导读:本文包含了计算密集型论文开题报告文献综述、选题提纲参考文献，主要关键词:组合,优先级,快递,资源,多维,网络,目的论。
计算密集型论文文献综述写法
高永梅,程冠杰[1]（2019）在《基于边缘计算的数据密集型服务部署》一文中研究指出日益增长的数据量对数据处理的要求越来越高,于是出现了数据密集型服务。在解决复杂问题时,多个数据密集型服务通常会形成一个服务组合。由于服务组件之间存在大量的数据传输,巨大的传输时延会对系统的整体性能造成影响。在边缘计算环境中,基于否定选择算法,为降低服务组合中的数据传输时间提出了一种优化部署策略。首先,给出了此类数据密集型服务组件部署问题的定义,并为该部署问题构建优化模型;然后,设计了一种否定选择算法来获取最佳的部署方案;为了评估该算法的适用性和收敛性,使用遗传算法和模拟退火算法与其对比,结果显示,提出的算法在这种数据密集型服务组件的部署问题中表现得更为出色。(本文来源于《电信科学》期刊2019年07期）
余洋,艾中良[2]（2019）在《基于分布式计算的密集型多路网络流均衡调度方法》一文中研究指出针对传统的密集型多路网络流均衡调度中,普遍存在着平均带宽利用率较低、能量消耗较大等问题。提出基于分布式计算的密集型多路网络流均衡调度方法。通过对密集型多路网络流进行分析,将网络节点跳数信息和多路网络流负载信息相结合作为网络流选择和切换的标准,获取网络流选择的决策函数。根据现阶段密集型多路网络流负载均衡状态对网络中过载链路上的数据流进行调度,利用链路粘值来获得网络数据流对调度任务的拒绝程度,减小调度对流性能的影响,实现多路网络流均衡调度。实验结果表明,所提方法平均带宽利用率较高、能量消耗较低。(本文来源于《科技通报》期刊2019年05期）
廖大强[3]（2019）在《基于云计算的密集型数据库资源快速检索方法研究》一文中研究指出对密集型数据库中的资源数据快速检索,提高数据库的访问能力,提出一种基于云计算的密集型数据库资源快速检索方法.构建密集型数据库资源分布结构模型并进行密集型数据库资源的统计数据分析,结合模糊综合聚类方法进行密集型数据库资源的信息聚类处理,在聚类中心进行密集型数据库资源信息的关联特征挖掘,提取密集型数据库资源的平均互信息熵特征量,根据特征提取结果进行线性规划调度,采用云计算进行密集型数据库资源的自适应调度和模糊决策,根据调度结果实现密集型数据库资源的快速检索,提高密集型数据库资源信息的聚类性和特征融合性.仿真结果表明,采用该方法进行密集型数据库资源检索的聚类性较好,检索的查准率较高.(本文来源于《内蒙古民族大学学报(自然科学版)》期刊2019年03期）
张可佳,胡亚楠,李春生,富宇,李盼池[4]（2019）在《泛集群环境中计算密集型任务流调度策略》一文中研究指出针对计算节点较多的泛集群环境下难以快速、合理地制定计算密集型任务流调度方案的问题,提出一种基于多目标连续竞买博弈的任务调度策略.建立多目标优化调度模型,降低多目标优化函数维度,并采用线性加权和法将其转化为总和目标函数,以保证最优解的合理性.为提高最优解搜索速度,引入ETC矩阵作为最优解表达形式,设计连续竞买博弈算法.模拟真实场景并通过与同类算法的对比,表明了调度策略在泛集群环境下的响应速度、资源性价比和总成本支出等方面具有明显优势.(本文来源于《控制与决策》期刊2019年12期）
段明[5]（2019）在《顺丰选择DriveScale的可组合平台 助力其数据密集型计算》一文中研究指出DriveScale是数据密集型工作负载交付软件可组合基础架构的领导者,同时也是Gartner评选的云基础架构类"2018最酷供应商",该公司近日宣布其已在中国的一个重要客户——顺丰快递成功部署。作为中国最大的物流公司之一,顺丰一直面临数据密集型计算资源部署的低效率与资源利用不足等问题。DriveScale帮助顺丰扩展其数据中心并促进业务增长。"顺丰快递一直面临着业务增长与数据中心扩展带来的挑战。我们的团队一直要求更多的计算及存储资源,然而我们无法确定已部署的资源中哪些得到了实际的利用。"顺丰快递(本文来源于《计算机与网络》期刊2019年03期）
赵刚[6]（2017）在《中国快递的高科技元素》一文中研究指出如今在中国，无论大街小巷，到处都可以看到忙绿的快递员。据统计，目前中国快递业有上千家企业，从业人员已超过了200万，年均新增的就业岗位约20万个。在大众看来，快递业是一个劳动密集型产业。这种说法不能说不对，但并不绝对，因为大众看到的其实只是快递业的其中一(本文来源于《学习时报》期刊2017-12-06）
麻双克[7]（2017）在《云计算环境下的网络密集型应用的模型及调度策略》一文中研究指出随着信息科学技术的进步,网络信息量迅速增长,随着以互联网思维进行商务活动的电子商务,车联网,社交网络和自媒体等技术的出现,出现大量数据的传输和存储。面对巨大规模的数据量和存储量,云计算应运而生。云计算作为新的计算模式,近来受到了广泛关注和应用。带来效率和便捷的同时,然而也存在很多问题,能耗开销过大,资源利用效率不高等等。正是基于这种考虑,本文对云计算环境下的网络密集型应用开展了大量的研究,找到了该应用所具有的的一些共同特征,并以此为基础建立了网络密集型应用的数学模型。基于该数学模型,同时提出了针对网络密集型应用的效率提升调度策略。本文的主要贡献有如下几个方面:第一,本文对云计算环境下的网络密集型应用做了大量的研究分析,找出了网络密集型应用的一些共同特征,主要包括CPU利用率,上下文切换数量,内存使用数,IO使用数量和网络负载情况等。基于这些参数提出了网络密集型应用模型五元组,从而为进一步针对这种特定类型的研究处理策略提供了一定的基础。第二,在上述提出的网络密集型应用模型的基础上,本文提出了相应的应用效率提升调度策略。当大于CPU核数的IO和网络密集型应用并发执行时,传统的资源分配策略没有考虑到应用的特性,导致资源利用率偏低,应用执行效率低下。针对这种现状,本文针对IO密集型应用和网络密集型应用进行分析,根据它们可量化的特性,提出了基于优先级的IO和网络密集型应用调度策略。针对可量化的小应用提高优先级,获得更大的CPU时间片,让小应用尽早完成,然后把所有CPU时间片分配给大应用,减少进程之间的切换调度,来提高效率。另外还提出了流水线打包传输策略,进一步提升CPU等资源的性能。第叁,本文对提出的网络密集型应用模型验证及相应的模型优化调度策略进行了大量的实验。实验结果达到了预期的目标,证明了该特征模型的准确性和本文提出的调度策略能够有效的提高网络密集型应用的执行效率。(本文来源于《上海应用技术大学》期刊2017-11-10）
麻双克,周兰凤[8]（2017）在《云计算环境下基于优先级的IO和网络密集型应用调度策略》一文中研究指出当前云计算环境中,当大于CPU核数的IO和网络密集型应用并发执行时,传统的资源分配策略没有考虑到应用的特性,导致资源利用率偏低,应用执行效率低下.针对这种现状,本文对IO密集型应用和网络密集型应用进行分析,根据它们可量化的特性,提出并设计了基于优先级的IO和网络密集型应用调度策略.针对可量化的小应用提高优先级,获得更大的CPU时间片,让小应用尽早完成,然后将所有CPU时间片分配给大应用,减少进程之间的切换调度,提高了效率.大量实验表明,该策略可以有效提高应用的执行效率,减少资源的消耗.(本文来源于《上海理工大学学报》期刊2017年05期）
张潇璐[9]（2017）在《数据密集型计算环境下的多维资源分配与调度问题研究》一文中研究指出数据密集型计算的出现推动了海量数据的有效处理,促进了数据密集型应用的快速发展。日益增多的数据密集型应用对多维资源分配与调度技术提出了更高要求,主要表现在针对不同数据密集型应用情形的多维资源公平分配、综合能耗与性能优化以及实现服务供应商经济收益最大化的多维资源调度等。论文基于Mapreduce并行编程模型,在分析其资源分配的公平性及任务并发执行过程基础上,对数据密集型计算环境下的多维资源公平性分配和任务执行过程中资源调度优化问题进行研究,研究内容主要包括以下四个方面:(1)针对单机计算环境下基于任务可划分的多维资源公平分配,论文分别提出叁种面向不同数据密集型应用情形的多维资源公平分配策略。1)基于字典序最大最小公平的多维资源静态分配策略,构建了一个通用p范数的字典序最大最小公平分配模型,采用一个基于二分法思想的启发式算法在多项式时间内找到一个近似最优公平分配方案,解决了静态情形下用户不同共享资源量和用户有限任务数量约束下的多维资源公平分配问题;2)基于共享资源量的多维资源动态公平分配策略,建立了一个基于共享资源量的占优资源动态公平分配模型,提出一种基于二分法思想的动态分配算法在多项式时间内找到一个近似最优公平分配方案,解决了动态情形下由用户共享资源量差异性带来的多维资源公平分配问题;3)基于任务数量的多维资源动态公平分配策略,建立了一个基于任务数量的占优资源动态公平分配模型,通过一个基于二分法思想的动态分配算法在多项式时间内找到一个近似最优公平分配方案,解决了动态情形下用户有限任务数量约束下的多维资源公平分配问题,以上叁种策略均被证明满足公平分配属性。实验结果表明,叁种策略能有效保证多维资源分配的公平性与效率性。(2)针对多机计算环境下基于任务不可划分的多维资源公平分配,论文提出了一种基于离散内点搜索的多维资源公平分配策略。该策略建立一个多机计算环境下全局占优资源公平分配模型,采用离散内点搜索算法得到一个近似最优整数分配方案,并设计修复算子保证分配方案的可行性,解决了任务不可划分约束下多维资源公平分配问题。实验结果表明,基于离散内点搜索的多维资源公平分配策略较其他分配策略在全局占优资源分配份额和资源利用率方面效果较好,且算法运行效率较高。(3)针对Mapreduce资源调度过程中能耗与性能双目标优化问题,构建了一个基于任务类型和资源槽类型的能耗与时间跨度最小化资源调度模型,提出二阶段启发式算法和改进的NSGA-Ⅱ算法。二阶段启发式算法中第一阶段得到每个资源槽类型上可执行的任务数量,第二阶段实现所有任务到具体资源槽的映射。然后将二阶段启发式算法得到的可行整数解作为部分初始解,采用改进的NSGA-Ⅱ算法得到一组近似Pareto最优解集,解决了资源调度过程中多目标优化问题。实验结果表明,所提出的算法能够快速得到一组权衡能耗和时间跨度的近似Pareto最优调度方案。(4)针对Mapreduce作业执行收益优化问题,论文首先考虑单个Mapreduce作业处理,建立基于单作业单位时间收益最大化资源调度模型,并提出一个二部图b匹配舍入算法。该算法将非线性整数规划模型转变为线性规划模型,并利用线性规划得到的最优解构造二部图,通过采用二部图b匹配舍入算法最终得到一个近似最优整数调度方案;考虑多个Mapreduce作业处理,建立多作业单位时间收益函数,并分别提出离线调度算法和在线调度算法实现单位时间收益最大化目标。离线调度算法采用基于能耗优化的资源调度算法和基于时间跨度优化的作业调度算法优化单个作业资源调度方案和作业调度方案。在线调度算法采用基于能耗优化方法优化单个作业资源调度方案,并根据作业到达时间顺序调度作业。实验结果表明,针对单个作业的二部图b匹配舍入算法和针对多个作业的离线和在线调度算法相比其他算法能够明显提高服务供应商单位时间收益。(本文来源于《云南大学》期刊2017-09-01）
傅慷雄[10]（2017）在《《面向新型处理器的数据密集型计算》（节选）英译实践报告》一文中研究指出汉语科技文献的英译是中国科研成果走向国际的主要途径之一,而译文的质量在很大程度上决定了中国科研成果在国际上的认可程度。因此,对汉语科技文献英译的深入研究很有必要。本报告以《面向新型处理器的数据密集型计算》(节选)及其译文作为研究文本。报告从目的论的叁原则出发,举出翻译实践中的案例,阐述翻译实践中应用的翻译策略。作者采用多义词的准确翻译和冗余性信息的省译来实现译文的准确性与简明性,采用状语的转换和冒号的使用来实现译文的逻辑性与连贯性,采用动词的转换和成分的增添来使译文更忠实于原文作者的意图。本次翻译实践的问题和不足是作者计算机领域的知识储备不足以及原文中的少量语言瑕疵对翻译造成了一定的困难。通过本次翻译实践,作者得出结论:翻译目的论可以作为科技类文献英译的指导理论;科技文献的英译应该以“准确”作为标准,以精确表达原文作者的研究成果;科技文献的英译要实现在目的语中的交际功能,需注意译文的准确性、简洁性、逻辑性与连贯性;科技文献的英译应采取灵活的翻译策略以平衡汉语与英语之间的关系。作者希望本报告可为今后科技文献的汉英翻译提供一定的参考。(本文来源于《哈尔滨工业大学》期刊2017-06-01）
计算密集型论文开题报告范文
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对传统的密集型多路网络流均衡调度中,普遍存在着平均带宽利用率较低、能量消耗较大等问题。提出基于分布式计算的密集型多路网络流均衡调度方法。通过对密集型多路网络流进行分析,将网络节点跳数信息和多路网络流负载信息相结合作为网络流选择和切换的标准,获取网络流选择的决策函数。根据现阶段密集型多路网络流负载均衡状态对网络中过载链路上的数据流进行调度,利用链路粘值来获得网络数据流对调度任务的拒绝程度,减小调度对流性能的影响,实现多路网络流均衡调度。实验结果表明,所提方法平均带宽利用率较高、能量消耗较低。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
计算密集型论文参考文献
[1].高永梅,程冠杰.基于边缘计算的数据密集型服务部署[J].电信科学.2019
[2].余洋,艾中良.基于分布式计算的密集型多路网络流均衡调度方法[J].科技通报.2019
[3].廖大强.基于云计算的密集型数据库资源快速检索方法研究[J].内蒙古民族大学学报(自然科学版).2019
[4].张可佳,胡亚楠,李春生,富宇,李盼池.泛集群环境中计算密集型任务流调度策略[J].控制与决策.2019
[5].段明.顺丰选择DriveScale的可组合平台助力其数据密集型计算[J].计算机与网络.2019
[6].赵刚.中国快递的高科技元素[N].学习时报.2017
[7].麻双克.云计算环境下的网络密集型应用的模型及调度策略[D].上海应用技术大学.2017
[8].麻双克,周兰凤.云计算环境下基于优先级的IO和网络密集型应用调度策略[J].上海理工大学学报.2017
[9].张潇璐.数据密集型计算环境下的多维资源分配与调度问题研究[D].云南大学.2017
[10].傅慷雄.《面向新型处理器的数据密集型计算》（节选）英译实践报告[D].哈尔滨工业大学.2017