计算机量子技术
前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇计算机量子技术范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。
计算机量子技术范文第1篇
一、控制系统的硬件配置
系统由工程师站HIS0164、操作站HIS0163、HIS0162及现场控制站FCS0101、FCS0102组成。HIS0164用于系统组态和工艺操作监视，HIS0163、HIS0162用于工艺操作和监视。现场控制站由具有双冗余控制结构的控制单元AFG40D和本地节点组成。工程师站通过E-net向各操作站下装组态数据，网内各站共享外设资源；工程师站、操作站和控制站的通信，控制站和控制站的通信及控制站与各节点的通信，使用双重化实时控制网络V-net。
二、应用软件组态
工程师站安装有WindowsXP操作系统，利用CENTUM-CS3000系统软件组态。组态菜单采用树型分支机构，一个项目由若干个文件夹或文件组成，在对应的文件里或以根据系统配置组态控制站、流程图、操作组及报表等。在Control Drawing图上选取所需的控制功能块并输入相应的组态数据，再把它们连接到相应的输入输出通道上，即生成控制方案或直接生成顺控表，对各个功能块、模拟量、输入输出数字量、内部开关及报警器等进行直接控制。
三、流量计自动计量组态说明
本公司在用的流量计主要是椭圆齿轮脉冲流量计（简称为流量计），生产过程如何使计量自动、无误地进行是保证生产质量、减少操作人员工作量的重要部分。在节点NODE1的第1插槽插上AAP135-S脉冲输入卡件，组态时把第一通道的Label组态为%%FQC502Y2，以便于识别。现场流量计信号（脉冲式）线接到该卡件的第一通道上，流量计后的气动阀及各罐的计量气动阀、底阀的数字输出信号，接到卡件ADV559上（在NODE1的第2插槽），在Label分别组态为NDO001Y2、NDO029等。在功能块的组态中，用批量信号设定器BSETU-2作为脉冲输入信号输入处理、并进行流量给定，控制阀门启闭。流量给定值FQC502.BSET=NCT159.PV×XNS221.DT03×FQCY11.DT07，由计算块NCL033计算得出，再把数据传给批量数据块UN209.DT03。NCT159.PV为配方基数值，各个罐不同，YT-32为2000；XNS221.DT03为系数，在Graphic图上输入，FQCY11.DT07为固定小数0.1，如YT-32需计量150L，则系数调出窗口输入0.75，即FQC502.BSET=150L。现场的管道及阀门的分布情况如图1所示。这是在工程师站组态的Graphic图（操作监视画面），用于操作、监视整个计量过程情况。图中采用CS3000中的变色功能，在阀门打开时，相应的位置阀门由原来的绿色变为红色，表示该阀门状态是开。功能按键及选择哪个罐，则相应的按键的背景色变为绿色。其它的状态、功能变化由顺控表ST01FQC、ST07及ST08控制。计量过程如下：
1、计量判断。输入系数“0.75”，按“制造”、“开始”、“YT-32”，计量由ST07表进行判断，如表中第1列的所有条件成立，则执行表ST08的第3步，计量开始。如流量计正在使用中，则第2列的条件成立，操作站报警提示“FQC502正在使用中”，不能计量，必须等到别的罐计量完了，才能进行。
2、计量执行。执行ST08的第3步，进行配方数据设定，流量计给定值设定、流量累积值收集器清零，启动1秒计时器，之后执行第4步，计时时间到，置初期化标志NSW101.PV为0（N），计量中标志NSW102.PV为1（Y），提出计量要求，执行表ST01FQC的第2步，进行计量。
在ST01FQC的第2步，先对流量计计量完标志NSW362.PV置为0，流量计累积值SUM清零，之后执行第5步；判断FQC502.BSET有给定值，不为0，则置流量计计量中标志NSW361.PV为1，打开YT-32计量阀门，执行第8步，FQC502状态变为AUT（自动），NDO001Y2（流量计后的气动阀）打开，启动10秒计时器、脉冲计数器，计量开始，此时监视图上的两个阀门变为红色。直至FQC502报警BEND（批量计量结束），流量计状态恢复为手动状态，NDO001Y2关闭，再启动10秒计时器，执行第12步，延时关闭YT-32计量阀门，计时时间完了，关闭YT-32计量阀门，同时置流量计计量完标志为1。执行第10步，等待表ST08执行完第6步，使其条件成立，在打印机打印输出YT-32本次计量的设定值和实际计量值，并在操作监视画面上显示。
当流量计计量完标志NSW362.PV为1，则表ST08执行第5步，进行数据收集，收集到UN209.DT01。执行第6步，把FQC502计量中标志NSW361.PV置为0。之后执行第7步，置YT-32计量中标志NSW102.PV为0，计量完标志NSW103.PV为1；操作监视画面中的阀门状态及按键状态恢复到原来的状态，完成整个计量过程。FQC502计量实行表是YT-32、YT-33和YT-34共用，YT-33和YT-34的计量判断表和计量执行表则跟ST07及ST08类同。
四、结论
该流量自动计量过程自从使用以来，操作简单可靠，同一系统中各个罐的计量按控制过程有序地进行，保证了计量的准确无误，实用性强。
参考文献：
1、CENTUM CS综合生产控制系统概说.横河西仪有限公司（XYC），1994(7).
计算机量子技术范文第2篇
关键词 质量月报 自动生成技术 计算机 质量 管理平台
中图分类号：TP34 文献标识码：A
1 计算机管理平台自动生成的质量月报所包含的内容
质量月报可以说是企业在一段时间内的工作成果，质量月报涵盖了许多企业在发展过程中的数据，起到了十分重要的作用，可见质量月报的制作是一个十分繁琐的过程。
在质量月报制作的过程中，需要对企业在这段时间内所有的运营资料进行检验、测量、质量检测，对于资料中出现的数据详细的核对，使用正确、快捷的数据核对方法，将数据进行详细的分析，在详细分析的基础之上还要进行再次的数据核对，完成一次质量报告需要大量的时间和人力，许多工人员会在繁琐的过程中出现粗心的错误，可见计算机自动生成质量月报的技术是十分实用的。
企业一段时间的工作月报包含了一个月内企业所进行的所有试验以及质量方面的数据，分析这些数据将其制作成图表的形式方便他人的审阅。经过计算机自动生成技术形成的质量月报一般包含：一个月内的工作总结、质量的评估报表、处理质量事故的报告详细报表、实验的参数分析以及对于以上数据的汇总表。这些数据拼合在一起由计算机生成质量月报，既减少了制作质量月报的时间，又提高了报表的准确性。
2 计算机管理平台自动生成质量月报的详细过程
由于计算机是处理数据最方便的机器，可以根据简单的人工命令执行繁琐的数据处理步骤，节省了很多的人力、物力以及财力，还在一定程度上减少了出现错误的概率。
一般计算机自动生成质量月报的数据处理软件多是数据库软件，数据库软件是一款十分智能、操作简单的软件，为数据处理提供了一个规范、准确、权威的数据处理平台，只要在输入原始数据的时候尽量的减少错误，就会给后期的工作带来极大的便利，方便数据后期的综合处理和自主查询。
将原始数据输入数据库操作软件之后，数据库自动将这些关于质量的数据进行模块化处理，自动处理生成出质量月报的封面目录和质量月报的详细内容，这时，质量月报的制作工作已经是完成了一大半了，一旦将质量月报的具体内容确定下来，那么计算机的数据库软件会逐步的确立质量月报的子模块，确定相关的时间，确定对应的工程细节，系统将根据已经获得的数据信息在数据库中进行新信息的检索，将搜索得到的数据进行分析处理，将新信息汇总到已知的子模块之下，或者是创建新的子模块，这样便可以更加的完善质量月报的完善性。值得注意的是，有时为提高数据的清晰性，对于数据的处理形式可以有多种方式，例如，可以将数据处理成为图标，一目了然，企业中的工作人员在阅读质量月报的时候就可以直观的感受到企业在这一个月内工程质量的总体状况；也可以根据不同的阅读需要，将质量月报以文本或者是电子文档的形式展现在工作人员的面前，使用文本或者是电子文档的形式的质量月报可以将对于工程质量的分析详细的展现在文档之上，许多对于报表并不是十分在行的人都可以详细的了解到这一月内企业实施工程所完成的质量指标。
3 计算机自动生成质量月报技术的管理平台存在的积极意义
计算机管理平台对于质量进行的管理可以说是十分便捷的，在进行相关处理的时候更是提高了工作的准确性和工作的时间效率，计算机管理平台将质量管理控制在一定的阶段步骤之内，在每个阶段之内都会随着技术的进步而有新的扩展，比如在质量检验的阶段，计算机管理平台可以严格的把关所有的质量合格指标，严格的数据指标可以淘汰掉所有的不合格产品，很难出现人工检验时极易出现的错误；在质量控制的阶段，计算机管理平台可以扩展质量控制的智能，将控制功能延伸到预防功能，防止在工程实施的时候出现不合格的产品降低工程的质量，监督工程中不会出现不符合标准的材料进入。
计算机管理平台可以通过详细的数据核对进行质量的严格把关、控制和监督，这些工作倘若分配给人工来实现，就会在执行过程中出现很多的错误，一旦这些错误汇总起来就会对工程造成严重的打击，所以，计算机管理平台不但给质量月报的制作带来了便利，还将质量控制阶段的工作简单化，避免了大量的时间和金钱以及人力的浪费，并且随着技术的进步，计算机管理平台的功能将更加的丰富，带来更多的便利。
4 总结
现今社会是信息社会，信息成为了重要的资源，使用这些资源最方便的机器就是计算机，计算机生成的管理平台给质量监督带来了很大的便利，自动生成质量月报也减少了许多错误的出现，是一项十分有意义的技术革命。
参考文献
[1] 李枝国，程湘晖，周蓉，等.以质量月报推动全面质量管理体系改进[J].中国卫生质量管理，2012，19（2）：42-43.
[2] 宋平，刘士明，赵良，等.浅谈施工阶段监理月报的编写[J].城市建设理论研究（电子版），2012（18）.
计算机量子技术范文第3篇
关键词：平面机构；活动构件；自由度数
DOI：10.16640/ki.37-1222/t.2017.09.214
1 引言
机构为人为构件的组合，且都具有确定的相对运动，其条件为自由度数等于原动件的个数，因此自由度的计算为一个很重要的知识点，在高职高专机械设计基础教学过程中遇到了一种情况就是书中没有的知识点，但是在练习题的计算过程中却要用到这个知识点的情况，如计算平面C构自由度时活动构件数量的统计问题，为了更好的对平面机构的自由度进行计算，下面就详细阐述活动构件数量的统计。
2 平面机构的自由度计算
对于一个平面机构中含有n个活构件，在平面机构之中的自由度共3n个，引入一个低副自由度减少2个，引入一个高副自由度减少1个。低副和高副分别用PL和PH表示，平面机构自由度用F来表示，则F=3n-2PL-PH
3 活动构件的数量统计
3.1 不含高副的平面机构的数量统计
对于一个由N个构件组成的平面机构，有一个构件一定是机架，自由度为零，其余则全为活动构件，所以此机构的活动构件数n=N-1。
3.2 存在凸轮机构或齿轮机构高副传动
（1）如图1所示含有凸轮机构的平面机构，此平面机构的活动构件数为n=7，其中构件k虽为单独活动构件，但是却与GK杆构成一个活动构件，即滚子与顶杆看成一体。其余活动构件为构件EF、CD、AB、BC、CG和凸轮O。
（2）如图2所示含有齿轮机构的平面机构，此平面机构的活动构件数为n=6，其中轴3与齿轮B同轴，所以看成一体，即为一个构件，其余活动构件为构件2、4、5、6、7。
3.3 即有凸轮机构又有齿轮机构
如图3所示，此平面机构为内燃机的平面机构简图，机构中即有凸轮机构，又有齿轮机构，此机构的活动构件n=5，其中凸轮与齿轮B同轴转动，所以统计活动构件数量时算为一个构件，同理，齿轮A与构件3同轴转运，在统计活动构件数量仍旧算一个构件，其余活动构件为构件1、 图3引入齿轮凸轮的内燃机机构2、8，所以此机构的活动构件数为5。
4 结论
综上所述，我们在计算平面机构自由度时，应考虑好机构中含有凸轮、齿轮机构及两种机构都含有时的活动构件数的统计问题，也为以后统计更复杂结构的活动构件数量打下一个良好的基础，以更好地解决自由度的计算问题。
参考文献：
[1]王良斌，王保华.机械设计基础[M].北京邮电大学出版社，2012.
[2]庞兴华.机械设计基础[M].机械工业出版社，2008.
计算机量子技术范文第4篇
关键词 云计算 服务质量 数字图书馆 负载均衡机制
分类号 G250.76
0 引言
2012年12月24日，亚马逊公司开发人员在维护位于美国东海岸的网络服务弹性负载平衡系统（ELB）时，因意外删除了云服务上流量分配系统的相关数据，造成亚马逊云计算服务在圣诞夜中断，导致Twitter、FoureSquare、Reddit等多家公司业务受到了不同程度的影响。因此，云服务商的弹性负载平衡能力和服务可持续性，对图书馆云服务有效性和读者满意度有较大影响。
随着读者云阅读模式的转变与服务要求的提高，云图书馆数据中心服务负载量呈现级数激增趋势。在保证读者云阅读QOS需求的前提下，如何通过高效的负载均衡策略，均衡云图书馆服务器负载量、优化网络拓扑结构和增强数据处理能力，以及提高云图书馆对读者大量并发访问服务的处理能力和效率，是保证图书馆云服务安全、高效、经济、灵活与可扩展的前提，同时也是提高云服务读者满意度和增强市场竞争力的关键[1]。
1 云图书馆负载均衡存在的问题与需求
1.1 提高数据中心硬件设备的服务支撑能力
云计算环境下，图书馆云服务模式和运营方式将随着读者云个性化阅读需求的发展而转变。此外，图书馆云数据中心的服务负载和数据流量将呈现快速增长模式，其服务内容与服务模式复杂化将是图书馆云服务发展的另一个趋势。因此，必须通过有效的负载均衡策略，为不同云平台和云服务模式提供所需的负载均衡保障。在均衡云图书馆数据库、HTTP、应用与服务管理系统、电子邮件、博客、安全系统、服务器等硬件设备负载前提下，还应保证均衡方案具有较高的容错性和可用性[2]。
因为采用科学的负载均衡策略来降低对数据中心硬件设备性能要求，减少对硬件设备功能扩展和服务成本投入的需求，是云图书馆高效、经济运营的前提。其次，云图书馆在服务过程中的能源消耗，是决定云图书馆服务效率与成本投入的关键。如何依据云图书馆年度和每日服务负载量的周期变化规律，通过负载整合技术，在数据中心全局实现服务器空闲节点的休眠和能耗优化管理，是减少硬件设备服务成本的重要因素。第三，读者要求图书馆云阅读服务具有灵活性、可靠性、经济性和可扩展性。
1.2 确保云个性化服务具有较高可用性
云图书馆读者个性化服务的可用性，是判定图书馆云服务有效性和质量的关键因素。首先，云图书馆应通过负载均衡技术对服务器的TCP连结进行优化，按照用户权限和TCP连结重要性，对服务器的TCP连结进行优先级判定，并通过减少服务器不必要的TCP连结来提高服务器反应速度。其次，负载均衡策略可在云数据中心全局范围动态均衡服务器的负载，并提升云数据中心服务器整体云个性化阅读服务能力。避免当出现大量突发连接请求时，因服务器自身性能不足而产生服务瓶颈。第三，利用负载均衡策略保证云个性化服务具有较高的安全性。当数据中心服务负载激增或服务器发生故障时，应通过可靠的负载均衡策略，实现数据中心服务器之间的动态负载分担和负载迁移。此外，管理员可根据读者云阅读服务安全需求，对所均衡、分流的可疑负载数据流进行检测，并为云服务系统定制个性化的安全管理策略[3]。
1.3 云图书馆负载均衡可管理的需求
为了保证云图书馆负载均衡过程安全、高效、可控和易操作，应重点加强负载均衡管理方式的科学性和步骤的有效性建设。
首先，云计算环境下，可根据云基础设施的结构特点、设备运营方式和读者云服务模式，采用软件或硬件实现负载均衡。因此，软件负载均衡管理系统是否易于安装、配置和维护，能否实现对负载均衡过程的完全监控，是软件负载均衡管理应考虑的问题。同时，对于负载均衡硬件管理的方式，应重点关注负载均衡硬件设备命令行接口对设备的配置和管理效率，图形用户接口的用户使用友好性，以及负载均衡硬件设备是否支持SNMP（简单网络管理协议）等。其次，为了减少云图书馆服务响应和数据传输时延，在云数据中心服务负载和硬件设备均衡管理过程中，须坚持就近管理和先近后远的原则，应确保负载均衡管理过程的安全性和有效性，实现管理系统和被管理设备所处的地理位置无关。第三，应加强对云服务有效性和读者云阅读满意度关键节点的负载均衡和监控，避免关键部位发生单点失效现象[4]。
1.4 实现云图书馆QoS与云资源利用率的最优配置
QOS是判定云图书馆用户服务能力与读者云阅读满意度的重要指标。云图书馆在读者服务过程中，如果过分追求QOS指标而忽略服务过程中云资源的消耗和利用效率，将会导致服务效率下降和运营成本激增。
因此，云图书馆在服务负载均衡过程中，首先，在保证读者云个性化服务QOS的前提下，应重点关注负载均衡在云图书馆服务能力和运营经济性方面带来的收益。其次，云图书馆在用户服务过程中，当关键服务节点发生任务超载情况时，应将超载任务转移给其它闲置节点处理，保证负载迁移和虚拟机调度过程占用较少的系统资源。第三，云图书馆QOS与云资源利用率最优配置策略的制定，应结合云图书馆数据中心资源总量和已使用量、用户SLA（服务品质协议）需要、负载均衡策略对服务质量的影响、负载均衡策略有效性等因素，防止负载均衡策略在执行过程中给系统带来额外的负担[5]。
2 云图书馆负载均衡流程与策略设计
2.1 云图书馆负载均衡与虚拟机调度流程设计
为了增强读者云服务能力和提高用户云个性化阅读质量，云图书馆通常会在全球不同的地域建设若干个云数据中心，并结合每年不同季度和每日不同时间服务负载量变化特点，在云数据中心全局层面进行云服务负载均衡与虚拟机调度。
依据服务节点云服务负载数量，可将云图书馆服务负载划分为正常负载、轻度过载和重度过载三种状态。结合服务负载实际和读者云阅读QOS需求，本文设计的云图书馆负载均衡与虚拟机调度流程如图1所示。
图1 云图书馆服务负载均衡与虚拟机调度流程
首先，当云图书馆检测、接收到来自读者的云服务和云资源分配请求后，云图书馆将负载总量发送至负载管理与监控系统，对负载进行正常范围、轻度过载和重度过载三种状态的判定。其次，根据判定结果向虚拟机调度与负载均衡系统，发送服务负载均衡与虚拟机资源分配请求。同时，进行虚拟机资源调度与负载均衡需求评估，并制定相应的负载均衡策略，在云数据中心全局范围内进行负载均衡。第三个步骤则是将均衡后的负载状态变化情况发送到负载管理与监控系统，进行负载均衡有效性的判定。如果负载均衡有效性判定结果为轻度过载或者重度过载，则将均衡后服务负载的状态发送至虚拟机调度与负载均衡系统，进行负载的二次均衡评估。依据评估结果制定科学的负载二次均衡策略，并在数据中心全局范围内进行均衡，直到服务负载达到正常标准[6]。
2.2 云图书馆服务负载均衡策略设计
2.2.1 选择正确的负载均衡模式
云图书馆服务负载分布于云数据中心全局范围，具有数据量大、突发性强、不易均衡和关系云服务有效性的特点。因此，应根据云图书馆位于全球不同地域的数据中心负载分布、产生特点，以及读者云服务需求和云图书馆运营效率，采取硬件和软件均衡相结合的方式，在云图书馆数据中心全局范围实现负载均衡。
对于读者群数量少、负载轻、无突发性负载的小规模云数据中心系统，应采取具有较少建设成本和较高均衡效率的基于软件负载均衡模式，实现云图书馆负载均衡成本投入和有效性的最优化配置。而对于规模庞大、服务负载总量多、负载产生突发性强和服务质量要求高的云图书馆，则应采取硬件均衡和软件均衡相结合的原则。在全局范围内，对位于不同地域的数据中心服务器和外部网络节点安装硬件负载均衡设备，并对网络传输负载和服务负载进行自动、智能化的流量和负载均衡管理。管理员在研发、购买负载均衡管理系统时，应注重管理系统对云服务负载数据的采集、统计、分析和预测能力。确保在数据处理、存储和分析过程中，具有较高的智能、自动化水平。云图书馆负载均衡模式的选择，应符合云服务负载未来的发展趋势，满足云图书馆网络系统、数据中心服务能力、读者云阅读的需求，确保均衡模式易于控制、管理、操作和扩展，可实现负载均衡模式的个性化定制和选择[7]。
2.2.2 采取先本地后全局的负载均衡策略
云图书馆在数据中心设计、建设中，会根据云数据中心服务系统负载总量、读者云个性化服务要求、服务负载变化规律和云资源需求，以向云服务商租赁云基础设施资源的方式建设云图书馆，为读者提供云个性化阅读服务。因此，如何在全局层面合理规划、部署云数据中心，实现云服务负载的有效均衡，是确保云资源租赁投资高效和读者个性化服务收益最优配置的关键。
首先，在云图书馆数据中心所处地域选择上，应结合云服务商服务接入点位置、读者群分布与阅读需求特点、服务数据传输网络性能和服务成本组成等，坚持服务负载与网络传输负载均衡的原则，在全球范围合理部署云图书馆数据中心，确保服务网络拓扑结构安全、科学、高效、经济。其次，云图书馆负载均衡过程应坚持先本地后全局的原则，在较少的设备与管理成本投入，以及不改变数据中心系统与网络拓扑结构的前提下，高效、快速地将服务与网络传输负载在本地区域内实现服务器集群负载均衡。而对于个别突发服务负载量较大的数据中心，则坚持就近均衡的原则，将服务负载迁移至相邻云数据中心。第三，在全局负载均衡过程中，应保证负载迁移与地理位置无关性，可为用户提供远距离的透明负载均衡服务[8]。
2.2.3 云图书馆网络系统的负载均衡
云计算环境下，随着图书馆云服务模式和服务内容的转变，数据中心区域网络和用户数据传输网络的数据流量将不断增大。云图书馆网络系统负载均衡的有效性、灵活性和可靠性，成为决定读者云服务数据传输效率和服务性能的关键因素。因此，必须对云图书馆网络系统进行有效的负载均衡，不断提高云图书馆读者服务网络的数据传输与用户服务能力。
制定并执行有效的负载均衡策略，是实现云图书馆网络系统多个服务器、交换设备和数据传输链路聚合管理，提高网络系统负载均衡有效性的前提。云图书馆网络系统具有拓扑结构复杂、不同服务器集群网络传输性能差异大、网络交换节点易产生传输瓶颈和虚拟化网络管理难度大的特点。因此，首先可针对不同服务器集群特点，制定个性化的网络负载均衡策略，保证所有服务器集群网络内部传输负载均衡。此外，应将所有单一服务器集群网络集合成一个大的网络系统，并在全局角度执行混合型负载均衡策略，保证系统网络全局数据传输高效、均衡。其次，网络系统对服务器数据分发的科学性和效率，也是决定服务质量的关键因素。可根据服务数据对图书馆云服务性能和读者云阅读活动满意度的影响程度，以及服务器自身的数据处理能力，为服务器设置不同的数据传输优先权重。并按照服务器权重值大小和排队的原则，实现网络数据传输和服务器运行负载均衡。第三，应建设高效的网络传输负载监控系统，实现网络系统负载监控、管理、反馈和控制[9]。
2.2.4 实现准确的负载状态检测和均衡反馈控制
及时、准确地进行负载状态检测和均衡反馈控制，是图书馆精确判断云服务负载状况，和根据负载实际制定、执行高效均衡策略的前提。也是实现数据中心服务器负载信息快速判定和节点负载均衡，保证云阅读服务安全、高效、经济、可控的关键。
在对图书馆云数据中心服务器系统、网络传输系统和运营管理系统的负载水平评估中，应重点考虑硬件设备CPU利用率、CPU任务等待队列长度、内存大小和已使用量比例、可用存储磁盘空间、I/O传输效率、网络传输效率和负载量、用户云阅读满意度等因素。并在云数据中心全局层面上关注不同节点在负载处理能力上的差异，依据各子指标对云图书馆综合服务能力和读者云阅读活动满意度的影响力，赋予不同的权重因子。
云图书馆负载均衡过程中，应坚持均衡过程高效、快速、经济和准确的原则。在云数据中心全局层面采用加权轮询的策略，负载均衡过程中应坚持读者服务第一的原则，优先关注对云图书馆服务有效性、可靠性、读者云阅读愉悦感、可持续发展影响较大的服务器集群和设备，按照服务器集群实际负载量和处理能力进行负载均衡和云资源分配，保证云图书馆整体运营高效、安全。而对于服务器集群内部设备的负载均衡，应采用服务负载量最轻的策略，优先把请求分发到负载量最轻的服务器，并对各服务器运行过程的负载量进行监控，通过负载量反馈数据实现动态均衡。
3 结语
随着图书馆云服务模式的不断变革和读者云阅读需求的提高，云数据中心服务负载量在云服务中将会呈现快速增长态势，要求云图书馆具有超级计算、海量存储、高效传输和经济低碳的特点。然而，以往通过购买硬件设备、增加网络带宽、限制读者需求和降低服务标准的方式来解决服务负载激增问题，将会导致云图书馆建设与运营成本上升，以及用户服务质量和满意度下降。因此，只有将云图书馆服务负载实际和读者需求相结合，立足云数据中心运营能力制定科学、高效、经济、易控的负载均衡策略，才能保证云数据中心安全、高效、经济、均衡，才能为读者提供满意的云个性化阅读服务[10]。
参考文献：
[ 1 ] 李乔，郑啸.云计算研究现状综述[J].计算机科学，2011（4）：32-36.
[ 2 ] 宋银，康慕宁，魏驰.基于云计算的作业管理系统CJMS的负载均衡的研究[J].计算机测量与控制，2013（2）：467-469.
[ 3 ] 宋昕，宋欢欢.云计算环境下的流量控制和负载均衡策略[J].电子工程与设计，2011（6）：112-115.
[ 4 ] 程春玲，张登银，徐玉，等.一种面向云计算的分态式自适应负载均衡策略[J].南京邮电大学学报：自然科学版，2012（4）：53-58.
[ 5 ] 姚婧，何聚厚.基于模糊聚类分析的云计算负载平衡策略[J].计算机应用，2012（1）：213-217.
[ 6 ] 刘万军，张孟华，郭文越.基于MPSO算法的云计算资源调度策略[J].计算机工程，2011（11）：43-48.
[ 7 ] 朱晓敏，陆佩忠.异构集群系统中安全关键实时应用调度研究[J].计算机学报，2010（12）：2364-2377.
[ 8 ] 乔付，张国印，何鸣.信任机制与计算性能网格任务调度策略[J]，计算机工程与应用，2010（3）：72-75.
[ 9 ] 段赵磊，古志民.一种自适应的网络集群负载均衡策略[J]，计算机工程，2010（1）：97-101.
[10] 张兴旺，李晨晖，秦晓珠.基于云计算的数字化信息资源建设模型的研究[J].情报理论与实践，2011（8）：100-105.
计算机量子技术范文第5篇
关键字：计算机应用技术；自适应水印算法；支持向量机；结构相似度；鲁棒性
中图分类号：TP399 文献标识码：A DOI：10.3969/j.issn.1003-6970.2013.08.035
本文著录格式：[1]刘一楠，周亚建. 基于支持向量机与结构相似度的图像数字水印算法[J].软件，2013，34（8）：112-115
0 引言
数字水印是一种能够有效保护数字内容安全的技术，自数字水印概念提出后，便成为信息安全领域的热点技术之一。现有数字水印算法从水印嵌入方式分类主要有基于空域的数字水印与基于变换域的数字水印技术[1-2]。空域数字水印算法具有实现简单，易于操作等优点，但是对于攻击算法抵抗力较差。近年来，一些研究将机器学习算法如支持向量机、神经网络等应用于数字水印技术，用于提高数字水印算法的透明性与鲁棒性。在空域数字水印算法中，机器学习的应用取得了较好的效果，较大程度的提高了空与数字水印算法的鲁棒性与透明性。文献[3]对于彩色图像，在水印嵌入过程中，利用神经网络算法，学习水印信息与载体图像之间的对应关系，在水印提取过程中，利用所学习的神经网络模型，对于图像进行恢复，以提高算法的鲁棒性。文献[4]在水印嵌入过程中，利用SVM算法，学习水印信息与载体图像之间的对应关系，在水印提取过程中，利用所学习的SVM模型，对图像进行恢复，提高算法的抵抗攻击能力。文献[5]利用神经网络与人耳听觉系统，对于音频中水印嵌入强度进行预测，实现自适应的音频数字水印嵌入，从而提高音频数字水印的鲁棒性与透明性。文献[6]提出一种基于支持向量回归机的图像数字水印算法，利用支持向量回归机学习图像邻域像素之间的关系，通过中心像素值与模型输出值之间的关系进行水印的嵌入与提取。文献[7]利用支持向量回归机学习子块内像素之间的关系，通过调整中心像素并利用模型预测值与中心像素值之间的关系实现了水印的嵌入与提取，实现了具有较强鲁棒性的空域数字水印算法。由此可见，目前神经网络、支持向量机等机器学习算法在数字水印技术中已经进行了广泛的研究，尤其是在空域数字水印技术的应用中，基于支持向量机的空域数字水印算法在提高算法的鲁棒性上取得了一定的成果。但是在现有的空域数字水印算法中，对于水印嵌入强度的确定计算缺少有效的手段，而水印嵌入强度直接关系到水印算法的透明性与鲁棒性，嵌入强度过小，水印算法抵抗攻击的能力较差，鲁棒性较低，水印嵌入强度过大，水印算法的透明性会降低。
本文以回归性支持向量机（SVR）以及结构相似度（SSIM）理论为基础，提出了一种自适应的图像数字水印算法，在保证数字水印算法透明性的基础上，较大程度的提高了数字水印算法的鲁棒性。本文首先随机选取大量图像子块，利用SSIM确定图像子块的水印嵌入强度，训练SVR，模拟图像子块与水印嵌入强度之间的相关性，生成水印强度预测模型。水印嵌入过程中，通过训练SVR，模拟图像子块中中心像素与邻域像素之间的非线性关系，通过修改中心像素值，完成水印的嵌入与提取。
1 支持向量机与结构相似度
1.1 支持向量机
回归型支持向量机（SVR）是支持向量机（SVM）在回归学习中的应用，其基本思想是：对于给定的训练样本点（其中，表示输入样本空间，表示实数域），训练一个函数，使得该函数根据每个样本输入值计算得到的输出值与样本的实际输出值的误差不超过，并保证通函数的输出值尽量平滑[8]。对于线性情况，假设回归函数形式为：。要保证函数尽量平滑，就要求尽量小，于是可以将确定函数描述成一个如式（1）所示的优化问题：
考虑到允许拟合误差的情况，引入松弛因子，则式（1）可改写为如式（2）所示：
采用同样的优化方法可以得到其对偶问题，如式（3）所示：
是拉格朗日因子，得到的回归函数如式（4）：
1.2 结构相似度
图像数据在采集、压缩、处理、传输和恢复的过程中可能会引入各种失真，导致图像质量下降。因此，需要度量图像的质量。传统的客观方法主要有峰值信噪比（Peal Signal to Noise Ratio，PSNR）和均方误差（Mean Square Error，MSE）等。这些方法虽然有着计算简单、物理意义明确等优点，但仅仅是对像素点之间误差的纯数学统计，没有考虑到像素点间的相关性和人眼视觉系统（Human Visual System，HVS）的感知特性，在很多情况下不符合人的主观感受。因此很多研究致力于结合HVS系统进行建模，如文献[9]提出的VDP模型以及文献[10]提出的矩阵模型等。由于目前的研究对于HVS系统的认识还不透彻，难以建立有效的模型，直接影响了基于HVS的图像质量评价算法的准确性。Zhou Wang等[11]提出了结构相似性理论和结构相似度（Structural Similarity，SSIM）的概念。结构相似性理论从高层次上模拟HVS的整体功能，认为HVS的主要功能是从视野中提取结构信息，因此用对结构信息的度量作为图像感知质量的近似。作为结构相似性理论的一个实现，结构相似度SSIM从图像组成的角度将结构信息定义为独立于亮度、对比度的，反映场景中物体结构的属性，并将失真建模为亮度（）、对比度（）和结构（）三个不同因素的组合。由于SSIM算法计算简单、准确性较好，提出后受到了国内外学者的广泛关注。SSIM定义如式（6）所示。
本文中利用SSIM算法，对水印嵌入后的图像进行质量评价，以判断水印嵌入强度是否满足透明性要求。
2 水印嵌入与提取算法
2.1 水印嵌入强度预测模型
本文从哥伦比亚大学的图像数据库[12]中随机一定数量的灰度自然图像，分割成大小的图像子块，组成由5000幅灰度图像子块组成训练图像子块集合，用于构造水印嵌入强度预测模型。 水印嵌入强度预测模型建立过程如下：
最大嵌入强度确定。为集合中第个图像子块，为水印嵌入强度，即中心像素修改量，本文中水印嵌入强度范围为[12，30]，本文中按照式（10）对进行修改，设为修改后的图像子块。
式（11）为图像子块最大水印嵌入强度计算公式。为结构相似度计算函数，为判断阈值。
生成训练样本。为集合中第个图像子块，将转化为一维向量，作为SVR的输入向量，其对应的最大水印嵌入强度作为SVR输出，组成训练样本，所有图像子块生成的样本集合记为。
训练SVR模型。利用训练样本集合训练SVR模型，训练好的模型记为水印嵌入强度预测模型。
模型测试。将载体图像分割为图像子块，生成测试样本集合，测试步骤（3）中所生成的水印嵌入强度预测模型。设样本为集合第个样本，为模型根据向量所预测的水印嵌入强度。本文用平均绝对误差（Mean Absolute Difference，MAE）评估模型的预测准确性。MAE计算公式如式（12）所示。为集合中元素个数。
对于集合中的图像子块，本文利用SSIM算法选取水印嵌入强度范围内，满足图像子块修改前后结构相似度度量值大于一定阈值的最大水印嵌入强度，在保证了图像子块修改后的图像质量的基础上，确定了图像子块中心像素最大可修改值，并生成以图像子块像素值为输入，图像子块最大水印嵌入强度为输出的训练样本，并训练SVR，生成水印嵌入强度预测模型。
2.2 水印嵌入与提取
本文以256级灰度图像作为载体图像，载体图像记为，，表示图像中位置像素的灰度值。以有意义的二值图像作为水印信息，记为，，表示水印图像中位置的水印信息值。
水印信息置乱。为了提高数字水印算法的安全性，去除水印图像的相关性，提高水印算法的透明性与鲁棒性，本文首先利用Arnold算法[1]对水印信息进行置乱处理。将二值水印图像利用Arnold算法进行置乱，Arnold的参数作为密钥Key1，将置乱后的水印信息变换为一维向量，。
（2） 生成训练样本。将载体图像分割成大小的子块，随机选择L个子块，对于每个子块，将其中心像素的8邻域排列为一维向量作为SVR的输入，将中心像素作为SVR输出，生成训练样本，根绝所选择的L个子块所生成的所有训练样本训练SVR模型，建立图像子块中心像素与邻域像素之间的相关性关系模型。
（3） 水印嵌入。根据密钥Key2随机选择载体图像中个图像子块作为水印嵌入位置，对于所选择的子块，利用3.1节中的水印嵌入强度模型预测子块的嵌入强度，利用步骤（3）中训练好的SVR模型，预测子块中心像素值，设SVR预测得到的值为，根据式（13）的嵌入规则，修改中心像素，完成水印嵌入。
为修改后的像素值，为子块对应的嵌入水印信息值。水印完成嵌入后，水印嵌入图像记为。
水印提取。将待检测图像，划分为大小的子块，根据密钥Key2选择水印嵌入的子块，对于所选择的子块，选择其中心像素的邻域作为SVR的输入，作为SVR相应输入，根据式（14）的提取规则，进行水印提取。
为子块所提取的水印信息值。对于所提取的水印信息，根据密钥Key1进行反置乱处理，恢复原始图像水印。
3 实验与结果
为验证本文算法，本实验中以图1所示的灰度图像Lena、Peppers、Boboon作为载体测试图像，以图2所示32×32的二值图像作为水印信息，测试分为以下几部分：
（1） 水印嵌入强度预测模型的训练。
本实验中，利用libsvm[13]训练SVR模型，模拟图像子块与水印嵌入强度的非线性关系。SVR模型参数设定如下：核函数采用径向基函数（radius based function，RBF），惩罚因子设定为4096，核函数参数g设定为5e-4。本实验中随机选择哥伦比亚大学图像库[12]中所提供的自然图像进行分割，获取5000幅的子图像块，生成图像子块集合用于训练水印强度预测模型。本实验中，分别将测试图像Lena，Peppers，Baboon分割为图像子块，利用SSIM算法确定每个图像子块的实际水印嵌入强度，利用训练好的SVR模型预测每个图像子块的水印嵌入强度，利用MAE公式计算预测水印强度与真实水印嵌入强度的偏差。表1为不同图像对水印强度预测模型进行测试的MAE结果。由表1可以看出，所训练的水印嵌入强度预测模型可以很好地模拟不同图像子块与水印嵌入强度之间的相关性。
（2）水印嵌入及水印透明性的测试。
本实验中，本文分别以图1所示的Lena，Peppers，Baboon为载体图像，以图2所示二值图像为水印信息进行水印嵌入试验。本实验首先利用3.2节中的算法生成训练样本并训练SVR，本试验首先利用水印强度预测模型预测每一图像子块的水印嵌入强度，利用本文水印嵌入算法完成水印嵌入。本实验同时利用文献[7]中的算法进行水印嵌入作为对比，文献[7]中的水印强度人为设定为12。表2为本文算法与文献[7]的算法进行水印嵌入后图像SSIM计算结果。实验结果表明，本文的算法在水印嵌入强度增加后，保持了水印较好的透明性。
（3）水印提取及水印鲁棒性测试
本实验中，使用3.2节的水印提取算法进行水印提取，表3列出了本文算法及文献[7]算法在多种图像攻击后的水印提取结果，本文使用比特误码率（Bit Error Rate，BER）来衡量提取出来的水印和原始水印的误码程度，数值越小，误码越少，抗攻击性能就越好。BER计算公式如式（15）所示：
4 结论
将机器学习技术应用于数字水印领域以提高数字水印算法的鲁棒性、透明性等指标是近年来数字水印算法的研究热点之一。本文利用结构相似度SSIM算法计算图像子块的最大水印嵌入强度，并利用支持向量机模拟不同图像子块与水印最大嵌入强度的关系，从而实现自适应的数字水印算法。从实验结果可见，支持向量机可以很好地模拟不同图像子块与结构相似度所确定的水印嵌入强度之间的非线性关系，因此可以实现在不降低数字水印算法透明性的基础上提高数字水印算法的鲁棒性。对于机器学习算法在变换域数字水印领域中的应用方式还需要做进一步的研究。
参考文献
[1] 孙圣和， 陆哲明， 牛夏牧. 数字水印技术及应用[M]. 科学出版社， 2004.
[2] 杨义先， 钮心忻. 数字水印理论与技术[M]. 高等教育出版社， 2006.
[3] Yu P T， Tsai H H， Lin J S. Digital watermarking based on neural networks for color images[J]. Signal processing， 2001， 81（3）： 663-671.
[4] Fu Y， Shen R， Lu H. Optimal watermark detection based on support vector machines[M]//Advances in Neural Networks–ISNN 2004. Springer Berlin Heidelberg， 2004： 552-557.
[5] Wang H， Mao L， Xiu K. New audio embedding technique based on neural network[C]//Innovative Computing， Information and Control， 2006. ICICIC’06. First International Conference on. IEEE， 2006， 3： 459-462.
[6] Shen R， Fu Y， Lu H. A novel image watermarking scheme based on support vector regression[J]. Journal of Systems and Software， 2005， 78（1）： 1-8.
[7]李春花， 卢正鼎. 一种基于支持向量机的图像数字水印算法[J]. 中国图象图形学报， 2006， 11（9）： 1322-1326.
[8] Vapnik V. The nature of statistical learning theory[M]. springer， 2000.
[9] Watson A B. Digital images and human vision[M]. MIT press， 1993.
[10] Citti， Giovanna， and Alessandro Sarti. “A cortical based model of perceptual completion in the roto-translation space.” Journal of Mathematical Imaging and Vision 24.3 （2006）： 307-326.
[11] Wang， Zhou， Eero P. Simoncelli， and Alan C. Bovik. “Multiscale structural similarity for image quality assessment.” Signals， Systems and Computers， 2003. Conference Record of the Thirty-Seventh Asilomar Conference on. Vol. 2. IEEE， 2003.
