【摘 要】
：
为了满足互联网上日益增长的流应用对于网络服务系统所提出的要求，弥补现有技术的不足，本文提出了虚拟路由技术以缓解传统负载调度设备的网络瓶颈问题，设计了负载评估模型和路由度量算法，并实现了面向流应用的基于集群的可伸缩网络服务体系结构 FreeBSD Stream Dispatcher。FSD 实现了系统 IP单映象的访问方式、提升了服务质量，保证了系统的可靠性。性能测试结果显示 FSD 系统负载分配合
【机 构】
：
国防科技大学计算机学院， 长沙410073
论文部分内容阅读
为了满足互联网上日益增长的流应用对于网络服务系统所提出的要求，弥补现有技术的不足，本文提出了虚拟路由技术以缓解传统负载调度设备的网络瓶颈问题，设计了负载评估模型和路由度量算法，并实现了面向流应用的基于集群的可伸缩网络服务体系结构 FreeBSD Stream Dispatcher。FSD 实现了系统 IP单映象的访问方式、提升了服务质量，保证了系统的可靠性。性能测试结果显示 FSD 系统负载分配合理、转发效率高、调度开销小，实现了线性可伸缩。
其他文献
本文提出一种查询 Web 上 XML 信息的方法。该方法支持结构和内容的联合查询，支持任意粒度的返回结果，支持基于内容信息的相关性计算。提出支持该方法实现的索引结构，集成了结构索引和内容索引，用广义后缀树来存储文档集合的结构信息，将路径查询转换为后缀树中的字符串匹配，用带 Dewey 编码的倒排索引存储内容索引来避免倒排索引的连接操作。提出了该方法的实现算法 RankX，实验表明该方法是可行的。
负载均衡问题是目前并行计算和分布式计算领域的主要研究内容之一。本文根据不同的标准对目前网格环境下负载均衡的方法进行了分类，具体分析了每类的特点及其实例系统，在此基础上给出了这些负载均衡方法的选择标准，最后指出了网格负载均衡的发展趋势。
复杂网络环境中基于入侵容忍的错误检测是系统安全最前沿的研究热点之一，它是保障容侵系统无边界退化、提供全部或降级服务的核心技术。分布式复杂网络环境中，错误的并发性和噪声信息的干扰使传统错误检测方法不再适用，该文在研究目前错误检测方法的基础上，结合并行计算技术，提出了一种基于改进的贝叶斯并行学习的面向噪声数据的错误检测方法。该方法既能检测并发错误，又能有效降噪。
时空数据的管理是当前数据管理研究的热点问题。为了掌握数据在时间和空间上的变化规律，不但需要实现对历史数据的存储，同时还需要建立一种高效的算法，来实现对历史数据的追溯。本文首先分析了时空数据的特点，总结了时空数据变化的规律和特征；提出了一种可追溯的时空数据模型；利用 DAG(有向无环图)来实现对历史数据的快速追溯；作者把该模型应用在土地利用管理中，编程实现了对于土地利用管理中的宗地历史回溯和时间断面
基因组重组有三个基本操作：移位，翻转和转位。本文讨论有向基因组移位排序的快速计算方法：（1）给出有向基因组移位排序算法的实现方法。其中设计了断点图、灰边、圈、MSP 的存储结构，给出断点图初始化、准 MSP 判定、有效移位选择算法的详细实现步骤，并在移位选择算法的实现中采用了随机方法。（2）修正了原有算法中的错误。原有算法均未曾考虑到可行移位产生偶隔离带的情况，本文给出了这种情况的实例，设计新算法
Applet 延伸了浏览器的功能，Servlet 具有安全性高、能够实现分布式计算等优点，而且通过 Applet 与 Servlet成对的使用，可以使 WebGIS 系统将 GIS 功能在客户端和服务器端进行合理分配，适合不同的应用需求。因此 Java 技术在 WebGIS 中的应用越来越广泛。本文通过综合比较 Java技术在目前 WebGIS 系统中的应用情况，在分析纯 Java 的WebGIS
本文采用 Markov 模型方法分析了具有可维修链路的 2D-Torus 网络的可靠性。在分析链路失效/环路失效以及链路修复/环路修复关系的基础上，以 3×3Torus 为例研究了具有单向可维修链路的 2D-Torus 网络可靠性模型。通过对模型的仿真验证，给出了关于2D-Torus 网络可靠性的一些结论。
MapX 所提供的图符是点对象，不能够实现随着视野的放缩而放缩。该方法利用绘制对象的特征和MapX 对象的特征关系，将绘制图符对象分解为 MapX对象，然后再将对象组合实现了电网 GIS 图形系统对图符放大的需求。
本文介绍了利用 java 语言的反射机制和 XML技术把关系型数据库中的数据自动映射成对象的一套框架模型和实现方法，就框架的模型进行了探讨和分析，就具体的实现方法提出了解决方案。
在高维数据集中,应用早期那些在低维数据集中取得成功的一些方法,它们的精确性和有效性却大大地降低了.我们介绍了一种可以有效聚类高维数据集的方法,这种方法把维的属性分别开来并用二进制串描述,根据这些二进制串片段之间的距离来得到聚类的核心维,最后就根据这些核心维来聚类高维数据集.