一、分布式Web服务器技术综述(论文文献综述)
杨浩[1](2021)在《基于网格的分布式Web服务发现技术研究》文中研究指明网格作为一种新兴的互联网技术,其根本目的是对广域计算资源进行聚合以及对广域信息资源进行共享。在开放网格服务体系结构中,强调以服务的形式封装和提供各种资源,而网格的强动态性导致网格服务不断地进行创建和删除,海量的临时性短暂服务与服务请求聚焦在整个网格系统,对服务进行高精度、高响应和高效率发现的难度也在不断上升。传统模式的网格技术常采取集中式的注册中心或聚合目录进行服务资源的注册和发现,但随着时间推移网格服务的辐射的场景与规模已经上升了一个维度,集中式的服务发现中存在的单点失效和性能瓶颈等问题已经迫在眉睫,高性能的分布式服务发现架构已经成为一种结果导向。本文首先结合对等计算模式的Chord协议中覆盖网络的构造部分,将集中式的服务注册中心重组成为分布式的注册中心,构造多层分区的覆盖网络结构,对集中的网络负载进行拆解,给出了一种基于改进Chord的分布式网格服务发现模型,避免了单点失效和性能瓶颈等问题。其次,详细分析了 Chord协议中的分布式服务发现算法的部分,对于其中没有考虑局部命名冲突与缺乏语义等不足之处,给出基于改进Chord的分布式网格服务发现算法作为应对,在哈希映射时通过语义词典WordNet与相似度计算对服务资源对应的标识进行语义赋能并附加区域首部以解决局部命名冲突的问题。最后,对本文提出的算法进行实验验证,实验结果表明该算法有较高的查全率与查准率,相对于其他分布式服务发现算法具有优势。
朱明超[2](2021)在《证券知识图谱构建系统的设计与实现》文中研究表明知识图谱本质上是语义网络,它将不同种类的信息连接在一起得到的一个关系网络。领域知识图谱又称为行业知识图谱或垂直知识图谱,是面向某一特定领域,由专业数据构成的行业知识库,在面向行业的智能搜索、智能问答、智能推荐、情报分析等方面发挥了重要作用。目前领域知识图谱主要参照通用知识图谱的构建方法和步骤进行构建,通常根据领域知识需求实现数据采集、关系抽取、数据管理、和数据应用。本文面向证券领域,从互联网公开的证券公告中收集数据,构建知识图谱,挖掘企业股权人员、企业证券产品等金融关系,展示企业发展状态为相关从业者提供投资参考。本文重点研究构建知识图谱的流程和关键技术方法,基于证券公告建立知识的本体结构,设计了数据采集、任务管理、知识获取、数据管理等系统功能,并利用实验室的相关工具实现了知识图谱三元组的数据标注和关系抽取任务,最终完成系统的开发和部署。本文主要的工作如下。(1)数据采集任务管理的设计与实现。本文以Django框架为核心,基于Selenium自动化测试工具编写数据采集脚本,并添加了采集容错和采集数据重复避免机制确保数据稳定采集。系统将采集脚本抽象封装为采集任务,并提供对任务的统一管理功能。系统基于Celery异步任务框架实现了任务的定时执行,以获取数据源的最新领域数据,并通过实现Celery路由的动态更新解决Celery队列拥塞问题,以实现采集任务并发执行。(2)领域知识本体构建与关系三元组的设计与实现。本文使用spaCy预训练的中文模型对数据集进行命名实体识别,使用聚类工具获取每类实体下主要实体,结合领域知识构建领域本体结构。比较目前最新的端到端的关系抽取模型,选择了LTRel作为系统关系抽取的工具实现知识抽取,并使用Neo4j数据库保存关系三元组。系统提供知识查询界面,并使用Echarts可视工具将查询结果可视化。(3)系统应用部署。采用Docker容器技术实现系统在服务端的部署。分析开发环境下的系统架构,明确系统运行依赖的服务。明确系统部署架构,完成了工具安装和Docker容器划分等部署环境准备工作。使用Dockerfile文件实现各个容器的配置和初始化,并使用Docker-compose工具对系统中多个容器进行启动配置。在原有系统的目录下添加了以上容器相关配置文件或文件夹,使得系统部署环境下的目录结构与开发环境有所不同。采用增量部署的方式进行多容器系统的部署,以解决系统部署过程中遇到的兼容性错误。
李晖阳[3](2020)在《一种支持跨平台多接入的高性能Web AR服务系统研究与实现》文中指出Web AR技术提供了一种轻量级普适化的AR落地方案,利用Web天然的跨平台和易传播特性,实现AR内容的快速制作与推广。Web AR活动还可以嵌入APP中推广,如微信和微博等,为客户创造实际的宣传价值,具有广阔的市场前景。然而,Web AR系统在应用中存在一些问题亟待解决。从功能层面上看,虽然Web页面可在不同浏览器和APP中打开,但实际开展活动时,需要的权限和用户信息往往来自APP的第三方平台,这些数据是平台相关的。为了保证用户跨平台参与活动,更好地实现传播效果,本文建立统一认证授权中心,集中处理平台接入问题,为用户提供一致的Web AR活动体验。从性能层面上看,系统服务于众多客户,需同时支持客户在系统上创建的所有Web AR活动,这对系统服务端的并发性能提出了较高要求。单体架构的原系统不具备扩展性,难以应对性能压力,本文采用模块化架构进行改进,搭建分布式的Web AR系统,实现负载均衡与横向扩展,并建立模块部署中心,结合DevOps流程自动化完成模块的按需部署和横向扩展,提升分布式环境下系统的开发、集成和部署效率。最后,本文考虑到Web AR云服务依赖于成本较高的带宽和计算资源,限制了 Web AR活动的推广规模,研究将图像计算任务下沉到网络边缘节点,通过云边协同的方式提高响应实时性,降低云端负载压力。总的来说,本文重点改进了原系统的不足之处,从系统架构层面开始设计,实现了一种支持跨平台、多接入、可扩展和高性能的Web AR服务系统。
马晓亮[4](2019)在《基于Hadoop的网络异常流量分布式检测研究》文中研究指明随着计算机科学和网络技术的高速发展,互联网的开放性和共享性等优点越来越明显,网络信息技术被运用到诸多领域,应用范围遍及世界每个角落的政治、经济、金融、教育和军事等领域。由于计算机及网络的脆弱性、网络协议的缺陷和隐藏的安全漏洞,给网络安全带来极大威胁。网络流量数据和网络日志蕴含着丰富的有价值信息,在用户行为分析、上网行为管理、入侵检测和网络管理等许多领域具有非常高的价值,最初的网络数据处理方式是使用单台计算机对数据进行计算分析,单台处理设备在CPU、I/O与存储方面的性能受到硬件当时硬件发展水平的限制且没有扩展性。面对当今高速发展的高性能硬件设备,导致系统产生数据量和网络中传输的流量呈现几何级数级别增加,传统检测方法无法满足大规模数据分析对时间和效率的要求,在实际应用中对数据分析的处理时间要求越来越高,具备高吞吐和低时延的并行计算成为了数据处理的重要指标,分布式异常检测的研究成为异常检测研究领域的新风向标。针对网络安全形势日趋严峻和海量网络数据快速增长的背景下,本文设计并实现基于云计算的分布式异常网络流量检测的实验,通过云计算对大规模数据的存储和计算能力,解决入侵检测、网络流量分析及日志数据的采集、存储和分析面临的主要瓶颈问题,运用Hadoop的MapReduce分布式并行计算模型,能够高效和可靠地并行处理大规模数据集。本文有关网络异常流量分布式检测的主要研究内容如下:(1)分布式异常检测平台架构研究通过需求分析完成分布式入侵检测平台架构设计,整体架构分为网络采集、分布式存储和异常检测分析三个层次,按照需求完成网络数据采集、数据存储和数据异常检测的实验环境的搭建,通过训练样本训练建立异常检测模型,使用历史特征形成特征异常检测特征库,可以提高异常检测系统的数据处理能力,提高检测效率和检测准确率,可以扩展系统的学习能力挖掘分析更深层次的信息。(2)网络数据采集和网络日志收集研究采用Flume从多源前端服务器中采集日志和告警信息等网络日志数据存储到HDFS分布式文件系统中,使用Sniffer技术采集网络流量并对网络流量进行特征提取,采集端运用WinPcap与LibPcap采集网络数据,实现会话连接重构方式提取网络流量并存储特征值,将KDD99格式特征数据传送到分析处理系统的HDFS文件系统中,对入侵告警信息进行相关性融合分析。(3)数据分析算法研究将模糊C-均值聚类算法、词汇分割分类算法和统计学方法应用到采集的网络流量和网络日志数据,验证算法的可行性和检验分析结果的准确率。通过预处理网络数据和使用基于网络流量相关性的模糊C-均值聚类算法完成聚类分析,提出网络流量相关性四关键要素和基于权值的目标函数计算方法,从训练样本数据获取聚类簇中心值和聚类类型,使用异常方差统计的方法,检测分布式拒绝服务攻击行为,并构建历史特征库满足对未来数据快速分析的需求。(4)基于分布式的网络异常检测研究将机器学习算法和MapReduce分布式计算模型结合在Hadoop平台上进行并行化处理,将存储在HDFS分布式文件系统中网络采集数据、日志和告警信息,采用MapReduce和Flume等分布式计算技术完成分布式异常检测实验、融合告警信息,通过聚类算法和分类算法深入挖掘数据中的异常信息和异常网络流量,对分布式异常检测的时间效率、准确率、漏报率和误报率进行了分析。综上所述,本论文构建的网络异常流量分析实验有效地解决了网络数据的采集、存储与异常分析等问题,融合了Hadoop与数据挖掘各自的优势,充分发挥了Hadoop分布式计算框架的高扩展性和高吞吐性等特性,利用数据挖掘算法深入检测网络事件中的异常信息,形成一整套比较完整且准确度较高的采集、存储、分析和特征建立过程。
孙若男[5](2018)在《具有QoS保证的分布式Web服务选择关键技术研究》文中指出随着网络技术、服务计算技术的发展和普及,越来越多可用的Web服务出现在了 Internet上,在这样一个有着大规模服务的开放式服务网络中,Web服务可能广泛分布在不同的物理空间,从属于不同的商业组织,如何有效的管理这些分布式服务,高效的查询访问这些分布式服务,灵活的组合调用这些分布式服务就成了亟待解决的问题。QoS(Quality of Service)是指Web服务的非功能属性,如可用性、可靠性、响应时间、信誉度等等,它直接决定着用户对于服务的体验。用户发起服务请求时,除了硬性的功能属性的需求外,通常对非功能属性也会有一定要求。目前,基于QoS的服务选择方法大都是集中式算法,即为在一个了解全局服务信息的中心节点上进行单一服务或服务组合优选,但这类集中式方法不再适用于当前广泛存在的分布式服务架构。通过对当前服务选择研究现状和分布式服务架构发展趋势的分析,本文针对分布式服务架构、分布式单一服务选择、分布式组合服务选择和Web服务排序这四个问题展开研究,具体工作内容如下:1.提出了一个具有主动监测机制的分布式对等多UDDI架构虽然目前已经有了一些针对分布式服务架构的研究,但多是采用混合分布式结构,即为在整个系统架构中存在一个轻量级的中心节点,不直接对Web服务提供注册功能,只是负责维护各分布式注册节点的信息。虽然这种架构通过减轻中心节点压力提高了系统的健壮性,但是单点失效问题仍无法避开。随着Web服务应用规模的不断扩张,传统SOA架构中的集中式服务注册中心UDDI终将成为系统发展的瓶颈。针对于此,第3章提出了一种具有主动监测机制的分布式多UDDI架构,以对等网络方式组织各个分布式服务注册节点构成Web服务覆盖网络,以实现分布式服务发布注册、查询选择与组合调用等功能。并针对此分布式架构建立了一种主动监测机制,既可以有效的实时监测分布式服务节点的运行状态,也可以提高Web服务的信息的实时有效性。2.提出了一种考虑全局服务质量的分布式服务选择算法目前针对服务选择算法的研究大多假设Web服务是集中注册的,即所有的服务属性信息和执行日志均存储在一个中心节点上,关注点也多是基于全局信息的算法效能改进。但在真实服务计算环境中,一个功能需求可能存在大量符合约束条件的Web服务,而这些服务更是广泛分布在互联网上多个不同的服务注册节点上。这些物理上分散存放的服务通过网络互连,如果直接使用集中式服务选择算法则需要在网络中传输全部符合功能性约束条件的服务信息,这将导致难以接受的通信开销和查询延迟。本文基于skyline查询算法,在分布式服务空间上进行跨节点查询,以相对较小的网络通信消耗来对Web服务进行分布式全局选优。同时引入Top-k思想缩减skyline服务集,找到更具代表性的服务。该服务选择方法可以实现渐进式输出,同时还可根据用户的主观偏好进行灵活动态调整。3.提出了一个具有QoS保证的分布式服务组合选择方法分布式服务架构中不再具有集中式的全局QoS注册中心,服务转由各分布式服务节点进行注册维护,在这些分布在不同物理空间不同网络的服务上显然不可以直接使用现有的服务组合方法选择出适合的结果。本文中提出了一种基于执行规划的动态分布式服务组合选择算法用以解决分布式架构下的跨节点的服务组合选择问题。通过将服务组合按其拓扑结构特点拆分为若干具有关联性的基本结构,过程中边执行边规划,依据QoS约束,使用前序任务执行结果来规约后继任务执行流程选择,实现跨分布式节点选择出适合的服务组合用以提供调用。虽然本算法研究的出发点是针对分布式架构下服务节点间协作完成服务组合选择过程,但对于全集中式的服务架构本文方法也同样适用。最后使用在模拟分布式服务架构环境下进行的一系列实验验证了本文算法的效果。4.提出了一种考虑QoS属性指标均衡性约束的Web服务排序方法在Web服务选择过程中,服务排序是不可或缺的一个环节。排序是将一组Web服务根据某种规则排成一个有序序列。服务排序既可以在服务选择初期对服务集进行初始化筛选以提高选择效率,又可以产生服务选择结果后在此基础上进一步选优。本文的服务排序方法将基于QoS属性的服务排序转化为多指标决策问题进行描述,首先提出了一种主客观组合权重计算方法,然后针对服务QoS属性中的多维指标构建出QoS指标期望函数;在此基础上,计算每个服务的QoS值与均衡性期望的距离及服务的效用值,以此为基础进行排序输出。在实验部分使用了一个实例来表述排序过程,并通过真实数据上的多重迭代实验证明了本方法的有效性和灵活性。
曾新励[6](2017)在《基于Hadoop平台的分布式web日志分析系统的研究与实现》文中研究表明伴随科技进步以及互联网日新月异的发展,互联网与人们的生活联系的越来越紧密。运行于互联网的网站每天会产生大量日志信息,人们的访问记录都保存在web日志中。分析日志数据成为了解网站运营情况、用户访问规律等信息的重要手段,挖掘其中有价值的信息有利于企业为用户提供更好更方便的服务。目前多数日志分析系统还是单机的,面对海量web日志数据,无论是性能还是存储容量都无法胜任。为了满足大数据分析的需求,涌现了很多的数据处理方案,尤其是以Hadoop为代表的云计算技术,强大的分布式存储及计算能力,为海量web日志的存储及分析提供了很好平台。本文首先介绍了分布式技术的发展状况,同时对当前web日志挖掘的背景做了描述。然后对Hadoop核心组件HDFS和MapReduce,Hive数据仓库进行研究。深入研究了 HDFS分布式文件系统下数据的存储原理,数据的访问模式和系统的容错机制和MapReduee并行计算框架的编程模型。然后为web日志分析系统建立合适的业务数据处理模型,并在Hadoop平台上设计高效的web日志分析系统。系统主要包括日志存储、日志收集、日志预处理、关键指标统计、日志挖掘五个模块。日志存储采用HDFS与MySQL相结合的方式,HDFS存储原始日志以及清洗后的日志。日志的预处理采用MapReduce并行化的方式对包含噪声的数据清洗标准化。指标统计使用Hive数据仓库的HQL脚本对网站运营情况进行分析。日志挖掘使用在MapReduce平台改进的K-means算法对注册用户聚类分析,提高了算法在处理海量数据时的效率。最后通过系统测试证明,基于Hadoop的web日志分析系统在收集、处理、存储、挖掘方面相比传统单机处理有很大改进,不仅减少了开发人员工作量同时还提高了系统效率。
赵双双[7](2015)在《分布式Web服务QoS管理平台的框架研究》文中研究表明随着web服务不断的发展,web服务技术无论在研究领域还是网络应用领域都备受关注,web服务的广泛应用使得web服务的数目也在快速的增加,大量的功能相同或者相似的web服务也在不断地增加,消费者在进行web服务选择时,不仅要求功能性需求满足,对服务的服务质量(QoS)的需求也在增加[36],同时由于用户地域环境和网络环境的不同,对于不同的用户,相同的web服务QoS或许必然造成不同的结果,因此,在众多满足用户功能需求的web服务中找到很符合消费者QoS要求的web服务成为web服务选择研究的重点。另外,如何对web服务QoS进行管理和评估成为了本文研究的重点,本文提出了一种分布式的web服务QoS测量管理框架对web服务的QoS属性数据(其他包含领域相关QoS属性和领域无关的QoS属性信息)进行周期性采集和度量统计并分析结果,推荐同时满足用户功能性需求和非功能性需求的web服务。本文从目前已经存在的QoS框架管理方法、QoS数据采集测量方法等入手,并对比分析了目前Web服务QoS管理框架中的属性管理、数据采集测量管理、评估管理的相关技术文献,提出了全球分布式网络环境下的的web服务QoS管理框架。本文重点阐述QoS管理和评估框架的研究成果。web服务各个QoS属性信息的测量数据不仅来自服务提供者还有来自服务消费者,针对不同的数据来源具有不同的测量方法,但同时也存在着很多问题:第一,服务提供商和服务消费者提供数据的可信性问题研究;第二,第二,Web服务所处的网络环境和服务器负载状况不稳定对Web QoS造成的影响;第三,由于用户所处的全球地理位置和和网络环境的差异,也造成了对于同一个web服务,不同的请求者会返回不同的QoS属性信息。因此如何准确的测量web服务QoS成为目前领域研究的难题。本文针对上述提出的问题,通过对web服务QoS综合测量管理模型的研究,提出了一种改进型的web服务QoS管理框架。其中包含服务质量属性管理设计模型、服务质量属性采集测量设计模型、服务质量评估设计模型,针对web服务的个性化推荐需要对web服务的QoS进行评估。其中, Web服务QoS管理模型中各个模块需要实现的业务功能如下:第一、 QoS(服务质量)属性管理模型:web服务领域管理功能、QoS(服务质量)度量标准管理、QoS(服务质量)属性注册功能、QoS(服务质量)认证管理功能、QoS(服务质量)属性查询功能;第二、 QoS信息采集预测模型:原始信息采集模块管理功能、QoS信息查询功能、管理员身份认证等功能、QoS属性度量管理功能、QoS属性值更新功能、QoS属性统计分析,自动报告的功能。第三、 QoS服务评估功能:web服务注册功能、web服务查找功能、web服务Q评估功能等。
梁文员[8](2013)在《分布式Web安全监测系统的设计与实现》文中研究表明针对Web服务器面临的安全威胁,一般可以采用相应的防护软件或者Web应用防火墙进行安全防范,目前这种安全防护设备的管理方式往往是针对单一设备的。而作为一个第三方的安全服务方,或者是拥有大量Web服务站点的系统管理者,则需要一个集中的监测平台来对这些分布式的安全设备的防护情况进行监测和管理。本文针对上述需求,设计实现了一个分布式的Web安全监测系统,具体完成的工作包括以下几个方面:针对集中监测和管理的要求,设计并实现了一个分布式的Web安全监测系统,能够完成分级Web网站安全日志监测和预警。系统可以支持多种防护日志的安全采集,并针对采集到的服务器性能日志进行分析,实现相关的攻击预警。针对分布式Web安全日志采集,基于分布式多数据采集点的通信框架,设计了一种分布式日志采集架构。该架构包含日志转发器、日志中心服务器两种日志采集设备,并采用SYSLOG方式完成局域网内Web安全设备的日志采集。在传输中采用SSL的传输方式,保证了日志传输中的数据安全。针对日志收集端在大数据量的情况下可能出现的缓冲区溢出问题,设计实现了日志传输的拥塞控制机制,并采用了多线程、缓冲区和批处理等技术解决数据接收速度和存储速度的失衡问题,实现高性能的分布式日志采集。在Web安全日志采集的基础上,对安全日志进行进一步的分析。设计了规范化的正则表达式,用户可以对不同日志给出相应的正则表达式,支持不同格式日志的内容解析和提取。从而可以方便地扩展对新的格式日志的采集和分析。同时,针对采集得到的Web服务器性能日志,设计实现了一种基于服务器性能的DoS预警机制。通过分析SYN泛洪、ACK泛洪、UDP泛洪、ICMP泛洪等拒绝服务的攻击引起的服务器网络数据和性能变化特征进行了分析,实现DoS攻击检测和性能预警功能。
黄宸[9](2013)在《Web服务DDoS攻击的防御技术研究》文中研究表明互联网的出现使我们迈入了信息社会,信息社会的核心服务是Web服务。在线游戏、电子商务、门户网站、社交网站等Web服务极大的丰富了人们的生活,提高了社会的效率,促进了信息的流通。由于Web服务的重要性,确保Web服务的安全就十分必要。针对Web服务的DDoS攻击是目前Web服务而临的主要威胁之一,该攻击具有隐蔽性高、强度大,难以防范的特点。本文主要研究Web服务DDoS攻击的防御技术。首先,介绍了DDoS攻击的原理,按照攻击流量所属的网络协议将DDoS攻击分为了网络层攻击、传输层攻击、应用层攻击三类并对典型DDoS攻击进行了详细分析,对DDoS攻击已有的防御技术进行了研究。由于当前单点的防御技术在处理大量的DDoS攻击流量时存在性能瓶颈,本文接着提出了Web服务DDoS攻击的分布式防御模型,该模型在开始就分布式的部署Web服务,同时在各个Web服务子系统中部署检测防御模块。模型研究了将用户引导到各个Web子系统的智能DNS机制,研究了确保Web子系统中网站内容与源Web系统中网站内容一致的Web同步机制,研究了用户请求网站动态内容时的数据库访问机制,研究了对DNS服务器、Web服务器、数据席服务器进行集群部署的集群和负载均衡机制。对于检测防御模块,在研究了儿类典型Web服务DDoS攻击之后,提出了基于信息熵的检测机制;对攻击工具与浏览器进行了行为对比分析,在此基础上提出了不应答SYN数据包、回复ACK号错误的数据包和HTTP最定向三种防御策略。最后,本文设计并实现了一个基于分布式防御模型的系统,利用BIND9视图功能实现了智能DNS,在Netfilter框架下实现了负载均衡器,详细阐述了防御系统中检测机制和防御机制的算法和流程,并设计了实验对系统各个关键部分进行了测试。
周顺冬[10](2013)在《分布式Web服务质量测量平台的设计与实现》文中认为随着Web服务不断的推广,网络中出现大量功能相同或者相似的Web服务。由于用户地域和网络环境的不同,相同Web服务QoS相对于不同的用户可能会差异很大,因此在众多功能相同的Web服务中检索出满足用户需求的Web服务十分重要,需要一种针对用户的,能够快速、准确地推测多个功能相同服务的服务QoS的测量方法。本文提出一种分布式Web服务QoS测量平台,将整个网络映射成一个虚拟的三维坐标系统,通过对Web服务进行周期性的测量,统计分析测量数据,从而推测在用户端能够获取的Web服务QoS。论文从研究现有的Web服务QoS预测方法入手,对比分析Web服务QoS预测的相关技术,提出了分布式Web服务质量测量平台,该平台能够准确的估测在用户端的Web服务QoS的方法。本文重点阐述分布式Web服务QoS测量平台的需求和关键技术、平台的设计与实现以及对测量平台的评估和准确性验证。Web服务在用户端能够获取的服务QoS主要由两个方面决定:1、Web服务所处的网络环境和服务端负载状况的不稳定性,Web服务的网络坐标会随之动态变化2、用户端的地理位置和网络环境的不同,Web服务在用户端呈现的服务QoS也会不尽相同,因此实现估测在用户端调用Web服务时能够的服务QoS属性值是比较难以解决的问题。根据上面描述的问题,本论文通过对Web服务QoS预测研究的综述提出了Web服务QoS测量平台的需求,根据用户端端Web服务QoS的特点找出了Web服务QoS测量平台需要的关键技术,并确定了研究预测Web服务的QoS属性,包括响应时间和可靠性。本论文的主要研究内容包括Web服务的周期性测量;Web服务QoS测量节点、Web服务和用户的定位;用户端Web服务QoS的预测。最后对分布式Web服务QoS测量平台的总体架构进行设计和实现,并根据实际情况对平台进行了评估。
二、分布式Web服务器技术综述(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、分布式Web服务器技术综述(论文提纲范文)
(1)基于网格的分布式Web服务发现技术研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题背景及研究的目的和意义 |
1.2 国内外研究发展概况 |
1.3 本文主要内容和结构 |
第2章 基于Chord的分布式网格服务发现模型 |
2.1 模型的总体结构设计 |
2.2 组成模型的结点 |
2.2.1 结点数据结构 |
2.2.2 结点标识符分配 |
2.2.3 结点加入退出 |
2.3 模型的核心功能 |
2.3.1 网格服务的注册 |
2.3.2 网格服务的发现 |
2.4 模型的物理层网络和逻辑层失配问题及解决方案 |
2.5 本章小结 |
第3章 基于改进Chord的分布式网格服务发现算法 |
3.1 Chord算法分析 |
3.1.1 对Chord查询的收敛性证明 |
3.1.2 Chord中使用的哈希函数 |
3.2 基于WordNet的哈希函数 |
3.3 本章小结 |
第4章 实验验证及分析 |
4.1 实验准备 |
4.2 算法可行性验证 |
4.3 查全率与查准率测定 |
4.4 查全率与查准率对比实验 |
4.5 本章小结 |
第5章 结论与展望 |
5.1 本文主要工作总结 |
5.2 展望 |
参考文献 |
攻读硕士学位期间发表的论文及其它成果 |
致谢 |
(2)证券知识图谱构建系统的设计与实现(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景 |
1.2 研究现状 |
1.2.1 知识图谱研究现状 |
1.2.2 领域知识图谱构建研究现状 |
1.3 目标和意义 |
1.4 论文组织结构 |
2 相关理论和技术 |
2.1 自然语言处理工具 |
2.2 关系抽取技术 |
2.3 数据库技术 |
2.4 系统开发框架技术 |
2.4.1 开发框架Django |
2.4.2 自动化工具Selenium |
2.4.3 异步任务框架Celery |
2.5 部署工具Docker |
2.6 本章小结 |
3 需求分析与系统设计 |
3.1 系统功能概述 |
3.2 系统需求分析 |
3.2.1 数据采集需求 |
3.2.2 任务管理需求 |
3.2.3 关系抽取需求 |
3.2.4 数据管理需求 |
3.2.5 系统功能用例分析 |
3.3 系统总体架构设计 |
3.4 系统技术架构设计 |
3.5 系统功能详细设计 |
3.5.1 数据库设计 |
3.5.2 数据采集模块设计 |
3.5.3 任务管理模块设计 |
3.5.4 关系抽取模块设计 |
3.5.5 数据管理模块设计 |
3.6 本章小结 |
4 系统实现 |
4.1 开发环境搭建 |
4.2 数据采集模块实现 |
4.2.1 数据采集脚本 |
4.2.2 采集错误屏蔽 |
4.2.3 避免数据重复采集 |
4.2.4 采集格式统一 |
4.3 任务管理模块实现 |
4.3.1 任务创建和定时设置 |
4.3.2 任务并发控制 |
4.3.3 任务执行监控 |
4.3.4 任务控制按钮 |
4.4 关系抽取模块实现 |
4.4.1 数据集介绍 |
4.4.2 数据预处理 |
4.4.3 本体结构构建 |
4.4.4 数据标注 |
4.4.5 关系抽取 |
4.5 数据管理模块实现 |
4.5.1 知识存储和更新 |
4.5.2 知识查询和展示 |
4.6 本章小结 |
5 系统部署与测试 |
5.1 部署技术架构 |
5.2 部署准备 |
5.2.1 环境准备 |
5.2.2 容器划分 |
5.3 部署流程 |
5.3.1 系统部署目录结构 |
5.3.2 容器构建 |
5.3.3 增量部署 |
5.4 系统功能测试 |
5.4.1 任务管理模块测试 |
5.4.2 数据管理模块测试 |
5.5 本章小结 |
6 总结和展望 |
6.1 工作总结 |
6.2 展望 |
参考文献 |
攻读学位期间的研究成果与目录 |
致谢 |
(3)一种支持跨平台多接入的高性能Web AR服务系统研究与实现(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 发展现状及问题 |
1.2.1 Web AR |
1.2.2 Web系统架构 |
1.3 研究任务 |
1.4 论文结构 |
第二章 相关技术综述 |
2.1 Web系统开发技术 |
2.1.1 Web服务器 |
2.1.2 DevOps |
2.1.3 CAS |
2.2 Web AR |
2.2.1 AKAZE算法 |
2.2.2 WebRTC |
2.2.3 Web模型渲染 |
2.3 边缘计算 |
2.3.1 发展概述 |
2.3.2 KubeEdge |
2.4 本章小结 |
第三章 系统需求分析 |
3.1 业务术语定义 |
3.2 需求概述 |
3.3 需求分析 |
3.3.1 Web AR活动子系统功能 |
3.3.2 Web AR平台子系统功能 |
3.3.3 面向可扩展与高性能的模块化架构 |
3.3.4 支持跨平台与多接入的统一认证授权 |
3.3.5 云边协同服务 |
3.4 本章小结 |
第四章 系统概要设计 |
4.1 系统架构概述 |
4.2 网关层设计 |
4.3 展示层设计 |
4.4 应用层设计 |
4.4.1 Web AR活动服务 |
4.4.2 Web AR平台服务 |
4.4.3 统一认证授权服务 |
4.5 存储层设计 |
4.6 模块部署中心设计 |
4.7 云边协同服务设计 |
4.8 本章小结 |
第五章 系统详细实现 |
5.1 网关层的实现 |
5.2 Web AR活动的实现 |
5.2.1 活动展示模块ar-frontend |
5.2.2 活动业务模块ar-backend |
5.2.3 图像算法模块ar-engine |
5.3 Web AR平台的实现 |
5.4 模块部署中心的实现 |
5.5 统一认证授权中心的实现 |
5.5.1 活动统一认证模块cas-ar |
5.5.2 平台统一认证模块cs-platform |
5.6 云边协同服务的实现 |
5.7 本章小结 |
第六章 系统应用与测试 |
6.1 测试目标及环境 |
6.2 系统基础功能测试 |
6.3 统一认证授权功能测试 |
6.4 可扩展与性能测试 |
6.5 云边协同测试 |
6.6 本章小结 |
第七章 总结与展望 |
7.1 论文工作总结 |
7.2 下一步工作展望 |
参考文献 |
致谢 |
(4)基于Hadoop的网络异常流量分布式检测研究(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 国内外研究进展 |
1.3 研究切入点 |
1.4 研究方案 |
1.5 本文结构组织 |
第2章 相关技术研究 |
2.1 网络安全主要威胁 |
2.2 入侵检测系统概述 |
2.3 分布式基础架构HADOOP研究 |
2.4 异常网络流量检测方法 |
2.5 入侵检测数据集 |
2.6 本章小结 |
第3章 网络数据采集算法和系统研究 |
3.1 数据采集系统分析 |
3.2 网络日志采集与存储 |
3.3 网络流量采集与数据格式转换 |
3.4 实验与结果分析 |
3.5 本章小结 |
第4章 网络异常数据分析方法研究 |
4.1 基于聚类算法的特征分析研究 |
4.2 基于词汇分割的分类方法研究 |
4.3 基于关联性的入侵有效性分析 |
4.4 实验与结果分析 |
4.5 本章小结 |
第5章 分布式并行化网络异常流量分析研究 |
5.1 分布式处理需求分析 |
5.2 分布式WEB日志异常网络访问并行化检测 |
5.3 分布式集群的聚类网络异常流量检测 |
5.4 实验与结果分析 |
5.5 本章小结 |
第6章 结论与展望 |
6.1 结论 |
6.2 进一步研究展望 |
参考文献 |
致谢 |
攻读硕士期间发表论文及科研工作 |
(5)具有QoS保证的分布式Web服务选择关键技术研究(论文提纲范文)
摘要 |
Abstract |
第1章 引言 |
1.1 研究背景 |
1.2 研究内容 |
1.3 论文组织结构 |
第2章 论文相关研究及技术 |
2.1 Web服务概述 |
2.1.1 Web服务技术体系 |
2.1.2 Web服务体系结构 |
2.2 Web服务注册中心 |
2.2.1 集中式服务注册中心 |
2.2.2 分布式服务注册中心 |
2.3 Web服务选择 |
2.3.1 单一服务选择 |
2.3.2 服务组合选择 |
2.3.3 分布式服务选择 |
2.4 Web服务排序 |
2.5 本章小结 |
第3章 分布式对等注册中心架构下的主动监测机制 |
3.1 引言 |
3.2 分布式对等多UDDI架构 |
3.3 分布式主动监测机制原理 |
3.4 分布式主动监测机制下相关操作 |
3.4.1 服务节点的加入退出 |
3.4.2 Web服务的发布更新 |
3.5 仿真实验 |
3.5.1 评价指标 |
3.5.2 实验分析 |
3.6 本章小结 |
第4章 基于有利反馈机制的分布式服务选择算法 |
4.1 引言 |
4.2 分布式skyline服务 |
4.2.1 基本定义 |
4.2.2 skyline代表服务 |
4.3 FDRS算法 |
4.3.1 算法详述 |
4.3.2 有利反馈机制 |
4.4 实验分析 |
4.4.1 实验环境 |
4.4.2 结果分析 |
4.5 本章小结 |
第5章 基于动态执行规划的分布式服务组合选择算法 |
5.1 引言 |
5.2 分布式Web服务环境 |
5.3 服务组合QoS模型 |
5.3.1 改进QoS模型 |
5.3.2 基本结构QoS模型 |
5.3.3 复杂结构QoS模型 |
5.4 分布式服务组合选择算法 |
5.4.1 基本结构选择算法 |
5.4.2 复杂结构选择算法 |
5.4.3 算法实时性 |
5.5 实验与讨论 |
5.5.1 评价方法 |
5.5.2 结果及分析 |
5.6 本章小结 |
第6章 考虑QoS指标均衡性约束的Web服务排序方法 |
6.1 引言 |
6.2 问题描述 |
6.3 组合赋权法计算QoS权重 |
6.3.1 数据无量纲化 |
6.3.2 主客观组合权重计算 |
6.4 考虑QoS指标均衡性约束的服务排序 |
6.4.1 QoS加权规格化评价矩阵 |
6.4.2 构造QoS属性指标期望函数 |
6.4.3 计算服务ws_i与指标期望的偏差 |
6.4.4 计算服务效用值 |
6.4.5 确定每个服务排序值 |
6.5 实验分析 |
6.6 本章小结 |
第7章 结束语 |
7.1 论文总结 |
7.2 进一步工作 |
参考文献 |
致谢 |
攻读博士学位期间的主要成果 |
论文发表情况 |
科研情况 |
(6)基于Hadoop平台的分布式web日志分析系统的研究与实现(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 主要研究内容 |
1.4 论文组织结构 |
第2章 Hadoop相关理论和技术分析 |
2.1 Hadoop整体架构 |
2.1.1 HDFS分布式文件系统 |
2.1.2 MapReduce并行计算框架 |
2.2 Hive数据仓库 |
2.3 本章小结 |
第3章 Web日志挖掘研究 |
3.1 数据挖掘技术研究 |
3.1.1 数据挖掘简介 |
3.1.2 数据挖掘实施步骤 |
3.1.3 数据挖掘的主要技术 |
3.2 Web挖掘基本理论 |
3.2.1 Web挖掘定义 |
3.2.2 Web挖掘的分类 |
3.3 Web日志挖掘理论 |
3.3.1 Web日志格式 |
3.3.2 Web日志挖掘的过程 |
3.3.3 Web日志预处理 |
3.4 本章小结 |
第4章 基于Hadoop的web日志分析系统设计与实现 |
4.1 系统总体设计 |
4.1.1 系统架构 |
4.1.2 系统功能 |
4.2 系统详细设计与实现 |
4.2.1 Web日志存储 |
4.2.2 Web日志收集 |
4.2.3 Web日志预处理 |
4.2.4 Web日志指标统计 |
4.2.5 Web日志挖掘 |
4.3 本章小结 |
第5章 系统配置与测试 |
5.1 系统测试平台的搭建 |
5.1.1 测试环境 |
5.1.2 集群环境配置 |
5.1.3 集群格式化与启动 |
5.2 系统运行结果分析 |
5.3 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
攻读硕士学位期间发表的论文及科研成果 |
(7)分布式Web服务QoS管理平台的框架研究(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 国内外研究现状 |
1.3 本文研究内容 |
1.4 论文组织框架 |
1.5 本章小结 |
第2章 Web 服务相关技术及框架介绍 |
2.1 web 服务体系结构 |
2.2 web 服务关键技术 |
2.3 JUDDIV3 简介 |
2.4 Pearson 相似度算法 |
2.5 Vivaldi 算法 |
2.6 本章小结 |
第3章 web 服务 QoS 管理研究现状 |
3.1 QoS 管理框架中存在的问题 |
3.2 本章小结 |
第4章 web 服务 QoS 管理框架需求和模型设计 |
4.1 web 服务 QoS 属性管理模型 |
4.1.1 web 服务 QoS 属性分类研究 |
4.1.2 Web 服务 QoS 属性表示模型的相关研究 |
4.2 web 服务 QoS 采集测量框架需求和模型 |
4.2.1 QoS 数据采集测量相关研究 |
4.2.2 web 服务 QoS 采集测量遇到的问题 |
4.2.3 web 服务 QoS 采集测量平台需求分析 |
4.2.4 现有 QoS 信息采集测量模型问题解决方案 |
4.2.5 QoS 可信度相关研究 |
4.3 本章小结 |
第5章 web 服务 QoS 管理框架设计与实现 |
5.1 web 服务 QoS 管理框架的设计 |
5.2 web 服务 QoS 管理框架的实现 |
5.2.1 web 服务 QoS 属性管理模型的实现 |
5.2.2 web 服务 QoS 属性采集测量模型的实现 |
5.2.2.1 web 服务 QoS 测量节点 |
5.2.2.2 web 服务 QoS 中心节点 |
5.2.3 web 服务 QoS 评估算法的研究 |
5.3 本章小结 |
第6章 总结与展望 |
6.1 主要总结 |
6.2 工作展望 |
参考文献 |
致谢 |
(8)分布式Web安全监测系统的设计与实现(论文提纲范文)
摘要 |
Abstract |
目录 |
1 绪论 |
1.1 课题背景介绍 |
1.2 课题研究现状 |
1.3 研究目标与内容 |
1.4 论文章节安排 |
2 系统需求分析与解决方案 |
2.1 系统总体目标 |
2.2 系统总体架构 |
2.3 系统解决方案 |
2.3.1 安全日志来源 |
2.3.2 安全日志采集 |
2.3.3 安全日志分析 |
2.3.4 数据库设计 |
2.3.5 监测端设计 |
2.4 本章小结 |
3 分布式日志采集分析模块设计与实现 |
3.1 日志采集分析模块设计目标和架构 |
3.2 网络数据通信框架分析 |
3.2.1 基于Mina通信框架的日志采集通信模块 |
3.2.2 基于Mina通信框架的日志采集通信模块扩展 |
3.3 日志采集关键设计与分析 |
3.3.1 日志转发拥塞控制设计与分析 |
3.3.2 日志中心服务器缓冲区设计与分析 |
3.4 基于正则表达式的日志解析 |
3.4.1 Web防火墙日志格式分析 |
3.4.2 利用正则表达式标准化解析日志 |
3.5 日志预警分析 |
3.6 本章小结 |
4 DoS检测和性能预警技术研究与实现 |
4.1 DoS攻击介绍 |
4.1.1 DoS攻击概念 |
4.1.2. DoS攻击类型及原理 |
4.2 DoS检测技术的研究 |
4.2.1 DoS检测技术的分类 |
4.2.2 常见DoS检测方法比较与分析 |
4.3 基于主机的DoS检测和性能预警方法设计 |
4.4 DoS检测和性能预警模块的设计与实现 |
4.5 本章小结 |
5 系统部署与运行测试 |
5.1 系统开发与运行环境 |
5.1.1 系统开发环境 |
5.1.2 系统运行环境 |
5.2 系统日志采集性能测试 |
5.3 系统功能测试 |
6 结束语 |
6.1 工作总结 |
6.2 未来展望 |
参考文献 |
攻读学位期间主要的研究成果 |
致谢 |
(9)Web服务DDoS攻击的防御技术研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 研究内容及章节安排 |
第二章 DDoS攻击防御技术综述 |
2.1 DDoS攻击概述 |
2.1.1 攻击原理 |
2.1.2 攻击分类 |
2.2 DDoS防御分类 |
2.2.1 攻击端防御 |
2.2.2 中间网络防御 |
2.2.3 被攻击端防御 |
2.3 防御技术研究 |
2.3.1 基于包标记的防御 |
2.3.2 基于TCP数据包统计的防御 |
2.3.3 基于访问IP突变的防御 |
2.3.4 基于用户行为特征的防御 |
2.4 小结 |
第三章 Web服务DDoS攻击的分布式防御模型(WDD) |
3.1 WDD总体结构 |
3.2 分布式Web服务部署 |
3.2.1 智能DNS机制 |
3.2.2 Web同步机制 |
3.2.3 数据库访问机制 |
3.3 分布式智能DNS服务部署 |
3.4 集群和负载均衡机制 |
3.5 DPM设计 |
3.5.1 基于信息熵的检测机制 |
3.5.2 防御机制 |
3.6 小结 |
第四章 WDD系统设计与实现 |
4.1 WDD系统架构 |
4.2 控制中心 |
4.3 负载均衡器 |
4.3.1 Linux内核模块编程 |
4.3.2 Netfilter框架 |
4.3.3 负载均衡实现 |
4.4 智能DNS服务器 |
4.4.1 基于BIND视图的智能DNS |
4.4.2 获取IP信息 |
4.5 DPM实现 |
4.5.1 检测模块 |
4.5.2 防御模块 |
4.6 小结 |
第五章 WDD系统实验与结果分析 |
5.1 实验环境 |
5.2 实验工具 |
5.3 系统效果验证 |
5.3.1 智能DNS测试 |
5.3.2 DPM检测模块测试 |
5.3.3 DPM防御模块测试 |
5.3.4 负载均衡测试 |
5.4 小结 |
第六章 总结 |
6.1 论文主要工作 |
6.2 下一步工作 |
参考文献 |
致谢 |
攻读硕士学位期间发表的学术论文 |
(10)分布式Web服务质量测量平台的设计与实现(论文提纲范文)
摘要 |
ABSTRACT |
第1章 引言 |
1.1 研究背景和意义 |
1.2 研究内容介绍 |
1.3 论文结构 |
第2章 相关技术介绍 |
2.1 Web服务 |
2.1.1 基本概念 |
2.1.2 Web服务解析 |
2.1.3 Web服务调用 |
2.2 Web服务QoS |
2.2.1 基本概念 |
2.2.2 研究发展现状 |
2.3 相关技术及平台介绍 |
2.3.1 Vivaldi算法 |
2.3.2 皮尔森相似度算法 |
2.3.3 Planetlab |
2.4 本章小结 |
第3章 Web服务QoS测量平台的需求 |
3.1 Web服务QoS测量平台综述 |
3.1.1 基本应用场景 |
3.1.2 基本功能说明 |
3.2 用户相关Web服务QoS的特点 |
3.3 Web服务QoS测量平台的需求分析 |
3.4 本章小结 |
第4章 Web服务QoS测量平台的关键技术 |
4.1 Vivaldi算法的改进 |
4.2 皮尔森相似度算法的应用 |
4.3 用户端Web服务QoS基本属性 |
4.4 用户端Web服务QoS估测方法分析 |
4.5 用户端Web服务QoS估测 |
4.5.1 Web服务QoS测量节点定位 |
4.5.2 服务和用户定位 |
4.5.3 服务QoS估测 |
4.6 本章小结 |
第5章 Web服务QoS测量平台的设计与实现 |
5.1 测量平台总体设计 |
5.2 Web服务QoS测量节点 |
5.2.1 系统控制模块 |
5.2.2 系统初始化模块 |
5.2.3 节点定位更新模块 |
5.2.4 服务QoS测量模块 |
5.3 Web服务QoS中心节点 |
5.3.1 系统控制模块 |
5.3.2 节点注册管理模块 |
5.3.3 周期性测量模块 |
5.3.4 结果分析模块 |
5.3.5 WSDL文件解析模块 |
5.3.6 对外ICE接口模块 |
5.3.7 数据库连接模块 |
5.4 平台设计方案的分析 |
5.5 本章小结 |
第6章 Web服务QoS测量平台评估 |
6.1 验证环境 |
6.1.1 硬件环境 |
6.1.2 软件环境 |
6.1.3 测试环境的图形化描述 |
6.2 对外接口的测试规范 |
6.2.1 对外接口getServiceQoS测试 |
6.2.2 对外接口getServicesQoS测试 |
6.2.3 对外接口getServiceHistoryQoS测试 |
6.3 响应时间的估测准确率验证 |
6.4 可靠性的估测准确率验证 |
6.5 本章小结 |
第7章 结束语 |
7.1 论文工作总结 |
7.2 未来工作展望 |
参考文献 |
缩略语表 |
致谢 |
攻读硕士学位期间发表论文 |
攻读硕士学位期间的主要工作 |
四、分布式Web服务器技术综述(论文参考文献)
- [1]基于网格的分布式Web服务发现技术研究[D]. 杨浩. 华北电力大学(北京), 2021(01)
- [2]证券知识图谱构建系统的设计与实现[D]. 朱明超. 东华大学, 2021(01)
- [3]一种支持跨平台多接入的高性能Web AR服务系统研究与实现[D]. 李晖阳. 北京邮电大学, 2020(05)
- [4]基于Hadoop的网络异常流量分布式检测研究[D]. 马晓亮. 西南大学, 2019(01)
- [5]具有QoS保证的分布式Web服务选择关键技术研究[D]. 孙若男. 东北大学, 2018(01)
- [6]基于Hadoop平台的分布式web日志分析系统的研究与实现[D]. 曾新励. 西南石油大学, 2017(01)
- [7]分布式Web服务QoS管理平台的框架研究[D]. 赵双双. 浙江理工大学, 2015(10)
- [8]分布式Web安全监测系统的设计与实现[D]. 梁文员. 中南大学, 2013(05)
- [9]Web服务DDoS攻击的防御技术研究[D]. 黄宸. 北京邮电大学, 2013(11)
- [10]分布式Web服务质量测量平台的设计与实现[D]. 周顺冬. 北京邮电大学, 2013(11)