简述云计算的主要特征(收集3篇)

简述云计算的主要特征范文篇1

摘要:针对云计算环境下虚拟机部署问题，提出充分考虑了系统负载均衡的PMLB虚拟机部署算法。首先，采用性能向量，规范化地描述虚拟基础设施性能状况；然后，通过计算待部署虚拟机和服务器性能向量的相对距离，得到待部署虚拟机的匹配向量；最后，将匹配向量与系统负载向量综合分析，得到虚拟机部署结果。在CloudSim环境下进行了实验仿真，实验结果证明，使用所提算法可获得较好的系统负载均衡效果和较高的资源利用率。

关键词:云计算；虚拟机；性能向量；性能匹配；负载均衡

中图分类号:TP302文献标志码:A

Abstract:Regardingthevirtualmachinedeploymentissuesincloudcomputing,thePerformanceMatchingLoadBalancing(PMLB)algorithmofvirtualmachinedeploymentwasproposed.Withperformancevector,theperformancestandardizationofvirtualinfrastructurewasdescribed.Thematchingvectorwasobtainedbycalculatingtherelativevectordistanceofvirtualmachineandtheservers,thenacomprehensiveanalysisofmatchingvectorandloadbalancingvectorwasdonetogetthedeploymentresult.TheresultsofsimulationinCloudSimenvironmentprovethatusingtheproposedalgorithmcanobtainbetterloadbalancingperformanceandhigherresourceutilization.

Keywords:cloudcomputing;virtualmachine;performancevector;performancematching;loadbalancing

0引言

云计算作为一种超大规模的分布式计算系统，对于资源的统一管理是其必须面临的一个重大问题。而虚拟化是将底层物理设备与上层操作系统、软件分离的一种去耦合技术，为云计算模型中的资源管理提供了一种有效的解决方案［1］。将上层服务封装到虚拟机中，通过虚拟机的部署与调度实现对资源的管理，提高了管理的灵活性和可扩展性。因而对于云计算基础设施层虚拟资源的管理技术研究是保障上层服务可靠性和可用性的基础［2］。

目前，各云计算提供商都推出了自己的资源自动部署解决方案，针对其自身系统特点，其管理方法也是各有千秋。亚马逊(Amazon)的基础设施服务EC2（AmazonElasticComputeCloud）［3］由AmazonMachineImage（AMI）、EC2虚拟机实例和AMI运行环境组成，用户通过自己制定AMI并将其部署在AMI运行环境上，使其成为一个EC2实例，为用户提供基础设施服务；IBM［4］为云计算虚拟基础设施管理提供了以TivoliProvisioningManager（TPM）为代表的丰富的管理产品，其虚拟化部署系统由4个核心模块构成：镜像模板库、资源管理模块、部署引擎和部署调度器，实现了云计算中混合解决方案的自动部署。

在云计算基础设施资源自动部署中，对虚拟资源进行的初次部署是虚拟机基础资源管理的一个重要阶段，主要是指将未运行的虚拟机部署到一台物理机上并使其运行的过程。而初次部署需要解决的一个关键问题就是合理地选择目标物理服务器。

在目前虚拟机部署研究中，对于目标物理服务器选择算法研究相对较少，成熟的云计算IaaS(InfrastructureasaService)运行商采用的选择算法都是不公开的，在开源的IaaS解决方案中如EUCALYPTUS［5］、OpenNebula［6］虚拟机部署的服务器选择算法都是预留给用户编写，只给出简单的择优选择服务器的算法，将提交来的虚拟机部署在性能最优的服务器上，没有在初次部署阶段充分考虑系统负载均衡因素。

因此本文在分析虚拟机部署技术基础上提出了一种在充分考虑用户体验前提下，能够达到很好的系统负载均衡状态和较高资源利用率的PMLB虚拟机部署算法，能够很好地适应云计算环境下的多用户动态需求。

1云计算虚拟机部署技术

云计算IaaS层中主要采用的虚拟化技术是系统虚拟化技术，系统虚拟化的核心思想是使用虚拟化软件在一台物理机上虚拟出一台或多台虚拟机［7］，其结构如图1所示。

传统的虚拟机部署主要分为4步：创建虚拟机，安装操作系统及软件，配置虚拟机，启动虚拟机。虽然这种方法可以轻松改变单个虚拟机属性，但部署时间较长，无法满足云计算弹性需求。因而更为快捷的部署方案――虚拟器件技术［8］,广泛被云计算所采用。虚拟器件是一个包括了预安装、预配置的操作系统、中间件和应用程序的最小化的虚拟机。在虚拟器件文件中包涵一个OVF描述文件对本虚拟器件进行描述，包括硬件参数信息、软件配置参数信息等，运行商通过描述文件可以进行快速部署，简化了用户对虚拟机配置的繁琐过程。

在云计算环境下，虚拟器件模板被存放在模板管理服务器中，进行相应模板部署时，只需要将选定的虚拟器件文件拷贝到目标服务器上，然后启动相应的虚拟机应用。本文在总结现有虚拟器件部署流程［2］基础上，加入对虚拟化服务器池整体性能的调用，将系统整体负载均衡情况考虑到虚拟机初次部署中对于目标物理发现决策里去，其工作流程如图2所示。

其部署过程如下。

1)性能监控。

性能监控服务器实时监控虚拟化服务器池内所有服务器性能状态，并做规范化处理。

2)虚拟器件封装与。

云计算中虚拟机及其上操作系统等都封装在虚拟器件文件中，作为一个模板存储在镜像仓库里，由模板管理服务器管理，并将相关信息给用户。

3)用户业务申请。

用户从模板管理服务器获取模板信息，根据相应信息选取模板，并配置填写应用需求、个性配置等信息，将相关信息提交给资源管理服务器。

4)目标服务器选择。

资源管理服务器从性能监控服务器中调取服务器池中服务器状态，按照用户提交的虚拟机部署信息进行匹配运算，选择部署目标服务器，并把选择结果告知模板管理服务器。

5)虚拟器件文件拷贝部署。

模板管理服务器将用户选择的虚拟器件拷贝部署到资源管理服务器选择的目标服务器上，为了提高拷贝速度，目前用于虚拟器件镜像文件拷贝比较成熟的技术有镜像流技术和快照技术。

6)在目标服务器上启动虚拟机。

在物理服务器上通过部署工具远程连接，执行一组命令来启动虚拟器件中的虚拟机完成虚拟机部署整个流程。

2基于性能向量的PMLB虚拟机部署算法

在研究部署算法时应充分考虑云计算多用户多服务环境，根据虚拟机所承载业务对于不同资源依赖程度不同（如：用于科学计算的CPU消耗型，用于网络服务器的网络带宽消耗性），将虚拟机主要依赖的性能称为用户偏好性能，在进行资源分配时，给予充分的资源预留空间，以便使用户获得更好的用户体验。

同时，为节省资源开销，应尽量少开启物理服务器，这就需要在部署虚拟机时，在满足用户需求前提下，相匹配地放置虚拟机，不刻意寻找性能最优的服务器。这样同时也避免了热点现象的出现，使系统达到负载均衡。

2.1资源性能向量描述

为了更好地描述虚拟机及物理服务器性能，本文使用性能向量概念，性能向量是指由虚拟机或物理服务器多个性能特征规范化（无量纲化和归一化）［9］处理后组成的特征向量。

进行虚拟机部署首先要对虚拟机性能进行有效监控，虚拟机硬件资源一般主要包括CPU性能、内存利用率、网络连接和配置状态、宿主机上虚拟机的基本运行状态等［10］。为了对性能特征规范化，本文参考微软VirtualMachineManager2008技术报告中对于物理服务器性能评价标准，以CPU、内存、带宽、硬盘这4个基本性能为例，每10min提取其使用状况的平均值，按如下的资源特征计算方法处理：

CPU特征=1-CPU已用量/(CPU总量-CPU预留量)

内存特征=1-内存已用量/(总内存-内存预留量)

带宽特征=1-带宽已用量/(总带宽-带宽预留量)

硬盘特征=1-硬盘已用量/(总硬盘空间-硬盘预留量)

各性能的预留量由云计算运营商配置，是维持服务器中虚拟机监视器、Dom0操作系统等正常运行所需的最低资源量。例如：某服务器总内存为2048MB，内存已被使用了512MB，系统规定应预留512MB的内存，于是其内存特征为1-512/（2048-512）=0.667。

服务器池内的所有服务器通过性能监控结果的规范化处理，便可建立其性能向量(q1,q2,…,ql)，其中：qi表示服务器第i个性能特征，l表示用来描述虚拟机硬件整体性能的指标数。将服务器池中所有服务器的UUID组成向量U=(u1,u2,…,un)T，其中n表示物理服务器数目。整个服务器池的UUID与相对应的性能向量可以建立成为一个类似Key/Value模式的性能矩阵，如式(1)所示：

Q=［UV］

=u1q11q12…q1l

unqn1qn2…qnl(1)矩阵这样书写符合您的表达吗？另外，U与V之间的“|”竖线是什么意思？请说明一下。其中矩阵外面的角括号可以用稍大一点的中括号吗？请明确。回复：文中的矩阵书写符合我的表达，“|”是为了强调本矩阵是由两部分组成。用中括号是可以的。

其中：矩阵中每一个行代表一个物理服务器的性能向量，qij表示服务器ui第j个性能特征。

同时根据用户提交给资源调度管理器的虚拟机性能需求，对应每个服务器进行规范化，得到此虚拟机对每个服务器的性能期望值。本文同样取CPU、内存、带宽和硬盘这4个基本性能为例，其资源期望计算方法如下所示：

CPU期望=CPU期望量/(CPU总量-CPU预留量)

内存期望=内存期望量/(总内存-内存预留量)

带宽期望=带宽期望量/(总带宽-带宽预留量)

硬盘期望=硬盘期望量/(总硬盘空间-硬盘预留量)

待部署虚拟机对于每个物理服务器的期望可以构成期望矩阵：

E=［UE1］

=u1e11e12…e1l

unen1en2…enl

其中eij表示虚拟机对于服务器ui第j个性能指标的性能期望。

同时根据用户应用需求，还将建立性能权值向量W=(w1,w2,…,wl)，其中wi是第i个性能指标的性能期望ei所对应的权值，∑li=1wi=1(0

2.2PMLB算法描述

PMLB服务器发现算法，首先计算出单个虚拟机与物理服务器性能的最佳匹配，同时计算系统负载均衡情况，并将上述两个计算结果进行综合分析，得出最终服务器选择结果。其算法主体可以分为以下3部分。

1）匹配向量计算。

每个物理服务器的性能特征与待部署的虚拟机相关性能期望的差值，称为该服务器对于待部署虚拟机某一性能的匹配量Δqij=qij－eij。资源管理服务器通过用户提交的虚拟机应用请求得到的期望矩阵，以及从性能监控服务器调取的性能矩阵，可以求得服务器池匹配量矩阵：

ΔQ=［UQ－E1］=［UΔQ1］=

u1Δq11Δq12…Δq1l

unΔqn1Δqn2…Δqnl

在求得矩阵后，首先对其进行筛选，每一行如果出现负值，说明此项性能无法满足虚拟机需求，便视为不可满足节点，从矩阵中删除。最后将剩下的m个服务器组成可用服务器匹配量矩阵:

ΔQ′=［U′ΔQ′1］=

u1Δq11Δq11…Δq11

ujΔqm1Δqm2…Δqm1

若得到的矩阵为，便会向管理端发出开启新服务器请求。

为了更好地满足用户应用需求，再对匹配矩阵与用户设定的权值向量相乘，从而构成匹配判断向量：

S=ΔQ′1•(w1,w2,…,wl)T=(s1,s2,…,sm)T

其中si=∑lj=1Δqij•wj为服务器性能特征与虚拟机对于该服务器的期望之间的相对距离，用于判断此物理服务器与待部署虚拟机需求性能的匹配程度，每个si下标对应一个服务器UUID。si值越小说明越适合在此服务器上部署该虚拟机。

在权值向量中，用户偏好的性能特征赋予较小权值，这是为了在进行距离运算时减少对其约束，从而可以使服务器为偏好特征预留更大性能空间。

2）负载向量计算。

在满足单个虚拟机部署匹配需求的同时，本文还进一步研究解决整个系统负载均衡问题，提出负载向量计算方法。

将服务器池中所有物理服务器某一性能特征的平均值称为负载基点值qi。将某一服务器性能与对应基点值的差值称Δpij=qij－qj为负载偏差，负载偏差的计算主要由性能监控服务器完成。整个服务器池中服务器的各个性能负载偏差组成负载偏差矩阵：

ΔP=［UΔP1］=

u1Δp11Δp12…Δp1l

unΔpn1Δpn2…Δpnl

矩阵中的负值项说明其负载已经超过此性能系统平均负载，不宜再进行部署；而正值说明服务器此性能还有部署空间。

考虑不同性能的负载情况对于服务器影响不同，云服务提供商可以根据实际情况制定相应权值向量Y=(y1,y2,…,yl)，其中∑li=1yi=1(0

R=ΔP•(y1,y2,…,yl)T=(r1,r2,…,rn)T

每个ri下标对应一个服务器UUID。

3）匹配向量与负载向量综合分析。

最后，从虚拟机与服务器匹配情况和服务器池整体的负载均衡情况两方面综合考虑，以确定部署方案。这就需要参照以上得出匹配判断向量S=(s1,s2,…,sm)T和负载判断向量R=(r1,r2,…,rn)T，进行综合处理。

首先提取出可用服务器的ri值，组成可用服务器负载判断向量R′=(r1,r2,…,rm)T。并引入γ、η两个调和参数，其作用是平衡性能匹配与负载均衡对部署影响的比重，可由云计算提供商根据系统情况灵活配置。

如前文所述，si为非负数，其值越小匹配度越高，越适合在此服务器上部署该虚拟机。而ri为负值时说明其负载过大，不宜再部署虚拟机，但若所有服务器ri均为负值时，绝对值越小的越适合部署虚拟机；ri为正值时，其值越大说明剩余性能空间越大，越适宜部署虚拟机。于是，综合分析公式如式(2)所示：

Ebest=MAXmi=1(ηriγsi)(2)

其中Ebest所对应的服务器便是虚拟机部署的目标物理服务器。

3分析与实验

本文采用澳大利亚墨尔本大学的网格实验室和Gridbus项目提出的云仿真平台CloudSim［11］对本算法进行仿真实验。

1)实验环境。

实验机操作系统为WindowsXPSP3;JDK版本为jdk1.6.0_10；CloudSim版本为CloudSim2.1.1；编译工具Ant版本为Ant1.8.1。

2)CloudSim扩展编译。

图3为CloudSim所包涵基本类的总体设计图。

为了实现本文算法，本文在基本类基础上编写相应的继承类，对CloudSim进行扩展，主要工作如下。

①对Host类扩展，在其中加入服务器（Host）可用性能的规范化处理。

②编写DatacenterCharacteristics继承类Datacenterbalance，计算服务器集群的负载向量，得出负载矩阵。

③选择目标服务器创建虚拟机的过程主要由Datacenter对象负责。VmAllocationPolicy这个抽象类代表虚拟机在选定物理服务器上的部署过程，其中的allocateHostForVm(Vmvm)作用是为指定虚拟机分配目标物理机。编写VmAllocationPolicy继承类VmAllocationPMLBPolicy，在方法allocateHostForVm(Vmvm)中计算待部署虚拟机（Vm）的匹配向量，并进行匹配向量与负载向量的综合分析，选取目标服务器（Host）。

3)实验仿真。

在完成CloudSim扩展编译后，编写仿真程序进行实验仿真。

本实验通过两个参数比较算法性能。

①运行有虚拟机的服务器（视为已开启的服务器）数量Nact。其值越小，说明开启服务器数量越少，越节省能源。

②负载均衡系数，通过求负载判断向量方差来判断负载均衡情况。如式(3)所示:

DLB=∑ni=1(ri－r)2(3)

其中r为负载判断向量内所有元素平均值，其值越小越稳定，说明系统负载状况越良好。

编写仿真程序，分别模拟一个具有40台服务器（Host）的数据中心（Datacenter），使用本文算法，添加10,15,20,30,40,50个虚拟机（Vm）的场景，并输出Nact值和DLB值。

为了对本算法效果有所比较，本文使用CloudSim2.1.1里VmAllocationPolicy继承类VmAllocationPolicySimple中所给出的部署算法做同样场景的模拟，输出相应的Nact值和DLB值。

4）仿真结果。

实验结果如图4~5所示。

通过实验结果可以看出：PMLB算法可以大大减少系统服务器开启数量，从而减少系统资源成本；同时能够使系统负载稳定保持在较低范围，达到良好的负载均衡效果。因而可以得出结论，本文算法可以很好地满足云计算环境下虚拟机部署对于资源使用率和系统负载的需求。

4结语

本文提出了一种虚拟机初次部署的方案和算法。首先将物理服务器和虚拟机抽象为性能向量，之后基于性能向量，分别计算出性能匹配判断向量和负载均衡判断向量，通过将上述两向量进行综合运算得到最终部署结果。并通过实验与分析证明，本算法能够良好解决云计算环境下的虚拟机部署中的系统负载均衡和节省资源问题。

本文算法的特点有：1)加入用户应用需求权值向量，充分考虑了用户对于不同应用的不同需求；2)依据系统工程整体最优思想，不对单个虚拟机选择性能最好的服务器，而从系统角度考虑虚拟机部署的负载均衡和资源最大利用问题。

参考文献:

[1]

雷葆华，饶少阳，江峰.云计算解码［M］.北京：电子工业出版社，2011.

[2]

“虚拟化与云计算”小组.虚拟化与云计算［M］.北京：电子工业出版社，2010.

[3]

Amazon.Elasticcomputecloud［EB/OL］.［2011-06-20］.aws.省略/ec2.

[4]

陈康，郑纬民.云计算：系统实例与研究现状［J］.软件学报,2009,20(5):1337-1348.

[5]

CARONE,DESPREZF,LOUREIROD,etal.Cloudcomputingresourcemanagementthroughagridmiddleware:AcasestudywithDIETandeucalyptus［C］//Proceedingsofthe2009IEEEInternationalConferenceonCloudComputing.Washington,DC:IEEEComputerSociety,2009:151-154.

[6]

C12GLabs.PrivatecloudcomputingwithOpenNebula1.4［EB/OL］.［2011-08-11］.省略/_media/software:ecosystem:private_cloud_computing_with_opennebula_1.4.pdf.

[7]

MENDELR,TALG.Virtualmachinemonitors:Currenttechnologyandfuturetrends［J］.IEEEComputer,2005,38(5):39-47.

[8]

DMTF.Openvirtualizationformatspecification,DSP0243［S］.Portland,OR:DMTF,2009.

[9]

程理民，吴江，张玉林.运筹学模型与方法教程［M］.北京：清华大学出版社，2002:50-200.

[10]

袁金艳.多虚拟机快速部署机制的研究［D］.武汉：华中科技大学，2008.

[11]

CALHEIROSRN,RANJANR,DeROSECAF,etal.CloudSim:Anovelframeworkformodelingandsimulationofcloudcomputinginfrastructuresandservices,GRIDSTR20091［R］.Parkville,VIC:TheUniversityofMelbourneAustralia,GridComputingandDistributedSystemsLaboratory,2009.

收稿日期:2011-08-05修回日期:2011-09-14

简述云计算的主要特征范文篇2

摘要：在云计算环境下，传统方法采用终端网络监测方法进行网络安全估计，由于网络通信信道终端功率衰减性强，导致安全态势估计精度不高，检测性能不好。提出一种基于自适应数据分类和病毒感染隶属度特征提取的云计算环境下网络安全估计及态势预测算法。构建云计算环境下的网络安全估计模型，采用自适应数据分类算法对网络攻击信息数据进行聚类评估，提取网络攻击病毒数据的感染隶属度特征，实现网络安全态势预测和病毒攻击检测。仿真实验表明，该算法对病毒数据流预测精度较高，实现不同场景下的网络病毒流预测和数据检测，提高了云计算环境下网络抵御病毒攻击的能力。

关键词：网络安全；云计算；态势预测；病毒

中图分类号：TN957.52?34文献标识码：A文章编号：1004?373X（2015）20?0015?05

Scenariosimulationofnetworksecurityestimationmodelincloudcomputingenvironment

CHENLiangwei

（DepartmentofComputerEngineering，ChengduAeronauticPolytechnic，Chengdu610100，China）Abstract：Inthecloudcomputingenvironment，thetraditionalmethod，whichtakestheterminalnetworkmonitoringmethodtoestimatethenetworksecurity，haslowestimatedaccuracyforsecuritysituationandpoordetectionperformanceduetothehighpowerattenuationofnetworkcommunicationchannelterminal.Asecurityestimationandtrendpredictionalgorithmbasedonadaptivedataclassificationandmembershipfeatureextractionofvirusinfectionincloudcomputingenvironmentisproposed.Thenetworksecurityestimationmodelbasedoncloudcomputingenvironmentisestablished，theadaptivedataclassificational?gorithmisadoptedtocarryoutclusteringevaluationfornetworkattacksdata，andtheinfectionmembershipfeatureofvirusat?tacksdataisextractedtorealizethenetworksecuritysituationalpredictionandvirusattackdetection.Thesimulationtestresultsshowthatthealgorithmhashighvirusdataflowpredictionaccuracy，canrealizenetworkvirusflowpredictionanddatadetec?tionindifferentscenarios，andimprovetheabilityofresistingthevirusattacksincloudcomputingenvironment.

Keywords：networksecurity；cloudcomputation；situationprediction；virus

0引言

随着网络信息技术的发展，海量数据在网络中通过云计算进行处理。云计算是基于互联网进行数据交互和通信的海量数据处理方法。云计算具有强大的计算能力和数据存储能力，通常涉及通过互联网来提供动态易扩展的资源和存储空间。在云计算环境下，由于数据在宽频带信道内进行快速聚簇和传输通信，容易受到网络病毒的攻击，威胁到网络安全。如今，云计算环境下的网络安全成为网络应用研究的热点课题。为了提高云计算环境下网络系统的安全性和稳定性，需要对云计算环境下网络的攻击和入侵信号进行准确的检测，对云计算环境下网络威胁态势进行有效预测，提高抗体的检测概率，降低网络攻击检测的虚警概率。在云计算网络数据通信中，通过对云计算环境下网络安全态势预测，提高抵御风险的能力。因此，研究云计算环境下的网络安全估计和危险态势预测模型具有重要意义[1]。

为保证个体用户的信息安全，需要提取网络信息安全特征，进行网络威胁态势预测和安全估计，传统方法中，通过使用防火墙作为第一道网络安全防护系统，进行网络攻击检测和云计算环境下的安全模型估计，在一定程度上可以保证计算机系统的安全，但防火墙在防御高度伪装与隐蔽性极强的隐形文本的数据攻击下，具有一定的局限性[2?3]。对此，相关文献进行了算法改进设计，其中文献[4]提出一种基于多源层次数据结构分析的网络危险态势预测模型，实现网络安全量化评估，但该算法需要进行IDS报警日志记载，在先验数据采集中的误差较大，适应性能不高。文献[5]提出一种基于日志审计动态预测的云计算网络安全态势预测算法，实现对点对点网络攻击的有效检测，但该算法计算复杂，运行开销大。当前对云计算环境下网络安全估计和态势预测采用终端网络监测方法进行网络安全估计，由于网络通信信道终端功率衰减性强，导致安全态势估计精度不高，检测性能不好。文献[6]中以一种解决拥塞的思维解决安全问题，但是，这种安全必须是由拥塞引起的，限制了应用性。文献[7]以能量的思想解决网络安全问题，但是其应用只能是无线传感网络，无法移植到一般网络。

文献[8]在资源分配安全中考虑了反馈的概念，但是这种反馈也只能起到提醒的作用，无法进行病毒的根除。文献[9?10]都是根据节点过滤原理进行病毒检测，但是，节点过少也会降低通信性能，因此应用缺陷明显。针对上述问题，本文提出一种基于自适应数据分类和病毒感染隶属度特征提取的云计算环境下的网络安全估计及态势预测算法。首先构建了云计算环境下的网络安全估计模型，进行网络攻击信号模型构建，采用自适应数据分类算法对网络攻击信息数据进行聚类评估，提取网络攻击病毒数据的感染隶属度特征，实现网络安全态势预测和攻击检测，仿真实验进行了性能验证，展示了本文算法在实现网络安全态势预测和攻击检测中的优越性能，提高了网络抵御病毒攻击的能力，展示了较好的应用价值。

1网络安全估计模型及数据分析

1.1云计算环境下的网络安全估计模型

云计算是将大量网络计算资源进行虚拟化存储和抽象计算网络运算模式，基于云计算的网络安全估计模型如图1所示。

图1基于云计算的网络安全估计总体架构

分析图1可知，大规模的网络物理资源和多源信息在交换机中实现信息交互和数据处理，假设云计算环境下m个终端上的病毒数据流为：

云计算环境下的网络安全估计模型的幅度和频率分别表示为：

式中η表示网络安全频率值。

通过构建在s域和z域上的分数阶傅里叶变换，对网络数据在多通道平台中进行相空间重构，得到重构后的网络病毒数据特征空间矢量为：

式中θ1(k)表示初始状态向量。设有云计算环境下存在M个全方向性攻击的伪随机时频跳变网络谐振病毒数据，P个干扰信号以θ0,θ1,θ2,…,θP的相位进行网络攻击，造成网络安全威胁，则需要进行网络安全态势预测。

1.2云计算环境下的网络攻击信号构建和数据

在上述构建的云计算环境下的网络安全估计模型的基础上，进行网络攻击信号模型构建，假设网络安全估计模型为一个三维连续的典型自治系统，采用三维连续自治系统模拟云计算环境下网络攻击服务器威胁指数和主机威胁指数，得到服务器威胁指数和主机威胁指数分别为：

式中：xk表示网络攻击环境下的病毒数据时间序列采样值；yk表示IDS日志信息；f（·）表示云计算环境下网络攻击的病毒数据时间序列值；h（·）表示云计算环境下网络攻击目录；vk和ek分别表示云计算环境下网络攻击检测受到的干扰项，且xk∈Rnv，yk∈Rne，其中，R表示最大网络威胁阀值范围，n表示网络攻击病毒数，此时网络威胁安全态势指数表示为：

的层次化评估系数求和；Γ（·）表示Sigma函数。采用相空间重构方法对网络采集数据进行重构，得到云计算环境下的网络攻击信号模型为：

式中：s表示网络攻击信号特征；v表示网络攻击信号受到的干扰项；L表示网络病毒攻击模糊入侵特征分为L类；A表示环境干扰系数；j代表干扰信号数量；p(ωn)表示网络威胁安全态势指数。

假设网络病毒攻击模糊入侵特征可以分为L类，入侵特征分为(w1,w2,?,wn)，n为入侵次数。采用粒子滤波独立自相成分分析的思想，设计出一个粒子滤波联合函数，该联合函数式是以时间与频率分联合分布进行考虑的；即把模糊网络入侵信号分段分成一些局部进行分析考察，而不是全局地进行分析判断，对其进行粒子滤波变换，对于2个标量时间序列y1和y2，其联联合概率密函数为f(y1,y2)，最后得到网络攻击信号的系统模型为：

分析上述网络攻击过程可见，网络病毒感染数据在Javascript程序内部经过变量赋值、传递，字符编码和过滤，实现参数进入函数的过程。因此，在该种环境下，应对网络攻击信号进行自适应数据分类，提高云计算环境下的网络攻击信号检测性能。

2特征提取及算法改进实现

2.1自适应病毒数据分类算法

在上述构建的云计算环境下的网络安全估计模型基础上，进行网络攻击信号模型构建。根据上述信号模型，采用自适应数据分类算法对网络攻击信息数据进行聚类评估，对云计算环境下的攻击数据自适应分类这一研究过程中，需要进行网络拓扑设计。拓扑网络的工作原理是用在两个通信设备之间实现的物理连接的一种物理布局，使诸多计算机在不同的地理位置与要使用的不同区域设备用通信线路联系起来，进行数据信息的共享和传递，分享各自的流媒体信息，软硬件信息等。假设输入到网络安全估计模型中的病毒信号为x(t)，则基于式（3）和式（4）中mk和μk的表达式，可得该病毒信号的幅度和频率分布为：

式中：Wx(t,v)表示病毒数据在t,v域内的双线性变换下脉冲响应，其具有实值性，即Wx(t,v)∈R,?t,v。

基于自适应数据分类，以及网络攻击信号的系统模型s(k)，得到云计算环境下网络攻击信号的总能量为：

对云计算环境下的网络服务层和主机层的病毒数据的总能量Ex进行边缘特性分解得到：

构建多路复用器输入/输出的网络病毒感染的向量空间模型，构建病毒感染的模糊关系的隶属度，优化对病毒感染的免疫性设计和数据检测性能，在输入点和输出点得到多频自适应共振采集数据流为：

在云计算环境下，模糊入侵特征的信息流量是由，并采用多频自适应共振检测算法实现云环境下模糊入侵特征的检测。并且根据自相关函数极限分离定理可得，网络病毒数据的自相关变量X由随机独立变量Si，i=1,2,?,N随机组合而成，这些随机分离变量的方差和均值服从于高斯分布，从而实现网络病毒数据的分类。

2.2网络安全威胁态势预测算法实现

在上述进行病毒数据分类的基础上，进行感染隶属度特征提取，以及云计算环境下的网络安全估计及态势预测，根据网络攻击信号的时移不变性和频移不变性，与第2.1节对网络服务层和主机层的病毒数据的总能量进行边缘特性分解，得到方程式（13）以及多频自适应共振采集数据流x(t)，则病毒感染隶属度特征为：

基于上述获取的网络病毒威胁的态势指向性函数，逐步舍弃云计算数据传输信道中的网络攻击的病毒信息历史测量信息，并采用级联滤波实现噪声抑制，可得到网络安全态势分析的时频响应为：

从上述分析获取的网络安全态势分析的时频响应中，可提取网络攻击病毒数据的感染隶属度特征，由此得到自组织态势分析迭代方程为：

式中：B表示零均值病毒数据流；S表示零均值自相关随机病毒数据；Φk信息融合中心形成k个联合特征函数；mk表示网络攻击病毒数据的幅度；θ表示网络病毒数据特征空间矢量；K表示为病毒感染通道属性值；T表示统计时间；a，b，z，r都是变量参数。

根据上述预测结果，通过非高斯函数极限分离特性，可以最大限度对各独立变量进行自相关成分表征，对于动态病毒感染隶属度特征，调用Javascript解析引擎进行网络威胁态势预测，实现病毒攻击的检测。

3仿真实验与结果分析

为了测试本文算法在进行云计算环境下网络安全估计和威胁态势预测性能，进行仿真实验。试验平台为整理PC机，CPU为Intel?CoreTMi7?2600@3.40GHz，实验采用Netlogo建立云计算仿真场景，算法采用Matlab7进行数学编程实现。网络病毒数据库使用Armadillo，该网络病毒数据库是对LAPACK和BLAS库的封装。根据网络用户对网络攻击检测任务执行能力策略判定系统的比特流量，令hTR=1/6，hGD=3，hF=2。在病毒入侵状态链为3维随机分布状态链模型，每个格点的配位数z为26，二维配位数z为8。仿真参数设定详见表1。

表1云计算环境下网络安全估计仿真参数设定

通过上述仿真环境设定和参数设计，进行网络安全估计和态势预测仿真，在三种不同场景中进行病毒数据预测和威胁态势分析，仿真场景设置为：云计算数据传输自由流场景、网络轻度拥堵场景和网络数据重度拥堵场景。使用OpenMP对算法中13~15行的循环并行处理，试验共使用12组数据。根据上述网络模型构建和参数设置，模拟不同链长960个计算核数，对个体网络用户进行病毒入侵攻击，得到三种场景下的网络病毒流预测结果如图2~图4所示。

从图可见，采用本文TraSD?VANET算法，能在云计算数据传输自由流场景、网络轻度拥堵场景和网络数据重度拥堵场景下，实现网络病毒的预测，对网络攻击的监测准确度好。当病毒信息参量呈非线性增长变化时，对网络病毒攻击的参数估计精度较高，实现网络威胁态势准确预测和评估，本文方法比传统的CoTEC和Centri?lized方法在进行网络病毒数据预测的准确度分别高16.0%和15.7%，展示了本文算法在实现网络安全检测和预测方面的优越性能。

4结语

对云计算环境下网络威胁态势进行有效预测，提高抗体的检测概率，降低网络攻击检测的虚警概率提高抵御风险的能力。本文提出一种基于自适应数据分类和病毒感染隶属度特征提取的云计算环境下的网络安全估计及态势预测算法。首先构建了云计算环境下的网络安全估计模型，进行网络攻击信号模型构建，采用自适应数据分类算法对网络攻击信息数据进行聚类评估，提取网络攻击病毒数据的感染隶属度特征，实现网络安全态势预测和攻击检测。仿真实验表明，本文算法能实现不同场景下的网络病毒流预测和数据检测，实现网络安全估计和态势预测，提高了网络抵御病毒攻击的能力，展示了较好的应用价值。

参考文献

[1]刘雷雷，臧洌，邱相存.基于Kanman算法的网络安全态势预测[J].计算机与数字工程，2014，42（1）：99?102.

[2]韦勇，连一峰.基于日志审计与性能修正算法的网络安全态势评估模型[J].计算机学报，2009，32（4）：763?772.

[3]王晟，赵壁芳.基于模糊数据挖掘和遗传算法的网络入侵检测技术[J].计算机测量与控制，2012，20（3）：660?663.

[4]刘逻，郭立红，肖辉，等.基于参数动态调整的动态模糊神经网络的软件可靠性增长模型[J].计算机科学，2013，40（2）：186?190.

[5]陈秀真，郑庆华，管晓宏，等.层次化网络安全威胁态势量化评估方法[J].软件学报，2006，17（4）：885?897.

[6]罗龙，虞红芳，罗寿西.基于多拓扑路由的无拥塞快速业务迁移算法[J].计算机应用，2015，35（7）：1809?1814.

[7]孙超，杨春曦，范莎，等.能量高效的无线传感器网络分布式分簇一致性滤波算法[J].信息与控制，2015，44（3）：379?384.

[8]匡桂娟，曾国荪，熊焕亮.关注用户服务评价反馈的云资源再分配方法[J].计算机应用，2015，35（7）：1837?1842

[9]OLFATI?SABERR.DistributedKalmanfilteringforsensornet?works[C]//Proceedingsofthe46thIEEEConferenceonDeci?sionandControl.Piscataway.NJ，USA：IEEE，2007：5492?5498.

[10]衣晓，邓露，刘瑜.基于基站划分网格的无线传感器网络分簇算法[J].控制理论与应用，2012，29（2）：145?150.

简述云计算的主要特征范文篇3

关键词：科技文本；摘要翻译；长定语；处理方法

中图分类号：G4

文I标识码：A

doi：10.19311/ki.1672-3198.2016.32.082

0引言

当今世界科学技术迅速发展，科技文本也就随之增加。作为一种独立的文体形式，自上世纪70年代以来已引起了国际上广泛的注意和研究，而文本与翻译的密切关系已日益为翻译界所认识。在计算机领域，“云计算”系列做得风生水起，为促进国内外科技成果的交流与发展，有关云计算的会议及论文逐渐国际化，但是由于快节奏高效率，如何在最短时间内掌握最有价值的资料，论文的标题和摘要成为了科技工作者和学者首先关注的焦点，因此论文的标题和摘要英译的重要性就显得尤为重要，甚至决定了论文的取舍。

本文运用语料分析法就云计算国际会议上的论文进行分析，发现摘要翻译中的一个突出问题是长定语的处理，特别是多个名词修饰一个中心名词，汉译英时该如何处理是本文重点探讨的话题，使摘要的英译不仅符合科技文本的简洁性、

1文献综述

准确性和概括性，而且符合国际惯例，让外国学者深知其意，进而总结出长定语的翻译方法。

1.1长定语

现代汉语长定语是名词性短语中心语前面的复杂的附加成分。所谓复杂包含两种变现形式：一是指语义表达较长但修饰或限制意义单一的定语，即长的单项定语；一是指由两种及两种以上的语义成分共同起修饰或限制作用的定语，即多项定语。（张谊2005）毛薇等学者对多项修饰语的语序做了研究，他们的研究重点在如何根据语义类型正确排序，却忽视了翻译时的方法和策略。相比多项修饰语这一概念，本人采用长定语一词，因为本文中提到的长定语不仅是前面有多个名词做多项修饰语，而且可能是仅有一个很长的修饰成分，因此选用长定语更加通俗易懂。

1.2科技文本摘要研究

在前人的研究中，就科技文本的摘要翻译一题，根据宋雅智的说法，科技文本摘要具备一定的基本特征及写作规范，很多学者对科技文本摘要的翻译从词法、句法、文体特征等方面进行了研究，但侧重于一些语法问题，比如被动过多（赵德全、郑媛媛，2015），时态混乱（邓军涛、许明武，2013）等。论文摘要一般具备三个特征：概括性、简练性和准确性。关于摘要的语态较多使用第三人称，尽量少或不使用第一或第二人称。（刘丽娟，2015）而张玫的研究则基本否定了这种观点，认为采用第一人称代词和主动语态的科技文体在英美的确已经成为主流。宋鑫《学术论文英文摘要翻译常见问题分析》中则认为，语态的运用应考虑两个因素，一是达意，即满足表达的需要，这也是语言之所以为语言的使命。二是考虑摘要的实际特点，根据不同性质的摘要选择恰当的语态。

1.3长定语的翻译

针对这一问题，前人学者也做过一些研究，他们以多项修饰语为题，根据语义类型，运用统计的方法，对修饰语的排序做了一定研究。但是就科技文本中，没有关于长定语翻译的研究，而科技文本以严谨性著称，大多情况下句子较长，难以理解和翻译，这是我们在翻译时候经常遇到的难题。句子长很大一部分是因为修饰成分较长，因此本文以此为切入点针对云计算主题的国际会议论文进行研究分析。

2研究方法

本文采用语料分析法，收集了以云计算为主题的国际会议上发表的文章，针对其摘要进行分析归纳，就其中的长定语句子做成语料库，总结出来长定语的翻译方法。语料库分析法，是自20世纪60年代以来，语言研究出现一种全新的方法，即基于语料库的语言分析法。广义上的语料库，据JohnSinclair（1999），指用来代表某种语言状态或语言变体之特征的自然发生的文本集合。而现实中，语料库都是依赖计算机储存的，并以计算机为处理语料的基本工具，故此通常所称的语料库，一般指存放在计算机里的原始语料文本或经过加工后带有语言学信息标注的文本（顾曰国，2000）。语料库及语料库方法，在语言研究中起着日益重要的作用。这种方法以实际的自然的语料为语言描述的基础，借助计算机这种强有力的信息处理工具，有相对于其他方法的巨大优势。

本文采用简单的语料分析法，语料收集、分析、分类，共收集云计算主题的论文116篇，分析了100篇论文的摘要，收集了40个典型的长定语实例，并对其进行分类分析，然后以表格的形式作为语料储存。

3摘要中出现长定语问题

通过对100篇以云计算为主题的科技文本摘要的分析研读，发现其中的长定语翻译值得探究。由于科技文本的严密性和准确性，一个名词前面有很长的修饰成分，或是多个专业术语，或是逻辑关系密切的修饰成分，在英译中时，这一问题显得尤为突出，通过下面的语料分析，总结出不同的处理方法。

3.1修饰成分过长构成的长定语

例1.动车组管理信息系统是覆盖各级动车组管理、运维单位，全面支撑动车组运营、维修业务的综合系统。

ElectricMultipleUnitsManagementInformationSystem（EMU-MIS）isacomprehensivesystemwhichisdesignedformulti-layermanagementandoperationdepartmentsoftheElectricMultipleUnits，andsupportsthebusinessoftheoperationandmaintenanceoftheElectricMultipleUnits.

分析：摘要中的固定句套，XX是一种……的XX在这里“动车组管理信息系统是……系统”，出现了前文提到的长定语的第一种复杂形式：语义表达较长但修饰或限制意义单一的定语，即长的单项定语，其处理方法是中心词前直接跟最重要的表示属性的修饰语，然后其他的修饰成分用which引导的定语从句放在后面，从句中又用介词连接。

例2.讨论了怎样利用云学习解决实验室建设及管理方面存在的相关问题。

Howtousecloud-learningtosolvetheaboveproblemswasalsodiscussedinthisarticle.

分析：“讨论……问题”主动变被动，然后用theabove代替问题前面的L修饰成分，因为在摘要的首句中提到，所以这里可以用替代方法。还采用了主动变被动，how引导的从句做主语。

例3.本文分析了云计算中基于服务器的虚拟化技术带来的安全风险，提出了针对纵向流量模型、横向流量模型的安全防护方案。

Thispaperanalyzestherisksofservervirtualizationincloudcomputingsystem，andrecommendssecuritysolutionsforbothverticaldataflowmodelandlateraldataflowmodel.

分析：“本文分析了……的风险，提出了……的方案”，“风险”前面的修饰语很长，这就运用了汉译英的省译法中的一种情况省去范畴类词语，当这些词表示范畴时，失去了具体的含义，一般可以省略不译。因此在这里就省去了“技术”这一范畴词。

例4.提出了使用先进的云计算的计算服务及云计算提供的安全保障解决旅游电子商务运营问题的方法，得出了若将云计算应用在旅游电子商务运营过程中，能降低企业商务运营成本，提高商业运营效率的结论。

proposedthemethodsthatusingtheadvancedcomputingserviceandsecurityprotectionofcloudcomputingtosolvetheproblemsoftourismelectroniccommerceoperation.Comestoconclusionthatifcloudcomputingcouldbeappliedinthetourismbusinessoperation，businessoperatingcostswouldbereducedandbusinessoperationalefficiencywouldbeimprovedaswell.

分析：该句“提出……方法”，“得出……结论”。方法和结论前面的修饰成分都很长，英文在处理时选择主谓宾简单句，然后用that引导同位语从句，具体解释是什么方法，什么结论。

3.2多个名词构成的长定语

例5.动车组管理信息系统的云计算支撑平台研究。

ResearchofArchitectureofCloudComputerfortheEMU-MIS.

分析：通过分析研读论文中的实例，我们发现摘要有固定的句套，以“基于……的研究”、“……的分析”、“……的应用”居多，英译时，一般情况下是研究和分析在前，因为英语是显性语言，重点在前；汉语是隐性语言，重点在后（连淑能，英译汉教程，47-48）。研究前面有四个修饰成分。直接简单罗列四个名词再加上中心词显然行不通。英语的句法结构需要连接词根据逻辑关系层层连接，因此英文标题用了三个介词，从后向前，组成一个名词性短语。同样，最后一句本文提出一种……框架，也是用介词连接定语修饰部分。

例6.本文基于云计算服务模式，进行航空维修安全预警系统设计研究，设计了航空维修安全预警系统的云计算基础架构。

BasedonCloudComputingTechnology，aSecuritywarningsystemforaviationmaintenance（AMSWS）isdesigned.

分析：变主动为被动。设计了……的基础架构，中间有较长修饰部分，在这里利用介词变换主语，主动变为被动。英语多被动，汉语多主动。英语是侧重客观描述，被动形式能达到此效果；汉语是强调主体性，多主动。（连淑能，《英译汉教程》）此外这里还用到了省略，云计算这个修饰成分显然是被省去了，因为前文已提到基于云计算服务模式，所以设计的也是云计算的基础架构。

例7.并重点分析了基于云计算平台的连锁企业商品配送路径规划计算和制定商品配送策略的业务流程。

thenespeciallyanalyseshowtousecloudservicestoaccomplishgoodsdistributionpathplanningcalculationandestablishgoodsdistributionstrategyofchainenterprises.

分析：摘要第三句很长，后半句“重点分析了……规划计划和制定……流程”，英文中用how引导的从句，分析了如何运用云服务完成商品配送路径规划计算，把定语变成了宾语从句，符合地道的英语表达。