云计算的特征篇1
关键词：云计算；电信通信网络；关系分析；应用
1云计算的简介
如果站在技术的角度对云计算进行分析，可以将其看作是一种基础性的设施，其主要的架构构成是在其上搭建多个的框架，云计算的概念可以通过分层模式进行体现，其具有虚拟化的物理硬件层，能够为整个系统提供一个非常灵活的自适应平台，为了能够在各个层次上都能对其业务需求进行良好的响应，云计算可以给予SaaS平台、PaaS平台、IaaS平台来进行计算。
2云计算的发展现状
目前在云计算的研究及应用过程中，赛门铁克、Redhat、SUN、Oracle、微软、IBM等主流的软硬件生产商都在进行云计算的相关研究，并提出了具有自身特点的云计算体系及架构，并且投入了大量的资金及技术来进行云计算的研究，各个厂家所提出的云计算的架构虽然有一定的差异，但是总体上的概念没有太大的区别，但是各个厂家对于云计算的概念理解及研究视角却有着较大的差别。另一方面，虽然云计算经过了一段时间的发展，取得了较大的进步，但是在其主要的技术应用中，还存在着一些有待解决的问题，例如多个虚拟机的功能融合、QoS问题、云环境下的安全问题等。
3云计算在电信通信网络关系分析中的应用
3.1基于云计算的客户价值预测
在电信通信网络中的客户价值预测工作中，通常涉及的知识面非常的广，需要进行大量的计算，而如果将云计算应用于客户价值预测中，对用户信息及通话信息的相关数据进行深层次的挖掘，应用分位点的概念，对新入网的用户进行有效的价值预测，该种预测方法与传统的绝对区间划分的预测方法，能够有效的降低预测误差。
其主要的预测流程为：将客户信息及通话记录中的有效字段进行抽取，然后将相应的字段进行合并连接；然后对用户的所在区域、年龄、性别等进行解析，解析完成之后将不符合筛选要求的用户予以剔除；然后将通话时长作为主要的参考依据，结合分位点，将相关的通话记录进行有效的分类，如果在分类的过程中采用了n-1各分位点，那么可以根据此分位点将所有的用户划分为n类，然后根据类别划分的不同，将n类记录分别进行存储，依据分好类的n个文件的不同类别，分别对其进行bayesian模型的训练，然后还要运用测试集对相关的模型效果进行检查对比。
3.2基于云计算的好友推荐
在运用云计算进行好友推荐的计算时，主要的参考依据是用户的熟悉度及相似度，这种计算方法在电信通信网络关系中具有非常广泛的应用前景，计算中的绝对量是熟悉度，通过二度好友的贡献度及熟悉度来进行二度好友的查找，通过这种算法能够得到二度好友的相关熟悉度，然后会根据相关的熟悉度对朋友的属性进行加权算法，最终能够得到非常精确的偏好特性，在该种计算方法中，会根据电信数据的特点，提取交流时长、交流频率等信息，通过对二度好友的属性相似度、用户偏好、熟悉度等进行计算，然后可以得到用户之间的总的推荐度，最后把总相似度较高的二度好友推荐给用户，使得好友推荐更加的精确。
其主要的计算流程为：首先对一度好友之间的相似度进行计算，通过对一度好友的熟悉度的计算，能够得到相关的二度好友关系，然后再对其相似度进行计算，并要根据一度好友计算出用户的环境偏好，然后通过用户自身属性、环境偏好及二度好友的熟悉度，计算出总的推荐度，根据总推荐度的高低，为用户进行好友推荐。
3.3基于云计算的电信社团特征结构化存储及验证
将云计算应用于电信社团特征的结构化存储中，其主要的计算方法是：根据一个月之内的通话记录分析，对其中所存在的社团属性进行统计分析，然后根据社团特征提出一种存储方案，并根据相关的通话网络来进行验证，对社团结构特性的统计分析进行归一化，并将其在相关的结构中进行存储，为进行二次的深入分析提供方便，在进行方案验证时，将社团作为研究单位，对其整体感兴趣的数据的分布情况进行分析，并将其与之前的研究数据进行分析比较，并对不同的特征进行统计。
其主要的计算流程为：首先要对社团中存在的各种属性进行统计，如果存在没有统计的属性，要对其单属性进行统计，然后将其统计特性进行归一化处理，制定出统计特性的概率分布情况，然后将其进行一致化处理，并将其结果存储于上述的存储结构当中。
[参考文献]
云计算的特征篇2
目前，以系留气球和自控飞艇为代表的飞艇以其耗能少、滞空时间长、载重量大等优点广泛用于军用、民用等领域。近年来，以具有3km滞空高度能力的系留气球和平流层自控飞艇浮空平台为代表的大型无人飞艇项目更是成为研究的热点，具有广阔和良好的应用前景。大型无人飞艇实际可升空高度和滞空时间与飞艇气囊的充气量大小密切相关，因此，为保证飞艇的升空与回收安全，必须对气囊的充气量大小进行监测，为放飞决策提供可靠的数据支撑。传统的监测手段都是以气囊饱满度定性估计，具有很大的主观性和不确定性，所以对大型无人飞艇气囊的体积定量测量就显得非常迫切。以激光扫描为代表的光学三维大尺寸测量技术与传统的激光点对点的测距技术不同，激光扫描测量技术的发展为空间信息的获取提供了全新的技术手段，由传统的人工单点数据获取转变为连续自动数据获取，提高了观测的速度和准确度，由于其融合了激光反射强度和物体色彩等光谱信息，可以真实描述目标的整体结构、形态特性以及光谱特征，具有测量范围大、准确度高、通用性强等特点，已成为大型飞行器、地形地貌、城市建筑三维重建等大尺寸物体几何量测量的主要手段之一。基于三维激光测量的大型无人飞艇气囊体积监测系统，是通过激光扫描获得气囊曲面点到激光扫描仪的距离，而后通过一系列的坐标转换、数据处理最终构建气囊的三维几何模型，从而定量计算出气囊的体积［1］。由于激光扫描获取点云的速度较快，可以满足对飞艇气囊体积进行即时监控的要求。
1系统设计
在飞艇气囊底腹部中心位置安装一个转动能力不小于180°的云台，具有180°扇区跨度扫描能力的二维激光阵列扫描仪装在云台上，实现对充气后气囊外形特征点的快速扫描。设计总体路线是:艇载计算机对激光扫描原始数据包进行解算，转化为三维坐标体系，随后通过内插值、滤波技术重构气囊外形轮廓，最后通过积分获得气囊的体积。以扫描仪为原点O，囊体的平行切平面XbOYb为基准面。云台0时刻从零位线起，在设定的角速度ω下匀速转动，考虑云台零位线与扫描基准线相差一个角度ψ0，则通过扫描基准线的时刻为tb=ψ0/ω。从tb时刻开始采集数据，每隔Δt(即每隔ωΔt的间隔角)对气囊基准面以上的断面进行扫描，扫描仪按均分原理保留每个扫描断面特征点到扫描原点的距离数据，当云台工作时间达到tb+180/ω时，完成对基准面XOZ以上的气囊特征点的扫描，采集工作停止，云台复位，等待下一个扫描采集指令。
2关键技术
2.1内插值法
无人飞艇气囊体积监测系统涉及的关键技术之一是扫描仪采集到气囊外形特征点后，如何将已有特征点通过网格插值，重构出气囊的三维外形轮廓。本设计采用双线性插值算法构建三角网格结构，然后构建计算网格，对每个计算网格点在三角网格结构中进行搜寻插值，通过查找均分点位于哪个三角形中来构建其高程差值，获得网格点整齐均分的计算网格坐标，最终构建气囊的三维特征外形。为计算网格点在三角网格中的位置。为了确保计算网格点高程插值的一一对应属性，在对气囊外形进行三维重建时采用了区域分块技术，把气囊分为多个部分分别进行计算，最后通过面拼接将各部分体积累加即为总体积。
2.2数据滤波
由于无人飞艇气囊为柔性囊体，飞艇气囊体积监测装置使用时无法进行刚性固定，扫描仪在扫描时的晃动振动将形成散乱点或者空洞等杂波或噪声，需要通过对点云数据进行去噪滤波，以保证原始数据点的平滑特性。假设某一断面采集了n个数据点，当对点Si((n－j)＞i＞j)进行滤波时，先根据不同的测量环境选定参数值j(j的取值一般为2到5之间)，求出Si及两边相邻的各j个点Si－j，…，Si，Si+1，…，Si+j到激光器S0的距离Di－j，…，Di，Di+1，…，Di+j;而后对距离设定权值。
2.3控制及采集方案
控制及采集系统由激光扫描仪、小型云台、串口/以太网信号转换器、艇载以太网交换机、光纤收发器和地面测控计算机组成，为避免定位误差的累积，每个扫描周期后云台都将复位至原始位置，小型云台在水平面从0°转动至200°再复位至0°的时间为一个扫描周期，扫描周期T0的值随着云台的水平转速的大小而变化，云台的水平转速可通过地面测控计算机上的云台控制软件来设定。考虑到测量误差，舍弃云台(0°，10°)和(190°，200°)两个不匀速运动的区间，只选取扫描周期中云台转速均匀的中间段(10°，190°)进行采集，采集角度范围依然保持为180°。地面测控计算机的采集频率根据采集周期和最小采样角度来确定，本方案中采样角度为1°～5°，采集频率f与扫描周期T0之间的关系。
3试验结果
采用某型飞艇气囊对无人飞艇气囊体积监测装置进行测试验证，无人飞艇气囊体积监测装置对气囊进行激光扫描后，通过坐标转换、数据处理重构出气囊的三维特征外形。经与结构设计工程师确认，气囊充气饱和后的体积设计理论值为234m3，对气囊连续进行6次测量，测试结果如表1所示，6次测量均值为235.08m3，重复性为0.47m3，实测均值与设计理论值相对误差为0.46%，相对误差控制在±1%以内，单次测量时间小于10s，无人飞艇气囊体积监测装置可以满足对囊体体积即时测量的要求。
4结束语
云计算的特征篇3
关键词：云计算；负载预测；神经网络；虚拟机迁移
中图分类号：TN711?34；TM417文献标识码：A文章编号：1004?373X（2016）07?0024?05
Abstract：Fortheproblemofhowtoreducethemanualoperationintheprocessofcloudcomputerresourcesmanagementtoachieveresourceadaptivemanagement，aresourcemanagementstrategyofneuralnetworkloadforecastingalgorithmbasedonloadsimilarityandmulti?objectivegeneticalgorithmbasedonhybridgroupingencodingisproposed.ThesimulationexperimentsforphysicalnodesofdifferentscaleanddifferentneuralnetworkswereconductedintheenvironmentsofMatlabandCloudSimrespectively.TheexperimentalresultsshowthattheElmanneuralnetworkloadforecastingalgorithmbasedonloadsimilarityadaptstothedynamiccharacteristicsofcloudcomputersystem，andcaneffectivelyimprovetheaccuracyofresourceloadforecasting.Theresourcemanagementstrategyofmulti?objectivegeneticalgorithmbasedonhybridgroupingencodingcanreducethefrequencyofthevirtualmachinemigration，andoptimizetheusequantityofphysicalmachines.
Keywords：cloudcomputing；loadforecasting；neuralnetwork；virtualmachinemigration
0引言
云计算具有复杂性、大规模性和动态特性等特点给云计算机资源的管理带来了很多挑战性问题，其中虚拟机迁移策略和物理机使用数量的优化最为关键。目前，国内外学者对云计算资源管理的研究主要包括虚拟资源管理、资源负载预测和资源合理分配三方面。在虚拟资源管理方面，大部分是研究如何对内存、CPU及存储资源进行虚拟间的分配，只有少量研究是基于虚拟机负载变化进行虚拟机动态迁移和资源分配的文献[1?2]；在资源负载预测方面，文献[3]无法对突发的负载进行预测，文献[4]中没有考虑短期历史记录中无相似的就会影响预测效果；在资源合理分配方面，文献[5]不能进行自适应的云计算机资源管理。
针对上述问题，本文提出了一种基于负载相似度的神经网络负载预测算法和基于混合分组编码的多目标遗传算法进行虚拟机资源的管理，得出虚拟机最优迁移策略，从而达到资源的自适应优化配置管理。
1总体思路
基于混合分组编码的多目标遗传算法进行虚拟机资源的管理由3个模块组成，如图1所示。
具体来说，该模型首先从云计算机资源全局监控器模块获取资源的负载情况，然后把这些负载序列发送给资源配置策略生成器。策略生成器的负载预测模块先根据负载进行负载预测，通过负载预测器和虚拟资源优化器得到优化的虚拟机资源配置策略，最后资源配置器根据生成的资源配置策略进行虚拟机的迁移和资源的配置工作，从而达到资源的自适应管理。
2具体实现方法
2.1资源负载的特征聚类
2.1.1资源负载特征提取
（1）负载数据的选取及预处理
云计算机数据中心的短期负载预测要求一定的实时性，从而适应动态变化的负载。因此历史数据的选取要综合考虑准确度和实时性，本文选择过去3天的负载数据进行预测，如图2所示。
受突发因素和数据测量系统影响，获得的负载数据存在一定的异常数据，需采用水平处理法和垂直处理法对数据进行修正[6]。
（2）云计算机资源负载特征提取
由神经网络研究可知，每个神经网络具有d个输入及ε个输出，分别记为d维输入向量X{X1，X2，…，Xd}和ε维输出向量Y{Y1，Y2，…，Yε}。为了满足神经网络对数据的格式要求，本文采用基于滑动窗口的资源负载特征提取方法，如图3所示。
图3中给定长度为L的云计算机资源负载时间序列，依次取d（x1，x2，…，xd）个相邻的样本为滑动窗，并将它们映射为ε维预测值Yi（i=1，2，…，n），这N组数据即为负载特征向量，如表1所示，N组负载特征，每组前d个数据为输入的负载特征数据，作为网络输入；后ε个为当前数据的输出负载特征，作为网络训练输出比较值。
对于Elman神经网络，d=win*ε，win表示一个窗口的大小，[ε]为输出向量的维数，[d]是输入向量的维数，win窗口的大小会对预测结果产生影响，因此需合理确定win的大小。根据试验要求，调整win的大小，固定其他参数不变，计算出不同win值对应的MSE，图9给出了不同win值的预测结果，表2给出了不同win值预测结果的MSE值。
从图10中可以得到如下结论：
（1）当聚类簇为1时表示没有对负载特征进行聚类，即普通的BP和Elman算法，MSE误差在5%左右，能达到较好水平；
（2）当聚类个数为2，应用基于负载相似度的预测算法，MSE误差分别为0.7%和0.9%，达到了预期效果，证明了基于负载相似度算法的有效性；
（3）当聚类个数为3，预测结果偏差在20%以上，这是因为过度聚类导致实际预测的样本不足，从而导致较大偏差的出现；
（4）Elman算法的预测性能整体比BP好。
3.3资源的配置管理仿真
本文选择CloudSim作为仿真平台。仿真实验中分别模拟了50，100，200个物理节点三种规模进行实验对比，每个物理节点装备2个处理器，频率为3000MIPS，1Gb/s网络带宽，8GB内存，7200转512GB硬盘。实验中使用的虚拟机是单核的，每个虚拟机的配置根据需要动态分配资源。
从中可以得出如下结论：
（1）以最少物理机使用个数为目标的配置策略可使物理机使用个数最少，但虚拟机迁移次数较高。
（2）以最少迁移次数为目标的配置策略可使虚拟机迁移次数最少，但物理机使用个数增多。
（3）基于混合分组的多目标遗传算法配置策略的虚拟机迁移次数和物理机使用个数虽然都不是单个最优，但实现最优权衡，服务级目标（SLA）违背率最低，并且使用相对较少的虚拟机迁移次数和较少的物理机个数。
4结论
本文提出了基于负载相似度的Elman神经网络负载预测算法和基于混合分组编码的多目标遗传算法的虚拟机资源管理策略。并在CloudSim及Matlab环境下分别完成了仿真实验，证明了负载预测算法和资源管理策略的有效性。本文所提出的负载预测算法只考虑了过去3天时间内的负载情况，属于短期负载预测，对周度、月度等中长期负载预测还无法进行；提出的资源管理策略是以虚拟机为资源单位进行管理的，属粗粒度资源管理，对细粒度资源管理还无法进行，还需进一步完善。
参考文献
[1]SHIND，AKKANH.Domain?basedvirtualizedresourcema?nagementincloudcomputing[C]//Proceedingsof20106thInternationalConferenceonCollaborativeComputing：Networ?king，ApplicationsandWorksharing.Chicago：IEEE，2010：1?6.
[2]KUPFERMANJ，SILVERMANJ，JARAP，etal.Scalingintothecloud[EB/OL].[2009?08?12]http：//cs.ucsb.edu/jkupferman/docs/scalingintothecloudsPDF.
[3]李强，郝汾沁，肖利民，等.云计算中虚拟机放置的自适应管理与多目标优化[J].计算机学报，2011，34（12）：2253?2264.
[4]CARONE，DESPREZF，MURESANA.Forecastingforgridandcloudcomputingon?demandresourcesbasedonpatternmatching[C]//Proceedingsof20102ndIEEEInternationalConferenceonCloudComputingTechnologyandScience.Indianapolis：IEEE，2010：456?463.
[5]LIMK，CHENM，XIEJ.Cloudcomputing：asynthesismo?delsforresourceservicemanagement[C]//Proceedingsof2010SecondInternationalConferenceonCommunicationSystems，NetworksandApplications.[S.l.]：IEEE，2010：208?211.
[6]朱振伟.气象因素对电网负荷特性影响的研究[D].杭州：浙江大学，2008.
[7]祁薇熹，李彬.多目标演化算法的进展研究[J].计算机与数字工程，2008，36（5）：16?18.
云计算的特征篇4
事实上，无论是早期的分布计算、并行计算，前期的网格计算，还是当下的云计算，都是海量数据处理的一种计算模型。
近些年来,随着互联网技术的广泛应用，特别是Web2.0应用的快速发展，客户数据呈爆炸式增长，如何应用好云计算这个数据处理模型，更好地为自己的客户服务，就成为众多厂商重点考虑的方向。
简单来讲，谷歌的搜索引擎能够快速响应客户提出的搜索请求，就是得益于云计算技术。正是因为谷歌构建了多达百万台的云计算服务器群，所以能够针对整个互联网的信息进行动态的收集、分析、整理和。当客户发出请求时，就可以快速给出响应结果。
如果将搜索引擎技术比作“大海捞针”，那么防毒厂商的工作就类似“大海捞毒针”，难度甚于前者。
所谓“捞毒针”，即要从整个互联网的海量数据中及时发现动态出现的风险，这时候防毒厂商采用云计算技术就成为了必然。因为传统的样本收集、人工分析、代码、客户下载的防护流程已无法快速应对当今快速变化的安全风险。
根据调查机构的最新统计，全球恶意程序已超过1000万个，而且每天还在以2万多个的速度增长。
趋势科技全球副总裁张伟钦指出，在此情形下，传统的代码比对技术正面临越来越大的挑战，一味地扩充病毒代码，只会造成客户端资源和带宽的极大消耗，最终给网络安全带来隐患。而防毒厂商通常会在自己病毒特征码中放置100万个左右的病毒特征，这就预示着至少还有90%的恶意程序不在防护之列。
如何采取有效的技术架构？一方面应对每天2万多个的新病毒的快速处理问题，同时又要解决90%的恶意程序全面防护的问题，这就变得非常紧迫。
行业人士认为，比较符合实际的操作方式是，用户在访问目标信息时，安全子系统会自动到云服务器群对目标信息的安全等级进行查询，然后根据查询结果及时阻止用户对高风险信息的访问，从而实现在恶意程序到达网络前就被阻止，一方面实现防护的高效性，另一方面也使网络和系统资源的占用率达到最小。
2008年7月16日，瑞星通过面向终端的卡卡6.0来为其“云安全”计划全面实施提供先决条件。依据瑞星的提法，卡卡6.0融合了并行处理、网格计算、未知病毒行为判断等新兴技术和概念，通过网状的大量客户端对网络中软件行为的异常监测，获取互联网中木马、恶意程序的最新信息，推送到服务器端进行自动分析和处理，再把病毒和木马的解决方案分发到每一个客户端。
然而，包括张伟钦在内的一些业界专家看来，这并非真正的云安全，它不过是把病毒特征码搜集流程进行了优化，没有摆脱传统病毒特征码扫描比对的传统技术。
另外，为了便于更加准确快速获取信息，包括Websense在内的一些厂商设立了专门的“蜜罐”（数据库中心）系统，来广泛收集网络中存在的攻击行为。
7月22日，趋势科技推出的“云安全”技术架构策略和上述公司的作法又有所不同，他们构建的“云”服务器群自动对整个互联网的信息(如URL、邮件服务器、文件)进行动态分析，如分析一个URL就会采集这个URL的50多种属性以进行综合分析，同时会加入时间的统计分析，这样使得任何恶意风险在刚出现的时候，就能被“云”服务器群快速分析，在它侵入网络前，在源端就被直接阻止，从而达到零接触、零感染的防护价值。
张伟钦指出，这种方法的最大好处在于，它降低了从端点下载传统病毒特征码文件的依赖性，减少了与在公司范围内部署特征码有关的成本和管理费用――这已经成为庞大数据中心日益沉重的成本负担。
此外，“云安全”这种全新的方法，将有效降低客户网络和端点的带宽消耗，提供更快更全面的及时保护。
另据张伟钦介绍，趋势科技已经在全球建立了5个数据中心，几万部在线服务器，拥有99.9999%的可靠性。目前平均每天处理55亿条点击查询，每天收集分析2.5万个样本，资料库第一次请求命中率就可以达到99%。借助云安全技术，趋势科技每天阻断的病毒感染最高达1000万次。
借助Web威胁保护战略，趋势科技率先界定了一种主张：单靠传统的代码比对安全解决方案，将不再能够针对当前Web威胁提供有效保护。现在，新推出的云安全技术可以有效解决传统防护技术的问题，并让每个人在使用安全产品的过程中，都成为识别安全威胁的贡献者，同时分享其他所有用户的安全成果。
云计算的特征篇5
关键词：云计算环境；海量音乐资源；定位挖掘；检索控制
中图分类号：TN911?34；TP391文献标识码：A文章编号：1004?373X（2017）12?0019?03
Abstract：Asthelocationretrievalaccuracyofminingmassivemusicresourcesinthecloudbigdataenvironmentisnothigh，positioningminingmethodofmassivemusicresourcesincloudcomputingenvironmentisimproved，andahigh?precisionpositioningminingmethodofmassivemusicresourcesbasedonadaptivecascaderetrievalcontrolisproposed.Thesemanticfeaturesegmentationandtimeseriesstatespacereconstructionofdatainformationinmassivemusicresourcedatabaseareconductedaccordingtothekeywordsandmusictypes，andthentheself?correlationfeatureextractionofmassivemusicresourcesincloudcomputingenvironmentiscarriedout.Theextractedself?correlationfeaturesaretakenasthepheromoneguidetomakehigh?precisionpositioningmining.Theadaptivecascaderetrievalcontrolmodelisusedtocontroltheminingaccuracy.Thesimulationanalysisresultsshowthatthismethodcanimprovethepositioningminingaccuracyofmusicresources，resourceutilizationanddataprecisionratio.
Keywords：cloudcomputingenvironment；massivemusicresources；locationmining；retrievalcontrol
S着大数据信息技术和云计算技术的发展，大量的音乐资源通过DeepWeb数据库的形式存储于网络空间中，提供给网络用户进行有偿或者免费的下载[1]。对海量音乐资源的高效优化管理能提高音乐欣赏用户的体验，提高对音乐播放软件的认可度，海量音乐资源信息库是搜集、整理、收藏音乐资源并供人下载和播放的数据库，结合音乐播放软件实现音乐共享和传播。在云计算环境下，需要对海量音乐资源进行高精度定位，对云计算环境下海量音乐资源进行优化配置和访问控制，提高云计算环境下海量音乐资源的管理和检索效率；因此研究音乐资源在云计算环境下的高精度定位挖掘方法具有重要意义。
1海量音乐资源信息预处理
1.1音乐资源信息语义特征分割
为了实现对云计算环境下海量音乐资源的高精度定位挖掘，需要进行语义特征分割，降低资源定位挖掘的计算开销，采用自适应特征分割模型进行海量音乐资源库的存储音乐信息的数据特征重构和特征分割，去除冗余的信息特征[2?3]。音乐资源存储区域按音乐的歌词的关键词和音乐类型进行语义特征分割。音乐类型的存储本体特征通过自适应均衡分割方法被分为若干个（K个）数据子集，为云计算环境下海量音乐资源的语义特征并查集，满足：。根据音乐的播放环境和流行程度，进行资源分布区间的网格模型构建，使得音乐资源存储的状态分布结构满足，其中且。由此，采用决策树模型构建音乐资源信息检索和挖掘的特征访问控制模型。在进行音乐资源信息语义特征分割中需要首先创建一个空节点root作为根节点，在匹配节点的父节点处创建语义特征分割的分支结构模型[4]，并通过规则数据集匹配的音乐资源的存储空间，进行节点匹配，搜索节点为root节点，以叶节点B：0.7为起始节点进行语义特征分割。在匹配节点的父节点处得到候选数据项为：，以节点C：0.8中的BC为搜索节点，得到语义特征分割的自适应概率分布为0.7×0.8=0.56，由此构建压缩的UF?tree决策树模型，实现对云计算环境下的音乐资源信息存储空间的语义特征分割如下：
式中：表示待匹配本体的关系模型；为到当前数据项在TID集的概率分布。云计算环境下海量音乐资源库中的特征空间采样数据集，根据音乐资源信息语义特征分割结果，进行了分布式特征重构分析。
式中，为云计算环境下的音乐资源检索的统计频次参量。通过自适应级联检索控制，挖掘音乐资源的候选项集和产生频繁项集，提高对音乐的准确检索和定位挖掘能力。具体算法描述如下：
输入：音乐资源搜索节点初始化参数，音乐资源定位挖掘的概率向量，候选集AllCandidate
输出：音乐资源挖掘的繁项集和规则集FrequentItems
（1）group?dependen=newMapReduceframework（Null）；
（2）parallelclosedfrequentTinDBgid
（3）LocalFPtree.insert_tree（T，LocalFPtree.root，G?List）；
（4）filemanagementiteminnowGroup
//闭频繁项集特征分解
{HeapHP=ParallelFP?Growth（）；
LocalFPtree.FPGrowth（mininglargedata.，item，HP）；
//遍历每条事务数据
Support=0.0f；
Add（candidateItem，FrequentItems）
End}
3实验测试分析
对海量音乐资源的定位挖掘仿真实验建立在Hadoop云计算平台上。仿真的硬件CPU为Intel?CoreTMi7?2600。采用Matlab仿真工具进行数学仿真，结合酷狗、QQ音乐软件进行音乐资源的嵌入式访问接口设计和兼容性数据库存储，音乐软件通过100MB以太网相连在互联网中。对音乐资源进行语义特征分割的尺度为1.45，音纷试吹氖据信息流采样样本长度为1024，频带2～30kHz、时宽3.6ms，对DeepWeb数据库中的海量音乐资源进行信息采样和挖掘定位仿真。根据上述实验环境设定，进行音乐资源的定位挖掘，以挖掘精度为测试评价指标，进行10000次挖掘实验，采用不同方法进行对比，得到挖掘精度对比结果如图2所示。图3为数据查准率对比。
据查准率对比
图3给出了以酷狗音乐软件为访问接口，采用本文设计的音乐资源定位挖掘方法和传统的挖掘方法进行音乐资源检索的查准率对比。分析上述仿真实验结果得知，采用本文方法进行云计算环境下海量音乐资源的定位挖掘的精度较高，信息检索的查准率高于传统方法，实现高精度的定位挖掘。
4结语
本文研究了在云计算环境下的音乐资源定位挖掘和优化检索问题，提出基于自适应级联检索控制的海量音乐资源的高精度定位挖掘方法。并进行了实验对比分析，从结果可知，采用本文方法对音乐资源进行挖掘时，器挖掘精度较高、检索性能较好。
参考文献
[1]南洋，陈琳.基于客观权重确定的数据中心网络性能评估方法[J].计算机应用，2015，35（11）：3055?3058.
[2]汪中才，黎永碧.基于数据挖掘的入侵检测系统研究[J].科技通报，2012，28（8）：150?152.
[3]KARLSSONJ，ROWEW，XUL，etal.Fastmissing?dataIAAwithapplicationtonotchedspectrumSAR[J].IEEEtransactionsonaerospaceelectronicsystems，2014，50（2）：959?971.
[4]BARNICHO，VANDM.ViBe：auniversalbackgroundsubtractionalgorithmforvideosequences[J].IEEEtransactionsonimageprocessing，2011，20（6）：1709?1724.
[5]MOGHADAMAA，KUMARM，RADHAH.CommonandInnovativevisuals：asparsitymodelingframeworkforvideo[J].IEEEtransactionsonimageprocessing，2014，23（9）：4055?4069.
云计算的特征篇6
在深入分析云会计环境对集团企业人员行为和操作行为影响的基础上，详细阐述云会计环境下集团企业高可信内部审计的行为特征，构建了高可信内部审计实施路径的系统框架，为云会计环境下内部审计实现高可信性提供理论参考。
【关键词】
云会计环境；高可信内部审计；实施路径
在大数据时代，企业逐渐向云端智能化”发展。传统封闭的局域网会计信息系统（AccountingInformationSystem，以下简称AIC）逐渐被现代开放的互联网AIC取代，云会计”应运而生；以往独立僵化、墨守成规的管理模式逐渐被权变动态、智能开放的新型管理模式所取代，智能管理”应运而生。可见，信息化技术的飞速发展对企业的影响是巨大的，特别是集团企业，不仅拓展出更广泛的平台，呈现出更快捷的工作效率，还让集团企业在短时间内获得较以往更可观的收益。但是，信息化时代是复杂多变的，其摧垮一个集团企业的速度和力度较以往更快、更强。在复杂多变的云会计环境下，集团企业对内部审计的期望值越来越高，集团企业现行内部审计实施路径是否具有高适应性、可操作性、可信赖性的高可信”性，成为集团企业管理层关注的重点。国都兴业信息审计系统技术（北京）有限公司于2009年提出了企业云审计”解决方案，于2010年在企业云审计解决方案的基础上提出了全云审计”的战略。他们提出：全云审计就是对云计算本身的审计，也就是实现对IaaS、PaaS和SaaS各个层面的审计，解决云计算用户可信的问题。文峰于2011年在《云会计与云审计———关于未来审计的概念与框架的一些思考》中提出了云审计”的概念，他认为：云审计就是将云计算运用到审计中去，在技术上提供广域审计共享与协作平台。他指出云审计的建立与发展很可能促成审计的重大变革，而这种重大变革不仅仅是云概念、云责任的提出，还有新兴技术的运用如物联网技术。《中国总会计师》杂志于2012年提出的云审计的定义是：通过数据的云储存，使得各种审计资源包括参与审计的人员、程序和相关硬件设备，都通过云来协调，在这个过程中，审计人员无需关注采用何种计算机程序，也无需关注数据的存储、共享和工作时效性等问题，审计人员需要关注的就是审计任务本身；同时并设想建立云审计XBRL标准规则以面向所有的会计师事务所建立公共的、由第三方维护的公共云计算。张艳玲于2013年提出在云审计过程中，审计项目小组可以在地理上非常分散，甚至不一定要来自于同一个审计机关或者委托机构，所有的工作协同和数据共享通过云技术来实现，不仅可以归集和管理审计所需的各类资料和数据，对容纳的数据实时更新和有机集合，而且能够智能控制对审计模型的选择和使用，保证审计过程的质量。魏祥健于2015年提出由各级审计机关用户层、云审计系统层、应用与维护服务等服务层、基础设施层所组成的在安全审计平台和外部应用接口相互作用力下的云审计系统框架。纵观上述文献的研究，学者们主要从以维护云计算用户安全为核心的云审计”和以提高审计质效为核心的云审计”两个基本层进行了广泛的研究。研究对象主要集中在云会计供应商和会计师事务所，涉及集团企业云审计方面的研究文献还较少。实际上，虽然云会计供应商和会计师事务所在一定程度上可以为社会企业提供专业的会计信息化，但对大型的集团企业来讲，自身的孵化体系完全可以支持云会计、云审计的应用，将实时动态管理、实时智能监控由梦想成为现实。鉴于此，本文首先将云会计环境下对集团企业内部审计的影响分为人员行为影响、操作行为影响，然后将云会计环境对集团企业内部审计的行为影响作为高可信内部审计的行为环境，在此基础上构建了一个高可信内部审计实施路径的系统框架，通过框架详细分析了云会计环境下集团企业高可信内部审计的行为特征及实施路径，以期为集团企业高可信内部审计的建设提供理论依据和策略指导。
一、云会计环境对集团企业内部审计的行为影响
集团企业具有大、广、多、杂的特征，即企业规模大、业务分布面广、业务种类多和所属子公司多、管控操作复杂。基于此，集团企业与其他企业不同的是，集团企业更多的是根据集团企业具体情况设有众多孵化性质的业务单元为集团企业量身进行自我更新，而将有限的部分的业务单元外包给云会计供应商和会计师事务所性质的机构。云会计环境呈现出广、快、多、杂的特征，即平台涉及面更广、操作速度更快、信息量更多、层面更复杂多维化。集团企业内部审计的内涵在于防患于未然，治病于痊愈”，全面系统地贯彻警钟长鸣，对症下药”的方针，置集团企业于可接受的安全”环境中。云会计环境对集团企业内部审计的行为影响从人员行为影响和操作行为影响两个层面分析如下。
（一）人员行为的影响
云会计环境下对集团企业内部审计人员的行为影响集中表现在以下方面：
1.内审组织职能单元面临重组
云会计是以云计算技术为支撑，基于互联网构建的一种向企业提供会计核算、会计管理和会计决策服务的信息化基础设施和服务。云会计环境使得集团企业对企业内各职能单元提出了新的要求，也为集团企业内各职能单元在原有职能下呈现出新的延伸，对内部审计也不例外。云会计”的高效率、大量度等优势已经让众多管理层喜出望外并受益匪浅，与云会计环境相配套的组织职能单元的重组是集团企业必然面临的任务。
2.内审人员业务能力受到挑战
云会计环境不仅使财会人员的业务能力受到了挑战，也对内审人员的业务能力提出了新要求，特别是大型集团企业的内部审计人员。大型集团在业务种类多、业务差异大、管控难度复杂的特征下，要求内审人员不仅具备相应类别审计的专业知识，而且要具备信息化审计处理多维度信息量的新能力，杜绝因信息量过大而无从下手、信息维度过多而犹豫迟疑等严重影响工作质效而造成的进展瓶颈。
3.内审人员需求层次更加丰富
大数据时代，集团企业更具生机活力，人们的生活更丰富多彩。人们可以打破常规的消费理念、生活理念、生存理念，转向新思维，寻求更深层次的幸福感。集团企业的内审人员也不例外。我国的内部审计发展较缓慢，集团企业虽对内部审计存在意义非常认同，但内部审计工作长期以来成效不大也使集团企业对该职能部门近乎冷淡。有些集团企业内审人员吃力不讨好的现状更加激化了内审人员的需求。
（二）操作行为的影响
云会计环境下对集团企业内部审计操作行为的影响集中表现在以下方面：
1.平台生态圈权变动态开放化
云会计环境下，使得集团企业将共同价值”观设立平台生态圈的内涵诠释得更成熟，为实现多维信息搜集、多元信息整合、多态信息分享的良性平台生态圈助一臂之力。在此现状下，集团企业需要具备对多维、多元、多态信息的处理分析整合和去粗取精的能力。
2.相关者信息对称程度提高
传统上，相关者信息不对称导致了目标与实际脱轨、经管矛盾激化、误读政策低质低效等诸多问题。随着大数据经济的发展，云会计的不断更新，平台生态圈的不断成熟，相关者信息对称程度有所提高，使得上述问题有所缓解。
3.业务单元信息化程度不协同
集团企业的业务单元是为集团企业更具竞争力所设置的单元，现行大数据经济的发展势头并没有对集团企业进行全方位的覆盖，使得集团企业内业务单元信息化程度不协同导致的审计工作难度加大。
二、高可信内部审计的行为特征
美国经济学家谢林（Schelling）将社会互动理论容纳到经济学研究中，认为每个人都置身于特定社会群体中，群体中他人行为会对个体行为产生直接影响，而并不是简单地通过价格机制进行行为选择。对于经济犯罪行为，很可能是通过群体内成员的相互模仿在群体间扩散，使得特定群体更频繁地出现某种犯罪行为。借鉴美国经济学家谢林的经济学社会互动理论，可将云会计环境下的高可信内部审计行为特征分为渐进特征和革命特征两大类。
（一）渐进特征
渐进性”是借鉴公司战略管理的渐进性变革的管理理念。它是一种持续的、稳步前进的变化过程，在某一刻影响企业体系中的某些部分，贯穿于企业管理的始终。集团企业内部审计的职能是警钟长鸣、杜绝舞弊。在云会计环境下，高可信的内部审计应具备渐进特征。原因在于，在过往的舞弊案例中，几乎没有舞弊人员会在事发之前主动停手，一方面因为他们要依赖于舞弊”带给他们的地位、生活水平和些许的不良嗜好，另一方面舞弊人员要不断采取手段东拼西凑，掩盖其舞弊的行为，所以，这时候，当企业发现舞弊时，所谓的亡羊补牢已经行不通了。据美国注册舞弊审查协会统计，一项舞弊从开始到结束，一般会持续1—3年，而这期间有将近一半的企业最终无法挽回任何损失。高可信内部审计的渐进特征内含目标明确性、易操作性、可靠保密性、可渐进性、资源互补性、可信性、高适应性。首先，目标明确性强调的是内部审计对员工过往表现是否存在舞弊征兆有明确的评判基准。集团企业可以根据数据性基准和非数据性基准进行评判。其中数据性基准主要依据员工基本年薪、绩效年薪、任期激励收入等因素设计；非数据性基准主要依据员工年学习经历、年工作经验、年工作实绩等因素设计。其次，易操作性强调的是操作难度不大，培训成本不高。可靠保密性强调的是数据具有可靠保密性，证据具有可靠保密性，操作具有可靠保密性。再次，可渐进性强调的是保持良性循环的持续性、可参照对比性，而资源互补性强调由于资源在企业内部之间的配置总是不均衡的，高可信内部审计系统应有资源共享、优势互补的资源互补性特征，融通连接一切可用资源。最后，可信性和高适应性强调高可信内部审计系统本身应具有可信性和高适应的更新能力性。
（二）革命特征
革命性”是借鉴公司战略管理的革命性变革的管理理念。它是一种短暂的、影响力度大的变革过程，对企业体系的影响是全面的，在企业生命周期中不常发生。在云会计环境下，高可信内部审计的革命特征不是必备的，但可以提升集团内部审计的威慑力，明确集团内部审计的权限，使审计意见能更好地追踪问效。集团企业舞弊状况频发的一个很可能的原因在于内部审计在集团企业的威慑力不强，审计权限不清晰，追踪问效力度不大。高可信内部审计的革命特征内含决策支持性、事前可审性、意见有效性。首先，决策支持性强调的是内部审计要获得集团企业领导的重视，不仅仅是口头上，还有正式的文件、公开的会议、公开的报告等。其次，事前可审性强调的是内部审计人员可以采用抽查的形式，对财务部准备支付还尚未支付、准备领取还尚未领取的资金有权限进行事前的审计，审查支付领取的合理性、合规性。最后，意见有效性强调的是内部审计人员通过随机抽查、顺序抽查等其他方式发现的重大错报所起草的审计意见，要公示并严肃惩罚。
三、云会计环境下的高可信内部审计实施路径
云会计是企业财务基于云计算技术的具体匹配，从云计算技术的基础设施即服务laaS（InfrastructureasaService）、平台即服务PaaS（PlatformasaService）和软件即服务SaaS（SoftwareasaService）匹配至云会计技术的财务处理分析模块。高可信内部审计的实施路径也是在云计算技术的基础上根据职能单元属性进行的匹配，具体由三个主层和三个辅助层构成。其中三个主层由基础设施服务层、平台生态圈服务层、软件应用服务层构成；四个辅助层由用户端层、督检端层、外接端层、反馈端层构成。基础设施服务层内含服务器、数据库、操作系统、内审数据网，是集团企业通过孵化业务单元孵化出的基于集团企业行业特点和业务类型所设计开发的，是集团企业及集团企业下属单位所需信息资源的源头数据中心。特别指出的是，设计内审数据网的目的是集团企业总部及集团企业下属公司之间进行交叉审计时，为对其他公司进行的审计独立性水平判断的初步事项进行了解，对已发表的审计意见等状况有更直观清晰的认识。平台生态圈服务层内含资源调度服务、资源更新服务、资源维护服务、意见反馈服务、事前审核服务、在线学习服务等，秉着共同价值观，建立健康安全开放动态的平台。软件应用服务层内含内审应用系统、内审管理系统、内审安全维护系统。用户端层内含用户管理、用户身份认证、用户权限管理；督检端层内含督检审核服务、督检跟进服务、督检公示服务；外接端层内含政府平台接口、金融平台接口、税务平台接口、会计师事务所平台接口、法务平台接口等。
四、结束语
构建基于云会计环境下的集团企业的高可信内部审计的实施路径是一个系统工程，除了架构外，还有诸多如云责任、云安全、云标准、云法务等方面建设的完善。因此，对云会计环境下高可信内部审计模型的深入理解与把握，是推动未来全云内审的关键。
作者：王婧婧单位：重庆工商大学融智学院
【参考文献】
［1］国都兴业信息审计系统技术（北京）有限公司.国都兴业揭开全云审计”时代［J］.计算机安全，2011（2）：92.
［2］文峰.物联网对云审计的影响［J］.中国注册会计师，2011（4）：88-91.
［3］中国总会计师.审计+云计算=云审计［J］.中国总会计师，2012（7）：29.
［4］张艳玲.云审计———审计信息化的发展趋势［J］.商业会计，2013（10）：47-48.
［5］魏祥健.云计算环境下的云审计系统设计与风险控制［J］.会计之友，2015（1）：101-105.
［6］程平，段莹莹.云会计环境下高可信AIS行为特征影响研究［J］.科技管理研究，2015（4）：162-166.