云計算的特征精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的云計算的特征主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：云計算的特征范文

【關鍵詞】不定積分；乘法思想；拆項思想

0 引言

在高等數(shù)學的教學過程中，不定積分運算是一個重點也是一個難點。重點主要體現(xiàn)在不定積分起到銜接微積分體系的一個作用。不定積分的學習以微分為基礎，為后面定積分以及微分方程的學習奠定基礎；而難點主要是不定積分是微分運算的逆運算，對于學生而言，屬于一個逆向思維的過程，學習起來較為抽象。

很多學生對于不定積分的計算總是掌握不好，究其原因，主要是對于基本概念以及基本方法的理解還不夠，沒有認清這些概念方法如何應用。本文在總結不定積分的基本概念和常用方法的基礎之上，對不定積分的運算特征進行了分析。

1 不定積分的運算特征分析

1.1 微分與積分的互逆關系

教材[1]中定義1，定義2中關于原函數(shù)和不定積分的定義告訴我們，“不定積分是一個求全體原函數(shù)的過程，不定積分是微分運算的逆運算”。我們的基本積分公式正是根據(jù)微分與積分的互逆關系得出來的。另外，正確認識了這種“互逆關系”后，不定積分的兩個基本性質（1）、（2）也就好理解了。

根據(jù)不定積分的兩個基本性質：

本題最大的特點是被積函數(shù)形式簡單，可利用的條件較少。從“乘法思想”入手，考慮向被積函數(shù)乘以一個函數(shù)，構造微分等式，為解題提供條件。本題需要綜合利用“乘法思想”和“拆項思想”才能順利解決。

2 總結

不定積分運算是高等數(shù)學計算中的一個重點也是難點，本文從計算思想上進行了分析，提出兩種解題思想來解決不定積分問題。在遇到較為復雜的運算題目時，從解題思想的角度出發(fā)，為題目變形提供思路，這樣處理積分問題也就有了套路可循。

【參考文獻】

第2篇：云計算的特征范文

關鍵詞：云計算；可信加密；架構

中圖分類號：TP311

2009年4月，NIST專家給出了一個云計算定義草案：云計算是一種通過網(wǎng)絡以便利的、按需的方式獲取計算資源（網(wǎng)絡、服務器、存儲、應用和服務）的模式，這些資源來自一個共享的、可配置的資源池，并能夠快速獲取和釋放。雖然云計算仍在不斷發(fā)展和完善的，其外延和內涵還存在爭議，但從不同的描述中，依然可以得出：云計算本質是定制和交付服務的超級計算。

看到其中蘊含的巨大商機和潛力，一些知名的IT企業(yè)相繼推出自己的云服務。例如：IBM的“蘭云”，Microsoft的Azure、Amazon的EC2/S3/SQS等等，而且一些新的應用還在不斷的推出。但在這云應用繁榮的背后，隱藏大量以風險。以前的風險依然存在，在新的環(huán)境中還可能造成更大的危害。新出現(xiàn)的風險表現(xiàn)在：

由于云計算的復雜性，用戶的動態(tài)性，固有的虛擬性，不充分的透明性以及對數(shù)據(jù)控制權的喪失，如何確保云計算環(huán)境中不同主體之間相互鑒別、信任和各個主體間通信機密性和完整性，計算的可用性和機密性，使云計算環(huán)境可以適用不同性質安全要求，穩(wěn)定運行；如何確保物理身份和數(shù)字身份的一致性，該其他安全技術提供權限管理的依據(jù)，變得比以前的計算模式更加緊迫，具有重大的理論和現(xiàn)實意義。

可信云是可信技術在云計算中的擴展，相關技術即可信云安全技術。本文對可信云環(huán)境中三種關鍵的安全技術即：可信密碼學、做了一些研究?？尚琶艽a學技術是對由可信根生成的可信點集矩陣進行基于拓撲群分形變換操作。可信密碼學的密鑰和算法都是隨機可信的生物特征信息，因此密鑰和算法憑都具有可驗證性。并提出一種新穎的云安全框架。

本文的結構如下：第二部分可信密碼學，第三部分是可信云安全架構。第四部分是總結。

1 可信密碼學技術

可信密碼學是以運行者自身的特征信息為信任根做可信變換計算的可信云安全技術?？蛻舳撕驮朴嬎阒行闹g隱蔽通信、“零知識”應答挑戰(zhàn)以及加密/解密存儲都需要對該信任根做加密/解密計算和模式識別認證。其預處理如下：（1）獲取生物特征信息作為可信信息源，并將可信信息轉換成可信點集矩陣G。生物信息可以是指紋、人臉、語音等等。指紋、人臉和語音等數(shù)據(jù)本身是二維以上的矩陣。但是一個文本文件，從語義角度看往往是一維的，因此需要擴展維數(shù)，進行二維以上的矩陣編碼。例如可以增加位置參數(shù)，使任何字節(jié)與位置相關，從而把一個文本文件按照語義詞語的位置，編碼成二維點集矩陣。（2）可信點集矩陣G進行包括子集劃分在內的各種初始化操作。（3）以密鑰k為變換復雜度參數(shù)，對可信點集矩陣進行分形變換運算。如點集拓撲群單位環(huán)運算或單位環(huán)變換運算；單位點集拓撲群分形變幻環(huán)運算；點集拓撲群分形變幻環(huán)運算或者K單位點集分形變換環(huán)計算等。加密/解密過程本質上就是一個點集拓撲群分形變換計算，因此具有定義域和值域嚴格一致性的特征。同時產生的密鑰生物信息特征值即具有保護該信息不被猜獲的隱秘性，同時又可用于身份識別。以私鑰k對可信點集矩陣進行變換運算，值為W=Gk=k*G，其中*是變換運算符，W是變換運算的結果。（4）將變換后的點集串行編碼為字符串，將Gk串行編碼為字符串“Gk”。獲取并由私鑰變換而得解密公鑰。即W以及G。

非對稱加密過程就是：

使用私鑰j對G和W進行變換得到： Gj=j*G和Wj=j*W 。

加密明文M，得到密文C。C=Wj+M。

發(fā)送密文C和公鑰Gj。

非對稱解密過程即： E=C-K*Gj=C-Gkj

k*Gj=Gkj=Wj

E=C-Gkj=WJ+M-Gjk=M

這里，k和j是私鑰，G和W是公鑰；運算符*是點集拓撲群分形變換運算符；值為W=Gk=k*G，是對公鑰G進行私鑰K的分形變換運算。

對稱加密/解密。如果是對稱的加密/解密算法，可以假設密鑰就是“Gk”。

加密計算：C=MGk。

解密計算：E=CGk=MGkGk=M

可信密碼學的優(yōu)勢包括以下：可信密碼學算法和密鑰都包含可信的生物特征信息，因此密鑰和算法都可以憑可信特征信息驗證。可信密碼學的運算是基于點集拓撲群分形變換環(huán)運算操作，包括自組織數(shù)、分形數(shù)、混沌數(shù)的計算。在可信密碼學中，隨機運算基于用戶可信信息特征作為隨機信任根；因而能夠同時做到隱蔽隨機信任根又可公開可信認證該隨機信任根，這是第三個優(yōu)勢。

2 可信云安全云技術組成架構

可信云安全技術的基礎設施架構，按其功能可分為物理邏輯層、驅動管理層、系統(tǒng)應用層三層。

2.1 物理邏輯層

可信識別的物理邏輯層，即可信云用戶端用于識別的計算機配置，包括采集人臉、語音、指紋、簽字、基因等生物信息特征的相關傳感器，甚至鍵盤、鼠標等也可作為人的行為信息傳感器，因為每個人使用鍵盤、鼠標的習慣不同，采集該信息同樣可以識別使用人。指紋識別器、麥克風、攝像頭等傳感器都是一些常用的配置，一切都是現(xiàn)存的，只要對物理對象進行類型定義和語義描述，計算機就能按要求實現(xiàn)可信模式識別技術。

可信密碼學技術的物理層。即可信云數(shù)據(jù)中心、端互動通信的標準配置，包括數(shù)據(jù)中心管理平臺的標準通信配置和可信云用戶端的標準通信配置。對可信云通信的安全通道進行類型定義和語義描述，計算機就可以按照軟件功能實現(xiàn)可信密碼學技術。

可信融合驗證的物理層描述。就是可信云、端互動認證的標準配置。包括可信云、端PKI服務器的標準物理配置。只要按照可信云、端互動認證的物理邏輯進行類型定義和語音描述。計算機就可以實現(xiàn)可信融合驗證技術。

2.2 可信云的安全技術的驅動管理層。

驅動管理層包括可信識別、可信密碼學和可信驗證部分三部分。它一方面隔離物理邏輯的復雜性，對上層透明；計算機結合相關功能定義，管理、調度系統(tǒng)中的設備實現(xiàn)可信功能（如傳感器的可信采集）。

2.3 可信云安全的系統(tǒng)應用層。系統(tǒng)應用層是管理以及調度傳感器實現(xiàn)可信采集和識別認證功能的軟件接口。應用層接口包括：可信模式識別技術，可信密碼學技術、可信驗證技術等接口。

3 結論

云計算在快速發(fā)展的同時，面臨者巨大的安全挑戰(zhàn)，這些挑戰(zhàn)即來自傳統(tǒng)的威脅，也來自云計算自身的特點，即虛擬化和用戶對數(shù)據(jù)和過程不透明帶來的不安全感。本文對云計算的一些關鍵安全技術作了一些探討?？尚偶用芗夹g/解密技術是以可信特征信息為信任跟，利用拓撲集群的變換對可信特征信息進行處理，使得這種技術保密性高、極難偽造，其密碼和加密算法都具有可驗證性。這些可信云安全技術的進一步研究以及隨之而來的應用的展開。一定可以緩解客戶對云計算的憂慮，催進云計算這種新的計算模式的發(fā)展。

參考文獻：

[1]Weichao Wang，Zhiwei Li，Rodney Owens.Secure and Effcient Access to Outsourced Data.CCSW'09：Proceedings of the 2009 ACM workshop on Cloud computing security，pages 55-65.November 2009.

[2]Cloud Security Alliance. Security guidance for critical areas of focus in cloud computing.http：///，April 2009.

第3篇：云計算的特征范文

關鍵詞： 協(xié)同云計算； 數(shù)據(jù)挖掘； 調度控制； 平臺設計

中圖分類號： TN915?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2017）05?0118?04

Abstract： Since the difference area data mining has large deviation and low accuracy under collaborative cloud computing， a difference area data mining method based on nonlinear time series analysis and hierarchical scheduling control is proposed. The information transmission model of the difference area data under collaborative cloud computing was constructed to analyze the time series sampling of the data information stream. The nonlinear time series analysis method is used to reconstruct the feature space， in which the adaptive hierarchical scheduling control was conducted to extract the characteristics of the association rules and mine the data effectively. The method was performed with simulation test. The results show that the method has high data mining precision， and strong interference resistance.

Keywords： collaborative cloud computing； data mining； scheduling control； platform design

0 引 言

協(xié)同云計算平臺是一個高度開放、異構、分布的信息空間，由于資源信息的特征差異性以及干擾作用，出現(xiàn)差異區(qū)域數(shù)據(jù)，對協(xié)同云計算下差異區(qū)域數(shù)據(jù)挖掘是進行云計算資源調度和優(yōu)化分區(qū)學習的重要環(huán)節(jié)，研究協(xié)同云計算下差異區(qū)域數(shù)據(jù)挖掘方法具有重要意義[1]。

在以往的協(xié)同云計算差異區(qū)域數(shù)據(jù)挖掘中，采用子圖同構檢測技術，結合頻繁項挖掘方法加強信息語義特征，提高數(shù)據(jù)挖掘的數(shù)據(jù)導向性。協(xié)同云計算下的差異區(qū)域數(shù)據(jù)具有非線性、自耦合性等特點[2]，傳統(tǒng)方法需要建立學習資源本體，采用非線性特征分析和自耦合控制進行信息特征空間采樣和重構，結合特征壓縮設計，降低數(shù)據(jù)挖掘的開銷[3?4]。美國Washington大學開發(fā)的PROMPT數(shù)據(jù)挖掘平臺，通過本體匹配方法構建協(xié)同云計算的資源本體匹配，結合數(shù)據(jù)核心集DCMS進行差異數(shù)據(jù)挖掘[5?6]。

為了提高協(xié)同云計算下差異區(qū)域數(shù)據(jù)挖掘的精度，提出一種基于非線性時間序列分析和分層調度控制的差異區(qū)域數(shù)據(jù)挖掘方法，通過仿真實驗進行性能測試，驗證了本文方法的優(yōu)越性。

1 協(xié)同云計算的差異區(qū)域數(shù)據(jù)采樣模型

在協(xié)同云計算環(huán)境下，差異區(qū)域數(shù)據(jù)采用區(qū)間概念格中的節(jié)點模型進行存儲機制構架，采用有向圖模型[G1=Mα1，Mβ1，Y1，][G2Mα2，Mβ2，Y2]描述差異區(qū)域數(shù)據(jù)的存儲結構分布式層次模型，[G1?G2?Y1?Y2。]令[A=a1，a2，…，an]為信息采樣時間序列，數(shù)據(jù)挖掘本體結構為一個五元組[O=（C，I，P，Hc，R，A0）]，其中，[C]為數(shù)據(jù)語義本體模型的階數(shù)，[I]是字符串實例集，協(xié)同云計算下差異區(qū)域數(shù)據(jù)挖掘的總體結構模型如圖1所示。

3 性能測試

實驗訓練集和測試集協(xié)同云計算平臺下的兩個區(qū)域性特征大數(shù)據(jù)集，訓練集記為set1，測試集記為set2，set1采用分區(qū)間隔特征頻率為12.5 Hz，區(qū)域分區(qū)數(shù)據(jù)包大小為15.2 MB，初始校驗頻率[B=1 000]Hz，CSLOGS為實際數(shù)據(jù)集，包括兩個大小為4.24 MB的分區(qū)。首先進行協(xié)同云計算下的差異區(qū)域數(shù)據(jù)采樣，采樣點[N=1 024]，采樣通道為3通道，得到協(xié)同云計算中出現(xiàn)差異區(qū)域數(shù)據(jù)時的特征采樣結果如圖3所示。

將訓練樣本輸入到本文構建的協(xié)同云計算下差異區(qū)域數(shù)據(jù)挖掘平臺中，圖4為本文方法和傳統(tǒng)方法在set1和set2數(shù)據(jù)集上進行數(shù)據(jù)挖掘時隨不同數(shù)據(jù)點數(shù)變化的平均運行時間性能對比結果。從圖4可知，兩種方法的運行時間曲線均隨差異區(qū)域數(shù)據(jù)點數(shù)的增大而增大，但本文方法運行時間隨數(shù)據(jù)規(guī)模的增大相對平緩，運行時間的差異性隨著數(shù)據(jù)規(guī)模的增大而增加，說明本文方法更適用于大數(shù)據(jù)規(guī)模下的差異區(qū)域數(shù)據(jù)挖掘。

見本文方法和傳統(tǒng)方法隨著數(shù)據(jù)維數(shù)變化的運行時間對比結果見圖5。從圖5可知，隨著數(shù)據(jù)維數(shù)的增大，運行時間增長，這是因為在高維狀態(tài)下，數(shù)據(jù)點相對分散，稻萃誥虻募撲憧銷較大，本文方法的運行時間低于傳統(tǒng)方法，可高效完成數(shù)據(jù)的處理。

4 結 語

本文提出了一種基于非線性時間序列分析和分層調度控制的差異區(qū)域數(shù)據(jù)挖掘方法，構建協(xié)同云計算下差異區(qū)域數(shù)據(jù)的信息傳輸模型，采用非線性時間序列分析方法重構特征空間，在重構的特征相空間進行自適應分層調度控制，實現(xiàn)關聯(lián)規(guī)則特征提取。結果說明，本文方法可以實現(xiàn)對差異區(qū)域數(shù)據(jù)的準確挖掘，效率較高，且具有較強的魯棒性。

參考文獻

[1] 鄭海雁，王遠方，熊政，等.標簽集約束近似頻繁模式的并行挖掘[J].計算機工程與應用，2015，51（9）：135?141.

[2] 邢，劉劍.基于近鄰傳播與密度相融合的進化數(shù)據(jù)流聚類算法[J].計算機應用，2015，35（7）：1927?1932.

[3] 楊來，史忠植，梁帆，等.基于Hadoop云平臺的并行數(shù)據(jù)挖掘方法[J].系統(tǒng)仿真學報，2013，25（5）：936?944.

[4] 張國良，姚二亮，湯文俊，等.一種自適應的GraphSLAM魯棒閉環(huán)算法[J].信息與控制，2015，44（3）：316?320.

[5] AGUILA?CAMACHO N， DUARTE?MERMOUD M A， GALLEGOS J A. Lyapunov functions for fractional order systems [J]. Communications in nonlinear science and numerical simulation， 2014， 19（9）： 2951?2957.

[6] 張博雅，胡曉輝.一種基于全域子空間分解挖掘的QoS準確預測方法[J].計算機科學，2014，41（1）：217?224.

[7] 孫超，楊春曦，范莎，等.能量高效的無線傳感器網(wǎng)絡分布式分簇一致性濾波算法[J].信息與控制，2015，44（3）：379?384.

[8] 竇慧晶，王千龍，張雪.基于小波閾值去噪和共軛模糊函檔氖逼擋盍合估計算法[J].電子與信息學報，2016，38（5）：1123?1128.

第4篇：云計算的特征范文

關鍵詞： 三維人臉；特征區(qū)域檢測；特征提??；Itti視覺注意模型；計算機視覺

中圖分類號：TP393 文獻標識碼：A 文章編號：1009-3044（2014）03-0621-06

人臉在日常的情感表達與交流中扮演著重要的角色，它是語言和復雜情感的表情載體。人類自身對人臉非常熟悉和敏感，人類視覺系統(tǒng)（Human Visual System， HVS）具備分辨復雜環(huán)境下人臉的能力，僅通過少量圖片信息就能準確快速地在大腦中重建人臉的三維形狀，進而實現(xiàn)身份辨識。然而這種對人來說與生俱來的分析合成能力對計算機而言卻顯得尤為困難。如何更好地借鑒人類的認知機理和相關的計算機科學最新理論研究成果，建立新的人臉認知計算模型和方法，實現(xiàn)從圖像、視頻中準確、高效地重建三維人臉是當前計算機視覺、人工智能等領域的一個關鍵問題。20世紀90年代以來，隨著信息技術的發(fā)展和需求的增加，借助計算機系統(tǒng)強大的計算能力，并結合在認知科學、計算機視覺、機器學習等領域的研究成果，使計算機在一定程度上具備對人臉的感知能力，成為一個熱門的研究課題，涌現(xiàn)了大量的研究成果，其中涉及人臉檢測、人臉識別、特征提取、三維重建等，研究方法和手段也逐漸豐富和成熟。

近年來，隨著三維圖像系統(tǒng)的發(fā)展，三維成像設備從實驗室走向市場，逐漸普及，使三維數(shù)據(jù)獲取變得便捷。研究人員已逐漸認識到，相比于二維人臉分析方法，三維人臉能更精確地描述人的臉部特征，提供了人臉曲面的解剖結構信息，在光照、姿態(tài)和表情變化等方面具有明顯的優(yōu)勢，利用人臉的三維信息是克服二維人臉分析的技術瓶頸最有效的方法。同時，隨著對人類視覺神經系統(tǒng)、認知心理和認知過程研究的不斷深入，建立人類視覺系統(tǒng)感知信息過程的計算理論和計算模型，并將計算機視覺與人類視覺聯(lián)系起來，建立可與人類視覺系統(tǒng)水平相當?shù)耐ㄓ靡曈X模型，正成為計算機視覺研究的新課題和新挑戰(zhàn)。

由于傳統(tǒng)的對人類視覺注意（Human Visual Attention）的研究主要針對二維圖像，該文將視覺注意模型引入到對三維人臉模型的分析，借鑒了Itti視覺注意模型[][][][]的思想，并結合計算機視覺中對三維人臉圖像的處理算法，提出了一種改進的模型。該模型能夠對三維人臉數(shù)據(jù)進行顯著性分析，快速定位人臉特征分布的候選區(qū)域，進而進行特征點提取。

1 相關技術及分析

1.1 三維人臉特征點提取

人臉特征點的選擇應根據(jù)應用需求而定，在MPEG-4中定義了人臉特征點的國際標準[]：FDP（Facial Definition Parameters）和FAP（Facial Animation Parameters）。其中FDP定義了人臉的形狀、紋理等特征，提供人臉特征點、網(wǎng)格、紋理、人臉動畫定義表等數(shù)據(jù)。MPEG-4定義了FDP的84個人臉的特征點，如圖1所示。

圖1 MPEG-4中定義的FDP特征點

三維人臉特征提取是將三維人臉數(shù)據(jù)模型轉化為特征表示，利用特征來體現(xiàn)原始數(shù)據(jù)模型的特點。特征點能否準確定位對進一步的研究工作（如三維人臉檢測和識別、三維人臉重建等）的效率、可靠性和魯棒性都有很大的影響。特征點定位主要分為三類：1、基于人臉“三庭五等”的幾何對稱性，從獲取人臉的對稱平面開始，進而定位其他的特征點；2、基于人臉的幾何特征，利用特征點處的深度、曲率和法線等進行特征點定位；3、基于人臉特征點的統(tǒng)計分布，利用人臉的特征點分布區(qū)域的共性，定位特征點分布候選區(qū)域，再進行特征點提取。

王躍明等人[6]將特征束的思想引入到三維人臉特征點定位，通過手工標定訓練集的特征點，計算特征點處的Point Signature，構成特征束，以此判定人臉特征點的平均區(qū)域。A.B. Moreno等人[]使用平均曲率和高斯曲率對三維人臉進行分割，得到人臉特征點分布的候選區(qū)域，然后通過五官分布特征，去掉非標準區(qū)域，得到真正的特征區(qū)域。GaileG. Gordon[]將三維人臉深度圖轉換到圓柱坐標系中，在圓柱坐標參數(shù)下計算每一點的高斯曲率和平均曲率。Dorai等人[]提出SI（Shape Index）特征，該特征用來表示每一點的凹凸程度，點p的Shape Index是由其最大和最小曲率計算得到。鼻尖的候選點集由SI值在0.85～1之間的點組成，鼻尖點定位于該區(qū)域的質心；內眼角的候選點集由SI值在0～0.27之間的點組成，內眼角定位于該區(qū)域的質心：

S. Gupta等人[]將人體測量學原理應用于三維人臉的特征提取。通過手工標定25個測量學上常用的特征點，計算這些特征點之間的測地線距離（ISO-Geodesic Distance），選擇其中23組距離比例組合成特征向量，最后用線性判別分析（Linear Discriminative Analysis， LDA）對特征進行分類。人體測量學上的基準點和度量富含更多的三維人臉特征。

2.2 Itti視覺注意模型

視覺注意機制是靈長類動物處理視覺信息的本質特征，人類視網(wǎng)膜對圖像是非均勻采樣的，這是視覺注意機制的生物基礎。同時，由于高層視覺處理只是對初始視覺傳感器信息的一個子集進行處理，因此需要對初始得到的視覺信息進行選擇。

視覺注意的計算模型用顯著圖（Saliency Map）來表示視覺區(qū)域的顯著性。顯著圖不僅通過其像素值表示原圖像對應點在視覺區(qū)域的顯著性大小，而且通過顯著性的空間分布來引導注意區(qū)域的選擇[1]。顯著圖最初是由Koch和Ullman[]在1985年提出的，其模型利用顏色、方向特征信息構造出一組特征圖。Itti顯著圖模型（IttiSaliency Map）是Laurent Itti等人于1998年提出的[1]，該模型框圖如圖2所示。他采用bottom-up控制策略的注意模型，在Koch和Ullman模型的基礎上，提出一個適合自然圖像處理的計算模型。該模型主要包括特征提取、顯著圖生成和注意焦點轉移三個模塊：首先采用高斯金字塔結構對輸入圖像進行多尺度表示，去除圖像中的冗余信息，得到顏色、亮度和方向的初級視覺特征提取圖，然后利用生物的中心-環(huán)繞（Center-Surround）計算策略在每種特征圖的內部進行競爭，通過在多個空間尺度上提取初級特征，將得到的多種特征、多種尺度的視覺空間的特征顯著圖通過組合形成一幅最終的顯著圖來引導注意；最后采用WTA（Winner-Take-All）機制控制注意轉移。WTA機制中被檢測出來的勝者，即為顯著度更高的注意焦點。由于待注意目標在所有參與競爭的目標中總是最顯著的，在競爭中總是會獲得勝利，所以需要采用抑制返回檢測的機制、就近轉移的原則和注意區(qū)域尺寸的確定來實現(xiàn)焦點的注意和轉移。

在Itti等人最初的論文中[1]，針對無top-down外部命令的情況下，提出了一個特征圖歸一化算子，以增強顯著峰較少的特征圖、削弱存在大量顯著峰的特征圖。在Itti等人后來的工作中[2][3]，比較了多種特征組合策略，發(fā)現(xiàn)歸一化每一特征圖至固定動態(tài)范圍后再相加將在檢測復雜景象中的突出目標時表現(xiàn)出較差的檢測性能。于是在歸一化的基礎上，Itti等人給出了一種新的特征組合策略，通過各特征圖內的局部非線性競爭增強現(xiàn)顯著峰較少的特征圖，而削弱存在大量顯著峰的特征圖。這種特征內競爭模式與電生理學所觀察到的非經典抑制相互作用類似。

3 基于Itti視覺注意模型的三維人臉特征檢測

3.1 三維人臉數(shù)據(jù)表示

本文的研究中采用點云（Point Cloud）來表示三維人臉數(shù)據(jù)。點云數(shù)據(jù)是指在一個三維坐標系統(tǒng)中的一組三維元組的集合，這些元組通常以（x， y， z）三維坐標的形式表示，一般主要用來代表一個物體的外表面形狀。除（x， y， z）代表集合位置信息以外，點云數(shù)據(jù)還可以附加一個點的RGB顏色通道信息、灰度值、深度等。

假設p=（x，y，z）∈[?]3表示三維人臉點云數(shù)據(jù)p中的一個三維的點。由于一個三維的點可以表示成一個三維的向量[p]，所以可以將三維人臉點云數(shù)據(jù)表示為：

3.2 三維人臉數(shù)據(jù)預處理

一個典型的三維人臉點云數(shù)據(jù)往往包含十幾萬個頂點，并且獲取的數(shù)據(jù)往往包含噪聲和毛刺，所以需要對這些頂點進行預處理操作。該文采用的預處理操作主要有：

1）向下采樣（Downsampleing）：首先定義一個三維的體素網(wǎng)格（3D Voxel Grid），將這個網(wǎng)格在點云數(shù)據(jù)中移動，并計算落在網(wǎng)格內的點的質心，以這個質心來表示落在網(wǎng)格中的所有點；

2）重采樣（Resampling）：采用MLS（Move Least Square）方法對三維人臉點云數(shù)據(jù)進行規(guī)整化。

3）姿態(tài)校正（Pose Correction）：原始三維人臉的姿態(tài)并不一致，所以需要對獲得的三維人臉數(shù)據(jù)進行姿態(tài)校正，使其正面與z軸垂直。

4）面部區(qū)域裁剪（Face Segmentation）：該文采用P.Bagchi等人[]的方法找到鼻尖位置。在得到鼻尖的位置之后，采用P. Nair等人[]提出的方法進行人臉面部區(qū)域的裁剪。

3.3 改進的Itti視覺注意模型

為了讓Itti視覺注意模型能夠處理三維人臉數(shù)據(jù)，該文對Itti模型進行了改進。改進后的模型如圖3所示。

1）從紋理圖像數(shù)據(jù)[T]獲取顏色顯著圖。三維人臉點云數(shù)據(jù)p中點i在紋理數(shù)據(jù)中對應的顏色值：

[rgb（i）=f（ui，vi），i=0，1，2，...，n ] （10）

得到點i的顏色后，用該點的灰度值歸一化各個顏色通道，然后建立4個寬調諧（Broadly-tuned）的顏色通道RGBY：

若R、G、B、Y為負值則置為0。然后建立這4個顏色通道的高斯金字塔R（[σ]）、G（[σ]）、B（[σ]）和Y（[σ]）。

2）從位置數(shù)據(jù)[P]獲取深度圖[D]。設三維人臉點云數(shù)據(jù)p的在XY軸的分辨率為M×N，分布區(qū)間分別為[xmin，xmax]和[ymin，ymax]，則可以計算得到深度圖[D]在XY軸的坐標集：

由于二維深度圖[D]中xy坐標值與點云p中xy坐標值并不是一一對應，函數(shù)g通過計算點云p中隱式xy坐標（implicit x- and y- coordinates）處的z坐標的插值，得到深度圖中的深度值。

3）計算空間法向量[N]。三維人臉點云數(shù)據(jù)p中點i的法向量計算公式：

其中k是選擇的點[pj]的鄰域的點數(shù)，[p]為鄰域內點的質心。

4）計算曲率[C]。本位采用Dorai等人[9]提出最大和最小曲率計算方法，并得到點云數(shù)據(jù)p中點i的SI（Shape Index）特征。加入曲率特征的顯著圖是為了增強人臉的器官如鼻子、眼睛、嘴巴等的顯著性。

4 實驗結果

為了檢測改進的Itti視覺注意模型對三維人臉特征區(qū)域檢測的有效性，實驗采用的平臺為Intel I5 2500K CPU、8G內存、NvidiaGFX460顯卡、Ubuntu13.04（x64）操作系統(tǒng)。三維人臉數(shù)據(jù)集來源于Darren Cosker教授提供的D3DFACS（Dynamic 3D FACS Dataset）[]數(shù)據(jù)庫，該人臉庫包含6位女性和4位男性，總共記錄了519張不同表情的人臉三維模型。實驗首先對數(shù)據(jù)格式進行.obj到.pcd的格式轉換，利用PCL點云庫對三維人臉點云數(shù)據(jù)進行預處理，生成三維人臉點云數(shù)據(jù)的深度圖像、空間法向量以及空間曲率。通過修改Laurent Itti教授開源的神經元計算模型iNVT（iLabNeuromorphic Vision C++ Tookit）[]的源代碼，使其能夠接收并處理三維數(shù)據(jù)，生成三維人臉圖像的顯著圖。選擇閾值[θ]對特征圖進行二值化后，選取面積最大的前4個顯著區(qū)域，并將其用該區(qū)域的最大外接矩形進行表示。

實驗分兩組進行。第一組將自然狀態(tài)下的三維人臉作為輸入，第二組將有表情變化的三維人臉作為輸入。實驗結果如圖4所示。從實驗結果可以看出，該文提出的改進的Itti視覺注意模型能夠準確檢測出有表情和無表情的三維人臉數(shù)據(jù)中如眼睛、鼻子和嘴巴的分布區(qū)域。

5 結論

傳統(tǒng)的視覺注意模型主要針對二維圖像數(shù)據(jù)進行研究，該文將傳統(tǒng)的視覺注意模型引入到對三維人臉數(shù)據(jù)的處理，提出了一種基于Itti視覺注意模型的三維人臉特征檢測方法。該方法通過結合原始數(shù)據(jù)中的紋理信息和三維人臉點云數(shù)據(jù)中的空間位置信息、空間法向量、深度信息和空間曲率，生成三維人臉圖像的顯著圖。最后利用生成的顯著圖快速定位三維人臉的特征區(qū)域分布，從而進行三維人臉特征的提取。實驗結果證明了該方法具有特征區(qū)域檢測效果好、適用性廣的特點。下一步的工作將集中在對已經檢測出的特征區(qū)域進行分析，并結合二維紋理數(shù)據(jù)，盡可能精確的提取出特征區(qū)域中的特征點。

參考文獻：

[1] The iLabNeuromorphic Vision C++ Toolkit： http：//ilab.usc.edu/toolkit/

[2] D. Cosker， E. Krumhuber， A. Hilton. A FACS Valid 3D Dynamic Action Unit Database with Applications to 3D Dynamic Morphable Facial Modeling [C]. Proceedings of IEEE International Conference on Computer Vision （ICCV）， 2011.

[3] P. Nair， A. Cavallaro. 3-D Face Detection， Landmark Localization， and Registration Using a Point Distribution Model [J]. IEEE Transactions on Multimedia， 2009， 11（4）：611-623.

[4] P. Bagchi， D. Bhattacharjee， M. Nasipuri， et al. A Novel Approach for Nose Tip Detection using Smoothing by Weighted Median Filtering Applied to 3D Face Images in Variant Poses [C]. Proceedings of the International Conference on Pattern Recognition， Informatics and Medical Engineering， 2012.

[5] C. Koch， S. Ullman. Shifts in Selective Visual Attention： Towards the Underlying Neural Circuitry [J]. Human Neurobiology， 1985， 4：219-227.

[6] S. Gupta， J.K. Aggarwal， M.K. Markey， et al. 3D Face Recognition Founded on the Structural Diversity of Human Faces [C]. Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition， Minneapolis， 2007：1-7.

[7] C. Darai， A.K. Jain. COSMOS-A representation scheme for 3D free-form objects [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1997， 19（10）：1115-1130.

[8] G.G. Gordon. Face recognition based on depth and curvature features [J]. Proceedings of SPIE Conference on Geometric Method in Computer Vison， 1992：234-247.

[9] A.B. Moreno， A. Sanchez， J.F. Velez， et al. Face Recognition using 3D Local Geometrical Features： PCA vs. SVM [C]. International Symposium on Image and Signal Processing and Analysis， 2005：185-190.

[10] WangYingjie， Chua Chin-Seng， Ho Yeong-Khing. Facial Feature Detection and Face Recognition from 2D and 3D Images [J]. Pattern Recognition Letters， 2002， 23（10）：1191-1202.

[11] ISO/IEC 14496-1：1999， Coding of Audio-Visual Objects： System Amendment 1[R]. 1999

[12] V. Navalpakkam， L. Itti. Modeling the Influence of Task on Attention [J]. Vision Research， 2005， 45（2）： 205-231.

[13] L. Itti， C.Koch. Computational Modeling of Visual Attention [J]. Nature Neuroscience， 2001， 2：194：203.

第5篇：云計算的特征范文

關鍵詞：激光掃描儀 監(jiān)控量測 信息化

目前我國的隧道變形監(jiān)測方法一般采用手工作業(yè)模式，監(jiān)測量需多名監(jiān)測人員同時作業(yè)，由于監(jiān)測項目多、線路長、測點多、觀測頻繁和數(shù)據(jù)量大，使得監(jiān)測數(shù)據(jù)處理、分析和資料管理等工作滯后，不能及時快速地反饋監(jiān)測信息，指導隧道信息化施工，嚴重的影響了隧道等地下工程的監(jiān)測工作開展和技術的發(fā)展。隨著隧道及地下工程修建技術不斷提高，信息化施工已成為地下工程發(fā)展的必然趨勢，三維激光掃描技術可以實時、準確、全方位獲取隧道空間變形數(shù)據(jù)，進行隧道施工變形分析和反分析，對隧道施工進行風險預警預報，指導隧道信息化施工，也必將成為隧道監(jiān)控量測的主要發(fā)展方向。

1 點云數(shù)據(jù)的獲取

隧道工程為一狹長結構，施工安全步距一般為幾米至幾十米，三維激光掃描儀的點云掃描密度是隨著掃描距離的增加而下降的，所以在隧道有限的管狀空間內，為了保證有充足的點云數(shù)據(jù)用于提取隧道的形變信息，通常每個測站所獲取的點云數(shù)據(jù)中有效范圍只有幾十米，這是隧道特殊結構下不可避免的特殊問題。采用三維激光掃描技術進行隧道監(jiān)控量測時需通過分站式掃描才能采集全部數(shù)據(jù)。為了使監(jiān)測數(shù)據(jù)連續(xù)可靠，掃描數(shù)據(jù)必須有一定的重合度，即保證點云數(shù)據(jù)拼接過程中每兩個測站間的公共部分，監(jiān)測時需根據(jù)隧道斷面尺寸大小，每隔一定距離設置一個測站，在兩站間的銜接部分設置用于不同測站數(shù)據(jù)拼按的控制點，為了保障數(shù)據(jù)的拼接質量一般在每兩個測站間的隧道內壁上均勻布設5～6個（不少于3個）反光靶（球），在地面上布設3～4個反光靶（球），三維掃描儀監(jiān)測數(shù)據(jù)分別在以各站站點為原點的獨立坐標系中，以此分析隧道變形時需要對各測點數(shù)據(jù)進行拼按，在數(shù)據(jù)拼按時將第一站作為基準站，其后每一站分別與相鄰的前一站作拼按，前后測站間首尾相連。

2 點云數(shù)據(jù)拼接方法與分析

隧道監(jiān)測區(qū)段的數(shù)據(jù)采集過程中需對隧道進行分站式掃描，監(jiān)測時既要保證掃描數(shù)據(jù)的精度，也要有足夠的控制點和掃描數(shù)據(jù)的重合度才能保證點云數(shù)據(jù)的拼接精度，保證點云數(shù)據(jù)的拼接質量和拼接精度是掌握隧道等地下工程變形和施工安全的前提，所以要盡量提高點云數(shù)據(jù)的質量，減小拼接誤差。

點云數(shù)據(jù)拼按是按照一定的數(shù)學法則，求取相鄰測站所在獨立坐標系統(tǒng)之間的轉換參數(shù)，通過剛體變換、平移的旋轉等數(shù)學方法，將所有測站點的點云數(shù)據(jù)幾何信息統(tǒng)一到同一個三維空間坐標系下，轉換過程不能對點云數(shù)據(jù)進行任何扭曲和縮放，以保證點云數(shù)據(jù)的幾何信息無縫連接，不產生任何變形。

點云數(shù)據(jù)拼按主要采用以下方法：（1）基于控制點三維坐標的點云拼接，該方法采用全站儀和GPS等測量拼接區(qū)域的控制點的三維坐標，然后各控制點坐標對各測站的點云數(shù)據(jù)進行拼按，方法簡單，拼接精度依賴于控制點測量精度；（2）基于測量表面貼附標記點的方法，該方法在要掃描的目標區(qū)域的內部或周圍兩站或多站公共掃描目標區(qū)域放置三個以上的標靶，掃描并獲取掃描區(qū)域的三維點云數(shù)據(jù)，計算兩組相鄰區(qū)域點云數(shù)據(jù)間的拼按變換參數(shù)，拼按精度受標記點數(shù)量和位置影響；（3）基于特征點云的混合拼按，該方法要求掃描實體時要有一定的重合度，拼接精度主要依賴于拼按算法，可分為基于點信息的拼接算法、基于幾何特征信息的拼按算法、動態(tài)拼接算法和基于影像的拼按算法等。

3 混合拼接方法主要如下幾種

3.1 基于點信息的迭代拼接方法

基于點信息的迭代拼接方法（ICP）是提出最早也是最為經典的點云拼按方法，經過20多年的發(fā)展已成為點云配準中的主流算法，是點云配準研究的開創(chuàng)性工作，也是后續(xù)基于迭代的配準算法的理論基礎和框架，該算法是由Besl和Chen分別提出的，Besl使用參數(shù)是點點距離，而Chen使用參數(shù)是點面距離，其原理都是基于最小二乘法算法的最優(yōu)匹配方法，重復進行配準，確定最優(yōu)剛體變換參數(shù)，迭代計算至誤差收斂。

3.2 基于幾何特征信息的預處理拼接方法

所謂基于幾何特征的拼按，就是根據(jù)三維實體幾何形狀特征進行拼接，分為整體拼按、曲面特征拼接和點信息特征拼接等算法，整體拼接算法通常用于預拼接，通常與ICP算法一起來完成拼按整個過程，首先以點云數(shù)據(jù)中的特征點幾何信息進行粗略拼按，再進行迭代處理，拼接效率較高。根據(jù)曲率特征拼接的算法最能準確反映出三維實體的表面幾何特征信息，拼接過程簡單，整體精度較高；利三維實體的特征點信息或特征線信息進行拼按的方法是曲面特征拼按方法的補充，一般適用于小范圍的點云數(shù)據(jù)拼接，且需要有某些先驗知識。

基于幾何特征信息的預處理拼接算法的總體思路是相同的，根據(jù)拼按時所選擇實體的幾何特征拼接方法分為如下幾種：①曲面法向矢量法，其主要特征是對要拼按的兩組點云數(shù)據(jù)，計算出測點及其鄰域點每個點的曲面法向矢量，按法向矢量方向進行拼按。②曲面曲率法，其主要特征是根據(jù)點云數(shù)據(jù)計算出各個測點的曲率，根據(jù)測點的曲率大小將相同的點集合進行配準。③幾何哈希方法，其主要特征是首先將每個點對的法向映射為三維空間變換，把點對法向一的集按照數(shù)學法則進行拼接，再進行點云數(shù)據(jù)迭代運算進行拼按。④ICP算法迭代法，其主要特征是找出幾何特征信息，采用ICP算法進行預拼接，并以算計結果為基礎，把上次拼接點對集合再運用ICP算法進行二次拼按，經過多次迭代計算，實現(xiàn)點云數(shù)據(jù)的精確拼接。

3.3 多條件動態(tài)拼接方法

動態(tài)拼接是指對運動和形變的采樣點，在不同的幀之間根據(jù)運動學原理完成插值拼接。在該拼接模式下對三維實體的數(shù)據(jù)獲取采用的是旋轉式掃描法，其特征是掃描儀固定在站點，三維物體沿著中軸線旋轉，掃描方式得到多幀組成的點云數(shù)據(jù)，通過相鄰幀之間相互關系，由旋轉速度計算得出每一幀的旋轉夾角來進行拼接，是特殊條件下的一種拼接方法。

2004年NiloyJ，Mitra提出了一種新的動態(tài)拼接算法，對采樣線的點進行光順，其中整體的誤差最小，并得到了比較好的效果。

3.4 基于影像的拼接方法

在點云數(shù)據(jù)拼按時借助于數(shù)字圖像處理技術，利用計算機數(shù)字融合技術和逆向工程理論在立體像對上自動搜索同名像點，并進行同名點自動識別，根據(jù)拼按的基元分為基于灰度的拼接算法和基于幾何特征的拼按算法二種，其中：基于灰度拼接算法技術較為成熟，拼接精度較高，主要特征信息為圖像灰度特征，強調光強和對比度，對其他信息顧及較少，拼接結果容易出現(xiàn)錯誤，影響成果鑒定的使用；基于幾何特征的拼接算法通常利用Harris算法進行角點檢測，然后利用歸一化相關法進行匹配，從而得到匹配點對，可有效地提高了圖像拼接的精度和速度。

4 點云數(shù)據(jù)拼接方法存在問題與改進

目前國內外點云數(shù)據(jù)拼接方法均基于ICP算法，第一步先確定對應點集，然后根據(jù)對應點集確定點云間對應的坐標變換矩陣，再進行迭代計算直至滿足精度要求為止。該方法中確定對應點集是決定算法的關鍵問題，也決定的了收斂的速度和拼接的精度，無論對應點集是點到點的距離還是點到面的距離，要計算過程中都容易產生對點錯誤，影響點云拼按的質量和速度。

1998年dorai等提出了用候選對應點到點距離約束來減小對應點對的方法，2002年sharp等人又提出了利用被測物體表面的特征不變量來確定對應點對的方法，結合點對之間的共線約束和臨近性約束來排除錯誤對應點，從而提高了對應點的正確性，使點云拼接質量得到大大的提高。

5 結語

三維激光掃描測量產生誤差的原因主要有儀器本身的誤差、掃描目標的誤差和外界環(huán)境條件誤差等，數(shù)據(jù)處理誤差主要焦距在數(shù)據(jù)拼接過程中的拼接算法上，改進測量方法和測量條件，采用先進的拼接算法是提高點云數(shù)據(jù)拼按質量的關鍵問題。

第6篇：云計算的特征范文

關鍵詞：云計算網(wǎng)絡服務，分布式，ICT，數(shù)據(jù)

 

隨著有關云計算概念、術語和技術的不斷涌現(xiàn)和大量報道，人們在生活中越來越多的采用和實施云計算技術。由于云計算概念和技術比較新穎，涵義比較寬泛，再加上市場上一些人將云計算放大成無所不包、無所不能和無所不在的萬能技術，對云計算的描述和推銷多少出現(xiàn)了一些浮燥和炒做的嫌疑。脫離實際過分夸大或缺乏全面分析地炒做云計算不僅可能讓人誤解，也會使得云計算的發(fā)展不切實際，對于云計算產業(yè)在中國的成長非常不利。所以，有必要對云計算的由來和概念進行了較為全面的梳理和定義。在總結云計算技術為IT產業(yè)帶來好處的同時，找出不足及局限，從而更好地發(fā)展云計算技術。

一、云計算的概念

云計算（Cloud Computing）是由分布式計算（Distributed Computing）、并行處理（ParallelComputing）、網(wǎng)格計算（Grid Computing）發(fā)展來的，是一種新興的商業(yè)計算模型。

中國網(wǎng)格計算、云計算專家劉鵬認為 ：“云計算將計算任務分布在大量計算機構成的資源池上，使各種應用系統(tǒng)能夠根據(jù)需要獲取計算力、存儲空間和各種軟件服務”。

云計算中的“計算”是一個簡單而明確的概念。“計算”系指計算應用，在我們生活中可以指一切IT應用。隨著網(wǎng)絡技術的發(fā)展，所有的信息、通信和視頻應用都將整合在統(tǒng)一的平臺之上。由此推而廣之，云計算中的“計算”可以泛指一切ICT的融合應用。所以，云計算術語的關鍵特征并不在于“計算”，而在于“云”。

二、云計算的發(fā)展模式及其特征

早期云計算來之于國際上以亞馬遜、Saleforces.com和谷歌(Google)為代表的公司，并且都提供了具有顯著特征，但又代表著不同模式的成功云業(yè)務。

云計算按照層次將業(yè)務模式劃分為3層，最頂層是軟云，中間層是平云，底層是基云。在基云之下是構建云計算的基礎技術。

基云也稱基礎設施服務，指將IT的基礎設施作為業(yè)務平臺，直接按資源占用的時長和多少，通過公共互聯(lián)網(wǎng)進行業(yè)務實現(xiàn)的“云”?；频挠脩艨梢允莻€人，也可以是企業(yè)、集體和行政單位。基云的IT業(yè)務是將存儲、網(wǎng)絡、計算、安全等原始IT資源提供給用戶。用戶可以通過操作系統(tǒng)和應用軟件(如Web服務軟件和數(shù)據(jù)庫等)來使用IT資源。

平云也稱平臺服務，指將應用開發(fā)環(huán)境作為業(yè)務平臺，將應用開發(fā)的接口和工具提供給用戶用于創(chuàng)造新的應用，并利用互聯(lián)網(wǎng)和提供商來進行業(yè)務實現(xiàn)的“云”。

軟云也稱軟件服務，指基于基云或平云開發(fā)的軟件。軟云是通過互聯(lián)網(wǎng)的應用來實現(xiàn)業(yè)務，軟云業(yè)務可以利用其他的基云和平云平臺，也可以利用軟云運營商自己的基云和平云環(huán)境。

基于云計算的實踐與營銷案例，歸納出云計算的基本特征如下：

(1) 虛擬化的超大規(guī)模

云業(yè)務的需求和使用與具體的物理資源無關，IT應用和業(yè)務運行在虛擬平臺之上。論文寫作，數(shù)據(jù)。云計算支持用戶在任何有互聯(lián)網(wǎng)的地方、使用任何上網(wǎng)終端獲取應用服務。論文寫作，數(shù)據(jù)。

(2)動態(tài)的高可擴展性

云技術使用戶可以隨時隨地根據(jù)應用的需求動態(tài)地增減IT資源。由于應用運行在虛擬平臺上，沒有事先預訂的固定資源被鎖定，所以云業(yè)務量的規(guī)?？梢詣討B(tài)伸縮，以滿足特定時期、特定應用及用戶規(guī)模變化的需要。

(3)高可用性

云平臺使用數(shù)據(jù)多副本拷貝容錯、計算節(jié)點同構可互換技術來保障服務的高可用性。任何單點物理故障發(fā)生，應用都會在用戶完全不知情的情況下，轉移到其他物理資源上繼續(xù)運行，使用云計算比使用其他計算手段的可用性更高。

三、云計算技術的應用

傳統(tǒng)模式下，企業(yè)建立一套IT系統(tǒng)不僅僅需要購買硬件等基礎設施，還需要買軟件的許可證，需要專門的維護人員。當企業(yè)的規(guī)模擴大時還要繼續(xù)升級各種軟硬件設施以滿足需要。對個人來說，我們想正常使用電腦需要安裝各種軟件，而許多軟件是收費的，對不經常使用該軟件的用戶來說購買是非常不劃算的。對于企業(yè)來說，計算機等硬件和軟件本身并非他們真正需要的，它們只是完成工作、提供效率的工具而已。

云計算的最終目標是將計算、服務和應用作為一種公共設施提供給公眾，使人們能夠像使用水、電、煤氣和電話那樣使用計算機資源。

最簡單的云計算技術在網(wǎng)絡服務中已經隨處可見，例如搜尋引擎、網(wǎng)絡信箱等，使用者只要輸入簡單指令即能得到大量信息。

目前，以Google云應用最具代表性，例如GoogleDocs、GoogleApps、Googlesites，云計算應用平臺GoogleApp Engine。

四、云計算的發(fā)展趨勢

“云計算”是一個很時尚的概念，它既不是一種技術，也不是一種理論。準確說，云計算僅描述了一類棘手的問題，因為現(xiàn)在這個階段，“計算與數(shù)據(jù)”蹺蹺板的平衡已發(fā)生變化，即已經到“移動計算要比移動數(shù)據(jù)要便宜的多（Moving computation ischeaper than moving data）”。

隨著個人PC市場的逐漸飽和，全球經濟增長放緩對于企業(yè)IT投資的負面影響，云計算適時的出現(xiàn)在了大家的視野中。論文寫作，數(shù)據(jù)。論文寫作，數(shù)據(jù)。作為一種全新的獲取計算資源的方式，云計算將會徹底改變IT產業(yè)的結構。論文寫作，數(shù)據(jù)。由于計算資源從客戶端向計算中心的集中，傳統(tǒng)純硬件廠商的生存空間將更為狹小，大浪淘沙的行業(yè)洗牌會繼續(xù)持續(xù)。論文寫作，數(shù)據(jù)。云計算模式下，互聯(lián)網(wǎng)將成為連接廠商與客戶的唯一通道，互聯(lián)網(wǎng)業(yè)的霸主和軟件供應商的融合勢在必然。

雖然現(xiàn)在還有很多人擔心云計算的可靠性和安全性等問題，但時間會證明這些問題在行業(yè)模式的大轉變下都只不過是些細枝末節(jié)的問題。正如B2C剛剛興起時，人們一度認為網(wǎng)上交易的安全性，支付的方便性等會阻礙它的發(fā)展，但隨著時間的推移，這些問題已經被證明根本不值一提。同樣，對于云計算帶來的IT行業(yè)大變革，時間也會給出最好的答案。

五、結束語

云計算技術將不僅提供傳統(tǒng)意義的IT資源和應用服務，而且將支持包括IT、通信、電視、移動和物聯(lián)等一切互聯(lián)網(wǎng)技術融合后的資源使用和業(yè)務應用。云計算發(fā)展的關鍵技術主要有統(tǒng)一交換構架、統(tǒng)一虛擬化和統(tǒng)一計算系統(tǒng)，云計算發(fā)展的戰(zhàn)略推手將是組建開放產業(yè)聯(lián)盟和推動開放技術標準。

云計算模式具有許多優(yōu)點，但是也存在的一些問題，如數(shù)據(jù)隱私問題、安全問題、軟件許可證問題、網(wǎng)絡傳輸問題等。云計算技術它是一個即將，或者正在改變我們工作和生活的一場變革，是擁有比較持久生命力技術演變，包括商業(yè)模式的革新。“云計算”代表了一個時代需求，反映了市場關系的變化，誰擁有更為龐大的數(shù)據(jù)規(guī)模，誰就可以提供更廣更深的信息服務，而軟件和硬件影響相對縮小。

參考文獻：

【1】(美)MICHAELMILLER.云計算[M].機械工業(yè)出版社.2009.

【2】（美）芬加.云計算[M].電子工業(yè)出版社.2009.

【3】張為民.云計算：深刻改變未來[M].科學出版社.2009.

第7篇：云計算的特征范文

關鍵詞：云計算；廣電網(wǎng)絡；具體的應用

云計算技術是信息行業(yè)發(fā)展的表現(xiàn)，對于很多行業(yè)的發(fā)展都有著重要的影響，云計算技術在能源、通信、醫(yī)療、教育和電子等領域被使用，引起了新一代信息技術的變革。廣播網(wǎng)絡也避不開云計算技術，因為廣播網(wǎng)絡也與信息技術密切聯(lián)系在一起，給廣電網(wǎng)絡的工作和商業(yè)模式帶來新的發(fā)展模式，降低了運行的成本，在廣電網(wǎng)絡的彈性擴展方面也有著優(yōu)勢，促進了廣電網(wǎng)絡的發(fā)展。

1 云計算技術的簡單闡述

1.1 對云計算的理解

云計算這一名詞，不同的行業(yè)有著不同的標準，從技術的發(fā)展上來看，云計算就是指分布式計算、網(wǎng)路計算、網(wǎng)絡存儲、效用計算、并行計算、負載均衡和虛擬化等方面結合的產物，可以同時體現(xiàn)出以上的功能。云計算的本質就是一種計算方式，這種計算方式是在互聯(lián)網(wǎng)的作用下產生的，利用這種方式將相應的硬件信息和軟件信息按照需要提供給相關的人群，主要包括軟件即服務、平臺即服務和基礎設施即服務，從這幾個層次上對于云計算的服務進行了總體的概述。云計算的使用下，機頂盒、智能手機和電腦的作用已經發(fā)生了改變，已經不在是存儲和計算的提供者，而是網(wǎng)絡的一個接入終端，輸入和輸出是其基本的功能，使用者可以在任何時間和地點進行網(wǎng)路的接入工作，這樣的方式降低了硬件或者是軟件的局限性，用戶端設備的要求也在降低，不會受到相應的硬件和軟件的影響。云計算有著四個比較突出的特征，這四個特征包括：資源抽象、彈性收縮、按用量收費和快速部署的特點。

1.2 云計算技術

1.2.1 虛擬化技術

云計算技術中的虛擬化技術是將計算環(huán)境和計算資源進行抽象之后，交給了運行系統(tǒng)的過程，這樣就可以實現(xiàn)同一時間，使用不同的操作系統(tǒng)，共享同一個計算機設備，對于計算機技術的使用是非常重要的。虛擬化技術可以分為以下幾種：網(wǎng)絡虛擬化技術、服務器虛擬化技術和存儲虛擬化技術，便于計算機技術的使用，對于具體的工作來說也十分便捷的。

1.2.2 分布式系統(tǒng)技術

這一技術是指通過網(wǎng)絡將多個計算機平系在一起，使其共同完成同一個任務，主要是由分布式協(xié)同管理技術、分布式文件系統(tǒng)、并行編程模型和分布式數(shù)據(jù)庫構成的，對于使用的文件和數(shù)據(jù)可以進行分級管理。

1.2.3 云計算平臺管理技術

云計算中云平臺管理技術需要大量的服務器同時的進行，這樣便于業(yè)務的開通和部署，對于出現(xiàn)的問題可以及時的發(fā)現(xiàn)，并且系統(tǒng)可以自動進行恢復，通過自動化、智能化的手段進行可靠運營，這樣就可以實現(xiàn)整個運營的大規(guī)模管理，便于對云計算機的利用。在使用的過程中，主要利用的是用戶管理、資源調度、計費度量、資源監(jiān)控、自動化部署負載均衡和業(yè)務服務管理功能。

2 云計算的發(fā)展現(xiàn)狀和廣電云計算的定位

2.1 云計算的發(fā)展現(xiàn)狀

云計算的整個產業(yè)鏈是由用戶、服務提供商和使能者，其中，云計算的用戶包括使用功能服務的提供商也就是最終的用戶，主要包括購買解決方案的使用者，這一用戶也是最終用戶。云計算的服務提供商主要是指公有云的提供商，這一提供商有著具體的分類，主要分為三個部分：SaaS服務的提供商、IaaS的服務提供商和PaaS的服務提供商。而使能者就是一種為其他的環(huán)節(jié)提供服務的一種基礎構建的服務，一般是有咨詢服務商、軟件提供商、設備的提供商和系統(tǒng)的集成商構成的，這一系統(tǒng)在使用上比較復雜，也給云計算的使用帶來了一系列的影響。

2.2 廣電云計算的基本定位

從網(wǎng)絡通道提供商的角度來看，與傳統(tǒng)的計算機網(wǎng)絡相類似，廣電網(wǎng)絡運營商主要是為了提供網(wǎng)絡接入的一種云計算的通道，這種通道一般是為了廣電的主要業(yè)務服務的。從基礎資源的服務上來，廣電網(wǎng)絡的運營商提供了網(wǎng)絡資源服務器和存儲在內的基礎IT資源，并將它們以資源使用量或服務的形式提供給所有外部用戶。從服務整合平臺上來看，以網(wǎng)絡為核心，創(chuàng)建一個體驗良好的交付平臺，提供基礎的認證、計費、代收費、推廣等服務，匯聚第三方開發(fā)的應用，以統(tǒng)一的交付界面提供給用戶使用，廣泛覆蓋各種類型的用戶。從咨詢服務上來看，面向大型客戶，提供包括網(wǎng)絡、IT基礎設施整合等一攬子解決方案，幫助大型客戶構建自己的私有云。

3 廣電云計算業(yè)務分析

3.1 下一代廣播電視網(wǎng)建設

建設一個具有云計算特征的下一代網(wǎng)絡是NGB未來的發(fā)展趨勢之一。《中國下一代廣播電視網(wǎng)（NGB）自主創(chuàng)新戰(zhàn)略研究報告》指出：NGB融合了廣播電視網(wǎng)絡和互聯(lián)網(wǎng)的技術優(yōu)勢，具有獨特的網(wǎng)絡特征，主要體現(xiàn)在具有開放式業(yè)務支撐架構，承載網(wǎng)對業(yè)務透明，服務提供機制引入云計算和透明計算模式以保證業(yè)務提供的便捷性、開放性與可信度。

3.2 媒體內容的資源管理與使用

可通過內容資源管理系統(tǒng)的云計算改造，構建區(qū)域性的媒體內容資源池，逐步形成多片獨立的媒體云，從而大大縮減媒體內容資源的存儲成本、設備購置成本及維護成本。同時，通過相應的標準協(xié)議使不同的媒體云互聯(lián)互通，逐步形成廣電“媒體大云”，促使媒體資源更大范圍內的共享。

3.3 創(chuàng)新業(yè)務形態(tài)

業(yè)務融合是三網(wǎng)融合的實質所在，業(yè)務形態(tài)的創(chuàng)新是NGB建設的核心，業(yè)務也是整個廣電網(wǎng)絡發(fā)展中的基礎。云計算技術可以實現(xiàn)不同設備間的數(shù)據(jù)與應用共享，具有跨終端平臺的業(yè)務推廣優(yōu)勢，實現(xiàn)電視屏幕、電腦屏幕、手機屏幕真正的多屏合一，有助于數(shù)字醫(yī)療、智能家庭、家庭安全控制等新業(yè)態(tài)的快速、低成本推出，為廣電用戶提供全新的業(yè)務體驗。

3.4 客戶終端設備性能提升

云計算使得簡易終端支持復雜應用成為可能，數(shù)字電視機頂盒、無線手持設備等客戶終端的配置要求不用太高，即可開展高清互動電視和各類增值業(yè)務，在很大程度上解決終端設備性能需不斷升級的問題，有效地降低運營商在終端上的投入，在節(jié)省投資的同時快速部署各類增值應用。

4 結論

廣電云計算技術的應用與發(fā)展是一個復雜的系統(tǒng)工程，在實踐的過程中，可以考慮部分云平立建設，也可以根據(jù)需要，與第三方機構合作建設云平臺，更好的滿足應用的需要。云計算技術發(fā)展所依賴的大量關鍵技術，其成熟度也需要在廣電業(yè)務中的應用與實踐過程中得到進一步檢驗與完善。

參考文獻

[1]雷萬云.云計算：技術、平臺及應用案例[M].北京：清華大學出版社，2011.

第8篇：云計算的特征范文

據(jù)IDC用戶調研顯示，多數(shù)用戶在選擇云計算架構時，希望未來的云計算平臺能夠和現(xiàn)有基礎架構兼容，從而降低實施風險，并且快速過渡到云平臺上。同時，從現(xiàn)有架構平滑過渡，從另一方面也能夠滿足用戶節(jié)省投資和縮短實施周期的要求。

為此，IDC總結了中國云計算基礎架構實施的路線圖，建議用戶的云計算基礎架構實施過程分為五個階段。

1. 規(guī)劃階段：將采用云計算作為企業(yè)戰(zhàn)略問題來對待，及時獲得管理層的關注與支持，并明確設置每一階段所要實現(xiàn)的目標?？傮w而言，用戶需要將云計算提升到企業(yè)戰(zhàn)略層面上進行統(tǒng)籌，從業(yè)務創(chuàng)新和IT服務轉型的高度進行規(guī)劃和部署。

2. 準備階段：根據(jù)企業(yè)行業(yè)特性，充分認知采用云計算基礎架構想要獲得的服務與應用。對建設云計算平臺進行充分的評估，來選擇云計算平臺的技術架構。用戶還應充分考慮自身的業(yè)務和行業(yè)特征以及現(xiàn)有平臺狀況，充分評估系統(tǒng)遷移的可行性，保證基礎架構平臺的技術連續(xù)性和核心業(yè)務的連續(xù)性。

3. 實施階段：企業(yè)級虛擬化是云計算的基礎。構建滿足安全性、可靠性、擴展性和靈活性等各方面要求的企業(yè)級虛擬化平臺是建設云計算的必由之路。

4. 深化階段：在基礎架構虛擬化的基礎上，用戶還要實現(xiàn)自動化的資源調配。云計算基礎架構不僅是平臺的虛擬化，還需要自動化的監(jiān)控和管理工具對虛擬資源來進行調配。

第9篇：云計算的特征范文

在傳統(tǒng)行業(yè)方面，以電信、電力為首的用戶數(shù)量早已超過美國，電信數(shù)據(jù)規(guī)模超過30PB，電力數(shù)據(jù)年增長超過20PB，這意味著我國傳統(tǒng)行業(yè)的需求已經成為全球最有代表性的需求。預計到2016年中國數(shù)據(jù)中心市場規(guī)模將突破1000億元，占全球數(shù)據(jù)中心市場的三分之一，中國將成為全球最大的數(shù)據(jù)中心市場。

這些新興技術和應用模式推動數(shù)據(jù)中心向集中化、規(guī)?；较虬l(fā)展，傳統(tǒng)數(shù)據(jù)中心在擴 展性、效率、運維、能耗、安全五大方向上正面臨巨大挑戰(zhàn)，這主要源于傳統(tǒng)數(shù)據(jù)中心的“固態(tài)”現(xiàn)狀。

傳統(tǒng)數(shù)據(jù)中心多采用服務器、存儲設備堆集及外部網(wǎng)絡連接的架構模式，雖然虛擬化技術的使用讓計算、存儲具有了一定的“流動性”，但卻無法實現(xiàn)I/O的完全虛擬化，造成不同系統(tǒng)間的IT資源無法實現(xiàn)高效的共享、靈活的流動狀態(tài)。

也就導致數(shù)據(jù)中心的系統(tǒng)擴展性受限、效率不高、能耗浪費、運維費用高居不下、安全管理復雜等問題。顯然，傳統(tǒng)數(shù)據(jù)中心難以適應云計算大數(shù)據(jù)時代對IT基礎設施的要求。

用戶希望能夠整體掌控、管理自己的數(shù)據(jù)中心，希望數(shù)據(jù)中心能夠“快、簡、穩(wěn)”實現(xiàn)業(yè)務的上線快、遷移快、切換快，讓數(shù)據(jù)中心的基礎架構、運維、使用都變得簡潔、簡單，同時使應用和基礎架構解耦，保證各中心業(yè)務穩(wěn)定運行。新時代下，走向融合架構的云數(shù)據(jù)中心將成為大勢所趨。

在云計算、大數(shù)據(jù)和移動互聯(lián)趨勢下，浪潮認為，走向融合架構的云數(shù)據(jù)中心將具備開放融合、安全高效、智能綠色、靈動成長四大基本特征，而軟件定義數(shù)據(jù)中心將是確保用戶解耦應用和基礎架構，保證商業(yè)彈性和降低TCO的有效途徑。

軟件定義的核心在于軟件，但實現(xiàn)的前提是融合架構的產品?；诖?，浪潮將推進云數(shù)據(jù)中心的融合架構戰(zhàn)略，以硬件重構為核心，最終實現(xiàn)軟件定義和硬件重構的真正融合，幫助用戶構建靈活、簡單、高效和低成本的云計算數(shù)據(jù)中心，支撐用戶在云計算、大數(shù)據(jù)時代的業(yè)務運營以及增長。

在融合架構戰(zhàn)略框架下，核心改變來自CPU、內存、I/O等硬件資源的解耦與重構。這一改變使數(shù)據(jù)中心計算、存儲、網(wǎng)絡、安全資源的全虛擬化、全自動化成為現(xiàn)實。此外通過軟件定義實現(xiàn)業(yè)務感知的按需資源組合與配置，實現(xiàn)系統(tǒng)的彈性伸縮和超大規(guī)模持續(xù)擴展，從而使數(shù)據(jù)中心像一臺計算機一樣運行和管理。為此，浪潮將分三步推進融合架構產品的開發(fā)：

第一代產品的總體特征是“服務器即計算機”，按照資源需求，進行業(yè)務匹配。具體來看，在硬件層面，將散熱、電源、管理功能等非IT資源進行集中化和模塊化；在軟件層面，開發(fā)云數(shù)據(jù)中心操作系統(tǒng)，利用虛擬化技術實現(xiàn)計算、存儲等IT資源的池化和集中管理。這一階段實現(xiàn)的是軟硬件的初步融合。

第二代產品的總體特征是“機架即計算機”，根據(jù)業(yè)務特征需求），進行資源供給，機架即一臺計算機。在硬件層面，重構I/O模塊，進一步將非計算部分的存儲、網(wǎng)絡等IO設備進行池化；在軟件層面，開發(fā)面向數(shù)據(jù)中心的大型資源管理軟件，并以軟件定義的計算、軟件定義的存儲和軟件定義的網(wǎng)絡來滿足業(yè)務需求。這一階段將實現(xiàn)軟硬件的中度融合。

第三代產品的總體特征是“數(shù)據(jù)中心即計算機”，自動感知業(yè)務需求，進行資源供給，實現(xiàn)軟件可真正驅動數(shù)據(jù)中心。在硬件層面，實現(xiàn)計算、I/O、存儲的完全池化；在軟件層面，實現(xiàn)資源的全面管理和調配，使得用戶能夠以業(yè)務驅動應用，進行資源統(tǒng)一的調度。這一階段將實現(xiàn)軟硬件的深度融合。

通過硬件重構與軟件定義，未來的融合架構云數(shù)據(jù)中心，將實現(xiàn)計算、存儲、網(wǎng)絡資源的完全融合與流動，在系統(tǒng)效率、擴展性、功耗和管理上帶來全面提升，將促進數(shù)據(jù)中心從資源驅動向業(yè)務驅動轉變，真實呈現(xiàn)數(shù)據(jù)中心即計算機Data center as computer的愿景。