云计算的特征

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篇云计算的特征范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

云计算的特征范文第1篇

关键词云计算；呼叫中心；油田；应用

中图分类号：TP3 文献标识码：A 文章编号：1671-7597（2014）12-0165-01

就当前的信息技术发展状况而言，可谓一日千里。单纯对云技术展开考察，可以发现从2009年到2013年期间，云技术完成了其从理论逐步走向实践应用的过程，即便是这个渗入的过程，其也仍然为全球带来了超过8000亿美元的新业务收入，并且相关统计表明，在中国经济环境下，云计算同样带来了大约590亿美元的新净业务收入。由此可见其生命力之旺盛不容忽视，而在油田工作环境下的呼叫中心建设方面，云技术同样发挥着重要的推动作用。

1基于云计算的呼叫中心技术特征

对于云计算（Cloud Computing）的概念界定，在学术界中存在有多种版本，其中美国国家标准与技术研究院（NIST，National Institute of Standards and Technology）将其定义为一种按使用量付费的模式，这种模式提供可用的、便捷的、按需的网络访问，进入可配置的计算资源共享池，这些资源能够被快速提供，只需投入很少的管理工作，或与服务供应商进行很少的交互。这种对于云计算的概念界定只是从经济和实现的角度对其展开了必要的说明，虽然对于更深一步展开对于云计算的了解有所帮助，并且也成为了当前收到认可最多的云计算概念，但是随着云本身的发展，这种描述已经不足以支持目前的技术环境认知。

维基百科中收录的云计算概念为“是一种基于互联网的计算方式，通过这种方式，共享的软硬件资源和信息可以按需求提供给计算机和其他设备。”这种表达方式从根本上点明了云计算对于当前社会应用的根本价值，这种价值同样在呼叫中心应用环境下有着极强的体现。云计算通过互联网，打造了一个从逻辑层面看更为完善的高聚集程度的工作环境，于此同时允许这个逻辑层面上高聚集的环境中的诸多资源在物理层面实现分散。如果单纯从计算能力的角度看，云计算实际上是将分散于不同地理位置和网络中的多个计算力量聚集在同一个逻辑环境中。而如果将云计算技术放置于呼叫中心这种特殊的应用环境中，则云计算会进一步衍生出更为广泛的表现形式，即在资源的认识层面更为广泛，将呼叫所需要的诸多资源都聚集在一个逻辑环境中，甚至在对资源的考量方面，也将人力资源纳入到资源的范畴中，实现完全技术云计算的呼叫中心实现。

从技术层面看，基于云技术的呼叫中心本身是基于IP化的，这种基于IP的资源逻辑聚集，使得呼叫中心在资源层面上有着更好的聚合表现。并且以计算机作为基础的呼叫系统，本身能够实现更多的功能，包括借由互联网支持的文字以及语音等多种交互方式，并且随着通信带宽的进一步完善以及移动端的功能加强，视频也必然会出现在呼叫业务中，这些都有赖于云计算技术为相应的呼叫无业调动相应的资源予以支持。

2基于云计算的呼叫中心业务发展特征以及趋势分析

通过对云计算相关概念以及其技术优势的深入分析，结合当前呼叫中心的主要应用和服务宗旨，可以发现，云计算技术在该领域中的参与，必然极大地成为了推动呼叫中心技术发展并且实现进一步转型的重要力量。

依据当前的发展状态，可以对未来的呼叫中心发展趋势做出更深一步的理解，而这种对于趋势的判断，也必然会在一定程度上进一步成为油田工作环境中重要的推动力量。

2.1 优化资源利用

对于资源的优化利用，是云计算最为基本的职能之一。但是在油田呼叫中心工作环境之下，这种职能又呈现出与众不同的特征。基于广义的资源概念，云计算可以实现数据存储以及处理和人力资源的分布部署，这种状态对于面向社会的呼叫中心而言意义更为明显，即可以将数据存储和处理功能放在相对发达的区域，借数据枢纽的地位实现逻辑上的便利，而同时在二三线城市召集客服人员团队，实现对于人力资源成本的优化利用。这种优势虽然对于油田工作环境而言并不明显，但是这种分布部署的优势仍然存在，这就给予了呼叫中心更大的部署自由，既能够将数据中心放置于更为专业的保护环境中，而将人员放置于更便于实现人力资源管理的环境中。云计算完全可以通过这种方式实现对于优化管理工作的支持。与此同时，从资源的利用角度看，无论是数据的优化存储，还是人工智能分析功能的实现，都会对计算能力产生巨大的需求，这也有赖于云计算技术的参与。更为重要的在于，对于通信系统中通信资源的配给，也同样能够通过云计算技术得到优化。这些都能够极大地提升整个呼叫中心系统的资源利用效率，对于缩短呼叫响应时间、提升呼叫服务质量都有着毋庸置疑的积极意义。

2.2 智能化数据分析以及多媒体通信的实现

云计算技术为呼叫中心赋予了更强的计算能力，因此可以帮助整个服务系统实现更为强劲的数据分析能力，并且在进行数据查询的时候，也必然可以实现更为及时的数据获取。从这个角度看，人工智能在呼叫系统中的出现势在必行。人工智能的出现和数据的更加深入分析和加工，重点在于通过呼叫客服向呼叫发起放提供更全面和及时的服务，在呼叫发起的过程中，首先相关网络可以通过呼叫发起方的自身特征，诸如接入端特征（固话或者移动端，手机或者电脑）、接入端地理位置（位于某一个工作组）等相关属性，对于呼叫发起方的身份进行初步的推断，并且将相关数据第一时间呈现给呼叫服务人员，方便其展开进一步的精准服务。并且随着接入端本身功能的强大与发展，包括图片以及视频等在内的数据格式都会成为将来呼叫的内容，这些多媒体数据在油田工作环境中可以用于包括油田工作环境以及相关设备维护、人力资源管理优化等工作的重要支持力量，必然会在未来的油田环境中发挥着不容忽视的积极作用。

3结论

呼叫中心云平台的建设，可以为电信运营商节能降耗，大大降低运维成本，提高服务效率，同时为后续应用的快速部署和共享资源池的建设提供了必要条件，对提高用户感知和服务水平起到积极的作用，进一步促进我国石油产业的繁荣发展。

参考文献

云计算的特征范文第2篇

第一大特征是智能。新一轮科技革命和产业变革正在兴起，全球科技创新呈现出新的发展态势和特征，这场变革以制造业数字化、网络化、智能化为核心，也促进了信息技术与制造业的深度融合。同时，新一轮的变革也是建立在物联网基础上的，并叠加了新能源、新材料等方面的突破，这将给世界范围内的制造业带来深刻影响。以智能制造为代表的云计算微观层面的应用将在未来三年大放异彩。

受发达国家工业回流的影响，与“工业4.0”相对应的《中国制造2025》也将在2015年出台，将极大促进中国制造业的转型发展。

第二大特征是敏捷。企业级云计算将帮助用户提高业务的敏捷性。云服务提供商不仅需要关注客户的IT需求，更要替客户去考虑他们的客户需要什么，并且把对终端客户的需求理解融入IT的重构中。在中国经济“新常态”背景下，每个企业都面临着巨大的业务压力，有限的IT预算必须投向能够直接改善企业业务的应用领域。然而事实上，中国个人移动云服务应用已经十分广泛，但“撒手锏”级企业移动应用还较少，这是企业对云服务热情不高的直接原因。

第三大特征是简化。随着移动互联网技术的飞速发展，BYOD（自带办公设备）已悄然成为了一种新的办公模式。无论企业愿意与否，大量私人设备进入办公场所已成为不争的事实。这些私人设备以搭载了不同应用系统的移动终端为主，廉价但配置较高。BYOD的兴起使得企业的IT环境越来越复杂，并且极大地影响着企业的安全基础架构、安全政策。面对海量数据的增长，传统的IT架构和数据处理方式无法有效地应对大数据环境。数据的存储、计算、管理、分析等节点都需要适应大数据需求的方案，同时也要满足性能上的可扩展。未来企业部署云计算，必须能够有效简化IT架构，并且帮助企业降低大数据平台的复杂性，简化运维，提升资源活性和利用效率。能够做“减法”的云计算才是未来需要的云计算。

云计算的特征范文第3篇

关键词：曲率； 主分量分析； 数据压缩； 三维数据

中图分类号：TN91134文献标识码：A文章编号：1004373X(2011)22000103

Curvaturebased Principal Component Analysis and Application

TANG Minli, WANG Wei, WU Hengyu

(Hainan Software Vocational And Technical College, Qionghai 571400, China)

Abstract： A primary component analysis algorithm on account of curvature is propsed to compress the data of 3D point cloud. The primary curvature, Gaussian curvature and average curvature of each point is calculated. The point cloud data is mapped to the curvature space to extract the primary component of the curvature space. The point cloud data is compressed. Test results show that this algorithm has a perfect compression performance. The innovation of the paper is that PCA algorithm is introduced into compression of 3D point cloud data. The algorithm conquered the disadvantages of the traditional PCA method.

Keywords： curvature; PCA( primary component analysis); data compression; 3D data

收稿日期：20110711

基金项目：国家自然科学基金资助项目（60963025）；海南省自然科学基金资助项目（610230）0引言

主分量分析PCA(Primary Component Analyze)是统计学中一种根据数据的统计分布特性提取数据主要成分的数据处理方法。由于它能减少数据的维数,并能使提取成分与原始数据的误差在均方意义上达到最小,所以常被用于数据的压缩和模式识别的特征提取。在反求工程中，三维激光扫描点云数据处理的一般流程为点云数据获取、噪声去除、点云数据过滤和平滑、数据压缩、点云特征提取与分割、曲线拟合、表面重建。其中，数据压缩是后续表面重建的关键步骤。

一般而言，三维散乱点云数据具有较大噪声，数据概率分布不一定符合高斯分布，这限制了PCA在点云数据压缩中的使用。鉴于此，本文基于KernelPCA的思想，尝试将三维点云数据映射到曲率空间，然后再用PCA进行处理。

关于点云数据的曲率估算方法,国内外已有一些研究。Milroy等采用局部坐标系内的二次参数曲面逼近点云［1］,利用曲率的微分性在OSC(Orthogonal cross Section) 模型上估算点云数据的曲率值。Huang和刘胜兰是在三角网格模型上进行曲率估算的［23］。以上几种是采用其他模型代替原三维点云模型来估算曲率的方法。胡鑫采用图像处理中梯度求解法,对点云中每一点处的曲率进行估计［4］，它对噪声没有抑制作用,同时对点云数据的组织方式有要求。Yang的方法直接以点云模型为研究对象,但却局限于对规则点云进行曲率计算［5］。对于散乱点集模型进行曲率估算目前还缺少有效的方法。本文尝试着直接在散乱点集模型上计算曲率，然后再做PCA压缩。

1基于曲率的主分量分析

1.1曲率的计算

具体步骤如下：

（1） 对点云进行空间划分和K擦诮计算［6］，把每个点xi 的K擦诮包括该点记为N(xi)，每个N(xi)的隐含曲面用一个切平面逼近［7］。N(xi)在切平面上的投影记作N(xi′)，各点的切平面计算可以通过各点的邻近点关系和最小二乘原理［1］求得，且xi与xi′必须满足一一映射关系。

（2） 以xi′为基点，求出距离xi′最远的点xj′,xj′∈N(xi′)。连接xi′，xj′两点的直线方向作为u方向，垂直于u方向的直线方向作为v方向。

（3） 将N(xi′)的每点都与xi′相连，得到k个有向线段，把这些线段在u方向上的投影记为di,1≤i≤j。将di进行排序，最大的记为dmax，最小的记为dmin，则N(xi)每点对应的u参数值由下式得出：uj=dj－dmindmax－dmin （1） 式中：2≤j≤k+1；u1=0。

（4） 为计算每一顶点的曲率,运用Yang所形成的二次参数曲面逼近法，求得较为精确逼近散乱数据点的二次参数曲面。利用顶点xi的N(xi)建立二次参数曲面:r(u,v)=［1uu2］Q1

v

1.2基于曲率的PCA

PCA具体步骤如下：

（1） 计算采集到的点云数据曲率，得到矩阵K=［k1，k2，…，ki］。

（2） 令k=∑ki/i，矩阵K中的每个值减去k，得到矩阵X=［k1－k，k2－k，…，ki－k］。

（3） 对XXT进行特征值分解，求取特征值，根据数据具体特征确定阈值。

2实验

高斯曲率K及平均曲率H是分析三维表面的2个重要的几何特征，通过二者的组合可以得到，局部表面的几何特征［10］。在Matlab平台上实现了上述基于曲率的PCA算法。为了验证算法的有效性，在隧道三维扫描点云数据上进行了验证。直接用Imageware软件获取原始点云数据的基本信息，得到x，y，z方向的最小值xmin，ymin，zmin和最大值。其中，任意截取两段点云数据，形成区域1和区域2。做曲率分布直方图，如图1和图2所示。

图1区域1曲率直方图分布图1中区域1为(x>xmin&xymin+8&yzmin&zxmin+10&xymin+12&yzmin+6&z

图2区域2曲率直方图分布显然，曲率分布概率满足高斯分布，曲率主元之间具有线性关系，这些满足了PCA使用的基本条件。基于曲率的PCA对点云数据压缩后的结果如表1所示。

3数据压缩

本文以基于曲率的PCA算法,提出一个海量数据压缩方案,对所求得的点云数据的曲率进行PCA计算，保留较大特征值所对应的点，删除较小特征值所对应的点。具体方案步骤如下：

（1） 确定原始点云数据最外区域；

（2） 区域细化；

（3） 细化区域内点云高斯曲率的计算；

（4） 对求得的所有点云高斯曲率进行PCA求解；

（5） 确定求得特征值的阈值，保留较大特征值的对应点，删除较小特征值的对应点；

（6） 压缩结果不满足要求时，循环步骤（4）和步骤（5），第二次压缩；

表1区域1与区域2数据压缩比

对象压缩前点云数量压缩后点云数据压缩比 /%区域1 4 5763 92785.8区域28 7906 70776.3

运用本文的数据压缩方案对隧道表面三维扫描点云数据进行了简化。该原始数据是由德国GOM公司的光学测量仪atos 测量所得的38 645个散乱点，点云数据预先已经进行去噪，空间划分和K擦诮计算（K=10），可满足后续实验的需要。该实验是在CPU coreTM2 ，内存2 GB，硬盘250 GB，Matlab 7.0.1和Imageware 12平台环境下进行的。数据压缩结果如表2所示。

表2数据压缩结果

对象点云数量压缩比 /%原始点云数据38 645-第一次压缩32 24983.45第二次压缩27 51571.2

压缩前后的点云分别在Matlab平台里，显示结果如图3~图5所示。对压缩前与压缩后的点云变化进行比较，可以发现点云数量减少了，但是仍然能够清楚地表现整个隧道的情况。

图3数据压缩前4结语

本文给出了一种三维点云数据压缩方法。实验表明，这种方法可以达到较小的压缩比，同时尽可能地保留了细节特征。由于该算法对曲率估计的精度要求不高，提高了曲率计算的速度，具有更好的实用性。当数据样本比较大时，该算法效果更为明显。基于曲率的PCA数据压缩算法，对于目前三维扫描仪所测量的数据点云，能保留模型的特征信息，同时去除噪声，这对后续模型重建具有重大意义。

图4第一次数据压缩图5第二次数据压缩参考文献

［1］MILROY M J, BRADLEY C, VICKERS G W. Segmentation of a wraparound model using an active contour \[J\]. Computer Aided Design, 1997, 29 (4): 299320.

［2］HUANG J , MENQ C H. Automatic data segmentation for feom etric feature extraction from unorganized 3D coordinate points \[J\]. IEEE Transactions on Robotics and Automation, 2001, 17 (3): 268279.

云计算的特征范文第4篇

云计算是当前全社会关注的焦点，它是中国战略性新兴产业的重要组成部分，研究云服务提供商的合作行为对提升云平台的运营能力具有重要意义。本文以云服务提供商群为研究对象，运用演化博弈理论构建了云提供商合作策略选择的博弈模型，通过对该模型分析，发现演化稳定状态与合作成本有密切关系。演化稳定状态对于云服务提供商之间的战略合作具有重要的参考价值。

【关键词】

云服务提供商；演化博弈；合作

近年来，云计算在中国得到了突飞猛进的发展。云计算是一种可以调用的虚拟化的资源池，这些资源池可以根据负载动态重新配置，以达到最优化使用的目的。云计算可以根据用户的需求提供弹。云计算产业链的参与者总体上分为使能者、服务提供商和用户三类。云服务提供商群是由多个提供商构成的，群内的企业可以通过合作共享资源来提高收益，但是提供商之间能否达成合作协议还受到外部环境的制约，例如合作成本。我们可以将云服务提供商群体看成企业集群，而企业集群本身就是一个由众多相互依存、相互作用的企业集聚而构成的经济社会“生态群落”，它具有类似生物群落的特征。因此，本文利用演化博弈研究了云服务提供商群的合作策略选择的演化过程。

假设在云服务提供商群中存在两个提供商：云服务提供商1和云服务提供商2。两个云服务提供商均有两个纯策略可以选择，即合作与不合作。表示第一个云提供商选择与对方合作，表示第一个云提供商拒绝与对方合作；表示第二个云提供商选择与对方合作，表示第二个云提供商拒绝与对方合作。设为第一个云提供商选择合作策略的概率，表示第一个云提供商选择不合作策略的概率；表示第二个云提供商选择合作策略的概率；表示第二个云提供商选择不合作策略的概率。

将均衡点带入到雅克比矩阵，通过判断雅克比矩阵特征根的正负号来确定均衡点是否是稳定状态。当两个特征根均为负时，该点为演化稳定点；当两个特征根一正一负时，该点为鞍点；当两个特征根均为正时，该点为不稳定点。将各均衡点带入到雅克比矩阵，可以得到雅克比矩阵的特征根，如表2所示

在的情况下，对点来说，其对应的两个特征根均为负，因此该点为稳定点；点和对应的两个特征根均为正，因此这两个点为不稳定点；点对应的两个特征根均为负，因此该点为稳定点；点对应的两个特征根一正一负，因此该点为鞍点。在的情况下，对点来说，其对应的两个特征根均为负，因此该点为稳定点；点和对应的两个特征根均为一正一负，因此这两个点为鞍点；点对应的两个特征根均为正，因此该点为不稳定点；点对应的两个特征根一正一负，因此该点为鞍点。

在的情况下存在两个稳定点和。点表示两个云服务提供商均选择不合作策略，二者均单独向外部用户提供服务，这种状态是稳定的。点表示两个云服务提供商都会选择合作，当时，两个服务云提供商合作带来的收益大于合作成本，二者会形成稳定的合作关系，这种状态也是稳定的。点和表示一个云服务提供商选择合作，而另一个云服务提供商选择不合作，选择合作策略的云服务提供商获得的收益比其单独提供服务时获得的收益少，该提供商会从这种状态中脱离出来，这种状态是不稳定的。无论两个云服务提供商的初始策略集合怎样，最终都会趋向于（不合作，不合作）和（合作，合作）两个策略集合。

在的情况下，只存在一个稳定点。对于点来说，无论与的关系如何，该点总是稳定点。点表示两个云服务提供商都会选择合作策略，此时二者合作带来的收益小于合作成本，即二者合作后的净收益小于其单独提供服务时的净收益，这种状态是不稳定的，两个云服务提供商会从这种状态中脱离出来。对于点和来说，无论与的关系如何，该点总不是稳定点。由于合作成本较高，因此无论两个云服务提供商的初始策略集合怎样，最终都会趋向于（不合作，不合作）的策略集合。

【参考文献】

[1]雷葆华，饶少阳，张洁.云计算解码[M].北京：电子工业出版社，2012

云计算的特征范文第5篇

事实上，无论是早期的分布计算、并行计算，前期的网格计算，还是当下的云计算，都是海量数据处理的一种计算模型。

近些年来,随着互联网技术的广泛应用，特别是Web2.0应用的快速发展，客户数据呈爆炸式增长，如何应用好云计算这个数据处理模型，更好地为自己的客户服务，就成为众多厂商重点考虑的方向。

简单来讲，谷歌的搜索引擎能够快速响应客户提出的搜索请求，就是得益于云计算技术。正是因为谷歌构建了多达百万台的云计算服务器群，所以能够针对整个互联网的信息进行动态的收集、分析、整理和。当客户发出请求时，就可以快速给出响应结果。

如果将搜索引擎技术比作“大海捞针”，那么防毒厂商的工作就类似“大海捞毒针”，难度甚于前者。

所谓“捞毒针”，即要从整个互联网的海量数据中及时发现动态出现的风险，这时候防毒厂商采用云计算技术就成为了必然。因为传统的样本收集、人工分析、代码、客户下载的防护流程已无法快速应对当今快速变化的安全风险。

根据调查机构的最新统计，全球恶意程序已超过1000万个，而且每天还在以2万多个的速度增长。

趋势科技全球副总裁张伟钦指出，在此情形下，传统的代码比对技术正面临越来越大的挑战，一味地扩充病毒代码，只会造成客户端资源和带宽的极大消耗，最终给网络安全带来隐患。而防毒厂商通常会在自己病毒特征码中放置100万个左右的病毒特征，这就预示着至少还有90%的恶意程序不在防护之列。

如何采取有效的技术架构？一方面应对每天2万多个的新病毒的快速处理问题，同时又要解决90%的恶意程序全面防护的问题，这就变得非常紧迫。

行业人士认为，比较符合实际的操作方式是，用户在访问目标信息时，安全子系统会自动到云服务器群对目标信息的安全等级进行查询，然后根据查询结果及时阻止用户对高风险信息的访问，从而实现在恶意程序到达网络前就被阻止，一方面实现防护的高效性，另一方面也使网络和系统资源的占用率达到最小。

2008年7月16日，瑞星通过面向终端的卡卡6.0来为其“云安全”计划全面实施提供先决条件。依据瑞星的提法，卡卡6.0融合了并行处理、网格计算、未知病毒行为判断等新兴技术和概念，通过网状的大量客户端对网络中软件行为的异常监测，获取互联网中木马、恶意程序的最新信息，推送到服务器端进行自动分析和处理，再把病毒和木马的解决方案分发到每一个客户端。

然而，包括张伟钦在内的一些业界专家看来，这并非真正的云安全，它不过是把病毒特征码搜集流程进行了优化，没有摆脱传统病毒特征码扫描比对的传统技术。

另外，为了便于更加准确快速获取信息，包括Websense在内的一些厂商设立了专门的“蜜罐”（数据库中心）系统，来广泛收集网络中存在的攻击行为。

7月22日，趋势科技推出的“云安全”技术架构策略和上述公司的作法又有所不同，他们构建的“云”服务器群自动对整个互联网的信息(如URL、邮件服务器、文件)进行动态分析，如分析一个URL就会采集这个URL的50多种属性以进行综合分析，同时会加入时间的统计分析，这样使得任何恶意风险在刚出现的时候，就能被“云”服务器群快速分析，在它侵入网络前，在源端就被直接阻止，从而达到零接触、零感染的防护价值。

张伟钦指出，这种方法的最大好处在于，它降低了从端点下载传统病毒特征码文件的依赖性，减少了与在公司范围内部署特征码有关的成本和管理费用――这已经成为庞大数据中心日益沉重的成本负担。

此外，“云安全”这种全新的方法，将有效降低客户网络和端点的带宽消耗，提供更快更全面的及时保护。

另据张伟钦介绍，趋势科技已经在全球建立了5个数据中心，几万部在线服务器，拥有99.9999%的可靠性。目前平均每天处理55亿条点击查询，每天收集分析2.5万个样本，资料库第一次请求命中率就可以达到99%。借助云安全技术，趋势科技每天阻断的病毒感染最高达1000万次。

借助Web威胁保护战略，趋势科技率先界定了一种主张：单靠传统的代码比对安全解决方案，将不再能够针对当前Web威胁提供有效保护。现在，新推出的云安全技术可以有效解决传统防护技术的问题，并让每个人在使用安全产品的过程中，都成为识别安全威胁的贡献者，同时分享其他所有用户的安全成果。