【摘 要】
：
在建设虚拟化云平台时,将大数据技术应用其中,能够对于虚拟化技术的应用进行优化,在融入了大数据技术后,能够有效地对数据中心底层资源进行利用,进而能够将存储资源、网络资源、计算资源应用的价值发挥出来,确保云平台的稳定性。在该理念下建立的虚拟化平台可以将系统资源有效利用,原理是将平台节点以及应用功能集成在同个服务器中,大大降低了资源冲突。基于此,本文主要研究了基于大数据技术的虚拟化云平台建设的方法。
【机 构】
：
江西工业职业技术学院 江西330096
论文部分内容阅读
在建设虚拟化云平台时,将大数据技术应用其中,能够对于虚拟化技术的应用进行优化,在融入了大数据技术后,能够有效地对数据中心底层资源进行利用,进而能够将存储资源、网络资源、计算资源应用的价值发挥出来,确保云平台的稳定性。在该理念下建立的虚拟化平台可以将系统资源有效利用,原理是将平台节点以及应用功能集成在同个服务器中,大大降低了资源冲突。基于此,本文主要研究了基于大数据技术的虚拟化云平台建设的方法。
其他文献
大数据的时代下,网络信息日新月异,使得大数据也在不断变化着,成为目前世界中的一大生产力。大数据技术对信息进行采集并进行分析与处理,将社会信息进行整合并研究出其隐藏的价值,促进人类文明的发展。互联网技术的发展产生大量的数据,使得其数据具有多元化多样性的特点,将对数据进行整理以及分析,对网络环境中的数据发展规律进行探索,提高大数据资源的应用效率,从而深入的研究数据的采集与处理技术。
本文利用集成学习技术预测软件缺陷在近年获得到了广泛的关注。实际应用中,有缺陷的软件样本大大少于无缺陷的软件样本,造成样本的高度不平衡。不平衡数据分类问题是数据挖掘与机器学习领域的研究热点与难点。为了有效解决软件缺陷预测问题,本文提出了SMOTE_Tomek采样与集成学习算法XGBoost相结合的分类模型。十个美国国家航空航天局(NASA)的软件缺陷数据集实验结果验证了该分类模型的优越性。
在计算机软件开发中,有一项至关重要的技术就是数据库测试技术。作为一种便捷且高效的数据库管理方式,数据库测试技术的合理应用是保障计算机系统安全稳定运行的基础。基于此,本文对计算机软件开发过程中的数据库测试技术进行分析,包括测试意义、技术措施、技术内容以及发展趋势等。希望通过本次的分析与研究,可以有效促进数据库测试技术在计算机软件开发中的应用,以此来实现计算机软件开发行业的良好发展。
借鉴物理信息深度学习和深隐藏物理模型,提出一个从噪声的时空概率密度函数测算中辨识湍流模型的框架。该模型适用于由运积单点概率密度函数方程描述的条件Fickian标量期望扩散或耗散。采用均匀湍流二元标量混合的振幅映射闭包/Johnsohn-Edgeworth变换模型获得精确解,对所构建的模型进行了测评。
从当前社会发展情况来看,经济和科学技术都有了较大提升,而且我国的信息化水平也越来越高,在此基础上网络连接技术也得到了发展,与之有关的各项资源也逐渐向数字化和网络化迈进。通过JSP技术在网络数据库方面的应用,为关键性问题的解决提供了可能,也推动了整体数据库的访问水平。本文首先对网络数据库结构和JSP技术进行了简要分析,并阐述了基于JSP的网络数据库连接技术,最后提出了与此有关的案例。
移动互联网、云计算与物联网等信息技术应用日益广泛的大范围增加了数据的产生量,使得整个社会正加速步入"大数据"时代。采取何种技术进行大数据处理系统的高效构建,对各种类型的数据源进行集成,让用户无障碍地访问这些数据,进而完成对大数据价值的充分挖掘,成为业界与学者共同关注的问题。
本文主要讨论视频数据流的传输策略问题。首先根据当前与历史网络丢包信息对下一时刻的网络状态进行预测,同时综合网络传输延时及抖动情况自适应动态调整视频流传输策略,从而最大限度地提高视频流数据的传输速率与可靠性。此外,本文还讨论在网络出现拥塞、高丢包率情况下的自动选帧与丢帧算法,以保证在不明显降低接收端视频质量情况下的数据可用性。最后,论文以C++语言对文中所提算法进行了实现。
作为人工智能核心的深度学习技术目前已被广泛应用于自然语言处理、机器视觉、决策推理等领域。相比于以往深度学习更加关注模型或算法的效率和性能,当前深度学习面临的安全问题也成为学术界研究的焦点,尤其是对抗样本攻击更是对深度学习的安全性和鲁棒性造成了影响。本文在对对抗样本的概念及其成因介绍的基础上,重点对对抗样本的分类方法、生成方法进行了分析和阐述,并给出了相关对比结果。最后论文从应用角度对对抗样本的作用
伴随网络技术的不断发展,人们在工作及生活中均会产生大量的数据,大数据技术逐渐进入人们的生活。云平台作为数据采集及储存管理平台,可以在短时间内处理大量数据,但数据安全性问题成为人们关注的问题。初中信息技术教学中同样面对复杂的网络信息问题,个人及企业信息均可能泄露。对此,还需对数据安全机制进行思考,并采取有效的控制策略。
随着大数据和网络时代的飞速发展,网络数据呈爆炸式增长,对海量数据的分析和处理成为大数据领域最核心的问题。对数据进行分类是分析和处理数据流量的一项关键技术。在机器学习和数据挖掘领域,分类问题变得越来越重要。有关深度神经网络的分类研究中,大多数都是基于二分类问题的,用深度神经网络处理多分类问题的研究还很少。针对传统的数据分类模型分类精度低以及如何利用深度神经网络解决多分类这一问题,我们提出了一种基于深