针对云服务中由于资源超额预定造成负载不均衡的云虚拟机异常,提出了一种基于密度空间的局部离群因子(Local Outlier Factor Based on Density Space,LOFBDS)算法。LOFBDS算法参考DBSCAN(Density-Based Spatial Clustering of Applicati...
详细信息
针对云服务中由于资源超额预定造成负载不均衡的云虚拟机异常,提出了一种基于密度空间的局部离群因子(Local Outlier Factor Based on Density Space,LOFBDS)算法。LOFBDS算法参考DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法,将云虚拟机在密度空间中的性质融合至LOF算法之中,提出对云虚拟机的判断规则,以达到优化对正常云虚拟机的检测过程,提高检测效率。实验结果表明,所提出的算法对云服务负载不均造成的云虚拟机异常有着良好的检测效率,并且时间花费较少。
日冕物质抛射(Coronal Mass Ejection,CME)的检测是建立CME事件库和实现对CME在行星际传播的预报的重要前提.通过Visual Geometry Group(VGG)16卷积神经网络方法对日冕仪图像进行自动分类.基于大角度光谱日冕仪(Large Angle and Spectro...
详细信息
日冕物质抛射(Coronal Mass Ejection,CME)的检测是建立CME事件库和实现对CME在行星际传播的预报的重要前提.通过Visual Geometry Group(VGG)16卷积神经网络方法对日冕仪图像进行自动分类.基于大角度光谱日冕仪(Large Angle and Spectrometric Coronagraph Experiment,LASCO)C2的白光日冕仪图像,根据是否观测到CME对图像进行标记.将标记分类的数据集用于VGG模型的训练,该模型在测试集分类的准确率达到92.5%.根据检测得到的标签结果,结合时空连续性规则,消除了误判区域,有效分类出CME图像序列.与Coordinated Data Analysis Workshops(CDAW)人工事件库比较,分类出的CME图像序列能够较完整地包含CME事件,且对弱CME结构有较高的检测灵敏度.未来先进天基太阳天文台(Advanced Space-based Solar Observatory,ASO-S)卫星的莱曼阿尔法太阳望远镜将搭载有白光日冕仪(Solar Corona Imager,SCI),使用此分类方法将该仪器产生的日冕图像按有无CME分类.含CME标签的图像将推送给中国的各空间天气预报中心,对CME进行预警.
暂无评论