摘要：针对基于源IP会话保持的IPVS在高速代理上网环境中存在的会话失效和负载不均衡问题,研究了LVS系统的设计原理与实现方法,并结合Web应用中cookie会话保持机制,提出了基于cookie会话保持的改进方案。实验结果表明,改进的基于cookie会话保持的IPVS负载均衡集群系统能有效地解决高速代理上网环境中存在的会话失效和负载不均衡的问题,同时在相同的并发用户量的情况下响应时间更短、吞吐率更高,特别是在高并发情况下集群性能更优。

摘要：目前MDA开发过程中仍采用人工捕获、文字描述的传统需求获取形式,这影响了需求模型与PIM模型的精度和一致性,降低了MDA开发的自动化程度。重点研究开发了一个可视化需求捕获工具。该工具采用MDA框架以及GEF等技术进行开发,基于目标-情景的捕获方式进行需求获取,同时支持以需求文档与XML的形式将需求模型导出,为需求模型到PIM模型的转换提供了足够信息。最后通过实例验证了该捕获工具的有效性。该工具弥补了MDA中没有独立需求捕获阶段的不足,在一定程度上完善了MDA的开发流程,提高了MDA软件开发的自动化程度。

摘要：针对目前预测式外呼算法存在的不足,提出了一种把预测式外呼算法分成预测算法和动态统计两个模块的方法,可以从两个模块方向进行优化,两个方向都有许多优化方案,避免了只优化算法出现的瓶颈问题。统计模块根据当前状态和历史数据选择各种统计策略进行统计,而不用考虑算法如何实现和对算法是否有用,还能根据算法建立的理论模型生成常用分布如指数分布、泊松分布、正态分布、卡方分布和伽马分布等的模拟随机数提供给算法使用。预测算法模块则基于排队论等理论模型提供了一种理论联系实际的高效算法,在提高坐席利用率的同时有效降低了电话呼损率。

摘要：为了进一步分析QoS历史数据的动态变化,对现有的基于QoS历史数据的云服务选择算法进行了改进。将原算法中每一时间段的评价指标权重由QoS历史数据平均值获得,修改为由该时间段对应的QoS历史数据获得,更能发挥历史数据的动态性。使用时间序列预测ARIMA模型对原QoS历史数据进行预测,把预测结果并入原数据集形成新的数据集,在新数据集上进行服务选择。设计了三个模型递进地进行实验分析,通过对比实验结果验证了改进算法的性能效果。

摘要：为了使存储在云中的数据更加安全,根据云计算的特点,采用混合加密的方式对传统加密算法进行重新设计。在设计过程中,主要利用云计算存储容量大、运算速度快、并行性强的特性,结合传统加密算法的特征,改进设计了密钥加密法、二次加密法和分组混合加密法。实验结果表明,在云计算中3种混合加密算法均比传统加密算法有显著优势。

摘要：针对MDA在建模、模型间转换以及最终代码的生成的过程中,系统的功能需求与非功能需求混合在一起,同一类型的功能分散,系统不具备模块化、高内聚、低耦合的特性的问题,提出将面向方面与MDA结合的思想,使用MDA的相关技术实现一个同时支持面向方面与面向对象建模,满足MDA模型转换要求的模型建立工具。采用用该工具对实验案例建模,分析结果表明,该方法确实可行,具有实用价值。

摘要：在现有服务发现方法中,单一考虑原子服务或服务组合的方式难以满足用户日益增长的需求。针对该问题,设计一个基于模型转换的Web服务匹配框架。在服务发现过程中综合考虑组合Web服务的执行过程信息和服务质量需求信息,为Web服务组合的匹配设计完整的过程:将UML模型转换为过程模型,再将过程模型转换为过程图,最后计算2个Web服务组合的相似度。实验结果表明,该服务匹配框架能够有效区分组合服务,提高服务发现的准确率。

摘要：针对现有图像多阈值分割方法存在的分割不够准确、计算复杂度较高等问题,利用Otsu多阈值分割的思想,提出一种基于聚类和局部区域的彩色图像多阈值分割方法。获取彩色图像的H分量直方图;在综合考虑以H分量划分的颜色范围的前提下对直方图中的H分量进行聚类,依次选取各类中的最大值作为对应局部区域的边界;分别搜索局部区域内的最小H分量值,将其作为彩色图像的分割阈值。实验结果表明,与现有方法相比,该方法具有较高的分割准确性和更快的计算速度。

摘要：针对代码与模型之间的不一致性问题,提出了一种基于UML模型和Java代码之间的一致性检测方法。首先,对UML类图和时序图进行形式化描述,并提出时序调用图(SD-CG)这一概念,在此基础上完成类的关联关系到关联属性的转换以及UML时序图到时序调用图SD-CG的转换;其次,通过方法调用图CG来表达类方法之间的调用关系,从而反映代码动态行为,由此通过对Java源代码的词法分析与语法分析,可获得类的信息及方法调用图CG;然后设计了UML模型与Java源代码间一致性检测算法,包括对类间静态信息以及时序调用图SD-CG与方法调用图CG间的一致性检测;最后,通过开发UML模型与Java源代码一致性检测工具,验证了所提出的方法是可行有效的。

摘要：聚类分析是数据挖掘领域中最重要的任务之一,目前许多聚类算法已经被成功应用到图像聚类、文本聚类、信息检索、社交网络等领域.但面对结构复杂,分布不均衡的数据集时,确定数据集的最佳聚类数目显得尤为困难.因此,本文针对结构复杂、分布不均衡的数据集提出了一种启发式最佳聚类数确定的方法.首先,构建随机游走模型对数据集中的点进行重要性排序,通过k-最近邻距离图谱确定重要数据点的个数,由此排除噪声点和不重要的点对类之间以及类内密度变化的影响.其次,通过设计的启发式规则(k-最近邻链间距和k-最近邻链最近邻间距)构建决策图确定最佳聚类数目并识别出聚类代表点.最后,通过最近距离传播算法进行聚类.实验表明该方法可以快速准确地找到最佳聚类个数,同时,本文提出的聚类算法与流行的聚类算法相比取得了比较好的聚类结果.