摘要：腹腔手术过程中需要维持腹腔的恒压,在利用物联网技术和云计算精准、实时地辅助医生完成恒压的过程中,存在大量流式数据,一些高负荷场景中存在缓存数据积压问题,导致的系统延迟将影响医疗器械的稳定性。在腹腔镜手术恒压器械中,缓存发挥着至关重要的作用,可以提高系统的吞吐量和响应速度,并减少对下游系统的压力。在实际应用中,上游传感器端由于网络延迟、数据内容等因素导致该单元的数据产出往往是不稳定的,在这种场景下常用的静态缓存策略易造成数据积压或缓存浪费,进而影响资源利用率。为此,本文提出以协调集群中上、下游节点间的资源为基础,通过数据积压预测结合协同均衡的策略,下游单元能感知上游单元数据产出后的负载变化趋势,预先调整资源分配;上游能通过管理单元的均衡调整,及时调整目标缓存节点及数据处理率。利用弹性缓存管理后,缓存占用比不随上游传感器数据量的变化而变化,数据得到了及时处理。

摘要：为了缓解提供智能服务的AI模型训练流式数据存在模型性能差、训练效率低等问题,在具有隐私数据的分布式终端系统中,提出了一种面向异构流式数据的高性能联邦持续学习算法(FCL-HSD)。为了缓解当前模型遗忘旧数据问题,在本地训练阶段引入结构可动态扩展模型,并设计扩展审核机制,以较小的存储开销来保障AI模型识别旧数据的能力;考虑到终端的数据异构性,在中央节点侧设计了基于数据分布相似度的全局模型定制化策略,并为模型的不同模块执行分块聚合方式。在不同数据集下多种数据增量场景中验证了所提算法的可行性和有效性。实验结果证明,相较于现有工作,所提算法在保证模型对新数据具有分类能力的前提下,可以有效提升模型对旧数据的分类能力。

摘要：针对流式数据应用的场景及其安全性需求,对流式数据认证相关内容进行研究,基于静态变色龙认证树算法,构造了针对流式数据的动态认证模型。动态变色龙认证树在初始化阶段不需要确定树的规模,在数据插入的过程中能够自适应地扩展规模,更适合流式数据环境。在这个算法模型下,实现流式数据的添加、查询、认证等操作。动态变色龙认证树算法插入数据更稳定,查询验证时返回的认证路径更短,因此减少了时间、空间开销,并且加快了验证效率。实验结果表明,动态变色龙认证树与静态变色龙认证树相比在插入、查询、验证效率上有了较大提升。

摘要：针对sinc插值模块处理流式数据时消耗缓存大、运算效率低等问题,提出了针对流式数据的sinc插值设计方案,在对算法流程进行分析优化的基础上,针对数据特性提出了相应的架构优化,并给出了具体的FPGA实现,最后通过仿真与板上测试验证了设计的可行性。实验结果表明,该计算模块在处理一般尺寸图像数据时,通过率可接近100%。本设计避免了通用的sinc插值实现架构存在的消耗资源多、数据运算周期长等问题,兼顾了硬件的高性能与低复杂度,存在一定的应用价值。

摘要：针对行业数据增长快、维数高且核心特征不明确等特点,提出基于Schmidt正交分解的动态正交降维算法(DOADR),在线性独立性基础上,设计自适应阈值机制以筛选基底矩阵,同时实现维数动态增长;根据流式数据的特点进一步提出增量DOADR算法优化阈值设计。真实数据集上的实验证明,算法较主流模型在计算开销、重构误差和分类准确率等指标上具有一定优势。

摘要：大数据环境下的信息挖掘已成为推荐系统研究较为活跃的领域,通过对现有大数据处理框架的对比,采用Spark大数据计算处理引擎,结合基于隐式反馈的ALS协同过滤推荐算法,提出一种Spark框架下ALS算法并行化解决方案,设计了分布式流式计算系统(Spark Distributed-ALS,SD-ALS)。实验结果验证了ALS算法在Spark集群环境下预测精度与单机环境基本保持一致,随迭代次数的增大,RMSE逐渐趋于稳定,并且计算效率显著提升,满足实时推荐的性能要求。

摘要：在数字乡村建设中,为解决分布广、数量多的乡村生产设施监测数据集成效率低的问题,本文设计研发了一种基于物联网的乡村生产设施数字孪生管控技术并投入了使用。该技术使用MODBUS-RTU(RemoteTerminal Units)协议采集各种生产设施监测数据;采用了MQTT(Message Queuing Telemetry Transport)和实时流数据处理技术,解决监测数据传输不稳定的问题;应用了NFC技术,解决传感器与模型自动关联问题,快速构建生产设施数字孪生模型。应用表明,本方法操作简单,可减少90%的数据映射工作量,且数据的稳定性和时效性高,为生产设施远程、智慧化管控奠定了基础。