过程,以实现在保证高质量的前提下,缩短从代码提交到产品上线之间的周期.在... 详细信息

DevOps 已提出近十年,其作为敏捷方法在完整的软件生命周期上的延伸,旨在从文化、自动化、标准化、架构以及工具支持等方面,打破开发与运维之间的壁垒,重塑软件过程,以实现在保证高质量的前提下,缩短从代码提交到产品上线之间的周期.在竞争日益激烈的市场环境下,用户对于产品服务的稳定性以及更新频率和效率的要求不断提高,DevOps 在学术界和工业界的关注程度因此也不断提高.Puppet Labs 在 2013 年开始了全球 DevOps 现状的问卷调查,迄今已发布了 5份报告.国内 DevOps的发展相对滞后,对于国内 DevOps现状的研究在工业界和学术界均处于空白.2016 年和 2018 年分别进行了两次关于 DevOps 国内现状的问卷调查以填补这一空白,两次调查的受访人数分别为 74 和 66 人.基于两次调查结果,从 DevOps 涵盖的 IT 性能表现、组织文化及相关实践、开发与运维实践、工具支持、领导力、工作比例、员工敬业度及满意度这 8 个方面,综合分析了 DevOps 在国内的发展现状与趋势,并与 Puppet Labs报告的全球现状进行了对比.总体而言,国内 DevOps虽呈现了稳步发展的态势,但与国际水平相比尚存在明显差距,目前能达到国际高水平 IT 性能的受访团队仅 6%.通过对比,总结了 17 条发现,经过综合分析,获得了 3 个主要结论:(1)员工素质和人才紧缺是国内 DevOps 滞后、过程成熟度不高的症结;(2) DevOps 化越成熟,员工敬业度和满意度越高;(3) Scrum 敏捷开发和基于主干开发是最普遍采纳的实践.基于分析结果,在未来实践与研究上给出了多项建议.

关键词：软件工程软件过程 DevOps

来源：评论

学校读者我要写书评

暂无评论

基于历史的云平台故障注入测试

引用

计算机学报 2019年第10期42卷 2281-2296页

作者：马骅聂长海吴化尧南京大学计算机软件新技术国家重点实验室

云计算是一种能够以便利的、按需付费的方式通过网络获取计算资源并提高其可用性的模式.近年来,以云计算为基础的服务平台——云平台逐渐成为各大企业数据存储和业务部署的主要平台.由于云平台结构复杂、服务多样,发生故障在所难免.为... 详细信息

云计算是一种能够以便利的、按需付费的方式通过网络获取计算资源并提高其可用性的模式.近年来,以云计算为基础的服务平台——云平台逐渐成为各大企业数据存储和业务部署的主要平台.由于云平台结构复杂、服务多样,发生故障在所难免.为了提高云平台的可靠性,开发人员在设计云平台时加入了容错机制,目的是在发生故障的情况下也能保证云平台的正常运行.但是容错机制并不能保证云平台完全可靠,因此我们还需要对云平台的可靠性进行检验.故障注入是检验云平台可靠性的方法之一,通过人为地将故障注入正在运行的系统中,观察系统动作并判断系统的容错机制是否正常工作.现有的故障注入方法侧重于分析待测系统特征以确定故障注入点,属于白盒或灰盒测试,对复杂的云平台来说,这一工作无疑要耗费大量的时间.因此,我们提出一种不依赖于系统信息的黑盒测试方法以提高检验效率.本文在现有工作的基础上做了以下几个方面的工作:第一,我们收集了云平台历史宕机事故报告,并分析其中故障模式出现的规律.我们发现,云平台中发生的故障类型具有重复性,在此基础上,我们提取了这些故障的特征,包括所在组件、根因、产生的影响、修复方法等;第二,通过对云平台历史宕机事故报告的分析,我们发现很多事故当中的故障并不是单一出现的,并且多个故障之间具有关联性、组合性,我们深入分析了多故障之间的关系以及故障之间的组合形式,在此基础上,为了尽可能完全地检测云平台的可靠性,我们提出在故障注入过程中需要对多故障进行组合注入;第三,在对多故障进行组合的过程中我们发现,由于云平台的复杂性,故障种类的多样性,多故障之间的组合会产生组合空间爆炸问题,针对这一问题,我们做了初步探究,并提出了几种约减策略;第四,基于上述工作,我们提出了一种基于历史的故障组合方法,并利用历史故障数据,结合基础云平台架构进行模拟实验,实验结果表明我们提出的基于历史故障进行故障组合注入方法是有效可行的.

关键词：云平台故障模式历史故障故障注入

来源：评论

学校读者我要写书评

暂无评论

基于Shapelet的不相关情感子序列挖掘方法

引用

南京大学学报（自然科学版） 2020年第1期56卷 57-66页

作者：吴静怡吴钟强商琳南京大学计算机软件新技术国家重点实验室南京210023 南京大学计算机科学与技术系南京210023

为了描述和分析特定微博事件的情感变化,情感时间序列被应用在微博事件分析当中.情感时间序列是根据不同时间段内的情感强度生成的曲线,能够描述用户关于事件的情感随时间变化的趋势.为了使对微博的情感挖掘定位到更为精准的时间片,提... 详细信息

为了描述和分析特定微博事件的情感变化,情感时间序列被应用在微博事件分析当中.情感时间序列是根据不同时间段内的情感强度生成的曲线,能够描述用户关于事件的情感随时间变化的趋势.为了使对微博的情感挖掘定位到更为精准的时间片,提出一种基于Shapelet的不相关情感子序列挖掘方法.首先通过事件和不同类别用户的微博生成相应的情感时间序列,然后利用基于Shapelet的思想将相应序列划分成不同的子序列,最后通过计算不同种类用户的子序列和事件子序列的相似性得到最不相关的情感子序列.通过基于微博事件数据集的实验展示了使用该方法挖掘出的情感子序列结果,并进一步通过情感相似度方法验证了该方法的合理性.

关键词：时间序列微博情感分析数据挖掘 Shapelet

来源：评论

学校读者我要写书评

暂无评论

基于CMAES集成学习方法的地表水质分类

引用

计算机科学与探索 2020年第3期14卷 426-436页

作者：陈兴国徐修颖陈康扬杨光南京邮电大学江苏省大数据安全与智能处理重点实验室南京210023 南京大学计算机软件新技术国家重点实验室南京210023

为了提高人民生活质量,政府部门不断加强水质管理,然而人工分类方法无法满足实时处理的需求,传统机器学习方法的分类准确率又不够高。集成学习使用多种学习算法来获得比单一学习算法更好的预测性能。首先,对集成学习进行概述,简要介绍了... 详细信息

为了提高人民生活质量,政府部门不断加强水质管理,然而人工分类方法无法满足实时处理的需求,传统机器学习方法的分类准确率又不够高。集成学习使用多种学习算法来获得比单一学习算法更好的预测性能。首先,对集成学习进行概述,简要介绍了Bagging和Boosting算法,并提出基于协方差自适应调整的进化策略算法(CMAES)的集成学习方法。接着,介绍了数据处理方式、模型评估方法和评价指标。最后,用CMAES集成学习方法对逻辑回归、线性判别分析、支持向量机、决策树、完全随机树、朴素贝叶斯、K-邻近算法、随机森林、完全随机树林、深度级联森林十种模型进行集成。实验结果表明,CMAES集成学习方法优于所有其他模型,该方法将继续被应用到未来的研究之中。

关键词：水质分类 Boosting 基于协方差自适应调整的进化策略算法(CMAES) 集成学习参数优化

来源：评论

学校读者我要写书评

暂无评论

一种面向边缘环境的多实例服务链在线部署算法

引用

计算机工程与科学 2021年第2期43卷 218-227页

作者：宋浒甘让兴夏飞邹昊东南京大学计算机软件新技术国家重点实验室江苏南京210023 国网江苏省电力有限公司信通分公司江苏南京210023

边缘设备的资源有限性促使部署边缘服务需要深入理解网络功能的资源消耗情况。通过无线路由器上容器化网络功能部署实验得出,除了处理业务流的计算开销外,网络功能实例间的通信也会消耗大量CPU资源。基于该发现,考虑在近距离和相对低负... 详细信息

边缘设备的资源有限性促使部署边缘服务需要深入理解网络功能的资源消耗情况。通过无线路由器上容器化网络功能部署实验得出,除了处理业务流的计算开销外,网络功能实例间的通信也会消耗大量CPU资源。基于该发现,考虑在近距离和相对低负载的对等边缘设备上分布式地部署网络功能实例,在满足时延约束的条件下均衡流量,从而最小化边缘设备负载。为此,提出细粒度服务链负载模型,并在此基础上设计实现了一种面向边缘环境的多实例服务链在线部署算法。该算法包括基于剪枝搜索策略的时延满足路径搜索、基于嵌套Top K策略的部署路径选择和基于贪心策略的网络功能部署3个组成部分。仿真实验验证了该算法的有效性。实验结果表明,相比不考虑通信开销的网络功能链部署,该算法可以降低10%边缘设备CPU负载,接近理论最优部署结果。

关键词：边缘计算网络功能虚拟化服务链部署

来源：评论

学校读者我要写书评

暂无评论

面向RFID动态帧时隙ALOHA协议的帧长优化

引用

计算机科学与探索 2021年第7期15卷 1227-1236页

作者：何金栋卜艳玲石聪聪谢磊国网福建省电力有限公司电力科学研究院福州350007 南京大学计算机软件新技术国家重点实验室南京210023 全球能源互联网研究院有限公司信息网络安全实验室南京210023

近年来,国家电网积极推动泛在电力物联网的建设,以实现电力系统的万物互联与优化管理。其中,射频识别技术(RFID)作为泛在电力物联网建设的核心技术,凭其价格低廉、无需电源、非视距通信、远距离通信等特点,被广泛应用于电力仓储物资管... 详细信息

近年来,国家电网积极推动泛在电力物联网的建设,以实现电力系统的万物互联与优化管理。其中,射频识别技术(RFID)作为泛在电力物联网建设的核心技术,凭其价格低廉、无需电源、非视距通信、远距离通信等特点,被广泛应用于电力仓储物资管理、电力巡检等应用场景。为了盘点电力设备仓库中的物品,需要快速识别粘贴在物品上的标签,然而由于仓库中存在大量标签,在通信过程中容易产生标签信号冲突。针对当前商用RFID系统普遍采用的符合EPCC1G2标准的动态帧时隙ALOHA协议,提出了一种新型的基于Q-learning与神经网络的帧长优化算法(记作QN-learning)。通过将动态帧长选择问题转化为马尔可夫决策过程(MDP),即观察到的状态为不同种类时隙的个数(空时隙数、单时隙数、冲突时隙数),执行的动作为设置合理的帧长,从而利用Q-learning与神经网络来自主学习帧长选择策略,基于学习到的策略可以指导系统根据最新观察选择能够实现全局最优的帧长。仿真实验结果表明,基于QN-learning算法在动态调整帧长方面表现优异,能够实现标签的有效识别,在保障高吞吐率的同时控制阅读器的询问次数,减少数据传输量。

关键词：射频识别(RFID) 动态帧时隙ALOHA 帧长优化马尔可夫决策过程(MDP) Q-learning

来源：评论

学校读者我要写书评

暂无评论

用于超分辨率重建的深度网络递进学习方法

引用

自动化学报 2020年第2期46卷 274-282页

作者：张毅锋刘袁蒋程程旭东南大学信息科学与工程学院南京210096 东南大学南京通信技术研究院南京211100 计算机软件新技术国家重点实验室(南京大学) 南京210093 南京信息工程大学计算机与软件学院南京210044

本文针对深度学习在单幅图像超分辨率方面难以恢复高频纹理细节的问题,提出了一种基于递进学习的超分辨率算法.该算法首先采用灰度共生矩阵提取图像纹理特征,然后利用基于密度峰值的聚类方法实现对整个训练集的分类,其中每个训练子集具... 详细信息

本文针对深度学习在单幅图像超分辨率方面难以恢复高频纹理细节的问题,提出了一种基于递进学习的超分辨率算法.该算法首先采用灰度共生矩阵提取图像纹理特征,然后利用基于密度峰值的聚类方法实现对整个训练集的分类,其中每个训练子集具有相似的纹理复杂度.针对传统的递进学习方法会出现对已掌握知识"遗忘"的问题,本文根据网络模型在各个训练子集上的拟合情况,实时调整当前训练样本在各个子集上的概率分布,从而实现快速收敛,并获得更好的纹理细节复原效果.将本文提出的递进学习用于DRCN、VDSR、SRCNN等超分辨率网络的训练,实验结果表明超分辨率网络收敛速度得到提升,同时网络对复杂纹理等细节较多的图像也获得了较好的视觉恢复效果,峰值信噪比则平均获得0.158 dB、0.18 dB、0.092 dB的提升.

关键词：超分辨率递进学习共生矩阵密度峰值

来源：评论

学校读者我要写书评

暂无评论

基于图嵌入模型的协同过滤推荐算法

引用

数据采集与处理 2020年第3期35卷 483-493页

作者：高海燕毛林窦凯奇倪文晔赵卫滨余永红南京邮电大学通达学院扬州225127 计算机软件新技术国家重点实验室(南京大学) 南京210023

传统协同过滤算法存在严重的数据稀疏和冷启动问题。利用社交网络中的丰富信息为解决传统协同过滤算法的数据稀疏和冷启动带来了契机。然而,传统基于社交网络的协同过滤算法仅利用粗粒度、稀疏的用户信任关系来改进传统协同过滤算法,即... 详细信息

传统协同过滤算法存在严重的数据稀疏和冷启动问题。利用社交网络中的丰富信息为解决传统协同过滤算法的数据稀疏和冷启动带来了契机。然而,传统基于社交网络的协同过滤算法仅利用粗粒度、稀疏的用户信任关系来改进传统协同过滤算法,即用0或1表示用户之间信任程度。另外,传统基于社交网络推荐算法仅仅集成用户之间显式信任关系,而忽略用户之间隐式的信任关系。本文提出一种基于图嵌入模型的协同过滤推荐算法,即利用图嵌入模型技术学习社交网络中用户的低维特征表示,并根据用户的低维特征表示推导用户之间细粒度的信任关系。最后,根据信任用户和相似用户对目标物品的评分权重预测用户对目标物品的评分。在真实数据集上的实验结果表明,基于图嵌入模型的协同过滤算法的性能优于传统的协同过滤算法。

关键词：协同过滤图嵌入技术社交网络

来源：评论

学校读者我要写书评

暂无评论

空间机械臂基于速度观测器的神经网络控制

引用

空间控制技术与应用 2022年第6期48卷 12-21页

作者：张文辉沈金淼游张平叶晓平周书华南京晓庄学院电子工程学院南京211167 浙江理工大学机械与自动控制学院杭州310000 丽水学院工学院丽水323000 浙江经济职业技术学院汽车工程学院杭州323000 浙江省文创产品数字化设计与智能制造重点实验室丽水323000 计算机软件新技术国家重点实验室(南京大学) 南京210093 浙江省航空航天金属导管塑性成形技术与装备重点实验室丽水323000

针对无速度反馈的柔性关节空间机器人控制问题,提出了一种基于速度观测器的自适应神经网络的控制方法.基于奇异摄动理论将柔性关节空间机械臂动力学模型分解为快慢变2个子系统;利用神经网络逼近控制器和观测器中的未知非线性,设计基于... 详细信息

针对无速度反馈的柔性关节空间机器人控制问题,提出了一种基于速度观测器的自适应神经网络的控制方法.基于奇异摄动理论将柔性关节空间机械臂动力学模型分解为快慢变2个子系统;利用神经网络逼近控制器和观测器中的未知非线性,设计基于自适应神经网络的速度观测器和控制器,动态抵消模型不确定性对系统的影响;利用泰勒线性化方法,设计了权值、基函数中心和宽度参数在内的自适应学习律,提高了控制精度,且不需要离线学习;设计了基于速度差值的控制器来抑制快变子系统模型中的弹性振动;基于Lyapunov稳定性理论证明了闭环系统的一致最终有界.仿真实验证明了所提控制策略的有效性.

关键词：空间机械臂柔性关节速度观测器神经网络振动抑制

来源：评论

学校读者我要写书评

暂无评论

基于生成对抗网络的模仿学习综述

引用

计算机学报 2020年第2期43卷 326-351页

作者：林嘉豪章宗长姜冲郝建业苏州大学计算机科学与技术学院江苏苏州215006 南京大学计算机软件新技术国家重点实验室南京210023 天津大学智能与计算学部天津300050 华为诺亚方舟实验室北京10008

模仿学习研究如何从专家的决策数据中进行学习,以得到接近专家水准的决策模型.同样学习如何决策的强化学习往往只根据环境的评价式反馈进行学习,与之相比,模仿学习能从决策数据中获得更为直接的反馈.它可以分为行为克隆、基于逆向强化... 详细信息

模仿学习研究如何从专家的决策数据中进行学习,以得到接近专家水准的决策模型.同样学习如何决策的强化学习往往只根据环境的评价式反馈进行学习,与之相比,模仿学习能从决策数据中获得更为直接的反馈.它可以分为行为克隆、基于逆向强化学习的模仿学习两类方法.基于逆向强化学习的模仿学习把模仿学习的过程分解成逆向强化学习和强化学习两个子过程,并反复迭代.逆向强化学习用于推导符合专家决策数据的奖赏函数,而强化学习基于该奖赏函数来学习策略.基于生成对抗网络的模仿学习方法从基于逆向强化学习的模仿学习发展而来,其中最早出现且最具代表性的是生成对抗模仿学习方法(Generative Adversarial Imitation Learning,简称GAIL).生成对抗网络由两个相对抗的神经网络构成,分别为判别器和生成器.GAIL的特点是用生成对抗网络框架求解模仿学习问题,其中,判别器的训练过程可类比奖赏函数的学习过程,生成器的训练过程可类比策略的学习过程.与传统模仿学习方法相比,GAIL具有更好的鲁棒性、表征能力和计算效率.因此,它能够处理复杂的大规模问题,并可拓展到实际应用中.然而,GAIL存在着模态崩塌、环境交互样本利用效率低等问题.最近,新的研究工作利用生成对抗网络技术和强化学习技术等分别对这些问题进行改进,并在观察机制、多智能体系统等方面对GAIL进行了拓展.本文先介绍了GAIL的主要思想及其优缺点,然后对GAIL的改进算法进行了归类、分析和对比,最后总结全文并探讨了可能的未来趋势.

关键词：模仿学习基于生成对抗网络的模仿学习生成对抗模仿学习模态崩塌样本利用效率

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：