一、网格服务挖掘:一种面向网格服务计算范例的实现（论文文献综述）
于魁[1]（2021）在《移动互联网用户行为的隐私保护数据挖掘研究》文中指出近年来,随着5G移动通信、智能手机、互联网技术的飞速发展,移动互联网能够满足用户随时随地获取信息资源的需求。面对日益增长的信息服务需求和海量的用户行为数据,通常采用数据挖掘的方法发现用户的潜在价值与行为规律,推动健康医疗,智能交通,大数据征信等领域的发展。在移动互联网用户行为数据中含有丰富的位置轨迹,消费信用,兴趣点等个人隐私信息。这些信息被过度收集和访问时,会增加个人隐私泄露的风险。隐私保护数据挖掘技术（Privacy Preserving Data Mining,PPDM）能够满足数据挖掘与隐私保护的需求,是一种改进数据挖掘算法性能的优化技术。PPDM技术通过隐藏用户不能公开的信息内容,使原始数据不被窥探或攻击,确保用户数据的隐私性,并且经过隐私保护方法处理后,不改变数据的统计特征,满足挖掘算法对数据可用性的需求。本文针对用户行为的事务项目、事务序列、移动位置、上下文开展隐私保护数据挖掘的创新性研究,工作内容如下:（1）针对用户事务项集频繁模式的隐私保护数据挖掘问题,提出了基于FP-Tree的隐私保护频繁项集挖掘算法DPFIS。该算法分为数据预处理和频繁模式挖掘两个阶段。在数据预处理阶段,为了提高数据的读取效率,保护事务项集的隐私安全,利用FP-Tree结构,建立满足差分隐私保护的频繁模式树DPFP-Tree访问结构。在频繁模式挖掘阶段,为了降低噪声对数据的干扰,优化事务项支持度和项集长度的干扰噪声分配机制,利用打分函数的评分值控制指数噪声的添加量。采用相对阈值长度分裂方法,降低事务项集长度截断误差的影响,提升了挖掘结果的准确度;综合频繁项集挖掘实验结果的评价指,标F-score和RE分别提高了 14%和17%。（2）针对用户事务序列频繁模式的隐私保护数据挖掘问题,提出了基于FS-Trie的隐私保护频繁序列挖掘算法DPFSC。针对候选频繁序列集合的冗余问题,利用前缀树结构,建立满足差分隐私保护的频繁序列前缀树FS-Trie访问结构。为了降低子树分枝高度,设计序列长度打分函数,优化隐私预算分配方案,裁剪超出最优高度的子树分枝。为了保持DPFS-Trie中签到序列项的连贯性,采用面向前缀树分枝的“裁剪-拼接”策略,补偿序列截断造成的信息缺失,提升序列频繁模式挖掘结果的准确度。综合频繁序列挖掘实验结果的评价指标,F-score和RE分别提高了 11%和15%。（3）针对用户移动行为的位置隐私保护数据挖掘问题,提出了基于排队论的隐私保护人流量预测方法EM-PMM。针对位置服务质量的提升与个人位置隐私保护难协调的问题,采用Geohash技术设计一种网格模糊化的位置隐私保护方案。为了解决用户的移动造成人流量预测难的问题,针对目标区域的服务资源配置,设计用户移动状态模型。此外,利用最大期望法训练服从泊松分布的EM-PMM模型参数,估计目标区域内人员流动数量。基于排队论的移动状态模型对人流量的预测效果优于对比算法。综合实验结果指标,New-flows的RMSE和RE分别提升了 4.5%和2.3%,End-flows的RMSE和RE分别提升了 3.1%和 2.7%。（4）针对用户参与社交活动的上下文隐私保护群组活动推荐问题,提出了基于上下文主题模型的隐私保护群组活动推荐算法DP-SCTM。该算法融合时间、空间、内容和社会关系因素,满足用户对群组活动即时参与的需求,缓解数据稀疏和冷启动的问题。为了保护用户上下文隐私,设计满足差分隐私保护的上下文主题模型,在Gibbs采样过程中添加噪声干扰模型的训练结果。此外,为了解决用户参与群组活动中上下文隐私保护问题,优化隐私预算分配方案,控制模型参数迭代训练结果,调整用户画像排名和活动候选项目列表的发布内容。基于上下文隐私保护的主题模型对群组活动的推荐效果优于对比算法。综合实验结果指标,Precision和Recall值分别提升了 16%和18%。
刘奕[2]（2020）在《5G网络技术对提升4G网络性能的研究》文中提出随着互联网的快速发展,越来越多的设备接入到移动网络,新的服务与应用层出不穷,对移动网络的容量、传输速率、延时等提出了更高的要求。5G技术的出现,使得满足这些要求成为了可能。而在5G全面实施之前,提高现有网络的性能及用户感知成为亟需解决的问题。本文从5G应用场景及目标入手,介绍了现网改善网络性能的处理办法,并针对当前5G关键技术 Massive MIMO 技术、MEC 技术、超密集组网、极简载波技术等作用开展探讨,为5G技术对4G 网络质量提升给以了有效参考。
夏奇思[3]（2011）在《基于粗糙集的网格海量数据挖掘若干关键技术研究》文中研究指明数据挖掘是从大量数据中发现有用知识的一种手段,已成为目前国际上数据库和信息决策领域最前沿的研究方向之一,受到了学术界和工业界的广泛关注。但随着数据量越来越大和数据位置上的分布性,传统的计算模式己满足不了实际要求,而网格具有资源共享和协同求解的特点,为大规模分布式数据提供了良好的分析和计算平台。本文以网格服务为基础,重点研究了网格数据挖掘的若干关键技术,包括海量数据分割、网格资源分配和调度以及分布式函数挖掘算法等,主要工作如下所示:（1）利用现有的算法和理论,提出基于属性约简的粗糙集海量数据分割算法（Mass Data Partition for Rough Set on Attribute Reduction, MDPRS-AR）,使得算法的分割效率提高了约70%,同时使得算法能在数据网格的相关方面中很好地应用;（2）提出了基于粗糙集和折半查找的最优属性约简算法（Optimum Attribution Reduction on Rough Set and Binary Search Algorithm, OAR-RSBSA）,通过OAR-RSBSA算法可以快速找到一个约简,在此基础上构造新的样本数据。同时在传统GEP算法的基础上,结合折半查找和网格服务的思想,提出了网格下基于粗糙集、GEP和折半查找的分布式函数挖掘算法（Distributed Function Mining on Rough Set ,GEP and Binary Search in Grid, DFMRSGBS）。DFMRSGBS算法利用属性约简提高函数挖掘的效率和成功率,同时在全局模型生成中给出了函数一致性合并算法,使得到的全局模型能够拟合大部分的样本数据。仿真实验表明,OAR-RSBSA算法求解最优约简比传统的算法要快,DFMRSGBS算法比GEP和并行GEPSA算法的平均耗时要小,且随着网格节点个数的增加,DFMRSGBS算法的全局拟合误差明显下降;（3）根据本文的需要,给出了一种面向服务的网格数据挖掘体系架构,并详细论述了该体系结构下的各个功能模块的内容和相互之间的关系;（4）利用Eclipse平台,结合基因表达式编程算法（GEP）,实现一个网格数据挖掘原型系统（Grid Data Mining System, GDMS）。详细介绍了网格数据挖掘原型系统各个主要功能模块的设计和相应门户的实现,用户通过该门户可以方便地远程执行分布式数据挖掘。
赵志杰[4]（2010）在《汽车耐撞性数值分析网格研究及应用》文中指出相对于传统的物理碰撞试验,计算机数值分析方法以其准确的计算结果、高效率的执行,成为目前汽车耐撞性研究所采用的主要手段。同时,随着全球化发展的趋势,汽车制造业逐渐在向网络环境下移植。跨国、跨地区汽车制造商以及零部件供应商,发挥各自优势共同开发产品,对提高产品质量、提升产品竞争力都具有积极的意义。在此背景下,在集中地进行的,基于计算机数值分析的耐撞性研究也必须适应新的基于网络的制造环境。本文基于网格和数值分析理论,研究并构建了汽车耐撞性数值分析网格平台;结合耐撞性理论,研究了耐撞性协同仿真和分布式耐撞性数据挖掘方法。在此基础上实现了两个应用系统,分别为汽车耐撞性协同仿真应用系统,以及汽车耐撞性数据挖掘应用系统。结合企业实际,分别在这两个应用系统上实施了典型应用,取得了良好的效果。具体内容包括:依据分布式环境下汽车耐撞性数值分析研究的需求,研究了网格系统架构、安全策略、适用于人工资源的工作流集成方法以及人工服务的调用、通知方法,在此基础上构建了满足OGSA规范的网格平台。提出了一种面向汽车耐撞性数值分析的网格应用中间件的概念和技术,并将其应用在所提出的网格平台上。该技术实现了应用服务与基本网格服务的解耦与分离,增强了系统开发的灵活性及可扩展性。本文提出的网格平台,不仅可以运用于汽车耐撞性数值分析,也适用于其他类似工程领域。针对汽车耐撞性数值分析研究的重要领域——耐撞性协同仿真,研究了基于显示非线性有限元算法及接触算法的耐撞性仿真算法、面向信息安全的有限元协同设计方法,提出了面向信息安全的有限元模型合成方法及数值计算结果的分离方法。基于此方法,开发了面向耐撞性协同仿真的应用服务。在此基础上,将所开发的应用服务部署到所构建的汽车耐撞性数值分析网格平台的应用中间件层,并借助Jsp、Servlet、工作流等技术以及具体的业务逻辑,在平台的应用层开发了面向最终用户的Web应用界面,从而实现了汽车耐撞性协同仿真应用系统。该系统实现了整车商与部件商在进行耐撞性协同仿真活动过程中对资源的共享,以及参与协同的各方对各自知识产权的有效保护。为了评估所构建系统的性能,在广域网内（上汽工程研究院、延峰江森、上海超级计算中心和上海交大）搭建了耐撞性协同仿真实验床,并根据企业实际案例,多方协同进行了耐撞性协同仿真。耐撞性数据挖掘是另一个汽车耐撞性数值分析领域的重要应用,其目的是通过对已有耐撞性数据所挖掘得到的知识为汽车耐撞性结构设计,尤其是优化匹配设计提供技术支持。本文基于数据挖掘和汽车耐撞性理论研究了耐撞性数据的元数据计算技术、决策树分类器的合成技术,结合Stacking算法、Meta-learning算法以及反求策略,提出并实现了分布式耐撞性数据挖掘算法。提出并实现了前、后端合成的分布式数据挖掘服务。前端服务负责对数据挖掘项目总的管理,后端服务负责对存储在本地（或传输至本地）的原始数据进行元数据抽取及局部数据挖掘。在此基础上,将所开发的应用服务部署到所构建的汽车耐撞性数值分析网格平台的应用中间件层,并借助Jsp、Servlet、工作流等技术以及具体的业务逻辑,在平台的应用层开发了面向耐撞性数据挖掘用户的Web应用界面,从而实现了汽车耐撞性数据挖掘应用系统。在局域网内搭建了耐撞性数据挖掘试验床,对分布在四个节点的183GB的耐撞性数据进行知识发现,以实现对车辆的优化匹配设计。
赵征[5]（2009）在《网格环境下面向服务的分布式数据挖掘研究与实现》文中研究说明目前,无论是数字化管理的需要还是后工业化进程的要求,都使我们日益面对以前无法想象的海量数据。虽然数据挖掘技术已经在医学珍断、市场与销售、图像筛选、负载预测等领域得到了广泛的应用,但是面对日益爆炸式增长的数据和高度复杂的计算模型,传统的集中式数据挖掘技术已显得有些力不从心,必须利用分布式、并行计算技术将其过渡到新的处理模式上。网格技术和Web服务技术的出现,为分布式数据挖掘的研究带来了新的契机,因为网格技术可以将分散在不同地理位置的各种异构资源有机地整合起来形成一个具有超级计算能力的平台,从而达到计算资源、存储资源、算法资源、信息资源等的全面共享,而Web服务作为一种新兴的Web应用模式和分布式计算模型,正可以用来解决各种异构资源之间的互操作和互通信问题。因此,在网格环境下,将Web服务技术应用到数据挖掘领域是一个全新的理念,利用Web服务机制对服务的发布、发现及管理来达到资源的共享,有效地弥补网格资源的动态性及分布性。本文在深入研究相关理论的基础上,对如何将网格与Web服务技术融合并应用于数据挖掘领域做了初步的探索,主要工作包括:（1）结合数据挖掘的全过程提出了面向服务的基于工作流的数据挖掘管道模型,基于此模型提出并设计了一种新型的面向服务的分布式数据挖掘平台SODDM体系结构,实现了用户可以交互式地完成整个数据挖掘任务的执行。（2）利用Web服务的发布与发现机制设计并实现了面向服务的分布式数据挖掘门户PDDM。构建了私有的UDDI注册中心来对服务资源进行统一的存储和管理,不仅为提供者发布服务提供宿主,同时能为请求者查找服务提供基础。在服务查找时提出了一种新型的服务质量计算模型来度量用户对服务的满意度。（3）基于Weka类库开发了一系列通用的、可扩展的数据挖掘工具,包括数据选择、数据转换、算法选择、算法参数配置、属性选择及结果集的表示。这些工具集可以使用户交互式地参与整个数据挖掘过程,同时也能与数据挖掘服务进行动态组合,完成数据挖掘管道的构建。（4）随着网格与Web服务的融合,越来越多的资源会以Web服务的形式提供,以分布式问题求解环境Triana和开源数据挖掘类库Weka为底层支撑环境,设计并实现了面向服务的分布式数据挖掘系统DDMWS,实现了对PDDM门户中查找到的数据挖掘服务的导入、组合和调用。此外,系统能以工作流形式灵活地构建数据挖掘管道,用来支持交互式、分布式和并行数据挖掘的实现。（5）本文对所提出的SODDM平台进行了有效性验证,利用WAT对PDDM门户进行了定量分析,测试门户能够承受并发用户的数目;利用校园网搭建虚拟网格实验环境,基于该环境对DDMWS系统的可用性及通用性进行了论证,分别采用分类、聚类、关联规则进行了系统验证,结果表明该系统可以有效地解决各类分布式/并行数据挖掘任务。基于上述对本文工作内容的总结及目前国内外对该课题的研究现状,本文研究工作的特色在于:（1）结合数据挖掘领域的特点,提取了一组服务质量参数及计算模型。并定义了服务质量的计算方法,用来为请求者提供满意的服务提供质量担保。（2）构建了私有的UDDI注册中心,用来管理和协调数据挖掘服务、实现服务的发布与发现。在服务发现时,能够为用户查找满足一定服务质量QoS的数据挖掘服务。（3）提出了一种基于工作流的数据挖掘管道模型,基于此模型利用Weka开发了一系列数据挖掘工具。在DDMWS中利用数据挖掘工具集与数据挖掘服务进行动态组合、构建数据挖掘管道、完成数据挖掘任务的执行。
镇璐[6]（2008）在《基于知识网格的知识供应理论与技术》文中研究指明该学位论文结合国家重点基础研究发展计划（973）资助项目:知识网格环境下面向产品创新设计的知识供应理论与技术研究,对基于知识网格的知识供应理论与技术进行了研究。本文从知识网格、知识资源组织、知识需求描述、知识供应引擎等方面进行了分析、研究和阐述;并结合产品设计领域,对提出的理论与方法进行了系统开发及应用实证。本文提出了基于对等网络的分布式结构化知识网格三层架构模型、以及知识资源查询路由方法;并对知识网格的核心——知识资源空间模型,结合知识地图进行了扩展;面向知识供应之目标,提出了基于知识网格的知识供应系统层次图、知识网格物理拓扑,以及在其基础上如何支持企业组织内部（或之间）的知识供应。本文提出了基于知识服务的异构知识资源统一描述、封装方法,并定义了知识服务本体;与此同时,提出了语义超图模型及其数据结构、推理机制,用于描述知识服务之间的语义关联,实现知识供应源头异构知识资源的有效组织管理。本文提出了基于工作流的知识需求描述以及智能获取方法,定义了基于工作流中成员-角色-任务的知识需求描述模型,并提出一套新的方法,主要是根据用户的兴趣、知识背景、工作的任务的需求、角色对能力的要求、以往阅读查询历史、社区交流记录、以及工作安排等信息,去自动挖掘出协同团队中各个用户的不同知识需求。本文提出了知识网格环境下集中式、分布式知识供应引擎模型,针对集中式,具体提出了基于用户需求的知识供应引擎（普通应用）、面向创新的知识供应引擎（高级应用）;并且结合分布式结构化知识网格三层架构模型,提出了适应该环境的分布式知识供应引擎实现策略。本文将前面提出的知识供应理论与技术应用到产品设计领域中。具体研究知识供应平台的系统架构和应用模块,研究如何通过该平台对产品开发中知识资源进行组织和管理,用具体实例展示产品设计活动中基于需求的知识供应过程、以及面向产品创新设计的知识供应高级应用。最后,通过具体实例展示了面向产品开发的分布式环境下知识供应引擎工作过程和场景。最后,对全文主要贡献进行了总结,并阐述了进一步研究计划。
胡蓉[7]（2008）在《网格数据挖掘技术研究》文中研究表明网格被认为是下一代的互联网,具有超强的计算处理能力、良好的系统扩展能力和高效的分布式资源管理能力。它突破了计算能力、存储能力、资源分布、资源共享方式的限制,适用于计算密集型、数据密集型的应用。网格数据挖掘技术是将数据挖掘技术和网格技术结合起来,充分利用网格计算平台提供的各种服务来进行分布式数据挖掘的技术,是近年来的研究热点。网格计算中的任务管理、任务调度和资源管理等服务可以为分布式数据挖掘提供极大的便利。本论文首先深入分析了以知识网格和GridMiner为代表的网格数据挖掘技术,指出了它们的不足,通过对目前几种网格体系结构的详细分析,以及对开放网格服务基础结构OGSI和Web服务资源框架WSRF优缺点的比较,选择了以支持WSRF的GT4（Globus Toolkit 4）作为构建网格数据挖掘体系结构的基础平台。另外,针对目前用户提交的数据挖掘任务的多样性,提出了基于应用领域和子领域任务的数据挖掘任务分解方法,利用本体对其进行描述,从而使得用户透明地执行网格数据挖掘。随后,根据分布式数据挖掘的特点,提出了一种以本体、数据集成、服务发现与合成以及知识库为技术核心,基于GT4的新型分布式网格数据挖掘体系结构,并设计了该体系结构下各模块的主要功能接口和本体库,深入分析了各个模块之间的关系和网格数据挖掘流程。最后给出了网格环境下的数据挖掘服务部署的实例。
陈火根[8]（2007）在《网络化制造环境下虚拟物流网格服务的若干关键技术研究及其应用》文中研究说明网络化制造提供制造企业在因特网环境下开展生产、经营活动的理论和方法，突破了地理空间给企业生产经营所造成的障碍。网络化制造模式对物流系统提出了新的挑战，要求物流系统具有高度的敏捷性，能够通过Internet使分布在不同地域的各种物流资源在供应链上实现有效整合，实现物流业务在一个地区、一个国家乃至全球范围内的优化，即虚拟物流管理。本文围绕网络化制造环境下虚拟物流管理这一问题，在分析国内外相关理论和方法并比较物流网络与网格相似性的基础上，提出了建立物流网格系统的构想，采用理论和实践相结合的方法对物流网格的概念、体系结构，以及物流网格中的货物配载服务、物流配送优化计算服务、客户价值分析服务等关键技术进行了比较全面、深入的研究，为物流服务平台构建提供一些理论与方法。第一章在分析网络化制造环境下物流系统所面临的挑战的基础上，讨论了物流管理的演化及虚拟物流管理的产生。针对目前物流服务平台的不足，阐述了研究虚拟物流网格服务技术的必要性，提出了本文的研究体系。第二章从虚拟物流管理的基本定义出发，分析了虚拟物流管理的主要内容、运作模式和过程模型。然后，在分析比较物流网络与网格的相似性基础上，提出了基于网格计算的虚拟物流网格服务概念，给出了相关定义，建立了物流网格系统的体系结构，包括面向网格服务架构的层次模型、物流网格信息处理的逻辑结构模型以及物流网格的知识服务结构模型等。第三章结合物流网格中的货运配载服务，研究了网格环境下物流资源集成优化，建立了基于资源代理机制的货运配载网格服务模型。在此模型的基础上，提出了基于在线批处理方式的货主优先的动态配载算法，对货物和车辆资源进行分类与匹配，并进一步研究了基于逆向拍卖技术的定价机制。第四章从物流区域配送车辆优化调度问题（VRP）出发，研究了网格环境下物流配送的实时优化技术。首先，通过对物流配送实时优化问题的分析，提出了基于网格技术求解物流配送实时优化问题的思想，并建立了物流配送优化计算的网格服务模型；然后，以带时间窗的车辆优化调度问题为切入点，进一步研究了物流网格计算模型的应用，提出了一种基于遗传算法的主-从控制方式的优化计算应用结构，并设计了VRP问题求解的遗传算法，给出了初步的实验结果。第五章针对物流客户价值分析，研究了物流网格数据挖掘的模型、方法与应用。在对网格环境下的分布式数据挖掘技术分析的基础上，建立了一个基于元数据的物流网格客户价值数据挖掘结构模型。在此基础上，进一步对物流客户价值分析中的客户分类方法进行研究，建立了物流企业的客户分类评价指标体系以及基于模糊聚类方法的数据挖掘分类算法。第六章在上述理论研究的基础上，研究了物流网格服务技术的应用，开发了一个原型系统对理论进行了初步验证。第七章对全文的研究工作进行总结，并指出了今后需要进一步深入研究的方向。
刘平峰[9]（2006）在《基于知识网格的电子商务智能推荐理论方法研究》文中研究指明现有电子商务推荐系统不能满足网络条件下大规模电子商务推荐的需求，知识网格技术、语义本体论和电子商务推荐技术的结合，可以满足网格条件下商品知识、用户需求知识和推荐知识的有效获取、聚合和智能推荐协同工作的要求。通过对基于知识网格的电子商务智能推荐的理论与方法进行研究，为大规模、高质量和强实时性要求的分布式电子商务智能推荐系统的研发提供理论方法基础。本文将基于知识网格的电子商务智能推荐理论方法研究分为三级结构：基于知识的电子商务智能推荐系统、电子商务智能推荐知识网格、以及电子商务智能推荐知识网格服务社区，分别研究了基于知识的电子商务智能推荐原理方法；研究设计了电子商务智能推荐知识网格模型，研究设计了电子商务智能推荐知识网格服务社区的结构、生成和组织机制以及自组织优化算法。论文主要研究内容如下：相关理论分析与评述。主要阐述了语义Web的基本理论，网格技术的最新发展，国内外主要流派关于语义网格和知识网格的基本思想、理论、技术和方法。分析了电子商务推荐系统的概念，基于内容过滤和基于协同过滤的推荐技术，以及推荐系统中涉及的数据挖掘技术。基于知识的电子商务智能推荐（KBIECR）原理方法研究。研究设计了KBIECR系统的逻辑框架及其工作原理；结合电子商务推荐领域本体RecommendOnto的构建，研究了推荐系统中用户知识、商品知识、规则知识和案例知识统一表示的方法；在讨论KBIECR知识获取一般原理方法的基础上，重点探讨了商品知识和用户知识的获取方法；研究了KBIECR本体推理、规则推理和案例推理三种推理机制，设计了用户需求语义相似度算法，探讨了推荐结果基于语义相似度和商品特征熵的产生方法；最后采用ART神经网络实现推荐系统中推荐策略的自适应性。电子商务智能推荐知识网格（IECRKG）模型研究。研究设计了电子商务智能推荐知识网格的层次模型和基于服务的架构，探讨了IECRKG资源空间模型和资源统一表示的方法，设计了IECRKG资源操作语言，对实现语义交互环境的关键技术，特别是基于语义的服务匹配和基于知识的工作流计划技术进行了深入的研究，最后对IECRKG知识搜索服务、知识发现服务和知识聚合服务的实现进行了探讨。电子商务智能推荐知识网格服务社区研究。研究了IECRKG服务社区的基本原理、结构、生成和组织机制，设计了服务社区基于语义的关键路由算法以及服务社区自组织优化的算法。
秦宇强[10]（2006）在《网格计算中基于Agent技术的区分服务挖掘研究》文中指出网格计算是构筑在Internet上的一组新兴技术，利用共享网络将分散在不同地理位置的计算资源、存储资源、网络资源组织成一台虚拟的超级计算机，提供强大的计算能力。QoS（Quality of Service）服务质量指的是网络一个长期可靠性和可用性问题，其引申含义是用户在保持网络连接和传输分组过程中，对网络行为的看法。但是网格环境中的QoS不仅仅指传统的网络QoS，还包含了其它方面的QoS，例如CPU、磁盘、软件等等，以保证应用程序能够得到它所需要的性能，可以说网格QoS是应用程序、用户终端、网络、服务器各部分的综合效应。 Agent是具有自治性、社会性、主动性和适应性的智能实体。基于Agent的方法将使得网格的管理更加智能和方便。Agent技术是开发分布式系统的一种有效方法，将Agent技术融入网格技术是一条解决网格中问题的有效途径。网格计算在安全、可控的环境下为异质资源的汇集提供了一个鲁棒的范例。网格体系结构需要一个支持服务质量（QoS）的架构，以便管理复杂的计算和密集数据的应用。然而，在网格环境中，QoS保证机制及其优点并没有引起足够的重视。 为了加强计算网格所提供的服务功能，本文提出了具有优越QoS体
二、网格服务挖掘:一种面向网格服务计算范例的实现（论文开题报告）
（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、网格服务挖掘:一种面向网格服务计算范例的实现（论文提纲范文）
（1）移动互联网用户行为的隐私保护数据挖掘研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究问题与挑战 |
| 1.3 研究内容 |
| 1.4 创新点与贡献 |
| 1.5 论文组织结构 |
| 第二章 国内外研究现状 |
| 2.1 用户行为的研究 |
| 2.1.1 通信网络运营商的用户行为研究 |
| 2.1.2 互联网运营商的用户行为研究 |
| 2.1.3 移动互联网用户行为研究 |
| 2.2 隐私保护数据挖掘PPDM |
| 2.2.1 面向频繁模式问题的隐私保护数据挖掘研究 |
| 2.2.2 面向聚类问题的隐私保护数据挖掘研究 |
| 2.2.3 面向分类预测问题的隐私保护数据挖掘研究 |
| 2.2.4 面向推荐问题的隐私保护数据挖掘研究 |
| 2.3 本章小结 |
| 第三章 基于FP-Tree的隐私保护频繁项集挖掘方法 |
| 3.1 引言 |
| 3.2 问题定义 |
| 3.2.1 问题场景描述 |
| 3.2.2 挑战性问题 |
| 3.3 用户事务的差分隐私保护 |
| 3.3.1 ε分配机制的优化 |
| 3.3.2 输出结果的一致性约束 |
| 3.4 基于DPFP-Tree的隐私保护频繁项集挖掘方法 |
| 3.4.1 相对阈值分裂方法 |
| 3.4.2 DPFIS算法 |
| 3.4.3 算法分析 |
| 3.5 实验与分析 |
| 3.5.1 实验数据集 |
| 3.5.2 实验设置 |
| 3.5.3 实验结果与分析 |
| 3.6 本章小结 |
| 第四章 基于FS-Trie的隐私保护频繁序列挖掘方法 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.2.1 问题场景描述 |
| 4.2.2 挑战性问题 |
| 4.3 用户行为的事务序列数据隐私保护 |
| 4.3.1 事务序列的FS-Trie |
| 4.3.2 基于差分隐私保护的DPFS-Trie |
| 4.3.3 基于聚类的序列长度限制方法 |
| 4.4 基于DPFS-Trie的隐私保护频繁序列挖掘方法 |
| 4.4.1 DPFSC算法 |
| 4.4.2 算法分析 |
| 4.5 实验与分析 |
| 4.5.1 实验数据集 |
| 4.5.2 实验设置 |
| 4.5.3 实验结果与分析 |
| 4.6 本章小结 |
| 第五章 基于排队论的隐私保护人流量预测方法 |
| 5.1 引言 |
| 5.2 问题定义 |
| 5.2.1 问题场景描述 |
| 5.2.2 挑战性问题 |
| 5.3 用户位置的隐私保护 |
| 5.3.1 地理坐标的Geohash编码 |
| 5.3.2 Geohash网格的人流量统计 |
| 5.4 用户流动性的分类与预测 |
| 5.4.1 用户流动性分类 |
| 5.4.2 用户流动性建模 |
| 5.4.3 用户流动数量预测 |
| 5.5 实验与分析 |
| 5.5.1 实验数据集 |
| 5.5.2 实验设置 |
| 5.5.3 实验结果与分析 |
| 5.6 本章小结 |
| 第六章 基于上下文主题模型的隐私保护群组活动推荐方法 |
| 6.1 引言 |
| 6.2 问题定义 |
| 6.2.1 问题场景描述 |
| 6.2.2 挑战性问题 |
| 6.3 群组活动推荐模型SCTM |
| 6.3.1 上下文感知的主题模型 |
| 6.3.2 联合概率分布模型 |
| 6.3.3 Gibbs采样过程 |
| 6.3.4 参数估计 |
| 6.3.5 群组活动推荐 |
| 6.4 满足差分隐私保护的DP-SCTM |
| 6.4.1 隐私预算ε分配 |
| 6.4.2 DP-Gibbs采样 |
| 6.4.3 用户画像的差分隐私保护 |
| 6.4.4 推荐列表的差分隐私保护 |
| 6.4.5 算法可用性分析 |
| 6.5 实验与分析 |
| 6.5.1 实验数据集 |
| 6.5.2 实验设置 |
| 6.5.3 实验结果与分析 |
| 6.6 本章小结 |
| 第七章 结束语 |
| 7.1 工作总结 |
| 7.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的科研成果 |
（2）5G网络技术对提升4G网络性能的研究（论文提纲范文）
| 引言 |
| 1 4G网络现处理办法 |
| 2 4G网络可应用的5G关键技术 |
| 2.1 Msssive MIMO技术 |
| 2.2 极简载波技术 |
| 2.3 超密集组网 |
| 2.4 MEC技术 |
| 3 总结 |
（3）基于粗糙集的网格海量数据挖掘若干关键技术研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究意义和课题来源 |
| 1.2 课题来源及本文所做的工作 |
| 1.3 本文组织 |
| 第二章 相关技术概述 |
| 2.1 粗糙集理论概述 |
| 2.1.1 引言 |
| 2.1.2 粗糙集理论相关概念 |
| 2.1.3 属性重要性 |
| 2.1.4 知识约简 |
| 2.2 网格数据挖掘概述 |
| 2.2.1 数据挖掘的定义及其特点 |
| 2.2.2 数据挖掘的挑战 |
| 2.2.3 网格的定义及其特点 |
| 2.2.4 网格数据挖掘的定义及其特点 |
| 2.2.5 网格数据挖掘研究现状 |
| 2.3 基因表达式编程概述 |
| 2.3.1 GEP 基本概念 |
| 2.3.2 适应度函数 |
| 2.3.3 遗传操作 |
| 2.3.4 基本GEP 算法 |
| 2.4 本章小结 |
| 第三章 面向服务的网格数据挖掘体系架构 |
| 3.1 引言 |
| 3.2 面向服务的网格数据挖掘体系结构 |
| 3.3 网格数据挖掘原型设计 |
| 3.3.1 网格服务的设计 |
| 3.3.2 网格数据挖掘流程 |
| 3.4 本章小结 |
| 第四章 基于属性约简的粗糙集海量数据分割算法 |
| 4.1 引言 |
| 4.2 传统的基于粗糙集的海量数据分割方法 |
| 4.3 基于属性约简的粗糙集海量数据分割方法 |
| 4.3.1 本文采用的分布式学习模型 |
| 4.3.2 最佳分割 |
| 4.3.3 基于属性约简的粗糙集海量数据分割算法 |
| 4.3.4 组合子规则集的方法 |
| 4.4 算法实验 |
| 4.5 本章小结 |
| 第五章 网格下基于粗糙集、GEP和折半查找的分布式函数挖掘研究 |
| 5.1 引言 |
| 5.2 GEP 函数挖掘的基本原理 |
| 5.3 基于粗糙集和折半查找的最优属性约简算法 |
| 5.3.1 问题描述 |
| 5.3.2 相关概念 |
| 5.3.3 算法描述 |
| 5.4 网格下基于粗糙集、GEP 和折半查找的分布式函数挖掘算法 |
| 5.4.1 算法思想 |
| 5.4.2 函数一致性合并算法 |
| 5.4.3 算法描述 |
| 5.4.4 算法性能分析 |
| 5.5 实验与分析 |
| 5.6 本章小结 |
| 第六章 网格数据挖掘原型系统的实现 |
| 6.1 引言 |
| 6.2 网格数据挖掘原型系统主要功能的设计与实现 |
| 6.2.1 数据传输服务 |
| 6.2.2 资源分配服务 |
| 6.2.3 数据分割服务 |
| 6.2.4 函数挖掘算法服务的实现 |
| 6.2.5 全局模型生成服务 |
| 6.3 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 攻读硕士学位期间的学术论文 |
| 攻读硕士学位期间参加的科研项目 |
| 攻读硕士学位期间获得的专利申请 |
| 缩略词 |
| 图表清单 |
| 参考文献 |
（4）汽车耐撞性数值分析网格研究及应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景、意义和课题来源 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.1.3 课题来源 |
| 1.2 相关领域的国内外研究现状 |
| 1.2.1 汽车耐撞性数值分析研究现状 |
| 1.2.2 数据挖掘研究现状 |
| 1.2.3 网格的国内外研究现状 |
| 1.3 本文的研究内容 |
| 第二章 汽车耐撞性数值分析网格平台 |
| 2.1 引言 |
| 2.2 汽车耐撞性数值分析网格体系结构 |
| 2.2.1 开放网格服务体系结构 |
| 2.2.2 汽车耐撞性数值分析网格体系结构 |
| 2.3 平台构建关键技术 |
| 2.3.1 应用中间件技术 |
| 2.3.2 基于工作流的资源集成 |
| 2.4 耐撞性数值分析网格平台的安全策略 |
| 2.4.1 基于GSI的安全与信任机制 |
| 2.4.2 MyPorxy安全代理 |
| 2.4.3 网格平台的安全策略 |
| 2.5 耐撞性数值分析网格平台的管理 |
| 2.6 网格应用系统开发的一般流程 |
| 2.7 本章小结 |
| 第三章 汽车耐撞性协同仿真网格应用系统 |
| 3.1 引言 |
| 3.2 耐撞性协同仿真网格系统需求分析 |
| 3.3 耐撞性仿真算法 |
| 3.3.1 显式非线性有限元算法 |
| 3.3.2 接触算法 |
| 3.4 面向信息安全的有限元协同设计方法研究 |
| 3.4.1 协同设计中的信息安全 |
| 3.4.2 面向信息安全的协同仿真场景 |
| 3.4.3 面向信息安全的有限元模型合成方法 |
| 3.4.4 面向信息安全的数值计算结果分离方法 |
| 3.5 耐撞性协同仿真网格系统的实现 |
| 3.5.1 体系结构 |
| 3.5.2 应用服务的描述 |
| 3.5.3 关键服务的实现 |
| 3.5.4 服务执行流程 |
| 3.5.5 协同系统成员间的信息安全 |
| 3.5.6 测试床与Portal |
| 3.6 本章小结 |
| 第四章 汽车耐撞性数据挖掘网格应用系统 |
| 4.1 引言 |
| 4.2 汽车耐撞性数据挖掘概念及评估方法介绍 |
| 4.2.1 数据挖掘概念 |
| 4.2.2 数据准备 |
| 4.2.3 知识的评估方法 |
| 4.3 分布式耐撞性数据挖掘分类算法研究 |
| 4.3.1 同构分布式数据挖掘策略 |
| 4.3.2 分类器合成算法 |
| 4.3.3. C4.5 决策树分类算法 |
| 4.3.4 分布式耐撞性数据挖掘算法 |
| 4.4 耐撞性数据的元数据求解算法 |
| 4.4.1 元数据的概念及基于面向对象思想求解的可行性 |
| 4.4.2 人体损伤元数据求解 |
| 4.4.3 有限元模型的元数据求解 |
| 4.5 汽车耐撞性数据挖掘网格系统的实现 |
| 4.5.1 汽车耐撞性数据挖掘网格架构 |
| 4.5.2 汽车耐撞性数据的分布式决策树挖掘服务 |
| 4.5.3 分布式汽车耐撞性数据挖掘服务流程 |
| 4.5.4 实验床搭建 |
| 4.6 本章小结 |
| 第五章 汽车耐撞性数值分析网格系统典型应用 |
| 5.1 引言 |
| 5.2 汽车耐撞性协同仿真典型应用 |
| 5.2.1 整车有限元模型及实验场景 |
| 5.2.2 汽车耐撞性协同仿真过程 |
| 5.2.3 汽车耐撞性仿真结果分析 |
| 5.2.4 应用总结 |
| 5.3 汽车耐撞性数据挖掘典型应用 |
| 5.3.1 整车有限元模型及验证 |
| 5.3.2 乘员约束系统的主要组成及其工作原理 |
| 5.3.3 源数据的构建 |
| 5.3.4 汽车耐撞性数据挖掘过程 |
| 5.3.5 挖掘结果分析及知识验证 |
| 5.3.6 应用总结 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 本文的主要创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间完成的学术论文及参与课题 |
（5）网格环境下面向服务的分布式数据挖掘研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外的研究现状与存在问题分析 |
| 1.3 研究的目的及内容 |
| 1.4 论文的组织结构 |
| 1.5 本章小结 |
| 第2章 网格环境下的分布式数据挖掘研究 |
| 2.1 引言 |
| 2.2 分布式数据挖掘 |
| 2.2.1 分布式数据挖掘概述 |
| 2.2.2 分布式数据挖掘的基本方法 |
| 2.2.3 分布式数据挖掘的流程 |
| 2.2.4 分布式数据挖掘的关键问题 |
| 2.2.5 分布式数据挖掘系统的特点 |
| 2.3 网格技术 |
| 2.3.1 网格的基本概念 |
| 2.3.2 网格的基本特征 |
| 2.3.3 网格的体系结构 |
| 2.3.4 网格技术的应用 |
| 2.4 Web服务技术 |
| 2.4.1 Web服务的产生及概念 |
| 2.4.2 Web服务的基本特征 |
| 2.4.3 Web服务体系结构 |
| 2.4.4 Web服务的核心协议 |
| 2.5 网格环境下分布式数据挖掘研究 |
| 2.5.1 网格环境下面向服务的数据挖掘研究的可能性与必要性 |
| 2.5.2 本文研究工作的特色 |
| 2.6 本章小结 |
| 第3章 面向服务的分布式数据挖掘平台(SODDM) |
| 3.1 引言 |
| 3.2 基于工作流的数据挖掘管道模型 |
| 3.3 SODDM的体系结构 |
| 3.3.1 基于Web服务的分布式数据挖掘门户(PDDM) |
| 3.3.2 面向服务的分布式数据挖掘系统(DDMWS) |
| 3.4 SODDM的执行流程 |
| 3.5 本章小结 |
| 第4章 面向服务的分布式数据挖掘门户(PDDM) |
| 4.1 引言 |
| 4.2 设计思想 |
| 4.3 面向服务的数据挖掘门户的概要设计 |
| 4.3.1 总体架构 |
| 4.3.2 系统功能模块分析与设计 |
| 4.3.3 数据库结构设计 |
| 4.4 面向服务的数据挖掘门户的详细设计 |
| 4.4.1 发布模块 |
| 4.4.2 查找模块 |
| 4.4.3 后台管理模块 |
| 4.4.4 数据库设计 |
| 4.5 面向服务的数据挖掘门户的实现 |
| 4.5.1 实现概述 |
| 4.5.2 开发环境的搭建 |
| 4.5.3 服务发布的实现 |
| 4.5.4 服务发现的实现 |
| 4.6 本章小结 |
| 第5章 面向服务的分布式数据挖掘系统(DDMWS) |
| 5.1 引言 |
| 5.2 设计思路 |
| 5.3 DDMWS体系结构 |
| 5.4 分布式支撑环境-Triana |
| 5.4.1 Triana的体系结构 |
| 5.4.2 Triana的功能特点 |
| 5.5 数据挖掘类库-Weka |
| 5.5.1 Weka概述 |
| 5.5.2 Weka数据文件的格式 |
| 5.6 数据挖掘工具集实现 |
| 5.6.1 工具集概述 |
| 5.6.2 数据处理工具箱(Dataset)的设计 |
| 5.6.3 算法选择工具(ClassSelector)的设计 |
| 5.6.4 算法参数配置工具(OptionsSelector)的设计 |
| 5.6.5 属性选择工具(Attribute Selector)的设计 |
| 5.6.6 结果展示工具箱(Visualizers)的设计 |
| 5.7 数据挖掘服务的导入、组合及调用 |
| 5.8 DDMWS的执行流程 |
| 5.9 本章小结 |
| 第6章 实验及结果分析 |
| 6.1 引言 |
| 6.2 实验环境搭建 |
| 6.2.1 构建局域网环境 |
| 6.2.2 构建网格环境 |
| 6.3 PDDM的性能分析 |
| 6.4 DDMWS系统的验证 |
| 6.4.1 环境概览 |
| 6.4.2 数据源介绍 |
| 6.4.3 实例验证 |
| 6.4.4 监控结果及分析 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 工作展望 |
| 参考文献 |
| 致谢 |
| 在校攻读硕士学位期间公开发表论文 |
（6）基于知识网格的知识供应理论与技术（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 知识管理 |
| 1.2.2 网格与知识网格 |
| 1.2.3 个性化信息服务 |
| 1.3 研究现状小结 |
| 1.4 本文主要研究内容 |
| 1.5 本文的组织结构 |
| 1.6 本章小结 |
| 第二章 面向知识供应的知识网格 |
| 2.1 引言 |
| 2.2 知识网格理论与技术 |
| 2.2.1 网格的定义及扩展 |
| 2.2.2 知识网格的定义 |
| 2.2.3 知识网格的关键技术 |
| 2.2.4 知识网格中知识资源空间模型 |
| 2.2.4.1 知识资源空间模型的定义 |
| 2.2.4.2 面向产品开发领域的知识资源空间模型 |
| 2.3 知识网格与知识供应 |
| 2.3.1 知识网格的架构 |
| 2.3.1.1 基于知识网格的知识供应系统层次图 |
| 2.3.1.2 知识网格层与知识供应层服务模型描述 |
| 2.3.2 知识网格的物理拓扑结构 |
| 2.3.3 基于知识网格的企业内知识生产与供应 |
| 2.3.4 基于知识网格的企业之间知识供应 |
| 2.4 基于对等网络的知识网格实现策略 |
| 2.4.1 对等网络相关技术介绍 |
| 2.4.2 基于半分布式结构化对等网络的知识网格架构 |
| 2.4.2.1 结构化与半分布式对等网络 |
| 2.4.2.2 半分布式结构化知识网格三层架构 |
| 2.4.2.3 知识空间层中超级节点间语义关联 |
| 2.4.3 知识网格中基于语义的知识资源查询路由方法 |
| 2.4.3.1 知识资源查询路由方法总体框架 |
| 2.4.3.2 知识空间查询及其扩展查询方法 |
| 2.4.3.3 面向关联语义的查询扩展规则 |
| 2.5 本章小结 |
| 第三章 基于知识服务的知识资源组织 |
| 3.1 引言 |
| 3.2 知识网格环境下的知识服务 |
| 3.2.1 知识服务的意义 |
| 3.2.2 知识服务在知识网格中的应用模式 |
| 3.2.3 面向知识供应的知识服务网络体系 |
| 3.2.4 知识服务的建模 |
| 3.2.4.1 知识服务模型 |
| 3.2.4.2 知识服务本体 |
| 3.3 基于语义超图的知识服务语义关联 |
| 3.3.1 知识服务的语义关联 |
| 3.3.2 Hy-SN:基于超图的语义网络 |
| 3.3.2.1 语义网络与超图 |
| 3.3.2.2 语义超图：语义网络与超图的结合 |
| 3.3.3 语义超图的数据结构 |
| 3.3.3.1 语义超图的矩阵形式 |
| 3.3.3.2 语义超图的数组形式 |
| 3.3.3.3 两种数据结构的比较 |
| 3.3.4 基于语义超图的知识推理 |
| 3.3.4.1 语义超图的逻辑推理 |
| 3.3.4.2 语义超图的相似推理 |
| 3.3.4.3 语义超图的归纳推理 |
| 3.4 本章小结 |
| 第四章 基于工作流的知识需求建模 |
| 4.1 引言 |
| 4.2 静态知识需求模型 |
| 4.2.1 工作流关联模型 |
| 4.2.2 三种知识需求 |
| 4.2.3 知识需求拉动知识供应 |
| 4.3 动态知识需求模型 |
| 4.3.1 动态知识需求总体框架 |
| 4.3.2 基于内容的知识需求挖掘 |
| 4.3.2.1 确定关键词-领域关系表 |
| 4.3.2.2 确定文档的关键词词频 |
| 4.3.2.3 确定每个成员的领域隶属度 |
| 4.3.3 基于角色任务信息的协同知识需求挖掘 |
| 4.3.4 基于社区成员关联的的协同知识需求挖掘 |
| 4.3.4.1 社区内成员间关联发现的几种途径 |
| 4.3.4.2 基于Email 记录的协同知识需求发掘 |
| 4.3.5 混合式知识需求挖掘 |
| 4.3.5.1 两种方式的单纯合并 |
| 4.3.5.2 将基于内容的思想融入到协同式挖掘 |
| 4.3.5.3 将协同式思想融入到基于内容的挖掘 |
| 4.3.6 基于统计分析的知识需求量的确定 |
| 4.3.6.1 成员知识需求量的确立依据 |
| 4.3.6.2 确定成员的忙碌程度 |
| 4.4 本章小结 |
| 第五章 知识网格环境中的知识供应引擎 |
| 5.1 引言 |
| 5.2 基于需求模型的知识供应引擎 |
| 5.2.1 知识供应引擎的总体框架 |
| 5.2.2 知识供应的中的四条管道 |
| 5.2.3 知识供应引擎中语义相似度定义 |
| 5.2.3.1 基于继承关系的概念语义相似度 |
| 5.2.3.2 基于复杂语义关系的概念语义相似度 |
| 5.2.3.3 基于概念相似度的知识服务能力相似度 |
| 5.2.4 基于语义的知识服务能力匹配算法 |
| 5.3 面向创新设计的知识供应引擎 |
| 5.3.1 基于TRIZ 和本体的创新知识供应 |
| 5.3.2 面向产品创新的知识本体 |
| 5.3.2.1 面向产品创新的知识本体的构建 |
| 5.3.2.2 面向产品创新的知识本体的描述 |
| 5.3.3 语义注册 |
| 5.3.4 知识供应中的语义解析 |
| 5.3.5 知识查询分配设计 |
| 5.3.5.1 知识网格中跨库查询语句格式 |
| 5.3.5.2 知识网格中跨库查询解析 |
| 5.3.6 基于技术矛盾的知识查询 |
| 5.4 分布式知识供应引擎的实现策略 |
| 5.4.1 分布式知识供应引擎总体框架 |
| 5.4.2 分布式知识供应引擎运行流程 |
| 5.4.3 分布式知识供应引擎中关键技术分析 |
| 5.4.3.1 事件驱动的知识推送模块 |
| 5.4.3.2 过滤筛选模块 |
| 5.4.3.3 邻居节点集初始化 |
| 5.4.3.4 邻居节点集重构模块 |
| 5.5 本章小结 |
| 第六章 知识供应在产品设计领域中的应用 |
| 6.1 引言 |
| 6.2 知识供应原型系统与工具介绍 |
| 6.2.1 原型系统总体介绍 |
| 6.2.2 原型系统各模块的功能介绍 |
| 6.2.2.1 知识需求定义工具模块 |
| 6.2.2.2 知识供应平台模块 |
| 6.2.2.3 面向创新的知识供应模块 |
| 6.3 基于需求模型的知识供应实例 |
| 6.3.1 案例背景介绍 |
| 6.3.2 静态知识需求的定义 |
| 6.3.3 基于知识需求的知识供应结果 |
| 6.3.4 动态知识需求的智能挖掘 |
| 6.3.4.1 基于过去查询历史的用户知识需求挖掘 |
| 6.3.4.2 基于角色任务信息的协同知识需求挖掘 |
| 6.3.4.3 基于社区成员关联的协同知识需求挖掘 |
| 6.4 面向创新设计的知识供应实例 |
| 6.4.1 应用背景 |
| 6.4.2 创新问题的因果层次分析 |
| 6.4.3 查询的语义解析 |
| 6.4.4 分布式查询的分配执行 |
| 6.4.5 面向创新的知识供应结果展示 |
| 6.4.6 基于TRIZ 矛盾矩阵的知识供应实例 |
| 6.5 分布式知识供应模拟场景展示 |
| 6.5.1 节点之间相似度的计算 |
| 6.5.2 节点对知识资源的筛选 |
| 6.5.3 节点对邻居节点集的重构 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文的主要贡献 |
| 7.2 进一步的研究工作 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间已发表或录用的论文 |
（7）网格数据挖掘技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 论题的研究背景 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容 |
| 1.4 本文组织结构 |
| 第二章 网格和网格平台GT4 |
| 2.1 网格概述 |
| 2.1.1 网格的概念 |
| 2.1.2 网格的特点 |
| 2.1.3 网格的发展 |
| 2.2 网格的体系结构 |
| 2.2.1 五层沙漏体系结构 |
| 2.2.2 开放网格服务体系结构OGSA |
| 2.3 GT4(Globus Toolkit 4) |
| 2.4 GT4 的体系结构 |
| 2.5 基于GT4 的网格服务 |
| 2.5.1 动态服务创建 |
| 2.5.2 生命周期管理 |
| 2.5.3 服务发现和服务数据 |
| 2.5.4 通知 |
| 2.6 小结 |
| 第三章 网格数据挖掘技术 |
| 3.1 知识网格 |
| 3.1.1 知识网格体系结构 |
| 3.1.2 基于知识网格的数据挖掘 |
| 3.2 GridMiner 网格数据挖掘系统 |
| 3.2.1 GridMiner 的体系结构 |
| 3.2.2 GridMiner 数据挖掘过程 |
| 3.3 现有网格数据挖掘技术的不足 |
| 3.4 小结 |
| 第四章 网格数据挖掘体系结构设计 |
| 4.1 网格数据挖掘的需求分析 |
| 4.2 本体 |
| 4.2.1 本体基本概念 |
| 4.2.2 基于本体的数据挖掘 |
| 4.2.3 本体设计 |
| 4.3 网格数据挖掘的关键技术 |
| 4.3.1 Globus 中间件系统 |
| 4.3.2 网格数据库管理技术 |
| 4.3.3 XML 技术 |
| 4.4 网格数据挖掘体系结构设计 |
| 4.4.1 用户接口设计 |
| 4.4.2 数据挖掘引擎设计 |
| 4.4.3 服务发现与合成设计 |
| 4.4.4 数据集成设计 |
| 4.4.5 注册中心 |
| 4.4.6 知识库设计 |
| 4.4.7 网格数据挖掘流程 |
| 4.5 该体系结构的优点 |
| 4.6 小结 |
| 第五章 网格数据挖掘服务部署 |
| 5.1 实验环境 |
| 5.2 基于 Apriori 的网格平台关联规则算法设计 |
| 5.2.1 基本思想 |
| 5.2.2 算法描述 |
| 5.3 算法服务的部署 |
| 5.3.1 建立自己的源程序目录结构 |
| 5.3.2 定义接口文件 |
| 5.3.3 生成WSDL 文件 |
| 5.3.4 服务的JAVA 实现 |
| 5.3.5 生成WSDD 文件 |
| 5.3.6 文件的编译打包 |
| 5.3.7 服务的部署 |
| 5.4 小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 成果目录 |
| 致谢 |
（8）网络化制造环境下虚拟物流网格服务的若干关键技术研究及其应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状分析 |
| 1.2.1 网络化制造相关研究现状 |
| 1.2.2 虚拟物流的研究现状 |
| 1.3 论文研究内容与组织结构 |
| 1.3.1 论文研究内容 |
| 1.3.2 论文结构 |
| 1.4 本章小结 |
| 第二章 虚拟物流及其网格服务的体系结构 |
| 2.1 引言 |
| 2.2 虚拟物流管理基本原理 |
| 2.2.1 虚拟物流的定义 |
| 2.2.2 虚拟物流运作模式及其过程模型 |
| 2.3 物流网络与物流网格 |
| 2.3.1 物流网络概念 |
| 2.3.2 网格技术 |
| 2.3.3 网格环境中的物流网络 |
| 2.4 物流网格的体系结构 |
| 2.4.1 物流网格的内涵 |
| 2.4.2 面向服务的物流网格层次模型 |
| 2.4.3 物流网格信息处理的逻辑结构模型 |
| 2.4.4 物流网格的知识服务结构模型 |
| 2.5 本章小结 |
| 第三章 虚拟货运配载网格服务模型与动态配载算法 |
| 3.1 引言 |
| 3.2 虚拟货运配载问题分析 |
| 3.2.1 虚拟货运配载的概念及其本质 |
| 3.2.2 制约货运配载的因素 |
| 3.2.3 配载方式 |
| 3.2.4 配载策略 |
| 3.3 基于资源代理的虚拟货运配载网格服务模型 |
| 3.3.1 物流网格的资源代理机制 |
| 3.3.2 物流网格配载服务的资源域 |
| 3.3.3 基于代理的虚拟配载资源集成结构 |
| 3.3.4 任务驱动的虚拟配载过程模型 |
| 3.4 基于在线批处理方式的动态配载算法 |
| 3.4.1 资源域划分与货物聚类 |
| 3.4.2 货-车资源在线动态匹配算法 |
| 3.4.3 基于逆向拍卖技术的定价算法 |
| 3.5 仿真实验 |
| 3.6 本章小结 |
| 第四章 基于网格计算的物流配送实时优化技术 |
| 4.1 引言 |
| 4.2 物流配送优化问题及其求解 |
| 4.2.1 物流配送优化问题 |
| 4.2.2 物流配送优化问题的求解方法 |
| 4.3 物流网格的优化计算模型 |
| 4.3.1 相关工作 |
| 4.3.2 基于Extranet的物流网格优化计算模型 |
| 4.4 物流配送车辆调度优化计算的网格使能技术 |
| 4.4.1 带时间窗的动态VRP问题 |
| 4.4.2 模型算法的复杂性分析 |
| 4.4.3 基于GA的网格计算应用结构 |
| 4.5 车辆调度优化的遗传算法设计 |
| 4.5.1 车辆动态调度问题的计算流程 |
| 4.5.2 带时间窗车辆调度的遗传算法 |
| 4.6 实验结果 |
| 4.7 本章小结 |
| 第五章 基于网格数据挖掘的物流客户价值分析 |
| 5.1 引言 |
| 5.2 基于网格的分布式客户价值数据挖掘 |
| 5.2.1 网格环境下的分布式数据挖掘 |
| 5.2.2 基于网格的客户价值数据挖掘 |
| 5.3 基于元数据的客户价值网格数据挖掘模型 |
| 5.3.1 客户价值挖掘的资源分配与知识发现 |
| 5.3.2 客户价值挖掘前置处理与后置处理 |
| 5.3.3 客户价值挖掘的分析模型与工具 |
| 5.4 物流客户分类及评价指标体系 |
| 5.4.1 虚拟物流配送的客户分类问题 |
| 5.4.2 物流客户分类评价指标体系 |
| 5.5 基于模糊聚类的物流客户分类算法 |
| 5.5.1 决策变量属性值映射 |
| 5.5.2 模糊关联矩阵生成 |
| 5.5.3 基于相似性属性的客户分组 |
| 5.6 仿真实验 |
| 5.7 本章小结 |
| 第六章 虚拟物流网格服务技术的应用 |
| 6.1 应用对象──浙江传化物流基地 |
| 6.2 传化物流电子商务平台建设项目TF-LECS |
| 6.2.1 项目背景 |
| 6.2.2 项目建设的目标内容 |
| 6.2.3 平台的服务模型结构及特点 |
| 6.3 基于物流网格服务技术的原型系统 |
| 6.3.1 原型系统设计目标及总体框架 |
| 6.3.2 物流网格门户构件设计 |
| 6.4 原型系统的实现与应用 |
| 6.4.1 原型系统的网格环境与实现 |
| 6.4.2 物流网格应用开发 |
| 6.5 本章小结 |
| 第七章 全文总结与展望 |
| 7.1 全文总结 |
| 7.2 工作展望 |
| 附录 1 计算任务的XML文件格式 |
| 附录 2 随机取样的25个客户订单的几个数据项 |
| 参考文献 |
| 在攻博期间发布学术论文、着作及科研成果情况 |
| 致谢 |
（9）基于知识网格的电子商务智能推荐理论方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究意义 |
| 1.2 国内外研究综述 |
| 1.2.1 知识网格研究 |
| 1.2.2 电子商务推荐系统研究 |
| 1.3 研究目标、内容和方法 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 研究方法 |
| 第2章 相关理论技术分析与评述 |
| 2.1 语义web |
| 2.2 网格技术 |
| 2.2.1 网格基础技术 |
| 2.2.2 语义网格与知识网格 |
| 2.3 电子商务推荐系统及其相关技术 |
| 2.3.1 电子商务推荐系统 |
| 2.3.2 电子商务推荐技术 |
| 2.4 本章小结 |
| 第3章 基于知识的电子商务智能推荐理论方法 |
| 3.1 基于知识的电子商务智能推荐的原理 |
| 3.1.1 基于知识的推荐技术的发展 |
| 3.1.2 基于知识的电子商务智能推荐的基本原理 |
| 3.2 基于本体的KBIECRS知识表示方法 |
| 3.2.1 RecommendOnto本体模型 |
| 3.2.2 规则和案例知识的表示方法 |
| 3.3 KBIECRS知识的获取方法 |
| 3.3.1 知识获取方法分析 |
| 3.3.2 商品知识的获取方法 |
| 3.3.3 用户知识的获取方法 |
| 3.4 KBIECRS推理机制与推荐结果的产生 |
| 3.4.1 KBIECRS推理机制 |
| 3.4.2 KBIECRS推荐结果的产生 |
| 3.5 KBIECRS推荐策略的自适应选择 |
| 3.6 本章小结 |
| 第4章 电子商务智能推荐知识网格模型 |
| 4.1 电子商务智能推荐知识网格的基本原理 |
| 4.2 IECRKG资源的统一表示与规范组织 |
| 4.2.1 IECRKG资源空间模型 |
| 4.2.2 IECRKG资源统一表示 |
| 4.3 IECRKG语义交互环境 |
| 4.3.1 IECRKG基于服务的架构 |
| 4.3.2 语义交互的关键技术 |
| 4.4 IECRKG知识发现、搜索与聚合 |
| 4.4.1 IECRKG知识发现 |
| 4.4.2 IECRKG知识搜索 |
| 4.4.3 IECRKG知识聚合 |
| 4.5 本章小结 |
| 第5章 IECRKG服务社区的组织与优化 |
| 5.1 IECRKG服务社区的结构与组织 |
| 5.1.1 IECRKG服务社区的基本概念 |
| 5.1.2 IECRKG服务社区的结构和功能 |
| 5.1.3 IECRKG服务社区路由算法 |
| 5.2 IECRKG服务社区的形成机制 |
| 5.2.1 IECRKG资源服务社区的形成机制 |
| 5.2.2 IECRKG推荐服务社区的形成机制 |
| 5.2.3 IECRKG服务社区的节点退出机制 |
| 5.3 IECRKG服务社区的维护与自组织优化 |
| 5.3.1 IECRKG服务社区的维护内容 |
| 5.3.2 正CRKG服务社区的自组织优化算法 |
| 5.4 本章小结 |
| 第6章 全文总结与研究展望 |
| 6.1 全文总结 |
| 6.1.1 全文主要内容 |
| 6.1.2 主要创新点 |
| 6.2 研究展望 |
| 参考文献 |
| 在读期间参加的科研项目 |
| 在读期间发表的论文 |
| 致谢 |
（10）网格计算中基于Agent技术的区分服务挖掘研究（论文提纲范文）
| 第一章 绪论 |
| 1.1 课题的提出 |
| 1.2 课题研究的现状及意义 |
| 1.3 本论文研究的内容和主要工作 |
| 1.4 本课题的哲学依据和指导思想 |
| 1.5 本论文的组织结构 |
| 第二章 网格计算 |
| 2.1 网格内涵 |
| 2.1.1 网格的概念 |
| 2.1.2 网格的目的 |
| 2.1.3 网格的基本要求和特点 |
| 2.2 网格体系结构 |
| 2.2.1 五层沙漏结构 |
| 2.2.1.1 基本概念 |
| 2.2.1.2 基本思想 |
| 2.2.2 开放网格服务体系结构(OGSA) |
| 2.2.2.1 基本思想 |
| 2.2.2.2 OGSA的两大支撑技术 |
| 2.2.2.3 OGSA服务接口与功能机制 |
| 2.3 Agent技术的网格应用 |
| 2.3.1 Agent技术概述 |
| 2.3.2 Agent技术在网格计算中的六个应用方向 |
| 2.3.3 Agent技术在网格环境中的关键技术 |
| 2.3.4 Agent技术对Globus网格体系的扩充 |
| 2.3.4.1 对构造层的扩充 |
| 2.3.4.2 对连接层的扩充 |
| 2.3.4.3 更有效地利用资源层 |
| 2.3.4.4 汇集层: 怎样使用移动Agent技术 |
| 2.4 本章小结 |
| 第三章 网格计算中的服务质量(QoS)机制及其模型 |
| 3.1 网络服务质量QoS(Quality of Service)概述 |
| 3.2 服务质量QoS体系结构 |
| 3.3 服务质量模型 |
| 3.3.1 集中服务模型 |
| 3.3.2 区分服务模型 |
| 3.3.2.1 相关术语概念 |
| 3.3.2.2 组成部分 |
| 3.3.2.3 服务类型 |
| 3.3.3 集成服务模型和区分服务模型的结合 |
| 3.4 网格环境中的服务质量(GQoS) |
| 3.4.1 网格QoS模型 |
| 3.4.2 QoS网格服务(QGS) |
| 3.4.3 网格QoS服务注册 |
| 3.4.4 网格QoS分配管理者 |
| 3.4.5 网格QoS策略服务 |
| 3.4.6 网格QoS资源预留管理 |
| 3.5 本章小结 |
| 第四章 网格Agent区分服务挖掘(GADSM)技术 |
| 4.1 网格计算QoS的本质—实时服务资源挖掘(service resource mining，SRM) |
| 4.1.1 网格服务资源挖掘的基本思想 |
| 4.1.2 基于Agent技术和策略知识库管理的QoS网格服务组件 |
| 4.2 网格计算中保证QoS的多Agent系统 |
| 4.2.1 网格Agent服务挖掘(GASM)的定义 |
| 4.2.2 GASM中的多Agent系统设计 |
| 4.2.3 Agent技术对QoS网格服务(QGS)的整合 |
| 4.3 网格环境中MAS的升华—GA DiffServMin系统 |
| 4.3.1 GADSM的网格域内DS管理的实现 |
| 4.3.1.1 实体要素 |
| 4.3.1.2 GA DiffServMin执行者的运行情况 |
| 4.3.2 GADSM的网格域间DS管理的实现 |
| 4.3.3 GA DiffServMin系统的自适应调节机制 |
| 4.4 小结 |
| 第五章 实验-GA DiffServMin的模拟 |
| 5.1 网络模拟器NS2简介 |
| 5.2 实验环境的搭建和配置 |
| 5.2.1 NS2中配置模拟网格环境 |
| 5.2.2 NS2中配置区分服务DS环境 |
| 5.2.3 修改“Makefile”文件配置模拟实验环境 |
| 5.3 模拟运行方案的描述 |
| 5.4 实验数据及分析 |
| 5.4.1 实验场景模拟1 |
| 5.4.2 实验场景模拟2 |
| 5.5 实验结论及性能的评价 |
| 5.5.1 实验结论 |
| 5.5.2 实验性能评价 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文结束语 |
| 6.2 我的主要工作 |
| 6.3 将来工作展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 在攻读硕士研究生期间发表的论文和学术成果 |
四、网格服务挖掘:一种面向网格服务计算范例的实现（论文参考文献）
- [1]移动互联网用户行为的隐私保护数据挖掘研究[D]. 于魁. 北京邮电大学, 2021(01)
- [2]5G网络技术对提升4G网络性能的研究[J]. 刘奕. 数码世界, 2020(04)
- [3]基于粗糙集的网格海量数据挖掘若干关键技术研究[D]. 夏奇思. 南京邮电大学, 2011(04)
- [4]汽车耐撞性数值分析网格研究及应用[D]. 赵志杰. 上海交通大学, 2010(10)
- [5]网格环境下面向服务的分布式数据挖掘研究与实现[D]. 赵征. 武汉理工大学, 2009(09)
- [6]基于知识网格的知识供应理论与技术[D]. 镇璐. 上海交通大学, 2008(04)
- [7]网格数据挖掘技术研究[D]. 胡蓉. 南华大学, 2008(02)
- [8]网络化制造环境下虚拟物流网格服务的若干关键技术研究及其应用[D]. 陈火根. 浙江大学, 2007(05)
- [9]基于知识网格的电子商务智能推荐理论方法研究[D]. 刘平峰. 武汉理工大学, 2006(06)
- [10]网格计算中基于Agent技术的区分服务挖掘研究[D]. 秦宇强. 太原理工大学, 2006(11)