云计算的基本特征篇1
关键词云计算；云测试；软件测试
中图分类号：TP311文献标识码：A文章编号：1671-7597（2014）09-0058-01
近年来，云计算（CloudComputing）异军突起，已经发展成为新一代信息技术革命的基础产业。尤其在软件应用领域，无论是软件工具开发，还是开发环境和工作模式，可以说云计算深刻影响了传统软件产品的供应和消费模式，这些也势必将改变软件测试的技术，方法和工具。在云计算环境下，软件的测试活动被拓展到云环境条件下进行，充分调用了云环境条件下提供的各种计算和资源平台。
1云计算体系的结构组成
云计算是计算机技术发展到一定程度，基于软件和硬件互动而产生的创新模式：一方面需要它借助互连网络获得服务支持，因而具有鲜明的互连网特征；另一方面云计算搭建基于众多主机或服务器构成的资源集群，其需要对这些集群进行协同化的统一管理。
从其系统构成来看，云计算主要包括物理基础设施、云计算服务以及云计算运营等三个组成部分。物理基础设施是承载云计算的物质基础，包括服务器，存储，网络及其相关的管理技术；云计算服务是云计算的核心和中枢神经，包括基础设施即服务（IaaS），平台即服务（PaaS）以及软件即服务（SaaS）三个层次；而云计算运营则是提供云计算服务运营的各项关键技术的总括，包含认证，监控，计费等各个环节。
2云计算技术在软件测试中的应用
伴随着云计算技术的蓬勃发展，尤其是基于互联网分布式和协同计算技术的不断成熟，软件测试也发生了深刻变革，一种基于云计算环境下的软件测试技术，即云测试也应运而生。云测试的诞生离不开云计算技术的发展与创新，离不开云计算技术在软件测试领域渗透和应用。在云测试中应用的主要云计算核心技术包括如下几点。
1）分布式存储技术。云计算的海量数据运用分布式存储技术存储在多个设备上，借助互联网络可以方便地实现系统的拓展，显著提供云计算系统的利用效率和可靠性能，为云测试提供强大的物理基础设施。
2）数据管理技术。在云计算中，涉及到大量的复杂的海量数据，这些天文量级的海量数据对传统数据管理提出了挑战。如何有效管理这些海量数据并应用于分布式存储设备，是云计算发展的核心技术。
3）平台管理技术。云计算的数据存储在多个设备上且这些设备分布各处，因而如果保证这些设备能够统一步伐，实现云计算或者云测试结果的有效输出就显得尤为关键。对于云计算而言，高效的平台管理技术是其核心保证，也是目前云计算领域的重点研究课题。
3基于云计算环境下的软件测试特征及优点
依托于云计算的软件测试与传统的基于本地环境的软件测试有诸多不同。笔者认为可以从性价比这个角度切入，将基于云计算环境下的云测试简要归结为技术、服务质量以及价格三个方面的特征进行阐述。
1）测试技术平台化。基于云计算环境的软件测试可以由云测试平台提供测试的基础设施和各方面的资源支持，无需本地化的软硬件投资，并通过众包模式获取专业测试领域专家型人才。从本质说，由于云计算实现了平台化，将众多的测试技术要求从本地移植到云计算平台，让测试更容易实现，因而降低了测试的门槛以及资源需求。
2）统一可控的质量保证。相比传统软件测试模式的分散式管理容易导致参差不齐的软件质量，基于云计算环境的软件测试借助强大的云平台，实现了统一管理，可有效实现软件测试的标准化和规范化，保障软件质量的完整性与统一性。
3）有效降低测试成本。传统的软件测试模式需要大量的基础设施投资以及人力投资，尤其是对一些特殊性的项目，可能造成脉冲性浪费。云计算测试通过云平台的协同效应，可有效降低测试的基础设施以及人力资源投资，降低测试的复杂度，有效降低测试成本。
4基于云计算环境的软件测试应用现状及平台研究进展
云测试平台综合了复杂的软硬件和服务，是云测试领域的核心技术，因而也备受学界和工业界的高度重视。日本筑波大学，瑞士洛桑理工大学，英国约克大学等诸多知名学府的专家和学者或搭建自己的云测试平台模型，或是对云测试核心技术进行阐述研究。筑波大学开发了一款基于云计算的可靠并行分布式测试平台，支持虚拟故障插入技术。而洛桑理工大学则通过研究云测试和预期软件质量直接的关系，提出测试即服务，试图降低软件测试成本。
与此同时，在工业界多家知名计算机服务商业提供了商业化的云测试平台服务，有力地推动云测试从理论研究到商业化转变进程。从平台类型上，这些众多商业化的云测试平台主要分为私有云、公共云以及混合云三种平台类型；在业务模式上，各家既有提供测试外包服务，也有专注于客户自行测试。IBM推出了一款名叫SmartBusinessTestCloud的私有云，提供自行测试和测试外包两种模式的服务，帮助企业建立虚拟，安全，动态可拓展的测试环境，因而其测试环境位于公司防火墙之后，所以其是公司私有云的一部分。专业云测试公司CloudTesting推出的cloudtesting平台，提供多种浏览器平台。用户只需要编写测试脚本并上传到其网站，就可以借助cloudtesting平台运行测试脚本，在商业模式上，cloudtesting平台也进行了探索，提出按需付款的商业模式。另一件专业化公司UTest推出的Utest测试平台，通过云计算，众包等方式帮助开发者进行软件测试，查找错误和解决问题，提供测试外包服务，Utest还针对不同的软件测试特点和需求将测试分为五种方式：功能测试，负载测试，安全测试，本地化测试以及可用测试。
参考文献
[1]李乔，郑啸.云计算研究现状综述[J].计算机科学，2011，38（4）.
[2]李乔，柯栋梁，王小林.云测试研究综述[J].计算机应用研究，2012，29（12）.
云计算的基本特征篇2
关键词：云计算；图像分类；特征提取；特征匹配
中图分类号：TN911.73?34；TP391文献标识码：A文章编号：1004?373X（2017）01?0057?04
Abstract：Aimingatthedefectoflowimageclassificationefficiencyofthesingleboardcomputer，animageclassificationalgorithmbasedoncloudcomputingisproposed.Theimagemultiplefeaturesareextractedwiththefeatureextractionalgorithm，thentheMap/Reducemodelisusedtomatchandclassifytheimage，andobtaintheimageoptimalclassificationresultaccordingtothematchingresult.ThesimulationexperimentoftheimageclassificationwasrealizedwithMatlabsoftware.Theresultsshowthat，incomparisonwithotherimageclassificationalgorithms，thealgorithmcanreducetheimageclassificationtime，improvetheimageclassificationspeed，andhasobvioussuperiorityespeciallyforthelarge?scaleimagesclassification.
Keywords：cloudcomputing；imageclassification；featureextraction；featurematching
0引言
图像分类可以实现图像目标识别、机械故障诊断、状态监测以及模式识别等，其在工业生产和军事打击等领域具有重要的应用价值[1]。
图像分类通过提取反应目标图像属性的特征信息，结合分类器实现图像分类[2]。传统图像分类方法主要有支持向量机算法、BP神经网络算法等，它们通过特征提取实现图像分类和识别，但计算机复杂度大[3?4]；文献[5]提出基于自相关匹配检测的图像分类识别算法，并应用于机械故障检测，通过提取机械故障状态下的CT扫描图像，对BP神经网络分类，实现对图像的故障属性分类识别，提高故障诊断性能，但该算法采用单特征的图像分类方法，不能对大规模图像进行集成处理和分类，图像批处理的效能不佳，效率较低。
针对上述问题，本文提出基于云计算的图像分类算法。首先提取图像的多种特征，然后采用Map/Reduce模型对图像进行匹配和分类，根据匹配结果得到图像最优分类结果，最后采用Matlab软件进行仿真实验，实现图像分类。实验结果验证了本文方法的有效性，展示了本文设计的图像分类算法在实现图像云计算分类中的优越性能，实现框图如图1所示。
1图像预处理及特征提取
1.1图像采集及预处理
2图像分类算法改进实现
2.1算法设计
采用快速迭代收缩阈值算法，通过云计算实现对图像分类过程的快速搜索处理，提高图像的分类效率。
2.2算法的现流程
（1）设输入图像为，采用云计算批处理基础进行网格计算，得到图像输出的像素序列。
（2）采用小波降噪算法对图像进行降噪，并采用自相关检测器进行自适应滤波，得到输出图像为：。
（3）对图像的属性特征进行分析和提取，得到能描述待分类图像内容的仿射不变矩和高阶矩。
（4）计算目标与候选区域像素的权重，进行图像偏差补偿加权，得到图像的纹理信息和高阶矩特征。
（5）运用Map/Reduce模型估计图像沿滑动平均窗口经过特征点匹配得到图像分类的Map/Reduce模型，实现图像分类。
3实验与结果分析
实验数据集为Corel标准图像库，图像库中含有大量各种属性的图像，在进行Corel标准图像库的检索过程中，需要进行图像分类处理，以图像库中的花朵、动物作为研究对象，得到原始的测试图像如图2所示。
首先进行图像的降噪处理和特征提取，通过特征提取算法提取图像的高阶矩特征和仿射不变矩特征，然后采用Map/Reduce模型对图像进行匹配和分类，得到的分类结果如图3和图4所示。
从图3和图4可知，本文方法可以实现对整个Corel标准图像库中图像的快速分类检索，准确输出图像的类别属性，为了定量测试分类算法在效率和准确度方面的性能，采用1000次蒙特卡洛实验进行多特征融合并用传统方法进行图像分类，得到图像分类的指标对比结果如图5，图6所示。
从图5，图6可见，采用本文算法通过对图像的多特征提取和融合，在Map/Reduce模型中实现图像分类，其准确度较高，执行效率较高，有效减少分类时间，总体性能优于传统方法。
4结语
针对大规模图像库中图像的分类识别问题，提出一种基于云计算的图像分类算法，进行采集图像和降噪预处理，为图像分类模型提供数据信息输入，采用小波降噪进行图像提纯，提取图像的高阶矩和仿射不变矩等多种特征，在Map/Reduce模型中实现特征融合和特征匹配，实现分类优化，研究结果表明，本文方法的图像分类准确度高，执行效率较好。
参考文献
[1]罗会兰，郭敏杰，孔繁胜.一种基于多级空间视觉词典集体的图像分类方法[J].电子学报，2015，43（4）：684?693.
[2]DUANF，WANGY，YANGL，etal.Spatio?temporalconsistencyinstereoscopicvideodepthmapsequenceestimation[J].Journalofinformationandcomputationalscience，2014，11（18）：6497?6508.
[3]MAMAHESHS，VISHALM，RAJRG.SARautomatictargetrecognitionusingdiscriminativegraphicalmodels[J].IEEEtransactionsonaerospaceandelectronicsystems，2014，50（1）：591?606.
[4]吴洁璇，陈振杰，张云倩，等.多核CPU下的K?means遥感影像分类并行方法[J].计算机应用，2015，35（5）：1296?1301.
[5]何国栋，石建平，冯友宏，等.一种新的红外与可见光图像融合算法[J].传感器与微系y，2014，33（4）：139?141.
[6]段峰峰，王永滨，杨丽芳，等.基于主成分分析方向深度梯度直方图的立体视觉深度图特征提取[J].计算机应用，2016，36（1）：222?226.
[7]丁军，刘宏伟，陈渤，等.相似性约束的深度置信网络在SAR图像目标识别的应用[J].电子与信息学报，2016，38（1）：97?103.
云计算的基本特征篇3
关键词：云计算；广电网络；具体的应用
云计算技术是信息行业发展的表现，对于很多行业的发展都有着重要的影响，云计算技术在能源、通信、医疗、教育和电子等领域被使用，引起了新一代信息技术的变革。广播网络也避不开云计算技术，因为广播网络也与信息技术密切联系在一起，给广电网络的工作和商业模式带来新的发展模式，降低了运行的成本，在广电网络的弹性扩展方面也有着优势，促进了广电网络的发展。
1云计算技术的简单阐述
1.1对云计算的理解
云计算这一名词，不同的行业有着不同的标准，从技术的发展上来看，云计算就是指分布式计算、网路计算、网络存储、效用计算、并行计算、负载均衡和虚拟化等方面结合的产物，可以同时体现出以上的功能。云计算的本质就是一种计算方式，这种计算方式是在互联网的作用下产生的，利用这种方式将相应的硬件信息和软件信息按照需要提供给相关的人群，主要包括软件即服务、平台即服务和基础设施即服务，从这几个层次上对于云计算的服务进行了总体的概述。云计算的使用下，机顶盒、智能手机和电脑的作用已经发生了改变，已经不在是存储和计算的提供者，而是网络的一个接入终端，输入和输出是其基本的功能，使用者可以在任何时间和地点进行网路的接入工作，这样的方式降低了硬件或者是软件的局限性，用户端设备的要求也在降低，不会受到相应的硬件和软件的影响。云计算有着四个比较突出的特征，这四个特征包括：资源抽象、弹性收缩、按用量收费和快速部署的特点。
1.2云计算技术
1.2.1虚拟化技术
云计算技术中的虚拟化技术是将计算环境和计算资源进行抽象之后，交给了运行系统的过程，这样就可以实现同一时间，使用不同的操作系统，共享同一个计算机设备，对于计算机技术的使用是非常重要的。虚拟化技术可以分为以下几种：网络虚拟化技术、服务器虚拟化技术和存储虚拟化技术，便于计算机技术的使用，对于具体的工作来说也十分便捷的。
1.2.2分布式系统技术
这一技术是指通过网络将多个计算机平系在一起，使其共同完成同一个任务，主要是由分布式协同管理技术、分布式文件系统、并行编程模型和分布式数据库构成的，对于使用的文件和数据可以进行分级管理。
1.2.3云计算平台管理技术
云计算中云平台管理技术需要大量的服务器同时的进行，这样便于业务的开通和部署，对于出现的问题可以及时的发现，并且系统可以自动进行恢复，通过自动化、智能化的手段进行可靠运营，这样就可以实现整个运营的大规模管理，便于对云计算机的利用。在使用的过程中，主要利用的是用户管理、资源调度、计费度量、资源监控、自动化部署负载均衡和业务服务管理功能。
2云计算的发展现状和广电云计算的定位
2.1云计算的发展现状
云计算的整个产业链是由用户、服务提供商和使能者，其中，云计算的用户包括使用功能服务的提供商也就是最终的用户，主要包括购买解决方案的使用者，这一用户也是最终用户。云计算的服务提供商主要是指公有云的提供商，这一提供商有着具体的分类，主要分为三个部分：SaaS服务的提供商、IaaS的服务提供商和PaaS的服务提供商。而使能者就是一种为其他的环节提供服务的一种基础构建的服务，一般是有咨询服务商、软件提供商、设备的提供商和系统的集成商构成的，这一系统在使用上比较复杂，也给云计算的使用带来了一系列的影响。
2.2广电云计算的基本定位
从网络通道提供商的角度来看，与传统的计算机网络相类似，广电网络运营商主要是为了提供网络接入的一种云计算的通道，这种通道一般是为了广电的主要业务服务的。从基础资源的服务上来，广电网络的运营商提供了网络资源服务器和存储在内的基础IT资源，并将它们以资源使用量或服务的形式提供给所有外部用户。从服务整合平台上来看，以网络为核心，创建一个体验良好的交付平台，提供基础的认证、计费、代收费、推广等服务，汇聚第三方开发的应用，以统一的交付界面提供给用户使用，广泛覆盖各种类型的用户。从咨询服务上来看，面向大型客户，提供包括网络、IT基础设施整合等一揽子解决方案，帮助大型客户构建自己的私有云。
3广电云计算业务分析
3.1下一代广播电视网建设
建设一个具有云计算特征的下一代网络是NGB未来的发展趋势之一。《中国下一代广播电视网（NGB）自主创新战略研究报告》指出：NGB融合了广播电视网络和互联网的技术优势，具有独特的网络特征，主要体现在具有开放式业务支撑架构，承载网对业务透明，服务提供机制引入云计算和透明计算模式以保证业务提供的便捷性、开放性与可信度。
3.2媒体内容的资源管理与使用
可通过内容资源管理系统的云计算改造，构建区域性的媒体内容资源池，逐步形成多片独立的媒体云，从而大大缩减媒体内容资源的存储成本、设备购置成本及维护成本。同时，通过相应的标准协议使不同的媒体云互联互通，逐步形成广电“媒体大云”，促使媒体资源更大范围内的共享。
3.3创新业务形态
业务融合是三网融合的实质所在，业务形态的创新是NGB建设的核心，业务也是整个广电网络发展中的基础。云计算技术可以实现不同设备间的数据与应用共享，具有跨终端平台的业务推广优势，实现电视屏幕、电脑屏幕、手机屏幕真正的多屏合一，有助于数字医疗、智能家庭、家庭安全控制等新业态的快速、低成本推出，为广电用户提供全新的业务体验。
3.4客户终端设备性能提升
云计算使得简易终端支持复杂应用成为可能，数字电视机顶盒、无线手持设备等客户终端的配置要求不用太高，即可开展高清互动电视和各类增值业务，在很大程度上解决终端设备性能需不断升级的问题，有效地降低运营商在终端上的投入，在节省投资的同时快速部署各类增值应用。
4结论
广电云计算技术的应用与发展是一个复杂的系统工程，在实践的过程中，可以考虑部分云平立建设，也可以根据需要，与第三方机构合作建设云平台，更好的满足应用的需要。云计算技术发展所依赖的大量关键技术，其成熟度也需要在广电业务中的应用与实践过程中得到进一步检验与完善。
参考文献
[1]雷万云.云计算：技术、平台及应用案例[M].北京：清华大学出版社，2011.
云计算的基本特征篇4
关键词：云计算；海量数据；数据挖掘；K均值
中图分类号：TN911.1?34；TP391文献标识码：A文章编号：1004?373X（2017）07?0105?04
Masscollegesportsdatamodelingandanalysisbasedoncloudcomputing
WANGNingtao
（ZhongzhouUniversity，Zhengzhou450044，China）
Abstract：Inordertoimprovethemanagementandanalysiscapabilitiesofthecollegesportsinformation，andaimingatthepoorreal?timeperformanceandsystematicnessofthecurrentcollegesportsdatabaseestablishmentandinformationretrieval，amassivecollegesportsdatamodelingandanalysismethodbasedoncloudcomputingisproposed.Thedistributeddatabasemodelofthecollegemasssportsdatawasconstructed.Thedatabaseaccessmodelwasdesignedundercloudcomputingenvironment.TheK?meansdataclusteringmethodisusedtominethesportsdatareliablytorealizetheoptimizationinformationschedulingandretrievalanalysisofthecollegesportsdata.Thesimulationresultsshowthatthemodelhashighreal?timeperformancetoanalyzethecollegemassivesportsdata，andhighdataminingaccuracy.
Keywords：cloudcomputing；massivedata；datamining；K?means
0引言
随着海量大数据信息处理技术的发展，采用云计算进行大数据信息分析能提高数据处理的并行能力和计算速度，结合云存储数据库进行数据存储和访问，提高海量数据存储的容量[1?2]。高校的体育数据信息管理是通过对体育数据信息的特征分析，结合大数据信息处理，挖掘高校海量体育数据信息的规律性特征，掌握学生体育训练的成绩和分布，结合专家系统和经验判断，进行体育训练水平的研究和判断[3]。
为制定合理的体育训练和管理制度提供数据基础，本文针对当前体育数据处理的并行度不高，系统性不强的问题，提出一种基于云计算的高校体育数据建模分析方法，通过构建数据库管理模型，结合数据库访问和数据挖掘技术，实现体育数据管理建模。
1海量高校体育数据的数据库
1.1数据存储结构的散布点集合
海量高校体育数据是一组非线性时间序列，采用非线性时间序列分析方法进行云计算分析，假设体育数据在云计算环境下的存储结构模型为[G（0）=（V，E，LV，LE，μ，η），][η：ELE]是两个分布式的云计算特征映射，体育数据管理的概念节点[G1=Mα1，Mβ1，Y1，][G2=Mα2，Mβ2，Y2，]令[A=][a1，a2，…，an]为海量高校体育数据特征矢量的模糊聚类中心[4?5]，在给定的云计算特征分布结构下进行数据库结构模型构建，本文假设云计算存储数据库是可分类的，引入一个物理数据层管理因子[β?0，0.5]，进行数据库的概念格分区，通过网格访问模式进行高校体育数据的访问和调度，提高数据的处理能力，在限定初始特征信息下进行海量高校体育数据的存储结构分析，利用指向性数据聚类方法分析计算高校体育数据分布的散布点集合[S]，表示如下：
[S=U，A，V，f]（1）
令[x（n）]为海量高校体育数据的时频采样信息特征，待挖掘的体育数据的输入模型为：
[g（t）=1πΔ2texp-t22Δ2t]（2）
通过对体育数据存储结构的散布点集合进行计算，得到散布点分布集合为：
[u（t）=Aexp（j2πf0t）+U]（3）
式中：[U]为体育数据采样幅值论域；[A]为体育数据存储结构的特征分布非空集合。
1.2数据云计算存储数据库的调度
在给定的海量高校体育数据分布的权重指数下，数据库特征分类权重[ai]的属性值为[p，]在有效的数据库访问请求下，构建云计算存储数据库的数据存储信道模型，描述为：
[x（t）=Rean（t）e-j2πfcτn（t）sl（t-τn（t））e-j2πfct]（4）
式中：[i=1，2，…，n，]进行索引指令控制。
通过权向量编码，在K均值聚类下[8]，高校体育数据挖掘输出的属性集合幂级指数信息为：
[rt+1i=r0i1-exp（-λt）]（22）
在K均值聚类分析中，采用时间?频率联合特征分析进行云计算存储数据库中的海量高校体育数据的时域分析，判断进化代数，通过权向量编码得到海量高校体育数据的频域特征状态空间重组计算式为：
[X0i=（x0i1，…，x0in，…，x0id），i=1，2，…，p]（23）
通过上述处理，采用K均值数据聚类方法进行体育数据的可靠性挖掘，实现了基于云计算的海量高校体育数据建模分析。
3仿真测试与结果分析
在Matlab和C++仿真平台上进行海量高校体育数据建模分析仿真实验，数据序列的原始样本数据源于某高校体育部提供的学生体育成绩的相关数据信息，体育数据的统计时间为2012年9月20日―2016年6月30日，构建体育数据的分布时间序列，时间序列样本长度为1024，进行体育信息管理的云计算数据库构建，数据库特征空间的维度设置为4，体育数据库访问的迭代次数为100，首先进行体育数据信息流模型构建，采用非线性时间序列分析方法得到体育数据在两组统计通道上的时域采样结果，如图2所示。
以上述高校体育数据的测试样本集在云计算环境下进行数据库访问模型设计，采用K均值数据聚类方法进行体育数据的挖掘，图3描述的是不同方法进行体育数据挖掘访问的时间开销对比，图4给出了挖掘的精度对比，分析仿真结果得知，采用本文方法进行海量高校体育数据库建模和数据挖掘分析，时间开销较小，说明进行数据分析的实时性较高，数据挖掘精度较高，数据访问检索的精度和可靠性较优。
4结语
本文研究高校体育数据库模型的构建和数据挖掘问题，为提高高校体育信息的管理分析能力，提出一种基于云计算的海量高校体育数据建模与分析方法，构建高校海量体育数据的分布式数据库模型，在云计算环境下进行数据库访问模型设计，采用K均值数据聚类方法进行体育数据的可靠性挖掘，实现高校体育数据的优化信息调度和检索分析。仿真结果表明，采用该模型进行高校海联体育数据分析的实时性较好，数据挖掘的精度较高，可靠性较好，具有一定的应用前景。
参考文献
[1]严海芳，蒋卉，张文权.用MCEM加速算法估计多序列无根树最优分支长度[J].湘潭大学自然科学学报，2014，36（2）：13?16.
[2]刘颖，苏俊峰，朱明强.基于迭代容积粒子滤波的蒙特卡洛定位算法[J].信息与控制，2013，42（5）：632?637.
[3]徐金龙，赵荣彩，韩林.分段约束的超字并行向量发掘路径优化算法[J].计算机应用，2015，35（4）：950?955.
[4]周亚兰.基于FPGA的多通道数据解码技术研究[J].物联网技术，2015，5（3）：32?34.
[5]杜丽萍，李晓戈，周元哲，等.互信息改进方法在g语抽取中的应用[J].计算机应用，2015，35（4）：996?1000.
[6]YAMAMOTOK，CARUSONEAC.A1?1?1?1MASHdelta?sigmamodulatorwithdynamiccomparator?basedOTAs[C]//Proceedingsof2011IEEECustomIntegratedCircuits.[S.l.]：IEEE，2011：1866?1883.
云计算的基本特征篇5
Abstract：Theevaluationofgroundwaterqualityischaracterizedbyrandomnessandambiguity.Inthispaper，takingXi'anshanminingareaasanexample，thegroundwaterqualityofsamplingpointsisevaluatedbyusingthecomprehensiveevaluationmethodbasedoncloudmodel，andtheresultsarecomparedwithBPartificialneuralnetworkandfuzzycomparisonresults.Theresultshowsthatthecloudmodelhasagoodapplicabilityintheevaluationofgroundwaterquality.Theevaluationprocesstakesintoaccounttherandomnessandambiguityofgroundwaterquality，andtheprocessissimpleandtheresultsarereasonable，whichcanprovidetechnicalreferenceforsimilarwaterqualityevaluation.
关键词：地下水水质；云模型；不确定性；综合评价
Keywords：groundwaterquality；cloudmodel；uncertainty；comprehensiveevaluation
中图分类号：X824文献标识码：A文章编号：1006-4311（2017）21-0223-03
0引言
水质的优劣是确定水源优良程度的重要标准。目前水质评价的方法众多，传统评价主要为指数评价法，包括单因子评价法[1]及综合污染指数法[2]，指数评价法运用简便，可对水体水质是否达标进行判别，但不能对综合水质类别进行评价。近年来，随着计算机及模糊数学等的发展，国内外学者研究出了一系列水质评价的新方法，如物元分析法[3]、灰色系统评价法[4]、人工神经网络模型[9]、模糊综合评价法[5]等，各类方法特点不同、各有优劣，但都未充分考虑到评价过程的不确定性。本文以李德毅院士[6]提出的云模型理论为基础，建立地下水水质评价模型，综合考虑评价过程中的不确定性，并结合实例验证模型的有效性。
1云模型原理
云模型由李德毅等于1995年提出，可实现定性概念向定量数值的转换，F已在数据挖掘、信任管理和综合评价等多个领域得到应用[7]。
1.1云的定义
设U是一个定量论域，用精确数值表示，而C是U上的定性概念，若存在定量值x∈U，且x是定性概念C的一次随机实现，x对C的确定度μ（x）∈[0，1]是具有稳定倾向的随机数，即：
u：U[0，1]？坌x∈Ux∈u（x）
则x在论域U上的分布称为云，每一个x称为一个云滴。
1.2云的数字特征
云理论是一种定性概念定量化的研究方法。定性概念转换成定量值，是一个具有偶然性的、离散的转换过程。云滴的确定度反映了不确定性，该值本身也是一个随机值，可用其概率分布函数具体描述。云模型可用3个数字特征，即期望Ex、熵En和超熵He来整体表征一个概念[6]。
1.3云算法
云算法包括正向、逆向两类。本文模型采用了正向正态云算法，正向云算法能够实现从数字特征表示的定性概念向定量数据的转化，即基于云模型的3个数字特征，计算输出N个云滴的定量值及由这些云滴构成的云图。正态云模型是在正态分布和模糊数学概念二者基础上发展起来的全新模型，以此为基础从定性概念实现到定量转换的正态云模型具有普适性。正态云算法定义如下：设U是一个定量论域，可用精确数值表示，而C（Ex，En，He）是U上的定性概念，若存在定量值x（x∈U）是C的一次随机实现，并且其服从以Ex为期望、En'2为方差的正态分布，即x～N（Ex，En'2）；其中，En'又是服从以En为期望、He2为方差的正态分布，即En'～N（En，He2）的一次随机实现；进而，x对C的确定度满足[6]：
u=exp-■（1）
则x在论域U上的分布称为正态云。
1.4基于云模型的地下水水质评价思路
地下水水质评价中，用1个云滴映射一次具体评价过程。根据地下水质量评价标准，地下水水质可分为5个类别，每个类别可映射为一朵云，文中一个综合云可以表示一个评价指标隶属于某一个水质类别的确定度。主要评价思路如下：
①确定评价指标及其权重。
对可反映评价区域地下水水质情况的指标进行选取，采用熵权法[8]确定各指标权重。
②基于云模型的水质分级。
本文分级标准以《地下水质量标准》（GB/T14848-93）（以下简称《标准》）给出的地下水质量分类指标作为分级标准，计算各类别的三个云数字特征，并生成云图。如对于某评价指标W，其某个分级界限为[a，b]，则3个云数字特征值可由下式得到：
Ex=（a+b）/2En=b-a/2.355He=k（2）
其中：k为常数，可根据经验值进行调整。
③地下水水质确定度计算及综合评价。
依据各取样点实测数据，采用正态云算法计算各评价指标隶属于各水质类别的确定度。将计算出的确定度与相应的权重相乘，得各取样点地下水水质与各类别的综合确定度，并将确定度最大的类别作为各取样点的地下水水质综合评价类别。
2工程实例
本文选取文献[9]中西鞍山矿区地下水水质评价作为工程实例，运用云模型理论对其进行评价，并将评价结果与文献结果对比，验证云模型在地下水评价中的有效性。
2.1确定地下水水质评价指标及其权重
根据文献[9]，分为14个取样点，评价指标为总硬度、溶解性总固体、硫酸盐、氯化物、铁和锰、硝酸盐及氟化物7项指标，分别记为x1～x7，指标实测值见文献[9]。采用熵权法计算指标x1～x7的权重，记为A=[0.1420.1340.2950.1470.0760.0830.123]。
2.2确定地下水水质类别云模型
依据《标准》中给定的地下水质量分类指标，对其中的缺失边界进行补充，将地下水水质划分为Ⅰ～Ⅴ类5个类别。根据公式（2），计算各水质指标分级标准的云数字特征（Ex，En，He），见表1。
根据表1中计算出的云模型数字特征，采用正向云算法，生成各指标评价类别云图。以总硬度指标为例，设定云滴数为1000，输出云图见图1。
2.3地下水水质综合评价
根据各取样点实测数据，采用正态云算法计算各评价指标隶属于各水质类别的确定度。由于确定度的计算存在随机性，采用多次计算求平均值的方式计算平均确定度，本次评价计算次数为2000次。将单个指标与各类别的确定度与指标权重向量A相乘后加和，即得各取样点水质与各类别的综合确定度值。根据最大确定度原则，确定各取样点水质类别，并将评价结果与文献[9]u价结果进行对比，见表2。
■
由表2结果可知，8、9、10、13号取样点水质类别为Ⅰ类，1、2、4、12号取样点水质为Ⅱ类，3、5、6、7、11、14号取样点水质为Ⅲ类，本文评价结果与BP人工神经网络方法及模糊综合评价结果基本一致，证明了云模型在地下水水质评价领域的适用性。
3结论
地下水水质评价所受的不确定性因素较多，存在模糊性及随机性的特点。本文采用云模型方法对地下水水质类别进行评价，实现了定性问题向定量数值的转换，充分考虑到了评价过程中的不确定性因素。通过工程实例的对比，证明了云模型在地下水水质评价领域的适用性，结果较为可靠，为类似不确定性问题的解决提供了一种新的思路。
参考文献：
[1]李名升，张建辉，梁念，林兰钰，李茜，温香彩.常用水环境质量评价方法分析与比较[J].地理科学进展，2012（05）：617-624.
[2]蒋火华，朱建平，梁德华，吴贞丽.综合污染指数评价与水质类别判定的关系[J].中国环境监测，1999（06）：46-48.
[3]樊引琴，刘婷婷，李O，焦伟晨.物元分析法在黄河水质评价中的应用[J].水资源与水工程学报，2013（02）：166-169.
[4]庞博，李玉霞，童玲.基于灰色聚类法和模糊综合法的水质评价[J].环境科学与技术，2011（11）：185-188.
[5]郝庆杰，江长胜.模糊综合评价法在江安河青羊段水质评价中的应用[J].西南师范大学学报（自然科学版），2010（02）：136-141.
[6]李德毅，杜o.不确定性人工智能[M].北京：国防工业出版社，2005.
[7]李健，汪明武，徐鹏，等.基于云模型的围岩稳定性分类[J].岩土工程学报，2014，36（1）：83-87.
云计算的基本特征篇6
关键词动态频谱接入云计算云平台宽带智能安全性
1引言
动态频谱接入是未来缓解频谱资源紧短、提高频谱资源利用效率的主要方式，将云计算与动态频谱接入相结合，克服了动态频谱接入高复杂度计算与管理的难点，提高了动态频谱接入的可实现性，也为云计算的应用开辟了新的领域。
2实现动态频谱接入的计算与管理难点
实现动态频谱接入首先需要无线设备具备无线环境感知能力，而无线环境感知包括对无线环境的分析，主要是对无线传播环境干扰度的估计以及频谱空穴的检测，以及对无线信道的确认，即对信道状态信息的估计以及对信道容量的预测。其次需要无线设备对网络环境的感知，包括网络类型、网络柘扑、接口协议、可用资源、网络流量等影响端到端传输性能的网络工作状态。同时，还要包括对用户信息的感知，即用户类型、用户偏好、用户要求等。这许多感知信息都要求感知设备实时采集和处理，极大地增加了感知设备处理及计算的负荷，提高了设备及系统的成本。
以频谱感知为例，频谱感知目前有匹配滤波、波形感知、能量检测、小波检测、循环平稳检测、基于熵的检测、基于最大特征值检测、干扰温度、宽带感知及多维频谱感知等方法，由于都需要设计复杂的模型及算法，不但运算量大而且计算复杂度高。目前，这些计算及频谱管理信息的处理都由设备及系统的物理层、网络层和传输层来承担，而单个DSP无法完成这些复杂算法的实时运算，而需要多个DSP协同完成。但由于多个DSP的协同集成途径面临许多尚未解决的棘手问题而缺乏实用价值；而且即使多个DSP的协同集成途径可以实现，也要占用无线网络大量信道、传输及核心网资源。因为一个认知无线设备完成一次动态频谱的过程，应包括频谱检测、频谱管理、频谱共享和频谱移动性等四项内容，如图1所示：
当前动态频谱架构的设计及能力，尚无法支持在3G、4G等广域网络中的实现，仅在如IEEE802.22标准(无线区域网)实现了认知无线电的初级功能。其重要原因之一就是：认知无线电设备及网络本身无法支持复杂系统实现动态频谱，从而引发巨量计算和管理任务。
3云计算服务动态频谱接入的特征分析
云计算的出现与逐步成熟，为实现复杂无线网络系统的动态频谱接入提供了新的途径。云计算是以虚拟化技术为基础，以互联网为载体提供基础架构、平台、软件等服务为形式，整合大规模可扩展的计算、存储、数据、应用等分布式计算资源进行协同工作的超级计算模式。云计算最关键的特征是计算资源能够被动态地有效分配，用户能够最大限度地使用计算资源但又无需管理底层复杂的技术，这正是其核心价值之所在。
云计算的体系架构参照云服务的模型可以划分成3个层次，具体的体系架构如图2所示：
最底层为基础架构即服务层(infrastructureasaservice，IaaS)，在此将基础设施资源(计算、存储和网络)以服务的形式提供出来。IaaS具有在特定服务质量约束的情况下出租计算机或数据中心的能力，使之能执行任意操作系统和软件。除了资源的虚拟化(计算资源、网络、存储等不同类型的资源虚拟化)，同时还提供自动化管理能力，使得用户可以便捷地享有服务，包括有平台和应用的自动化部署、自动化规模伸缩、负载管理等。
平台即服务层(platformasaservice，PaaS)，把基础架构资源变成平台环境提供给用户和应用，包括操作系统和围绕特定应用的必需服务，PaaS提供一个特定的应用程序集以及必要的服务(如SQL数据库或其他的能力)访问。
软件即服务层(softwareasaservice，SaaS)，为终端用户提供各种应用服务。SaaS的典型表现是一组集中部署的应用，在云中远程地运行一个模型，由于是计量服务，允许出租任一应用程序。
除了这3个层次的服务之外，云计算还具有相关的管理功能，包括用户／服务管理、订阅和计费管理、监控和服务质量管理、配置和资产管理等。
云计算的结构特点显示，其特别适合负载变化大、管理成本高、资源平均利用率比较低、对资源有大规模海量需求的应用服务，而动态频谱接入所遇到的高复杂度的计算与管理恰恰符合这些特点。因此，将云计算应用于动态频谱接入领域应具良好发展前景。
4云计算用于动态频谱接入的方式与架构
应该看到，云计算的三层服务能力都可以支撑动态频谱接入所产生的高复杂度计算与管理需求。其中，软件即服务(SaaS)是在软件结构上采用云计算，通常不必在客户端安装和运行应用，所有操作维护和升级均在服务端进行，可以减轻客户端软件维护、操作和支持的负担。因此，其特点符合弥补动态频谱接入计算与管理能力不足，减轻认知无线设备及网络负担的述求。但是，当前软件即服务(SaaS)主要应用于互联网的在线应用服务，如电子邮件、即时通信、网络教育、日历工具、协同办公工具等，这些服务基本是尽力而为的服务，对服务质量缺乏切实的保障。而动态频谱接入是频谱资源重新调度和分配的过程，无论是电磁环境的感知、频谱空穴的检测与确认，还是动态频谱池的管理以及频谱的重配置都要求稳定和可靠；同时，将动态频谱接入视为某项业务与其他业务共用云计算平台，也增加了动态频谱接入的不安全性。因此，动态频谱接入中云计算的实现不宜采用SaaS层结构。
动态频谱接入采用平台即服务(Paas)云计算层结构是其中的一种选择。云平台即服务(PaaS)是将计算平台作为一项服务，通常基于云基础设施来支撑其上的云应用，它包括应用平台、数据库应用平台、存储应用平台、分析计算平台以及一些领域特定的应用平台等。现有云平台主要分为两类：解决方案栈和结构化存储。解决方案栈是指实现功能完备的解决方案所需要的软件子系统或组件i结构化存储是指基于云的数据库、文件存储和基于云的消息发送队列。图3是基于云平台的动态频谱接入架构。
在云平台中要建立匹配滤波、波形感知、能量检测、小波检测、循环平稳检测、基于熵的检测、基于最大特征值检测、干扰温度及多维频谱感知等方法的模型并形成可管理、可访问的软件子系统；形成频谱感知、频谱空穴检测及数据挖掘的分析处理子系统。同时，需要建立基于云计算的频谱资源数据库和支持动态频谱接入的决策数据库。由此，基于云计算的动态频谱接入服务平台才能完成高复杂度的计算与管理，从而支撑起动态频谱接入的环境感知、频谱空穴检测与认证、数据挖掘与分析、智能决策，直至实现频谱重配置的功能。
5基于云计算的动态频谱接入面临挑战
云计算应用于动态频谱接入领域也存在许多难题和挑战。其中除云计算本身的虚拟化技术以及云的体系架构等标准化方面存在重大挑战外，由于动态频谱接入的特点，在宽带智能网络和安全性上又有其特殊的要求。
首先，云计算对宽带网络提出了很高的要求，绝不是“尽力而为”的网络可以支持的。宽带网络问题的核心，一是带宽，二是时延，特别是时延的影响在云计算中将远远大于带宽的影响，因此拥有智能管道能力的宽带网是未来网络的发展方向。在基于云计算的动态频谱接入应用中，包括谱感知、频谱空穴检测及数据挖掘的分析处理，直至最终实现频谱重配置的所有信息与控制都要通过宽带网络传送，而时延对于动态频谱接入的实现更有着严格的限制。因此，可以说是否具有高速宽带智能网络的连接与运行，将是制约云计算在动态频谱接入领域应用的重要因素。
其次，安全性也是制约云计算在动态频谱接入中应用的关键所在。除了云计算采用虚拟化技术的安全性，以及连接“云端”的网络安全性外，由于动态频谱接入而引发新的安全威胁也会在云平台中显现，包括：模仿主用户攻击、干扰主用户、攻击频谱管理者、公共控制信道干扰、拒绝服务攻击、窃听、GPS信息干扰和路由安全攻击等。这些安全威胁本来存在于动态频谱接入的实现过程中，它们在云计算环境中的作用路径，反应规律及应对机制都将发生重大变化，而对其的研究还属空白，急需填补。