协同计算（精选10篇）
协同计算 篇1
0 引言
随着特高压电网和跨区互联电网的建设, 电网规模不断增大, 电网特性呈现相互耦合特性, 电网故障计算和系统分析工作正在由单地区、单人工作的独立模式向多人联合协同模式转变。而当前, 跨区联网的运行方式分析工作是采取集中、联合计算方式来进行, 即从各相关调度中心抽调人员集中办公, 使用PSASP/BPA等电力系统分析程序的单机版软件进行串行工作, 既影响正常工作秩序, 又导致工作成本高、效率低下。因而, 急需研究和开发适合多用户异地分散联合计算的协同方式系统, 全面提高电网仿真计算的工作效率。本文将计算机协同的概念引入到系统开发中, 所研发的系统采用分布式架构, 在web上运行, 支持多人异地同时进行操作, 实现了多人异地数据协同维护和运行方式协同计算。
1 电力系统方式计算协同工作系统功能设计
1.1 设计的主导思想
综合考虑电力系统方式计算的业务需求, 多层协同方式计算系统以“安全可靠、集中存储、分散管理、协同计算、人机友好”作为系统实现的主导思想。在功能上划分为“平台支持系统”、“数据管理系统”、“协同管理系统”、“仿真分析系统”、“分布式计算系统”和“可视化系统”。
1.2 平台支持系统
平台支持系统构建了电力系统多
层协同方式计算系统的运行环境, 提供了多种系统管理手段, 保证系统7×24小时连续稳定运行。
系统硬件包含:WEB服务器、应用服务器、在线接口服务器、数据库服务器和并行计算机群。其中, 在WEB服务器上构建了硬件防火墙, 且WEB服务器、应用服务器、数据库服务器均采用双机热备模式, 大大加强了系统安全性和可靠性。
1.3 数据管理系统
数据管理负责基础数据的管理和维护, 包括电网方式部门的离线方式数据和自动化部门的在线数据。数据管理功能包含工程数据管理、数据校核比对、数据合并分割、在线数据接口、用户和权限管理、数据版本管理、日志管理等模块。 (1) 工程数据管理。本系统的数据按照工程进行组织, 每一套数据相当于PSASP的一个工程, 包括基础数据、模型参数、潮流计算数据、暂稳计算数据等各种计算数据。授权用户可以新建工程、删除工程、修改工程数据。除了提供普通数据修改功能之外, 还提供了基准值修正、典型参数导入、批量数据修改等高级功能。 (2) 用户管理。用户管理主要提供组织机构管理、用户账号和密码管理、角色管理、用户登录控制、用户操作控制等功能。 (3) 数据权限管理。数据权限是指用户对基础库、模型参数以及各个计算作业的访问权限, 包括可读、可写、可计算等。 (4) 数据合并分割。本系统从加强电网数据管理和提高电网运行调度水平两方面出发, 提供了方式数据合并和分割功能。下级调度负责收集本地区电网相关各运行方式的离线数据, 统一通过数据平台提交至上级调度汇总和合并, 形成可供离线计算分析的全网数据, 而后可通过数据平台分割出各个下级调度所需的局部电网数据。 (5) 在线数据接口。在线数据接口可连接和获取用户现有EMS和WAMS等在线系统的实时数据, 并与离线数据进行整合。 (6) 数据校核比对。数据校核基于各电网设备参数范围和相对关系的专家系统进行数据的合理性判别, 包括电网元件基本参数校验, 数据比对提供工程内和工程间基础数据、公用参数、潮流数据及暂稳数据的比较等。 (7) 数据上传下载。本系统提供数据上传功能, 将原有方式数据上传到协同系统中。同时也可以从协同系统下载数据至本地, 并继续使用原有离线软件进行分析计算。 (8) 日志管理。日志系统记录下系统运行和用户操作所产生的所有行为, 并按照某种规范写入日志数据表中。维护人员可以使用日志系统所记录的信息分析系统错误原因、用户使用系统的情况, 并有助于优化和改进系统。
1.4 协同管理系统
协同管理负责所有协同工作的业务定义、管理和执行等。运行方式计算中涉及基于多人的数据管理协同和仿真计算协同任务。 (1) 数据协同。数据协同功能提供上下级调度方式数据的统一管理和分级维护。 (2) 计算协同。计算协同基于对用户和权限的控制、数据和计算的并发控制、以及即时通讯等工具和机制, 实现异地多用户联合计算。协同用户角色包括主持人和参与者等不同角色, 主持人有权决定哪些用户参与协同, 并临时调整各用户协同工作时的权限。联合计算允许多个用户在同一套工程数据上工作, 各个用户的每次有效修改即时生效, 并能为所有用户观察与共享;参与协同的用户可以同时监视潮流计算过程中产生的迭代信息、暂稳即时曲线, 并随时查看计算结果, 如同在本地计算的效果一样。即时沟通工具提供文字、语音、视频、远程桌面等通讯服务, 方便协同工作的进行。 (3) 协同业务的管理。协同业务的管理是将业务过程从应用程序中抽取出来, 按照工作流的方式固化到系统平台上。所有单人或多人协同的业务均可以按照实际的工作流程通过协同管理来完成。因而, 协同业务的管理要解决业务流程的定义、管理和执行, 自动协调各项工作任务的处理顺序, 并且提供与其他应用的交互、与用户之间的交互。
1.5 仿真分析系统
仿真分析负责所有具体的分析功能。仿真分析功能按分析的时间包含离线分析、计划校核、在线预警和实时仿真等;按分析的内容应包括静态潮流分析、静态安全分析、可靠性风险评估、短路电流分析、暂态稳定分析、动态稳定分析、电压稳定分析等。通过对电网离、在线数据的仿真分析, 能够及时发现电网运行的故障和安全隐患, 为电网调度提供了有效的决策支持。
1.6 分布式计算系统
分布式计算系统提供了对大批计算作业的快速响应功能, 对于用户提交一大批潮流、暂稳、小干扰计算作业, 可以提交到分布式计算平台上, 由一组计算节点并发计算批量的任务, 从而减少用户的等待时间。
分布式计算系统由调度服务器、历史数据服务器、计算节点机群以及网络连接用交换机组成。调度服务器负责数据通信转发和任务调度。历史数据服务器负责计算结果处理和数据文件存储。计算节点是运行仿真分析软件的计算机, 多台计算节点通过高速网络互联形成一个计算机群。
1.7 可视化系统
可视化系统提供了基础数据和计算结果的可视化图形显示, 采用动态图符、图数一体、拓扑自动生成等技术实现了地理接线图静态/动态显示、暂稳曲线综合分析显示 (曲线阅览室) 、短路超标预警、动态稳定模式同调机群显示等内容, 界面风格美观大方, 以简洁明确的方式提醒用户所需要关心的数据或者结果, 提升用户对系统总体数据和结果的把握能力, 增强系统与用户的交互水平。
2 系统特点
系统可与传统单机版计算软件PSASP、BPA等实现数据导入导出和无缝集成, 支持用户传统工作习惯和应用工具, 充分保护用户已有工作成果的延续性。
系统提供在线和离线数据的整合, 为方式人员方便地获取在线数据提供了有效途径。该系统还提供上下级调度间离线电网模型数据的整合。
系统填补了电力系统运行方式协同计算领域的空白, 对于提高电力系统调度方式的工作效率、管理水平和应用水平, 具有重要意义。
3 工程应用
按照功能设计要求, 开发了平台支持系统、数据管理系统、协同管理系统、仿真分析系统、在线数据接入系统、分布式计算系统以及可视化系统, 并成功在某省级电力调度通信中心投入试运行。
系统以电网的EMS在线或中长期离线数据、方式计算中所使用的元件动态数据为基础数据源, 实现了电网数据集中存储, 分层、异地维护, 解决了多级多用户并发操作的冲突问题, 提升和完善了系统在多用户数据管理和任务计算方面的能力;应用并行分布式快速仿真计算技术, 实现跨作业、跨计算类型的并行计算, 大幅减少用户等待时间;充分发挥协同系统计算平台性能, 显著提升工作效率, 实现协同系统功能的实用化;调度运行人员能够进行异地基础数据维护、协同调整方式、可视化互动, 保证了调度计算数据安全可靠, 极大地提高了对电网安全稳定分析计算的支持能力。通过整合电力企业的资源和应用系统, 实现电网模型数据中心、EMS在线数据、调度运行方式数据、规划数据等电网数据的一源共享, 保证电网计算数据完整、准确和统一。实现了省地两级电网运行方式一体化协同计算和分析。
摘要：本文主要阐述了电力系统方式计算协同系统的功能设计以及特点和应用。
关键词：电力系统,多层,协同系统,联合计算
参考文献
[1]李碧君, 徐泰山等.大电网安全稳定综合协调防御系统的工程设计方法.电力系统自动化, 2009.33 (23) :90-93.
[2]李碧君, 付红军等.电网年度运行方式自动优化计算与报告生产系统.电力系统自动化, 2010.34 (4) :112-115.
[3]朱里越.多业务协同系统服务组合技术研究[D].中国科学技术大学, 2010.
协同计算 篇2
从2011年中国移动正式提出四网协同运营以来，已经经历了一年多的运营时间。德瑞通过长期跟踪四网协同的执行效果，发现：四网协同虽然在认识上已经引起了集团、省公司、地市公司的高度重视，但是依然存在很多薄弱环节。德瑞首席顾问宋永军认为：四网协同目前在存在四大薄弱环节，需要引起高度重视和加以解决。
首先：四网协同的业务层认识薄弱导致四网承载的业务定位不清晰，也缺乏有效的业务导引机制推动业务在四张网络的承载。以移动互联网业务为例，有些是轻流量业务（流量速度要求低，流量带宽要求低的“双低业务”），有些是重流量业务，但是究竟哪些业务承载在TD/EDGE/WLAN/LTE网络不清晰，也缺乏从资费套餐制定、终端补贴优惠等方式的有效引导机制。
其次，四网协同的物理层不清晰导致四网协同技术实现难度大。四网协同到底要协同什么，以什么方式协同、如何确保协同没有非常清晰的策略。使得四网协同停留在理念层而缺乏实质的行动。打个不恰当比喻。就好比国庆堵车现象的产生，主干高速堵了，如何分流，从哪个道路分流，就显得至关重要。而从市场经济的角度看，价格是最有效的手段。因此，运营商下一步需要理顺四张网的机制，明确协同四张网发展的系统平台，聚合客户的数据信息才能有效做到区隔。因为，所谓协同就是要有同有协，协同是差异化基础上的统一运营，这个需要重点加以明确。
再次，四网协同缺乏有效的组织运营机制保障，同时也受到网络覆盖本身、客户投诉等多种因素制约。目前运营商在组织层面，没有统一的机构来协同和调动资源。网络部做网络层的协同，市场部做市场业务的协同，但是真正从客户需求出发，推动市场网络一体化联动协同的机制（比如分工界面，考核体系）尚显薄弱，这就使得四网协同战略在组织上缺乏推动力和执行力。
计算机协同工作流的特点与运用 篇3
关键词：计算机；工作流；特点；运用
中图分类号：TP301 文献标识码：A文章编号：1007-9599 (2011) 15-0000-01
Features and Application of Computer Collaborative Workflow
Wang Kaili
(Ningbo University School of Information Science and Engineering,Ningbo315211,China)
Abstract:The workflow is a new computer automation management method,which can change the deficiencies of the traditional management models,promote the enhancement of the production and management efficiencies for enterprises,and ultimately accomplish a growth trend for the internal economic benefit.In connection with this situation,the features of the computer collaborative workflow are analyzed with an emphasis in this paper,and its applications in the actual business management are particularized as well.
Keywords:Computer;Workflow;Features;Application
工作流实际上属于自动化经营管理模式，其主要实现了企业业务项目实施的计算机操作，通过借助于计算机技术运用处理好各项业务活动，如：传递文件、传输信息、分配任务等，将一个很复杂的问题转化成细小的部分逐一解决。现代企业经营引入工作流概念，促进了企业生产管理自动化水平。
一、计算机协同工作流的优点
当前，企业为了在市场竞争中占据优势均采取了扩大规模、发展业务的经营方式，但随之而来的则是一系列的管理问题。受到计算机技术发展的推动，“工作流”在企业日常管理中的运用受到了重视，这种新型的自动化管理模式体现了多方面的优点。
（一）发展业务。根据企业内部现有的业务情况进行发展优化，让业务项目水平逐渐提升一个档次。计算机协同工作流可以让经营者把最适当的事务在最合理的时候传递给有服务需要的用户[1]。
（二）辅助管理。若形象的比喻，“工作流”就是一个生产流水线，工作流上每个运行环节都关系着企业的经营动态。经营者通过了解工作流情况则能及时弄清当前的企业经营形势，及时监控内部其它方面的管理。
（三）资源配置。对企业人力、物力、财力进行优化配置，这也是计算机协调工作流的一大优势。采取工作流模式之后，企业各项资源的使用效率显著提升，客户、企业之间的信任关系更好。
（四）数据收集。就财务管理这一块而言，引进工作流模式后在“数据收集”方面有着明显的作用。利用计算机可充分发挥后台数据库的使用价值，如：提供报表、查询、统计、检索、分析等多项功能，让企业在制定财务计划时有足够的数据信息作为支撑，让财务管理工作更加顺利的进行[2]。
二、工作流数据库的实现过程
对于不同的企业来说，其创建工作流多数能够实现现代一体化的管理模式，让计算机技术更好地服务于企业经营。从工作流的运行原理看，其最为核心的组成是数据库的形成，在实现过程中包括了三個主要的组成，即：映射、建模、管理。具体实现流程如下：
（一）分析业务流程。管理小组成立后要根据企业目前掌握的业务情况详细分析，对业务流程中可以优化或修改的环节进一步分析处理。如：在客户服务阶段，企业可以提供人性化的服务指标，为客户提供更为周到的产品服务。
（二）制定工作目标。计算机协同工作流作为企业新型的管理模式，其必须要彰显出足够的使用价值。因而，在某一个时间段内，企业必须要制定符合实际的工作目标。
（三）创建业务模型。用户、软件供应商共同呈现出工作流解决方案需按照用户具体的服务要求修改工作流，综合考虑业务的优先级之后确定各模块的上线时间。
（四）操作实现过程。运行工作流之前，用户需要结合模型的状态进行测试处理，从而保证整个工作流与实际需要相符。当测试后发现模型存在错误，必须要及时修改调整，以提升工作流运行。
三、计算机协同工作流的应用
计算机协同工作流对企业的日常经营管理发挥了重要的作用，这种全新的管理模式在社会各个行业中也得到了充分的推广。从目前的市场运用情况看，工作流基本上被引进到了各个行业里，现根据不同的行业分类具体阐述工作流的运用。
（一）行政管理类。行政管理多是是国家政府机关、部门，工作流在这方面的运用主要是通过对行政表单内容的处理，可以为领导机关的审批提供资料。
（二）人事管理类。如：企业人力资源部在工作时需要对人力资源优化管理，则可利用计算机协同工作流逐步运行。包括：员工培训安排、绩效考评、职位变动处理、员工档案信息管理等。
（三）财务相关类。财务工作往往需要涉及到各种财务信息，会计人员必须要做好各项与资金相关数据的统计处理。工作流的运用涉及到付款请求、应收款处理、日常报销处理、出差报销、资金预算等内容。
（四）客户服务类。服务行业也可以通过建立工作流模型与客户之间保持联系，如：通过开展客户信息管理、客户投诉、请求处理、售后服务管理等管理内容，能及时将用户对本企业提供的服务客观评价，从而提高服务水平。
四、结论
综上所述，计算机协调工作流模式在企业内部推广使用后，可以不断提升企业的经营管理水平，促进企业经营效率的提升。同时还能降低经营需要的成本消耗，以满足现代化经营决策的要求。而企业在引进工作流之后，应同时注重于计算机技术的更新，以保持工作流运行的畅通性。
参考文献：
[1]陈烨平.计算机协调工作流运行原理的分析[J].数据采集与处理,2009,16(7):30-32
[2]孙占如.企业引进工作流参与管理的重要意义[J].大连理工大学学报,2010,22(8):51-53
协同计算 篇4
复杂机械产品的设计, 特别是创新设计是多个设计者参与的、自顶向下的设计过程[1], 由于这个设计过程很复杂, 因此目前的研究集中在概念设计结束后, 设计者协同进行装配设计的阶段[2]。耦合结构参数的协同是上述自顶向下协同装配设计的关键问题之一, 即在早期设计阶段, 分布在异地的设计者基于产品功能需求相互协商、协同计算彼此相关的关键结构参数。耦合结构参数协同计算具有分布性和模糊性, 其相关研究工作主要集中在面向单个设计者的参数计算方面, 包括基于约束网络的方法[3,4,5]、基于模糊理论的方法[6,7,8]、基于效用理论的方法[9,10]等, 这些方法没有考虑协同设计环境下多人计算的特点, 且基于效用理论的方法对约束方程的建立具有特殊要求[9], 也难以同时处理离散和连续参数的计算。本文基于模糊理论处理耦合结构参数协同计算的模糊性, 采用效用理论处理设计者的设计知识和偏好, 设计者协商建立以效用为目标的优化模型并用遗传算法进行优化求解。
1 耦合结构参数协同计算的相关概念
(1) 效用函数向量。
用三角模糊数表示模糊设计参数, 假设这类参数个数为nf, 其他参数个数为np, 采用效用函数描述模糊参数取值的优先程度, 所有模糊设计参数的效用函数表示为效用函数向量:
(2) 责任向量。责任向量表示每个效用函数所对应的设计者, 表示为
其中, pi (x) (i=1, 2, …, nf) 表示第i个模糊设计参数的效用函数对应的设计者集合, 这些设计者共同协商确定对应设计参数x的效用函数。
(3) 设计者权重向量。
设计者权重表示各个设计者在设计过程中的权威性, 表示为
其中, ai表示第i个设计者的决策权重。
(4) 效用权重向量。效用权重表示各个参数对应效用的重要程度, 表示为
其中, wi表示第i个模糊设计参数效用的重要程度。
2 基于模糊理论和效用理论的耦合结构参数协同计算
用三角模糊数表示模糊设计参数, 用效用函数表示设计者的设计经验和偏好;设计者协同定义相关耦合结构参数, 协商确定相关模糊设计参数的效用并基于物理原理建立相关工程约束;然后以效用最大化为目标, 建立耦合结构参数协同计算的优化模型, 并利用遗传算法进行求解。上述耦合结构参数协同计算流程如图1表示, 其关键是耦合结构参数协同计算优化模型的建立和求解。
2.1 耦合结构参数协同计算的优化模型
耦合结构参数协同计算的优化模型以效用最大化为目标, 以模糊结构参数的区间范围以及工程约束为约束条件, 其建立过程包括三个步骤。
2.1.1 确定单个设计参数的效用
单个参数的效用函数可以由设计者基于其经验知识确定, 或通过工程数据进行拟合得到[9]。由式 (1) 和式 (2) 知, 单个结构参数的效用及其对应的设计者集合分别为ui (x) 、pi (x) (i=1, 2, …, nf) , pi (x) 对应集合的成员为pi1, pi2, …, pik, 假设每个成员的权重为api j (即式 (3) 中的权重分量) , 设计者相对于模糊设计参数效用的权重为
将式 (5) 归一化, 得
考虑到每个模糊设计参数效用权重为wi, 结合三角模糊数的隶属度μi (x) , 每个模糊设计参数对应的效用最终表示为
2.1.2 建立总体效用优化目标
设计参数效用优化目标表示为
式中, X为设计参数向量。
对于式 (8) , 各个设计者的效用值在求解过程中可能存在冲突, 因而要使不同设计者的设计效用同时达到最优值, 一般比较困难。转化为单一目标是解决上述多目标优化的常用方法, 通常采用的转化方法包括加权线性组合、平方和加权法和功效系数法, 由于各个模糊参数的效用在计算过程中已考虑权重信息, 因此前两种组合方式采用相等的权重, 从而转化为线性求和方式。最终的目标函数如下 (具体采用哪种方式, 由设计者在协同计算过程中协商选择) :
线性组合法
式中, Ug为总体效用目标。
平方和法
功效系数法
2.1.3 建立耦合结构参数协同计算优化模型
三角模糊数表示为
工程约束包括等式和不等式约束, 表示为
式中, o、p分别为不等式和等式的个数。
耦合结构参数协同计算归结为:在满足约束式 (12) 、式 (13) 的前提下, 满足总体效用最大化, 即
2.2 基于遗传算法的优化求解
遗传算法 (GA) 能以较大概率在有限时间内求得整体最优解, 是求解式 (14) 的有效手段[11,12]。本文提出基于改进的自适应罚函数的遗传算法求解式 (14) , 其基本思想是, 通过自适应罚函数将上述问题转化为仅有区域约束的优化问题, 且同时处理连续和离散变量参数, 主要步骤如下。
(1) 如果nf=0, 即没有模糊设计参数, 则式 (14) 退化为一般的方程组求解, 此方程组包括不等式和等式方程, 采用数值方法求解后算法结束。如果nf≠0, 此时求解分成两步:首先, 令每个模糊设计参数都取中值, 即对于xi= (l, m, t) , 令xi=m;然后进行方程组求解, 如果有解, 输出所有参数结果, 算法结束, 否则表示模糊设计参数的效用结果可能存在冲突, 跳转到 (2) 。
(2) 假设满足约束条件的解的集合为F*, 则约束条件用罚函数并入到目标函数:
一般的自适应罚函数只考虑遗传算法过程中进化代数的反馈[13], 这里采用的罚函数不仅考虑遗传算法计算过程中进化代数的反馈, 同时考虑个体约束偏离的分布情况:
式中, t为进化代数;τ为对应个体的约束不满足的个数。
通过罚函数penaltyf (x) , 式 (14) 转化为仅有区域约束的优化问题F (x) 。
(3) 利用遗传算法, 求解以F (x) 为目标的优化问题。处理连续和离散变量的方法如下 (对设计参数采用12位长二进制编码) :①如果设计参数v为连续的, 假设其区间为[B, U], 则从编码空间到设计参数空间的映射为
dbv=B+ (U-B) α/212 (18)
式中, α为进化计算过程中的基因二进制编码;dbv为对应的参数数值。
②如果设计参数v为离散的, 假设其离散数据集合为VS={v1, v2, …, vr}, 其中的元素从小到大排列, 则从编码空间到设计参数空间的映射为
dbv=FindNearest (v1+ (vr-v1) α/212) (19)
其中, 函数FindNearest (s) 的作用是从集合VS中获得和s最近的数据元素。
耦合结构参数协同计算中, 式 (3) 和式 (4) 权向量A、W的确定是一个重要的内容, 其计算方法采用最小二乘法或本征向量法, 具体见文献[14]。
3 系统实现及耦合结构参数协同计算实例
在自顶向下协同装配设计原型系统[2]中实现了上述耦合结构参数协同计算方法, 作为整个原型系统的一个子系统, 该子系统包括服务器和客户端的相关组件[2]。服务器端组件负责所有耦合结构参数及相关约束的管理以及效用函数、模糊结构参数的协商管理。客户端组件负责用户交互, 帮助设计者进行模糊参数及其效用函数的交互协商确定、约束网络的交互建立。接下来给出在液压机械手的自顶向下协同装配设计过程中, 耦合结构参数的协同计算实例。
所要设计的机械手的功能参数如下:抓持物体直径不大于100mm, 工作半径不小于500mm, 整体移动行程不小于180mm。其关键的子装配零件为手爪、手爪张合油缸、手爪伸缩油缸、摆动马达、升降油缸、移动基座。以下给出手爪 (HA) 、手爪张合油缸 (HD) 、手爪伸缩油缸 (HE) 的设计者基于功能要求, 协同计算耦合结构参数的过程, 其对应的设计者分别为D_1、D_2和D_3, 其中D_3也负责移动基座 (Base) 的设计。
图2所示为机械手的骨架模型, 标出了D_1、D_2和D_3需要协同计算的部分结构参数, 这些结构参数要满足工作半径不小于500mm的要求。
为了协同计算上述结构参数, 三个设计者进行如下工作:①协同定义相关设计参数, 用三角模糊数表示模糊设计参数;②协同定义模糊设计参数的效用;③协同定义相关参数效用的权重;④协同定义相关工程约束。
表1～表3列出相关设计参数、工程约束以及模糊设计参数的效用。表1涉及结构参数 (S) 、功能参数 (F) , 包括这些参数相关的设计者、各个参数的模糊设计数值、权重等, 其中, ※表示属于, R表示相关;设计目标值是预先根据设计经验、标准、知识确定的数据, 用三角模糊数表示为 (l, m, t) ;功能参数Hl、Hd是各个设计者共同考虑需要达到的功能需求。表2为设计者协同确定的相关工程约束, 以等式、不等式方程表示。表3为设计者所采用的效用函数。在协同工作过程中, 设计者的协商工具为基于文字语音的多媒体交流工具。其中, x为设计参数, 其他变量为不同函数曲线下的常数。
表4为设计者调整权重、模糊结构参数以及采用离散和连续变量计算方法得到的结果。如表4所示, 在第一次计算后, 设计者发现最大工作半径 (Hl) 为531mm, 偏离理想数据550mm太远, 所以设计者协商后, 调整其权重, 重新计算后得到第二次的计算结果为550mm, 大大靠近了理想的参数值。
4 结束语
给出了自顶向下协同装配设计过程中的耦合结构参数协同计算方法, 该方法考虑了早期设计阶段设计信息的模糊性, 利用三角模糊数表示模糊结构参数;考虑了设计的分布、设计者的设计知识和经验, 以及结构参数和功能参数的重要程度, 结构参数和功能参数之间的工程约束关系;采用最优化方法, 在保证产品内在工程约束的前提下, 尽量满足分布在异地的设计者的设计经验和偏好, 且支持连续和离散耦合结构参数的协同计算。
协同计算 篇5
【关键词】计算机辅助翻译软件 协同翻译 效应 SDL Trados
经济全球化的深入发展，计算机技术的普及与运用，为世界各国的翻译产业带来了新的挑战与机遇，传统的人工翻译方式已经无法满足翻译产业的市场需求，在此背景下，计算机辅助翻译软件应运而生，并很快在翻译项目中得以推广运用，在众多计算机辅助翻译软件当中，SDL Trados使用最广，知名度最高。翻译产业化时代的到来要求译员能够很好地使用计算机辅助翻译软件在大型翻译项目中进行“协同作战”而非以往的“单兵作战”，以便更好发挥计算机辅助翻译软件在大型翻译项目中的协同翻译效应。
一、效率效应
21世纪是信息与数据的时代，统计表明，“20世纪40年代以来所产生和积累的信息量超过了在此之前人类创造的所有信息量的总和”，这样一来，信息的交换与流通便为大型项目协同翻译提供了现实可能性，面对如此庞大的信息量，以往的“孤军奋战”模式很难保证翻译进度与效率，更多地需要译员之间密切配合，协同翻译。
计算机辅助翻译软件的开发与应用为大型项目协同翻译提供了强有力的工具。SDL Trados是德国塔多斯公司开发研制的一款翻译记忆软件，凭借其完善的功能与设计占据了全球翻译市场80%左右的市场份额。
Trados软件的核心功能是翻译记忆库与翻译术语库，其工作原理是“将翻译过的句子存储起来，变成翻译单元，若再次遇到相同或相似的句子时候，系统将自动匹配译文，保证译文绝不再翻译第二遍”。在处理大型翻译项目时难免会遇到相似甚至重复的文本，相关统计表明“翻译中的平均重复工作量约为30%”，这时译员之间就可以通过建立、积累与共享翻译记忆库内容，避免相同相似内容的重复翻译，理论上来讲，随着翻译记忆库与翻译术语库容量的增大，文本相似度也会呈现上升趋势，从而提高译员翻译效率，节省翻译时间成本，这在很大程度上解决了一般大型翻译项目时间紧、任务重的难题。
二、统一效应
面对大型翻译项目，传统的多译员合作翻译模式多是将文本进行定量分割，然后各自进行翻译，该模式下的译员合作其实只不过是将任务量进行了物理切分，译员之间缺乏固定评判标准，从而很难解决翻译中术语的用词统一性问题；另一方面，原文本的格式也很难得以保留，从而使译文质量受到影响。使用计算机辅助翻译软件可以在很大程度上解决统一性问题。上文已经提到，SDL Trados的核心功能是翻译记忆库与翻译术语库，在某个大型翻译项目中，译员通过共建、共享翻译记忆库与翻译术语库，对特定词汇或术语进行定义，并将其加以集中存储，在翻译时系统就可对“原文电子文档进行分析，与数据库中100%匹配的句子可作自动替换”，这就从源头上保证了译员协同翻译的用词统一性问题，这一点在专业性文本中所发挥的作用尤为明显。
传统翻译模式下，译员往往忽略了原文本的格式，或者花费大量时间进行格式转换，以Solid Converter PDF转换工具为例，在使用该软件将PDF文件转换为Word文件之后，原文本的文字、图片、表格等会错乱、失真，使文本质量大打折扣。使用SDL Trados计算机辅助翻译软件可以很好地解决文本格式问题，原文中的文字可以自动提取出来，“SDL Trados会基本上自动保持与原文相同的字体和字号，对于特殊格式的文字，原文中会出现紫色的标签，翻译时只需要按顺序将标签插入译文中的对应位置即可”。在项目翻译完成后，直接导出与原文相同的格式文件，节省了格式转换的麻烦与风险，也保证了译文质量。
三、银行效应
传统的翻译模式很难实现语言资源的整合与共享，这其实是一种无形资产浪费。计算机辅助翻译软件是基于数据库原理的翻译记忆软件。使用计算机辅助翻译软件，译员协同翻译一方面可以对已有语言资源加以整合利用，另一方面也可以将译员处翻译过的文本进行存储记忆，这一点好比译员之间共同建立起一座“语料银行”，译员在协同翻译过程中整合自己的语言资产，将其共同放入同一个翻译记忆库或翻译术语库，这样，译员之间就可以实现语言资源共享，而且随着协同翻译进程的深入，“语料银行”会不断增容，实现数据库的“利滚利”。使用Trados翻译软件在项目翻译时可以匹配数据库中已有的语言资源，“翻译记忆库从原有的翻译数据库中提供完全匹配内容或模糊匹配内容来帮助译者进行翻译”，这是对译员“语料银行”存入“语言资产”的自由使用。
在大型翻译项目中，译员使用计算机辅助翻译软件协同翻译有诸多优势：可以有效提高翻译效率，实现术语用词及文本格式的统一性，对语言资源进行整合共享，实现语言资产的增容增值。随着计算机辅助翻译技术的发展，计算机辅助翻译软件也将会得到更为广阔的应用。
参考文献：
[1]陈叶娜.信息资源社会价值评价研究[D].成都理工大学硕士学位论文，2008.
计算机协同学习相关技术研究 篇6
1 协同化学习模式
协作化学习理论来源于前苏联的心理学家维果斯基的社会学习理论。根据他的观点, 学生在协作交互活动中获得的能力能够被内化, 而变成他们的独立发展成果。也就是说, 学生通过协作学习能够使自己的能力得到长足的进展。协作学习 (Co11aborative Learning) 是一种通过小组或团队的形式组织学生进行学习的一种策略。小组成员的协同工作是实现班级学习目标的有机组成部分。小组协作活动中的个体 (学生) 可以将其在学习过程中探索、发现的信息和学习材料与小组中的其它成员共享, 甚至可以同其它组或全班同学共享。在此过程中, 学生之间为了达到小组学习目标, 个体之间可以采用对话、商讨、争论等形式对问题进行充分论证, 以期获得达到学习目标的最佳途径。学生学习中的协作活动有利于发展学生个体的思维能力、增强学生个体之间的沟通能力以及对学生个体之间差异的包容能力。此外, 协作学习对提高学生的学习业绩、形成学生的批判性思维与创新性思维、对待学习内容与学校的乐观态度、小组个体之间及其与社会成员的交流沟通能力、自尊心与个体间相互尊重关系的处理等都有明显的积极作用。
2 RSS技术
真正简易聚合 (Really Simple Syndication, RSS) 是一种用于发布和获取网络内容 (例如头条新闻) 的XML格式。使用RSS阅读器来阅读, 可以不用一个个去开页面, 也能够很快地知道关注网络内容是否有更新内容。所谓“聚合”, 就是指RSS将互联网上很多不同源的信息以订阅的方式集中到同一点的模式。这样使用者就可以通过支持RSS解析规范的阅读器将多个网站的信息聚合到一起, 在桌面上打造出自己的个人信息门户。这项技术可以数倍提升网民获取Web信息的效率, 可以大幅提升内容资讯站点的流量 (PV值) , 赋予每个网民个体成为信息发布中心的能力, 这项技术将在今后3~5年内彻底改变互联网产业格局。
3 Web Service技术
D IC将与Web Service相关的专业服务定义为:基于Web Service架构理念的服务机构所提供的咨询、应用开发以及系统集成服务等。其中系统集成服务的表现形式包括:虚拟企业、企业门户、全球BTB商务集成、企业应用集成等。Web Service是一种新的web应用程序分支, 他们是自包含、自描述、模块化的应用, 可以发布、定位、通过web调用。Web Service可以执行从简单的请求到复杂商务处理的任何功能。一旦部署以后, 其他Web Service应用程序可以发现并调用它部署的服务。Web Service是一种应用程序, 它可以使用标准的互联网协议, 像超文本传输协议 (HTTP) 和XML, 将功能纲领性地体现在互联网和企业内部网上。可将Web服务视作Web上的组件编程。Web service描述语言 (WSDL) 就是这样一个基于XML的语言, 用于描述Web service及其函数、参数和返回值。因为是基于XML的, 所以WSDL既是机器可阅读的, 又是人可阅读的, 这将是一个很大的好处。一些最新的开发工具既能根据你的Web service生成WSDL文档, 又能导入WSDL文档, 生成调用相应Web service的代码。
参考文献
协同计算 篇7
本文旨在通过追根溯源、系统分析和理论探寻为云计算理论与技术的普及和提高开辟新途径。其意义在于为云计算提供一个较为系统周全而又简明扼要的“云计算”概念框架,且以英汉双语对照的形式呈现为“云”系列术语。
自2006谷歌101项目[1]公开提出云计算(cloud computing)至今,信息产业界的专家说它是一种新的商业模式[2],信息技术界的人士说它是软件服务(SaaS)、平台服务(PaaS)和基础设施服务(IaaS)三个不同层次的互联网技术的融合[3],通信与计算机科学界专家则说它是一种有别于既有范式的新的计算模式[4],另外还有各种各样的具体说法[5]。然而就是缺乏一个系统周全而又简明扼要的“云计算”概念,尤其缺乏英汉双语对照“云(cloud)”系列的基本术语解释框架。笔者认为,这对云计算理论与技术的普及和提高均为不利。
以下,笔者首先追根溯源找到“Google and the Wisdom of Clouds(谷歌和云的智慧)”,接着,借助计算机辅助方式系统分析其中42处直接提到“cloud(云)”的语句及其上下文,进而,提出一整套相对周全而又简明扼要的概念术语,并在此基础之上尝试理论框架的探讨和术语类型的探新,最后,对“云”的术语类型加以总结,以供读者作进一步研究参考。
1“云计算”的术语分析
首先,我们来考察“Google and the Wisdom of Clouds(谷歌和云的智慧)”42处直接提到“cloud(云)”的语句及其上下文,看看原创话语圈的业界人士究竟是在什么语境下来使用“云(cloud)”或“云计算(cloud computing)”这个术语的。
1.1 英汉双语对照表格
表格1是穷举了“Google and the Wisdom of Clouds(谷歌和云的智慧)”一文的42处直接提到“cloud(云)”这个术语的上下文语句英汉双语对照表格。由表格1可见,基于该文原著及汉语译文制作的英汉双语对照语料没有在此全部呈现,而只展示了其首尾。这样做的用意有二,其一,说明本文的归纳分析有完整的语料数据支持,其二,提示本文重在对该文原著的分析归纳,而不是直接转述该文原著及汉语译文。
接下来,介绍笔者对“云(cloud)”这个术语所做的系统分析和归纳提炼的研究成果。
为便于读者对照记忆,笔者的每一个概要陈述以及凝练结果,均用统一的数字编号排列。(1“云的智慧”,由以下多个方面构成(提出这个描述系列,旨在引导思考和交流):
(2)“硬件的云”,据谷歌公司内部人员的说法,其所指就是一种大规模计算机集群,即:
全球运行的谷歌计算机网络,其特点在于:这些设备可实现对搜索需求的即时回馈,因形成集群,故它能更快地处理浩如烟海的数据,其检索答案或指令的速度可超过世界上任何一台单机;而其硬件设备并非全部安放在谷歌园区,也可在其他地方,没准就在地球上某个大型冷却数据中心高速运转着。
(3)“软件的云”,在“硬件的云”环境下如何编制“软件的云”,这是在编程过程中碰到的最大挑战:啥样的“软件的云”才能更好地驾驭“硬件的云”并提高它的数据处理能力?
(4)“教学的云”,谷歌的新员工通常要花费数月才能习惯从“硬件的云”和“软件的云”融合的角度来思考“云的编程”,可以说,谷歌的新人需要一种适用且高效的培训用的“云”。
“谷歌101”,最初只是一项以谷歌公司分配给员工用于独立开发项目的“20%时间”试图来完成的“云的计划”,其实际规模是用40台计算机集群组成的“硬件的云”即用于培训的“教学的云”,其发起人是比希利亚(Bisciglia)——西雅图华盛顿大学本科毕业在谷歌公司工作了五年的一个27岁的年轻人。他利用自己20%时间来启动将在其母校开设的一门课程,着重引导学生们做“云的编程”开发,这个项目曾被命名为“谷歌101”。谷歌公司的首席执行官(Google CEO)施米特(Schmidt)很欣赏这个计划,建议他2个月完成。可在接下来的数月中,“谷歌101”不断发展和深化,最终促成谷歌公司与IBM公司在2007年10月把全球多所大学纳入其中,于是“谷歌101”成了引领信息产业发展的“云的计划”。
(5)“云的概念”,谷歌公司在产业中的足迹必然会远远超出搜索、媒体和广告领域,从而使这家信息产业巨头得以涉足科学研究甚至更新的业务领域。在这一过程中,谷歌公司将在某种意义上会成为世界上首屈一指的具有“云的计算”能力的另一类新型“超级计算机”。
(6)“云的战略”,在“谷歌101”提出9个月后,比希利亚拿出了“云的计划”或“云的战略”,它将为学生、研究人员和企业家群体提供谷歌式的无限的计算处理能力,其“硬件的云”既可是谷歌公司麾下的设备,也可是其他可提供相同服务厂商麾下的设备。
(7)“网络的云”,由几十万乃至成百上千万台服务器组成的计算机集群网络。单个而论,这些机器的性能并不比个人计算机强大多少。但是,这个网络存储的数据量相当惊人,它能容纳不计其数的网络数据拷贝,其搜索速度能够更快,眨眼之间便能为数十亿搜索提交答案。与以往传统的“超级计算机”不同,谷歌的“云”网络系统不会老化。因为如果“云”网络中某台机器落伍(通常在使用3年后),工程师们就会把它淘汰,而代之以性能更强的新款计算机。这意味着“网络的云”就可像原始深林的生物一样长生不老。
(8)“云的目标”,随着“网络的云”的不断生长或发展,“硬件的云”和“软件的云”的融合之后产生的数据处理能力,即随着“云的计算”规模的不断扩展,其信息处理能力必将发生翻天覆地的变化。从最基本的层面讲,“硬件的云”的发展就如同百年前人们所使用的发电设备在技术经济一体化进程中的演变,当时的农场和公司均逐渐关闭了自己的发电机,转而从高效的发电厂购买电力。谷歌公司的高管们很早就盼望这类转变并为之筹划准备。以谷歌设备为核心的“云计算”完全符合该公司创始人谢尔盖?布林和拉里?佩奇在十多年前提出的远大构想:“构建起跨越全世界的信息,供人们随时随地访问。”比希利亚的想法为实现这个构想开辟了一条道路。施米特说:“我开始并没有意识到他(比希利亚)试图改变计算机专家对于计算的固有想法。这个目标太伟大了。”
(9)“资源的云”,今天,掌控“网络的云”的国际互联网巨头中只有少数几家拥有可吞吐海量信息并开展相关业务的资源。人们的文字、图片、点击和搜索全都是这个产业的原材料。人们产出数据,谷歌、雅虎和亚马逊等公司则将数据转化成观点、服务,最终变成其收入。在这条“单行线”上可产生一道“标准线”——在密集型数据处理领域这一竞技场中的小型公司和个人,因为“资源的云”意味着机会,小公司和个人可更廉价地利用“网络的云”。
(10)“开放的云”,2006年亚马逊(Amazon)向付费用户开放计算机网络(“网络的云”),调动新的参与者加入“云计算”,而无论其规模大小。一些用户只是简单地将数据库存储在亚马逊“硬件的云”上,另一些则使用亚马逊的服务器搜索数据或建立网络服务。2007年11月,雅虎(Yahoo)将一个电脑集群(即小规模“硬件的云”)开放给卡内基-梅隆大学的研究人员。微软(Microsoft)同样通过开放服务器群(“硬件的云”)来加深与科学研究团体的联系。谷歌与IBM在2007年联手为全球多所大学搭建计算机网络(“网络的云”)。试问“开放的云”可否追溯到雅虎(Yahoo)和谷歌(Google)等提供的免费电子邮件服务?
(11)“云的潜能”,至少涉及“硬件的云”、“软件的云”和“网络的云”这三个层次的发展规模,其中,前期,“硬件的云”技术及其相应的经济投资及经营管理能力是其发展的瓶颈,中期,“软件的云”技术及其相应的经济投资及经营管理能力是其发展的瓶颈,后期,“网络的云”技术及其相应的经济投资及经营管理能力是其发展的瓶颈。要想让“云的潜能”充分发挥出来,与此相关的编程和操作就应该像使用互联网及其终端一样简便。
(12)“云的比喻”,既有直观形象的一面,如云指的是通信和计算机领域的网络图;又有高深莫测的一面,如云指的是大规模计算机集群所载海量数据;而把云计算比喻为极其昂贵的粒子回旋加速器,则还有激发想象开启智慧的另一面,如超级计算机就像极其昂贵的粒子回旋加速器,全球也只有几台,且只有极少数机构才有造访它们的机会,“云”却要普及它。
2 “云”的理论探讨
通过以上分析,笔者归纳出“云”的12个方面。其中,“硬件的云”和“网络的云”及“软件的云”可与作为基础设施的“框架服务”和作为网络的“平台服务”及各种具体的“软件服务”相对应。除此之外的其他各个方面,有的偏重实践应用,有的着重理论探讨。
由图1可见,“框架服务”(IaaS)、“平台服务”(PaaS)和“软件服务”(SaaS)实际上是基于“框架”(I)、“平台”(P)和“软件”(S)的三类技术产品的三类技术服务(3S)及其相应的市场化经营管理方式。其中蕴含的相应的科学原理或深刻的理论思想,即图1所示的“云计算”的科学技术内涵和市场经营方式及其相互关系还有待于深入挖掘。
换一句话说,不仅基于通信与计算机技术的形式信息革命仍然在进行,而且,基于教育和管理的内容信息革命也仍然在酝酿之中。“云的智慧”更多地要靠后者而非仅仅靠前者。“云的教学”、“云的概念”、“云的战略”和“云的目标”均需理论指导,方可提升到位。“资源的云”、“开放的云”、“云的潜能”和“云的比喻”,虽可吊起市场的胃口,但是,如果“云的教学”、“云的概念”、“云的战略”和“云的目标”的理论提升不能够到位,那么,不仅“硬件的云”、“网络的云”和“软件的云”的技术发展会受影响,而且非主流或不处于垄断地位的“云的市场”主体就只能在既有格局之下被动发展并继续处于弱势群体的地位。就目前的格局而论,“从某种意义上说,”普拉巴卡?拉加万(雅虎研究主管)所说的“世上不过有5台真正的计算机。”他意指谷歌、雅虎、微软、IBM和亚马逊这5家跨国公司。在他看来,没有哪家机构还能有与此5家旗鼓相当的实力把“电流”转化为数据计算能力。
这,无论从科学技术的角度看,还是从市场经济的角度看,对美国以外的其他各国均是一项严峻的挑战。因为,上述5家拥有“真正的计算机”的国际巨型网络公司均出自美国。如果只有这一种“云计算”模式,那么,其他国家及其公司乃至大学在“云计算”方面未来发展情形或市场地位,就只能继续是其客户,充其量也只能是其代理或其他类型的合作者。
好在,“云”的系列才刚推出,其中还充满变数。细心的读者,可能已经从图1所示的“云计算(协同智能计算系统)”中发现了新的契机。是否还有另类的“云计算”?是的。本文的副标题已明确地提示:现有的“云计算”只是“协同智能计算系统”的一个特例。
3“云计算”的类型探新
通过对上述“云的智慧”的分析和探讨,笔者发现“云的概念”所指的具有“云计算”能力的另类新型“超级计算机”的确是一个很好的描述,也可把它比喻为“回旋加速器”。众所周知,无论是“回旋加速器”还是以往的旧型“超级计算机”,其地位在全球竞争格局中都可以说是相当清晰的,中国有幸均进入了这极少数拥有国之列。但是,在谷歌、雅虎、微软、IBM和亚马逊5家公司所拥有的另一类新型的“超级计算机”的全球竞争格局中,中国却仍然落伍。这与其说是“框架服务”(IaaS)、“平台服务”(PaaS)和“软件服务”(SaaS)那样的技术和服务的竞争,不如说是“云的教学”、“云的概念”、“云的战略”和“云的目标”等在教育和科学及其背后的高级人才和高深知识的拥有水平上的竞争,当然,也可说是“资源的云”、“开放的云”、“云的潜能”和“云的智慧”等的综合国力的竞争。就此而论,个人或组织,最多也只能在其中的某个方面做出一定的贡献。
基于以往的积累,笔者仅选取其中的“云的概念”作为主要切入点,其中,又重点又以第二类的“云计算”作为突破口,进而配合“云的教学”、“云的潜能”和“云的智慧”的相应部分,作为进一步延伸领域。下面,仅介绍第二类“云计算”的形式化路径及其相应的“协同智能计算系统”——基于“孪生图灵机”的另一类“云计算”。它与前一类“云计算”的关系是:既遥相呼应,又异曲同工,甚至可能在第一类“云计算”的基础之上有所突破。
由图2可见,左边是抽象的“孪生图灵机”——直观的“双列表”,实际上是一种严格受限的“孪生图灵机”,或者说是“孪生图灵机”的一种典型的广义的双文双语化应用。
中间是高度抽象与直观形象两种表达方式融通融合的“间接形式化”及“间接计算”模型[6],其中的“天平”所称量的分别是其左列表可用id编号依次排序的数字与其右列表可用格ge预留相应位置或超级链接的空格。该“空格”的数据结构类型由用户根据实际需要可选择“字、式、图、表、音、像、立体、活体”——图2右边的广义文本基因。
由于现有“云计算”所用计算机是基于“图灵机”原理构造的数字计算机,因此,笔者可以称之为第一类型的“云计算”,其主要特点是“硬件的云”集群化。
笔者基于“孪生图灵机”原理虚拟构造的新型的数字计算机,即“协同智能计算系统”,可以称之为第二类型的“云计算”,其主要特点是“软件的云”集群化。
关于“孪生图灵机”原理和“协同智能计算系统”的详介见相应的发明文献,即:一种基于双语自动转换的间接形式化方法[7]。
4 结论
本文给出了一套相对周全而又简明扼要的双语术语:“云的智慧”(wisdom of clouds)、“硬件的云”(hardware as a cloud)、“软件的云”(software as a cloud)、“网络的云”(network as clouds)、“云的教学”(teaching and learning of cloud)、“云的概念”(concept of cloud)、“云的战略”(strategy of cloud)、“云的目标”(aim of cloud)、“资源的云”(resources upon clouds)、“开放的云”(opened up cloud--a cluster of computers)、“云的潜能”(for clouds to reach their potential)和“云计算”(cloud computing)。从中划分出了与“框架服务”(IaaS)、“平台服务”(PaaS)和“软件服务”(SaaS)对应的“硬件的云”(HaaC)、“网络的云”(NasC)和“软件的云”(SaaC),进而可明确新的商业模式与新的技术体系之间的相互关系;同时,还进一步划分出了“云的教学”、“云的概念”、“云的战略”和“云的目标”等具有理论探讨价值乃至教育和科学研究竞争力的相关领域。两方面均可汇总到“资源的云”、“开放的云”、“云的潜能”和“云的智慧”上面,从而可把“云的比喻”这样的隐喻式表述明朗化。至此,“云计算”的“云”(cloud--a cluster of computers)就不再神秘了。
值得关注的是笔者在自己从事信息学研究的多年积累的基础之上,进一步提出“云计算”的深层次分类,即:把新、旧两类“云计算”均列为“协同智能计算系统”的特例,以拓宽理论视野。
由于本文主题所限,新型“云计算”的理论及其实践示例只能另文介绍,当前“云计算”的其他描述(云计算概念诠释:18个权威人士的定义[8])及其实践示例就不在此逐一分析。
总之,信息产业界所说的新型商业模式,信息技术界所说的三个不同层次的互联网技术的融合方式,以及通信与计算机科学界所说的有别于既有范式的新型计算模式,在此只能算是初步的关联分析和简要描述。笔者在此基础之上尝试的一些理论框架的探讨和术语类型的探新,涉及对“云(cloud--a cluster of computers)”的术语、理论和类型等诸多问题,都还有待于进一步的学习、研究和实践检验。
致谢
本文是第二届中国云计算与SaaS学术会议论文改进稿,特此向组委会表示致谢!
摘要：本文作者拟从云计算提出的源头及其可能的新发展两个方面来对它做一个系统的分析和展望。旨在为云计算理论与技术的普及和提高开辟新途径。自2006谷歌101项目公开提出云计算(cloud computing)至今,信息产业界说它是一种新的商业模式,信息技术界却说它是软件服务(SaaS)、平台服务(PaaS)和基础设施服务(IaaS)三个不同层次的互联网技术的融合,通信与计算机科学界则说它是一种有别于既有范式的新的计算模式,另外还有各种各样的具体说法。然而就是缺乏一个系统周全而又简明扼要的理论描述或定义,尤其缺乏英汉双语对照的解释。笔者认为,这对云计算理论与技术的普及和提高均为不利。
关键词：云计算理论,云计算技术,云计算服务
参考文献
[1]Stephen Baker.Google and the Wisdom of Clouds.Businesswee,December13,2007.
[2]Michael Jaekel and Achim Luhn.Cloud computing--business models,value creation dynamics and advantages for customers.Siemens Whitepaper,2009.
[3]Michael Armbrust,Armando Fox,Rean Grith,Anthony D.Joseph,Randy H.Katz,Andrew Konwinski,Gunho Lee,David A.Patterson,Ariel Rabkin,Ion Stoica,and Matei Zaharia.Above the clouds:A berkeley view of cloud computing.Technical Report UCB/EECS-2009-28,EECS Department,University of California,Berkeley,Feb2009.
[4]BARROSO,L.A.,AND HOLZLE,U.The Case for Energy-Proportional Computing.IEEE Computer40,12(December2007).
[5]Peter Mell and Timothy Grance.The NIST Definition of Cloud Computing.Recommendations of the NationalInstitute of Standards and Technology.January2011.
[6]ZUO Xiaohui,ZUO Shunpeng.Indirect Computing Model with Indirect Formal Method.Software,5,2011
[7]ZOU Xioahui,ZOU Shunpeng.The Indirect Formal Methods Based on the Bilingual Automatic Conversion.2010 Application,2011Public.(Patent:2010101752962)
协同计算 篇8
自20世纪60年代H.Igor Ansoff提出协同效应这一概念以来,协同效应一直是金融经济学家解释公司并购的著名理论之一,但协同效应这一概念本身应如何界定还是一个颇有争议的问题。目前,对协同效应的概念主要有两种不同的解释。最为普遍的一种解释是“协同效应就是二加二等于五的那种效应”,即并购后两公司的效益之和大于并购前两公司的效益之和。仔细研究后,我们不难发现这一定义有失偏颇,因为它没有考虑并购前并购双方本身就具有的增长潜力。也就是说,根据这一定义计算出来的值不仅包括了并购产生的协同效应,还包括了并购双方由于本身就具有的增长潜力而在并购后表现出来的业绩增长。
另一种关于协同效应的全新解释是由马克L.赛罗沃(Mark L.Sirower,1997)提出的,他认为协同效应是“合并后的公司在业绩方面应当比原来两家公司独立存在时曾经预期或要求达到的水平高”,他还指出,“并购后有可能出现业绩改进,但如果这些业绩改进是已经预期到的,那就称不上是协同效应”。“为了形象地说明什么是协同效应,以及溢价对业绩而言实际上代表了什么”,作者用了一个比喻,“不妨假设你正在踩一部脚踏车。如果你现在的速度是每小时3英里,而且预期第二年的速度会达到每小时4英里,第三年达到每小时5英里。协同效应意味着你要比预期的速度更买力地踏车前进,而与此同时,竞争对手还在对着你大刮逆风。为了取得协同效应而支付溢价——即为了获取踏得更快的权利——就好像背上一个沉重的包袱。与此同时,你越是不想马上用力踏车,你以后就必须以更大的幅度来提高速度。”
笔者认为由于马克L.赛罗沃对协同效应所作的定义考虑了并购双方原有的增长潜力,较之前一种观点更为合理。
二、对协同效应计算方法的认识
1. 从企业价值的角度计算协同效应
如斯蒂芬A.罗斯(Stephen A.Ross)等在其所著的《公司理财》(第六版)一书中,从企业价值的角度提出了计算方法,即协同效应=VAB-(VA+VB)|,其中:VAB表示并购后联合企业AB的价值,VA|表示兼并前A企业的价值,VB|表示兼并前B企业的价值。
2. 从现金流量的角度计算协同效应
如斯蒂芬A.罗斯(Stephen A.Ross)等在其所著的《公司理财》(第六版)一书中,还从现金流量的角度提出了计算协同效应的方法,,其中:△CFt|表示t时联合企业产生的现金流量与原两个单一企业产生的现金流量的差额,即△CFt表示兼并后t时的净增现金流量;r表示净增加现金流量应负担的风险调整折现率。
3. 从股东财富变化的角度计算协同效应
M.布兰德尔、德赛和金(Michael Bradley,Anand Desai,E.Han Kim,1988)认为企业创造的协同效应是兼并企业和被兼并企业股东财富变化的总和。计算公式为:,其中,表示总的协同效应,表示被兼并企业持股者的财富变动,表示兼并企业持股者的财富变动。
尼顿(Niden C.M.,1993)进一步采用了面板数据和一个二元选择模型来计算百分比协同效应。他认为协同效应等于兼并企业和被兼并企业美元收益之和(分子)与兼并企业和被兼并企业普通股市场价值之和(分母)的比值,已经由兼并企业所持有的被兼并企业股票收益在计算协同效应的分子和分母中除去。
4. 从业绩变化角度计算协同效应
唐建新、贺虹(2005)的实证研究中,采用了马克L.赛罗沃(Mark L.Sirower,1993)对协同效应的定义,即“合并后的公司在业绩方面应当比原来两家公司独立存在时曾经预期或要求达到的水平高”,并在此基础上创造性地提出了计算我国企业并购协同效应的方法。
通过以上对协同效应计算方法的介绍,我们了解到国内外学者对于如何计算协同效应均做出了有益的探索,他们的研究成果对以后的研究极具启示作用和参考价值。但是,由于协同效应的计算本身涉及众多的内容、大量的不确定因素以及较多的参数难以准确确定其数值等,所以本文介绍的这些计算方法或多或少都存在着某些缺陷。
由于各国企业并购的环境和证券市场的发展程度不同,因此在思考计算协同效应的方法或模型时,应结合本国企业并购和证券市场的实际情况,找到影响该国并购协同效应的关键因素,设计出合理的模型。鉴于此,今后在对我国企业并购协同效应计算方法的研究中,不能盲目地直接照搬国外的研究方法,而应根据我国企业并购的实际情况,找出适合我国企业并购的协同效应计算方法。具体地说,可以尝试从企业价值评估和业绩评价的理论与方法着手来计算协同效应:
(1)从经济增加值(EVA,Economic Value Added)角度计算协同效应。斯特恩-斯图尔特公司建立了EVA业绩评价指标,并认为该指标在度量公司业绩方面优于会计指标。因为EVA以投资回报为基础,考虑了带来企业利润的所有资金的成本;EVA模式对传统的会计核算方法进行了很多调整,因而消除了会计失真;并且EVA是与MVA(Market Value Added,市场价值增加值)关系最密切的业绩评价指标。
(2)从财务指标和非财务指标相结合的角度计算协同效应。如平衡记分卡(Balanced Scorecard,BSC),它是一套综合平衡财务指标和非财务指标的业绩考核技术,主要从财务角度、顾客角度、内部流程角度、学习与发展角度来考核业绩。因此,它一方面克服了传统业绩考核方法来单纯利用财务指标来进行业绩考核的局限,另一方面又以传统的财务考核指标为基础,兼顾其他三种重要方面的业绩反映,即客户顾客角度、内部流程角度、学习与发展角度,从这四个方面来反映企业的整体业绩,并且这四个方面在逻辑上紧密相连,具有一定的因果关系。
(3)从折现现金流量(DCF)角度计算协同效应。折现现金流量法的优点是几乎可以在任何情况下用于任何公司的价值评估,因此运用这一方法设计的协同效应计算方法也可以衡量任何情况下任何公司的协同效应。而它的缺点是,评估的结果取决于评估师对未来现金流量的预测以及对于资本成本的估计。对于历史较长的公司,现金流量的预测和资本成本的估计有大量的历史数据为依据,就可以增加对折现现金流量方法的信心。
(4)在市场有效的情况下,运用以股价为基础的收益评估方法来计算协同效应,或者分别运用以财务数据为基础和以股价为基础设计的协同效应计算方法。根据有效市场假说,在一个有效市场中,股票价格会对任何能影响它的信息作出及时的反应,股票价格充分地表现了股票的预期收益和公司业绩;那么采用以股价为基础的收益评估方法来计算协同效应不失为一个较好的方法。
(5)从财务数据角度计算协同效应。虽然许多人对财务数据的可信度持怀疑态度,但陈晓等人(1999)的实证研究表明上市公司会计报表盈余数字具有很强的信息含量。而且,我们认为即使有会计数据的操纵现象,大部分也只是暂时的,随着观察时间段的延长,企业的经营业绩最终都会从会计报表中反映出来。目前,我国已有许多学者采用会计数据来衡量我国上市公司并购、重组等的绩效(冯根福、吴林江,2001;朱宝宪、王怡凯,2002等),我们可以借鉴他们的研究方法,采用几个主要的、能较为全面地反映公司业绩的财务数据来计算协同效应。
摘要：协同效应是企业并购的重要动因之一,而协同效应的含义及其计算方法尚未达成共识。本文对国内外协同效应概念的界定和计算方法进行了梳理,并提出了计算企业并购协同效应的思路。
关键词：协同效应,含义,计算方法
参考文献
[1]Michael Bradley,Anand Desai,E.Han Kim.Synergistic Gains from Corporate Acquisitions and their Division between the Stockholders of Target and Acquiring Firms.Journal of Financial Economics[J],1998(21)
[2]Niden C.M.,An Empirical Examination of White Knight and Corporate Takeover:Synergy and Overbidding.Financial management[J].199(322)
[3]斯蒂芬A.罗斯等吴世农沈艺峰等译:企业理财[M].第六版,机械工业出版社,2003
浅谈大数据与云计算的协同发展 篇9
由于云计算是由不同的企业和研究机构同步推进的技术, 所以关于云计算的定义有很多, 至今并没有一个公认的定义和标准。综合相关信息, 它可以概括为云计算:云计算虚拟化技术为核心的虚拟化技术将共享硬件和软件资源到通过互联网为载体的资源统一抽象池, 按需所需要的资源提供用户。由多个用户特点共享大型数据处理和大容量数据存储。云计算不是严格来说一个真正的新技术, 但并行计算 (并行计算) 计算模式进一步发展。作为主要的云计算标准和方案是由企业推动, 它可以说是云计算是分布式商业实现的计算模型。
二、推动商业模式的变革
商业竞争参与者的商业模式, 大数据对企业意味着和服务创新令人兴奋的机会。零售连锁, 商业用电巨头已经开始挖掘, 并在大数据大量的成功案例营销创新, 他们是极其敏锐的商业意识, 勇于在公司未来的投资, 也获得了丰厚的回报。
在思维, 最大的变化是大数据的时代, 放弃了因果关系的愿望, 而是专注于关系。也就是说只要知道“是什么”, 而不需要知道“为什么”。数千万年的人类思维的做法, 对意识和与世界沟通的方式人类颠覆提出了新的挑战。
创新, 大数据将创造出前所未有的维度量化人类的生活。大数据已成为新发明和新服务的来源, 更多的变化正蓄势待发。
在数据管理, 从数据库到大, 看似只是一个简单的技术演进, 但这两个数据不难发现, 在自然界中优雅的薄差。大数据必将颠覆了传统的数据管理方法。在数据源, 数据处理和他们的思维的数据, 这方面会带来革命性的变化。
三、云计算和大数据
“云计算和大数据是一个硬币的两面, 云计算是IT大数据的基础上, 大数据, 提供存储空间和访问大数据信道的成长的动力。从本质上来说, 云计算和大数据之间的关系是静态的和移动的关系; 云计算强调的是, 这是移动的概念;和数据是对象计算是静态如果实际应用, 前者强调的概念, 即计算能力, 或值的存储容量。然而说, 这并不意味着, 这两个都在这样的需要大的数据处理能力的数据完全不同的概念 (数据采集, 清洗, 转换, 统计和其他能力) , 事实上, 强大的运算能力; 另一方面, 动态云计算是相对的, 如基础设施在主存储装置提供的数据存储能力的服务, 因此可以被描述为在静态数据资产移动, 云存储大数据的信道的数据资产可访问的地方以及处理和分析必须依靠云计算提供计算环境, 并挖掘出的主题和适当的有效数据集的特定场景的能力。
四、云计算和大数据之间的差异
不同的应用, 主要在两个方面:
首先, 这两个概念是不同的, 云计算改变了IT和大数据是不断变化的业务。然而, 大数据必须以平稳运行有一个云基础设施。
其次, 大数据和云计算的目标受众是不同的, 云计算销售CIO的技术和产品, 是一种先进的IT解决方案。大数据出售给CEO, 出售业务层的产品, 大数据业务层的制造商。因为他们可以直接感受到来自市场竞争的压力, 我们必须在业务更具竞争力的方式赢得胜利。
五、云计算能带来什么样的大数据变化
就像一座冰山浮在海洋大数据的真正价值, 首先看到的只是冰山一角, 他们大多隐藏在表面之下。数据的价值探索和征服的数据“权力”海是云计算。互联网时代, 尤其是东西, 社交网络, 电子商务和移动通信为人类社会进入结构化和非结构化数据, 以“PB”作为信息时代新的单位。云计算之前, 传统的计算机无法处理这么大的和不规则的“非结构化数据”。
对于大数据, 云计算, 公共云基础设施上的数据仓库没有任何影响, 企业CIO的影响, 没有理由, 因为财务数据或客户数据放到云中, 因此非常危险。但是, 私有云架构确实影响:首先, 通过私有云, 您可以整合数据集市, 减少未充分利用; 其次, 通过一个敏感的方式的数据集成, 业务价值。
六、云计算与大数据协同的价值
云解决了我们凡在的, 就是对于任何时间、任何地点, 以任何方式能够获取信息资源, 进行数据分析、挖掘工作。基于云端的大数据协同解决方案能够给企业带来真正的创造价值。
参考文献
[1]金澈清.从传统数据库到新兴大数据[J].计算机学报, 2015 (1) .
[2]王涛, 邵国强.基于云计算的大数据分析[J].福建电脑, 2014 (7) .
协同计算 篇10
近年来,基于服务概念的资源封装和抽象逐渐成为开放环境下资源发布、共享和协同的主流技术基础。因此,资源池运行机制的研究问题也就演变为服务封装、服务发布、服务共享与协同的问题。资源的使用模式涉及资源提供者、资源使用者、资源中介机构三个主要实体,涵盖资源的对外发布,资源的发现,资源使用者与提供者之间的交互方法等。
在资源的发布与查找方面文献[1]设计了一种新的P2P网络模型,资源提供者通过Web服务发布要共享资源,资源需求者利用Web服务提供的资源搜索技术,得到提供者的地址,让提供者和需求者直接交互达到资源共享的目的,最后给出了新的研究方向和应用前景。文献[2]针对面向服务结构中传统服务调用带来的不必要的网络负载、较长的响应时间和服务提供端的瓶颈问题,结合发布/订阅模型提出一种推模式服务调用方法,并将其与传统的拉模式相比较,通过分析和实验表明该方法在通信量、响应时间等方面具有较强的优势。
在资源的交互模式方面文献[3]研究了BPEL4WS执行引擎Web Jet Flow对Web服务的异步调用机制,在引擎的服务调用代理中对Web服务统一采用非阻塞双传输异步调用,提高了调用线程的利用率。同时引入了cache机制并设计了相应的cache替换算法,保证了引擎对异步调用结果消息的匹配效率以及数据安全性,通过实验验证引擎的性能有了明显的提高。文献[4]从安全性角度提出了一个安全异步资源使用平台的基本架构和关键技术。文献[5]提出了基于回调机制和消息回执的Web服务异步调用模式,在不增加系统运行压力的情况下,实现了Web服务的异步调用,并能保证消息的可靠性。文献[6]依据服务描述实现资源的静态绑定与调用。文献[7]为了实现BPEL流程在运行过程中对Web服务的动态调用,提出了一种通过服务代理为BPEL流程分配Web服务的方法。对传统的Web服务模型进行分析,指出其不足之处,将服务代理引入传统的Web服务模型,提出了基于代理的Web服务模型,描述了服务代理的功能和结构,以此为基础构建了基于代理的BPEL业务流程框架,实现了Web服务的动态调用,最后通过实例说明了该方法的可行性。文献[8]该文提出了一种使用语义Web和Agent技术在客户端发现和调度Web Service的系统模型,并通过原型系统的演示说明其灵活性。
在资源评价方面文献[9]提出: 虽然目前面向服务的架构能够很好地支持协同服务的注册、发现和组合,但在如何根据用户的Qos( Quality of Service,Qos) 请求快速、可靠地为用户选择合适的服务仍然存在诸多挑战。这吸引了来自工业界和学术界的热切关注,尤其是服务组合过程中基于Qo S度量的服务选择技术所面临的挑战。文献[10]为了提供满足客户服务质量( Qo S) 需求的组合Web服务,提出了一种支持Qo S属性描述的Web服务描述模型。通过在原有的Web服务描述语言的tport元素中添加operation Inst属性来描述Qo S属性,从而获得了一种可扩展的Web服务描述语言。在此基础上给出了基于多目标决策理论和分形理论的服务选择算法,该算法考虑了Qo S属性之间的不可公度性和独立性,同时给出了Qo S驱动的服务组合框架( E - WsF rames) 和具体实现方法。实验结果分析表明,E - Ws Frame可以综合考虑服务组合的功能和Qo S的要求,并可根据服务请求自动地实现组合服务。文献[11] 摘要提出一种用于Qo S感知的Web服务选择的遗传算法该算法采用关系矩阵编码方式,克服了一维编码方式表示的局限性,并且可以通过简单的方法来表示组合服务重计划及Web服务循环路径等情况,通过该算法一次运行,就可以从所有组合路径的组合方案中选出满足用户Qo S需求的组合方案,而一维编码遗传算法在多路径情况下需多次编码、多次运行。算法还采用一种变异策略来提高算法的适应度。通过仿真比较,关系矩阵编码遗传算法比一维编码遗传算法获得了更优解,变异策略在提高算法适应度方面也发挥了作用。文献[12]针对Web服务提出一种的新Qos本体及基于该本体Qos的评级算法 - 层次分析算法,并与基于信誉度的评级算法,基于testing的评级方法在时间复杂度和准确性进行比较,获得较满意的结果。文献[13]提出在这项工作中,我们提出两种互补的方法,克服上述缺陷。首先,我们针对已请求过的相关服务提出一个评级的方法,并给出了基于定义于各服务之间的主关系的客观度量。第二,针对聚类的相关服务研究一种方式从而揭示和反映了不同匹配参数之间的权衡。文献[14]设计一种用户协同过滤机制针对他们过去使用过的服务Qo S信息,然后利用这些Qo S数据,设计协同过滤方法预测评级这些服务的Qo S。
在资源分析度量方面文献[15]本文提出了一个完整的Web服务质量的评估算法,此算法在分析了Web服务评量和相对服务质量的基础之上,计算Web服务质量的综合评估值,并且建立一个Web服务质量评估模型,将此算法应用于评估模型中,可以在多个Web服务中选择最优的服务提供给用户。文献[16]在面向服务的环境下,单个Web服务往往不能满足用户的要求,这时就需将已有的单个Web服务进行组合,以便产生满足用户需求的、增值的组合服务。已有的服务组合方法都很少考虑Web服务的随机性和Internet环境的动态性,从而在服务选择过程中产生的规划都是静态规划,结果导致在服务组合时都以较大概率出现组合失败。针对上述问题,提出了Web服务各随机Qo S指标的度量方法和自适应Qo S管理体系结构,并利用随机型离散事件系统唯一的动态控制方法———马尔可夫决策过程( MDP) ,设计出随机Qo S感知的可靠Web服务组合算法。实验结果表明,考虑随机性的Qo S度量方法和Qo S管理体系结构,以及平衡了“风险”与“报酬”的MDP有效地提高了服务组合成功率。文献[17]就组合服务的总体Qo S计算给出了研究。
2 海云协同环境下资源池运行机制面临的问题与挑战
下一代智慧应用的典型特征是在海云协同环境下,以业务需求为驱动,实现人机物的相互协商、自动交互与协同,最终实现和满足特定的业务需求。但此愿景的实现还面临诸多技术难题与挑战。主要体现在资源表述、资源发现、资源组合、资源规划、资源组装、资源协作等问题。
( 1) 资源表述: 海云复杂环境下由于资源的多样性和多变性,导致资源的描述( 即有关服务属性的描述信息,如服务接口、服务质量等) 不断变化,需要解决异构资源如何通过统一的接入标准和方法,实现海云资源的虚拟化和服务化。
( 2) 资源发现: 现有的资源发现模式( 如“关键词查找”和“目录浏览”) ,返回资源很难准确满足用户的实际需求,大量相关与不相关的返回结果增加了用户资源选择的难度,用户也难以按照“资源质量”,“成本收益”等业务指标对资源进行二次筛选。
( 3) 资源组合: 在整个资源发现和组合的过程中,现有技术通常以一种被动编码的形式实现,资源的发现和组合均由资源请求者或者资源代理通过直接的服务调用或者用服务组合语言编写程序等方式进行,其动态性和适应性受到很大的限制。此外,由于资源跨行业、资源粒度的差异性、资源的静态运行等限制因素,很难依据用户需求准确定位资源并对资源进行再组合,形成资源的二次封装,以满足用户不同层面的业务需求。
( 4) 资源评级与监测: 海云协同环境是一个开放的可演进系统,如何基于真实的用户数据实现资源的评级,如何监测资源的Qo S,如何协商服务级别,如何实现资源的优胜劣汰,实现资源使用的效用最大化,以上问题的解决,都亟需建立一套资源评价与监测机制。
( 5) 资源协作: 海云协同环境下,人机物的相互协商、自动交互与协同,最终都体现为资源的交互与协作,要实现此目标,需要海云资源池提供交互协议和协作规则等底层支持。
除此之外,在海云开放环境下,资源将以前所未有的数量不断扩展和更新,资源功能及质量呈现持续变化的特点,对于用户来说,将面对一个复杂、多变的动态资源环境。由于缺乏统一的资源视图,缺乏透明和统一的访问机制,资源发现、使用和协作的复杂度必将猛增。
3 海云协同资源池运行机制的研究内容与创新点
如前所述,传统的资源发现使用一种公共的、标准化的服务描述语言( 如WSDL) 来描述资源,以使服务搜索和发现程序可以识别该资源。以此为基础,本文建立一种公共的词汇表来辅助资源的发现和需求理解,本文主要从资源功能需求角度研究资源的发现和需求匹配,因此,我们建立了一个领域功能词汇表,这个功能词汇表在资源发现和资源组合阶段中起着关键作用,它用于支持需求的功能描述和资源的能力描述,使得在功能层面上资源池运行机制可以理解需求,并且能对是否参与该需求的解决作出判断。
为此,本文提出一些概念定义如下:
( 1) 资源空间( Resource Space,简称RS) : 是特定领域中可能的资源构成的概念组成的词汇表,资源空间包含3组基本概念: 资源、属性、服务。
( 2) 资源: 在海云计算领域中,任意可以被需求方识别和访问的实体称为资源,例如数据、仪器仪表、软硬件系统、人等等。所有资源均包含一组特定的属性,每个属性用于表征资源某个方面的特征。资源属性可以分成静态属性和动态属性。静态属性是指在资源的整个生命周期中,其值不随时间发生变化的属性,例如资源的名称、资源类型等等; 而动态属性的值将随外界条件的改变而发生变化,例如资源的访问量,资源所处状态等等。
( 3) 资源服务: 资源所具备功能的表述形式,资源使用者通过资源服务来操作资源的功能,实现资源的状态变迁,以达成用户特定的业务价值。
( 4) 原子资源: 经过一次封装并提交到资源池中的资源,是可供使用者识别和访问的不可拆解的实体。
( 5) 事务资源: 资源实体所具备的服务具有事务特性,对服务的调用要么成功改变资源状态,要么回滚到服务调用前的资源状态。
( 6) 组合资源: 若干原子资源或组合资源组合编排后形成的可供使用者识别和访问的资源实体。
以上实现以机器能理解的词汇进行资源描述是关键,在传统资源上添加概要与功能词汇标注,将资源的状态从机器可读提高到机器可理解,使得资源的属性和功能能被机器自动识别、处理,这是整个海云协同资源池实现机制的基础。由于语义信息比语法信息更能准确地描述资源及资源之间的关系,因此从定性角度来看,通过语义获得的结果比用语法获得的更好、更准确。
本文提出的海云协同资源池运行机制主要创新点体现在以下几个方面。
( 1) 提出一种新的资源描述方法,利用语义信息和本体论( 本体库与词汇库) ,在传统资源上添加语义信息,将资源从机器可访问,提高到机器可理解,以语义资源为基础,建立面向海云计算环境的资源发现,资源规划、资源组装、资源共享、资源协同、资源消费的综合运行机制。
( 2) 提出一种新的意图 - 能力 - 实现的资源消费模式,将资源的使用模式从被动检索,被动调用的传统模式提高到以需求为驱动,以Qo S为保障,以收益最大化的资源自动供给模式。
( 3) 提出一种新的新的资源池运行机制,一方面利用资源的相似度,建立资源簇并用语义信息显示声明资源簇具备的能力,另一方面利用语义信息,将用户需求转化为机器可推理和识别的意图,资源池根据用户意图及资源簇能力进行匹配,推荐可供选择的候选资源簇,基于Qo S、成本与收益完成用户意图与资源簇能力的自动协商,最终实现用户意图。
4 海云协同资源池的概念模型与概念架构
为解决海云协同资源池面临的挑战与难题,以领域公共词汇表、资源空间、资源词汇标注为技术基础,本文提出基于领域词汇表的海云资源池概念模型如图1所示。
该模型是SOA服务模型的扩展,在该模型中,概念实体的定义分别如下:
( 1) 资源提供者: 通过统一的接入标准和方法向海云资源池注册资源的实体,除了资源的语法描述信息,还需要提交资源的语义词汇信息标注;
( 2) 资源消费者: 请求和消费资源的实体,资源消费者按照需求描述模板,填写并向资源池提交资源使用需求,资源池对需求进行理解,推荐所需资源,并协调、监测资源的后续使用;
( 3) 资源池: 提供整个资源管理运行的基础设施,接受资源提供者的资源注册、接受资源使用者的资源查找、发现、消费请求,协调、监测资源的服务质量,扩展的词汇表辅助资源的发现和需求理解,用于支持需求的功能描述和资源的能力描述,使得在机器可以理解需求,并且能对资源的能力进行判断。
海云协同资源池概念架构如图2所示。关键功能模块包括资源注册表、资源发布、资源发现、资源消费、资源Qo S管理、资源生命周期管理、资源计量以及适配器等。
海云协同资源池概念架构中各功能模块定义如下:
( 1) 资源注册表: 以目录服务的形式存储资源的语法与语义信息,对其它功能模块提供注册表的增删查改功能;
( 2) 资源发布模块: 对外提供资源发布接口,接收资源发布请求,对符合统一规范的资源发布请求,将资源语法与语义信息写入资源注册表;
( 3) 资源发现模块: 对外提供资源发现接口,接收资源查找与发现请求,将用户提交的需求描述转换为资源池的查找请求,对资源池的返回结果进行筛选、匹配,按照需求的匹配程度推荐符合用户需求的资源;
( 4) 资源消费模块: 对外提供资源消费的授权接口,接收资源消费请求,该模块按照资源的计费规则向请求者发放资源使用小票,获得资源使用小票的消费者可以发起对资源的请求;
( 5) 资源计量模块: 对外提供资源使用审核、资源使用计量接口,接收适配器小票审核请求,审核通过后,对资源的使用进行相应计数;
( 6) 资源Qo S管理模块: 对资源的服务质量进行评测,为其它模块提供资源服务质量查询请求;
( 7) 资源生命周期管理模块: 为其他模块提供资源生命状态查询、变更等访问接口,管理资源从注册、使用、暂停到注销的全生命周期状态管理。
依据本文提出的概念架构,以下对资源发布、资源发现和资源消费三个典型场景进行描述如下:
( 8) 资源发布场景: 对应图2中的1. 1至1. 2流程,适配器调用资源发布接口,提交资源描述信息,资源发布模块对资源描述进行检查,如果符合统一规范,资源发布模块将资源信息注册到资源注册表中;
( 9) 资源发现场景: 对应图2中的2. 1至2. 3流程,消费者调用资源发现接口,提交需求描述信息,资源发现模块转换抽取需求描述,查找注册表,对注册表返回的结果进行筛选匹配,将匹配结果再返回给消费者;
( 10) 资源使用场景: 对应图2中的3. 1至3. 4流程,消费者调用资源消费接口请求资源的使用权,资源消费模块依据被请求资源的使用与计费规则,向消费者发放资源使用小票,消费者持小票向适配器请求访问资源,适配器收到访问请求后将访问小票提交到资源计量模块,资源计量模块将小票与系统留存票根进行审核并将结果返回适配器,适配器依据计量模块返回的审核结果,允许或拒绝资源的访问。
5 基于用户意图的资源匹配框架
以上文提出的海云资源池架构为基础,本文进一步提出如图3所示的基于用户意图的资源匹配框架,其资源匹配的实现流程如图3所述:
( 1) 用户意图描述: 对应图中的步骤1,用户对其意图进行格式化描述,包括获取资源目的,对价格的预期,对Qo S的要求,期望的输出结果等;
( 2) 用户意图解析: 对应图中的步骤2,解析模块将用户提交的意图描述解析为资源的语义描述,包括一般性信息,输入/输出,Qo S,前置条件等等;
( 3) 资源匹配: 资源匹配模块按照特定的相似性算法,将解析后的用户资源需求与资源池内的资源进行匹配,按照资源相似性推荐相应的资源;
( 4) 资源推荐: 将资源匹配模块输出的资源推荐给用户。
6 结束语
下一代智慧应用的典型特征是在海云协同环境下,以业务需求为驱动,实现人机物等资源的相互协商、自动交互与协同,最终实现和满足特定的业务需求。但此愿景的实现还面临诸多技术难题与挑战,主要体现在海云复杂环境下资源表述、资源发现、资源组合、资源规划、资源组装、资源协作等问题。