【摘 要】
：
为了高效可靠的存储海量数据,分布式存储系统常利用纠删码来降低存储开销.Hitchhiker码是Piggybacking架构下易于工程实现的双条带MDS(Maximum Distance Separable Code)码,
【机 构】
：
四川师范大学 计算机科学学院,成都,610101
论文部分内容阅读
为了高效可靠的存储海量数据,分布式存储系统常利用纠删码来降低存储开销.Hitchhiker码是Piggybacking架构下易于工程实现的双条带MDS(Maximum Distance Separable Code)码,具有参数(k,r)取值任意、修复成本较低等特征.然而,目前Hitchhiker码只优化了数据单元的修复带宽,未优化校验单元的修复带宽.针对此问题,本文提出了利用LRC(Locally Repaira-ble Code)的思想同时优化数据单元和校验单元的编码(Hitchhiker-LRC和Hitchhiker-LRC+).该方法是对第一个子条带中l个校验求局部校验,将其存放在第一个子条带的某个校验上,要求该校验的数据已通过局部校验的形式捎带在了第二个子条带的后r-1个校验中,并且对该校验单元做了横向减法.最后,理论和实验证明,Hitchhiker-LRC和Hitchhiker-LRC+这两种编码在2≤r＜k/2时可降低1％ ～5％修复带宽和节省约10％的修复时间,在k/2≤r＜k时,Hitchhiker-LRC+在r较大时,相比Hitch-hiker-LRC具有更低的修复带宽;并存在l使得修复带宽率达到最优.
其他文献
传统的基于补丁的图像修复方法在修复过程中无法复制真实的图像纹理,即故障像素区域,通常需要手动标记故障区域.我们提出了一个迭代检测故障区域的图像修复模型.使标记故障区域过程自动化、精确化,模型将从修复过程中的多个特征图中图区的补丁作为CNN的输入,经CNN卷积和池化后输入Softmax分类器识别区域像素有效性,对标记为无效的故障区域采用Patch Match算法进行修复,引入启发式阈值对修复图像多次
半监督学习利用少量的辅助信息以提升学习器的性能.基于图的学习方法是较为典型的半监督学习实现途径,利用图来表达和分析数据,能够处理复杂的数据分布.不同于这类方法通常所利用的无符号图,符号网络具有更强的表达能力,其负边能够表达额外的信息.本文基于符号网络的规范化割(Signed Normalized Cut,SNCut),提出了可处理成对约束的半监督聚类,通过实验验证了负边给半监督学习带来的附加价值.
在机器学习领域,从少量样本中高效的学习仍然是一个巨大的挑战.本文借鉴度量学习的思想,基于深度高斯过程模型这一非参数模型,提出了用于小批量手写字符识别的深度高斯匹配网络.该框架可以自适应的学习到一种将以标注支撑集和未标注的样本映射能够有效到其标签的深度结构,同时避免因训练数据不足而出现的过拟合现象.在深度高斯过程模型的训练阶段,运用标准化流方法构造灵活的变分分布,改善了推断的质量.并且在稀疏化高斯模
在全球经济一体化加速发展的时代背景下，企业面临的社会竞争极其残酷。想要在技术、经济和社会不断发展进步的今天不被淘汰，企业必须不断提高自身竞争优势。如何增强企业竞争能
近几年，随着报纸市场竞争的日趋激烈，全国各地崛起的都市报无一例外地将民生新闻当成攻城略地、争夺受众的看家本领。民生新闻则以普通百姓的生存环境和生存状态作为新闻表现的来源和视角，关注民生、民情和民意，以它特有的品质和魅力迅猛发展。但由于新闻从业人员素质的不同以及媒体之间的竞争，出现了不应该有的现象，一部分民生新闻出现了“媚俗、猎奇、迎合、浅薄”等不良倾向，一部分民生新闻则囿于对日常琐事的简单记录，因
在文本情感分析中,切片循环神经网络(SRNN)是目前最先进的长文本分析的高效解决方案.针对切片操作导致的低层网络的长期依赖性损失和单向SRNN无法充分提取文本语义特征的问题
请下载后查看，本文暂不支持在线获取查看简介。
Please download to view, this article does not support online access to view profile.