交流過(guò)程中的計(jì)算成本和通信負(fù)載.另一種相似的概念是由Beak等人[2]在2005年提出的多接收方加密,加密在1組接收者標(biāo)識(shí)而不是單一標(biāo)識(shí)上進(jìn)行,本文將其和廣播加密視為相同的概念.標(biāo)識(shí)密碼(identity-based cryptosystem)是密碼學(xué)中的另一個(gè)重要研究領(lǐng)域,此概念在1984年由Shamir[3]首次提出.標(biāo)識(shí)密碼以接收者的唯一信息作為公鑰,取代傳統(tǒng)公鑰加密中證書(shū)的功能.2001年,Boneh等人[4]提出了第1個(gè)可證明安全的標(biāo)識(shí)加密(id

傳輸密鑰，且計(jì)算成本較高?？紤]到只有公鑰參與關(guān)鍵詞密文生成算法或陷門(mén)生成算法是在線關(guān)鍵詞猜測(cè)攻擊得以實(shí)施的原因，因此，如果想要成功抵抗在線關(guān)鍵詞猜測(cè)攻擊，關(guān)鍵詞密文生成算法與陷門(mén)生成算法都必須使用私鑰。2018年，Huang等[15]提出了一個(gè)公鑰認(rèn)證可搜索加密(Public-key authenticated encryption with keyword search，PAEKS)方案，該方案加入了認(rèn)證功能：關(guān)鍵詞密文需要數(shù)據(jù)擁有者的私鑰來(lái)生成，其他個(gè)

進(jìn)一步增大了計(jì)算成本，耗費(fèi)計(jì)算時(shí)間。擬合關(guān)聯(lián)式法以既有物性庫(kù)為數(shù)據(jù)源，不基于理論原理而是采用統(tǒng)計(jì)學(xué)方法擬合顯式關(guān)聯(lián)式，具有簡(jiǎn)化計(jì)算、降低成本的優(yōu)勢(shì)，在傳統(tǒng)制冷劑（如R12、R22等）應(yīng)用中已獲得有效證明。對(duì)于超臨界CO2，因?yàn)槠湮镄栽谂R界點(diǎn)及擬臨界線附近劇烈非線性變化的特點(diǎn)，增加了擬合的難度和擬合關(guān)聯(lián)式的復(fù)雜性，既有研究存在擬合關(guān)聯(lián)式過(guò)于復(fù)雜、非線性系數(shù)過(guò)多、分區(qū)復(fù)雜等特點(diǎn)，增加計(jì)算成本；同時(shí)，不同物性關(guān)聯(lián)式較少，針對(duì)各個(gè)物性需要進(jìn)一步發(fā)展。對(duì)此，本文提出

原因之一在于計(jì)算成本過(guò)于高昂.經(jīng)典的數(shù)據(jù)域LSM(Nemeth et al., 1999; Duquet et al., 2000; Dai et al., 2011; Yue et al., 2019, 2021a,b; 楊宏偉等, 2022)通過(guò)反演迭代使模擬數(shù)據(jù)逐步逼近實(shí)際地震數(shù)據(jù)，進(jìn)而實(shí)現(xiàn)地下反射率的準(zhǔn)確估計(jì).該方法每次迭代都需要一次正演和偏移運(yùn)算，整體反演過(guò)程所需的計(jì)算成本往往在常規(guī)偏移的幾十倍以上，嚴(yán)重制約了該方法的推廣應(yīng)用前景.成像域迭代算法

、存儲(chǔ)成本、計(jì)算成本3個(gè)方面進(jìn)行計(jì)算.假設(shè)網(wǎng)絡(luò)有S個(gè)節(jié)點(diǎn)，C個(gè)簇，簇內(nèi)P個(gè)節(jié)點(diǎn).則簇頭數(shù)為C，普通節(jié)點(diǎn)數(shù)為S-C，每個(gè)簇內(nèi)普通節(jié)點(diǎn)數(shù)為P-1個(gè).性能分析主要對(duì)比文獻(xiàn)［4］和文獻(xiàn)［7］，因此，部署范圍和部署方式與文獻(xiàn)［7］一樣，在300 m×300 m 的網(wǎng)絡(luò)區(qū)域內(nèi)隨機(jī)部署節(jié)點(diǎn)，網(wǎng)絡(luò)節(jié)點(diǎn)分配情況選用文獻(xiàn)［4］的節(jié)點(diǎn)數(shù)據(jù)，見(jiàn)表3.表3 網(wǎng)絡(luò)節(jié)點(diǎn)分配情況3.2.1 通信成本通信成本主要考慮節(jié)點(diǎn)發(fā)送和接收數(shù)據(jù)的能量消耗，默認(rèn)基站的能量是無(wú)限的.假設(shè)發(fā)送1位數(shù)據(jù)的通

撞分析中，將計(jì)算成本巨大的整車碰撞模型分離出相關(guān)部件，形成可等效替代整車模型的簡(jiǎn)化結(jié)構(gòu)，利用子結(jié)構(gòu)模型完成后續(xù)乘員約束系統(tǒng)匹配優(yōu)化，可節(jié)約仿真時(shí)間。伍廣等用側(cè)圍部件模型替整車模型進(jìn)行側(cè)面碰撞仿真，發(fā)現(xiàn)該方法不僅可以保證分析精度,又可以提高計(jì)算效率；［5］白雪飛與王玉琴采用MADYMO 軟件中的PSM 方法（prescribed structure motion）建立車體模型，模擬側(cè)面約束系統(tǒng)仿真；［6-7］姜強(qiáng)與程海東均通過(guò)PSM 方法完成了側(cè)面約束系統(tǒng)的

構(gòu)學(xué)習(xí)能力和計(jì)算成本調(diào)整合適的網(wǎng)絡(luò)深度。（2）針對(duì)模型泛化性不足難以擬合復(fù)雜的道路環(huán)境的問(wèn)題使用HSV擾動(dòng)和亮度增強(qiáng)的數(shù)據(jù)拓展方法提升模型泛化性能。1 相關(guān)工作1.1 YOLOv3檢測(cè)算法車輛行駛過(guò)程中速度快，對(duì)目標(biāo)檢測(cè)的實(shí)時(shí)性要求較高。由于一階段檢測(cè)算法YOLO系列根據(jù)卷積運(yùn)算的位置不變特性只使用一次網(wǎng)絡(luò)計(jì)算就能完成對(duì)整張圖像進(jìn)行檢測(cè)，相較二階段檢測(cè)算法具有速度快、計(jì)算量小的優(yōu)點(diǎn)，鑒于此本文基于YOLOv3[11]檢測(cè)算法進(jìn)行研究。YOLOv3[11]是

模型放縮與計(jì)算成本為在目標(biāo)檢測(cè)項(xiàng)目中實(shí)現(xiàn)高精度與實(shí)時(shí)性，模型縮放技術(shù)應(yīng)運(yùn)而生。初始的模型放縮技術(shù)主要更改卷積神經(jīng)網(wǎng)絡(luò)骨干網(wǎng)絡(luò)的深度或?qū)挾?，隨后經(jīng)由Huang[12]、Xie[13]、Tan[14]、Tian[15]等人對(duì)模型縮放技術(shù)在目標(biāo)檢測(cè)領(lǐng)域的不斷研究，統(tǒng)合深度、寬度的復(fù)合縮放版本，新算法陸續(xù)出現(xiàn)。為評(píng)估模型縮放的效果，需要對(duì)其進(jìn)行定量分析。一般來(lái)說(shuō)，當(dāng)縮放比例增大時(shí)，要增加的定量成本越低，模型的效果越好；相對(duì)應(yīng)地，當(dāng)縮放比例減小時(shí)，要減少的定量成本

數(shù)量增加導(dǎo)致計(jì)算成本劇增。針以上問(wèn)題，許多改進(jìn)算法被提出[2-3,7-13]。為了克服K-Means算法對(duì)初始質(zhì)心過(guò)于敏感的缺點(diǎn)，許多有效的算法被提出[2-3]。Arthur等[2]通過(guò)用一種簡(jiǎn)單的隨機(jī)播種技術(shù)對(duì)K-Means進(jìn)行了增廣，降低了K-Means在初始種子選擇中的隨機(jī)性。Lasheng等[3]提出了基于最大最小準(zhǔn)則和FLANN的初始聚類中心選擇算法，提高了算法的穩(wěn)定性和準(zhǔn)確性。上述的算法克服了K-Means聚類對(duì)初始質(zhì)心敏感的缺陷，但是迭代過(guò)程

從預(yù)測(cè)精度、計(jì)算成本的角度分析了各算法的優(yōu)缺點(diǎn)，為地下車站能耗的預(yù)測(cè)提供了數(shù)據(jù)驅(qū)動(dòng)算法參考。2 能耗預(yù)測(cè)模型2.1 車站用能系統(tǒng)本研究的對(duì)象為地下2 層的非換乘、屏蔽門(mén)系統(tǒng)車站，冷源為變頻螺桿冷水機(jī)組。地鐵車站的主要用能系統(tǒng)包括通風(fēng)空調(diào)系統(tǒng)(約占55%)、垂直交通系統(tǒng)(約占15%)和照明系統(tǒng)(約占22%)[11]。其中，照明系統(tǒng)形式相對(duì)簡(jiǎn)單、能耗易算，本研究推薦采用基于運(yùn)行原理的模型進(jìn)行計(jì)算。該模型采用車站照明功率密度、照明面積、照明時(shí)長(zhǎng)進(jìn)行計(jì)算，預(yù)測(cè)模型

上升，致使其計(jì)算成本較為昂貴。鑒于此，為了節(jié)約計(jì)算成本、加快采樣速度及提高建模效率，本文引入k-fold交叉驗(yàn)證(k-fold cross validation)[10]方法，并結(jié)合泰森多邊形法對(duì)設(shè)計(jì)空間進(jìn)行全局探索和局部開(kāi)發(fā)，發(fā)展了一種k-fold CV-Voronoi自適應(yīng)序列采樣方法，并通過(guò)數(shù)值算例和工程算例對(duì)本文方法進(jìn)行驗(yàn)證。2 序列采樣方法2.1 k -fold CV-Voronoi序列采樣方法本文發(fā)展的k-fold CV-Voronoi自適應(yīng)序

據(jù)[6-7]計(jì)算成本高。對(duì)于基于相位的定位技術(shù)，其優(yōu)點(diǎn)是用于定位外部振動(dòng)的信噪比（SNR）相對(duì)較高，可以達(dá)到10 dB。然而，由于信號(hào)衰落，Φ-OTDR 系統(tǒng)中不可避免地存在大量的虛警相位峰值，這導(dǎo)致了辨別此類虛警相位峰值的大量計(jì)算成本。文中提出了一種快速定位方法，以提高ΦOTDR 系統(tǒng)定位外部振動(dòng)事件的效率。由于外部振動(dòng)會(huì)在振動(dòng)區(qū)域之外感應(yīng)出一個(gè)附加相位，而信號(hào)衰落對(duì)其位置之外的相位影響很小，因此可以先將背向散射的數(shù)據(jù)分為幾個(gè)相距很遠(yuǎn)的段，進(jìn)行預(yù)處理。沿

近十次，因此計(jì)算成本極高。目前主要有兩類方法可以降低計(jì)算成本：一類方法是利用炮編碼技術(shù)對(duì)疊前炮集數(shù)據(jù)進(jìn)行壓縮[10-22]，降低Born正演和RTM的計(jì)算成本，如隨機(jī)相位編碼、平面波相位編碼、振幅編碼、確定性炮編碼等； 另一類方法是利用預(yù)條件算子加快迭代的收斂速度，減少迭代次數(shù)，例如近似Hessian對(duì)角矩陣[23-24]、去模糊化濾波器[25-26]、Hessian矩陣近似逆[27]、構(gòu)造導(dǎo)向?yàn)V波[28-29]等。本文從人工智能領(lǐng)域引入自適應(yīng)矩估計(jì)(A-

析。分析一：計(jì)算成本。有時(shí)一次可抓到，有時(shí)抓20次都抓不到。累計(jì)起來(lái)，也花了不少錢(qián)。分析二：收集游戲的取勝技巧。強(qiáng)抓力、弱抓力；判斷重心位置；搖晃方向桿，按啟動(dòng)鍵，強(qiáng)化抓子力量；諸如這些謠傳技巧經(jīng)檢驗(yàn)都不靠譜。通過(guò)理性分析，就可抗拒誘惑了。而且，我還獨(dú)創(chuàng)了新方法，就是把自己及他人抓失敗的景象都用手機(jī)錄下來(lái)，這樣，想投幣之前，就重溫一次視頻，很快就可以把腦海里不理智的聲音、幻想都驅(qū)趕走。熱情沒(méi)了就不想玩了。另外，旁觀他人玩時(shí)，心里默默計(jì)算他人失敗的次數(shù)，觀察

積減少模型的計(jì)算成本，DSDC首先將標(biāo)準(zhǔn)卷積分解成DSC和點(diǎn)卷積，然后在DSC中引入一個(gè)稱作空洞率[27,28]的新參數(shù)，并利用擴(kuò)張率控制卷積核處理數(shù)據(jù)時(shí)各值的間距。同時(shí)，通過(guò)優(yōu)化不同尺度卷積層的輸入特征數(shù)量和融合方式來(lái)提高ESK模塊的特征提取能力。IRB模塊、SK模塊、ISK模塊和ESK模塊的結(jié)構(gòu)關(guān)系如圖1所示。圖1(a)為IRB模塊，模塊采用了反殘差網(wǎng)絡(luò)結(jié)構(gòu)，即先對(duì)通道采取先“擴(kuò)張” 后“壓縮”的策略，同時(shí)刪除了最后一個(gè)卷積層的激活函數(shù)，保留特征的多樣

，從而增加了計(jì)算成本，降低了效率。隨著無(wú)差拍(DB)控制出現(xiàn)，在選擇最佳電壓矢量的過(guò)程中，用所需電壓矢量組成的預(yù)測(cè)DB電壓扇區(qū)進(jìn)行枚舉選擇[15]，KENNL[16]首先將DB控制應(yīng)用到電驅(qū)動(dòng)系統(tǒng)中，并提出完整建模和實(shí)驗(yàn)驗(yàn)證；文獻(xiàn)[17]中將DB控制運(yùn)用在永磁同步電機(jī)(PMSM)驅(qū)動(dòng)系統(tǒng)中，減少了系統(tǒng)的計(jì)算成本，并在試驗(yàn)結(jié)果中驗(yàn)證了所提控制策略的有效性。而對(duì)于DB控制在感應(yīng)電機(jī)(IM)驅(qū)動(dòng)系統(tǒng)中應(yīng)用的研究則較少。本文通過(guò)建立IM的動(dòng)態(tài)數(shù)學(xué)模型，在傳統(tǒng)的FC

NN 的巨大計(jì)算成本，輕量級(jí)神經(jīng)網(wǎng)絡(luò)被提出部署在移動(dòng)或嵌入式設(shè)備上。例如:MobileNetV1［9］和MobileNetV2［10］采用深度可分離卷積來(lái)構(gòu)建輕量級(jí)網(wǎng)絡(luò)；ShuffleNet［11］采用分組卷積和深度可分離卷積來(lái)構(gòu)建輕量級(jí)網(wǎng)絡(luò)；SqueezeNet［12］利用核心模塊Fire 壓縮模型參數(shù)，減小網(wǎng)絡(luò)的深度，降低模型的大?。籗ENet（Squeeze-and-Excitation Network）［13］提出的SE 模塊是一種輕量級(jí)注意力機(jī)制

會(huì)導(dǎo)致大量的計(jì)算成本。為了解決云存儲(chǔ)服務(wù)的動(dòng)態(tài)數(shù)據(jù)完整性檢驗(yàn)方案存在的安全和效率問(wèn)題，本文利用分治表和雙線性對(duì)技術(shù)，提出基于分治表的動(dòng)態(tài)數(shù)據(jù)完整性審計(jì)方案。1 相關(guān)工作外包數(shù)據(jù)審計(jì)近年成為研究課題熱門(mén)。2007年Ateniese 等[1]年提出使用可證明數(shù)據(jù)方案來(lái)審計(jì)外包數(shù)據(jù)。其中主要為使用同態(tài)標(biāo)簽和塊標(biāo)簽生成單個(gè)標(biāo)簽。但該方案造成較大計(jì)算成本。Wang等[2]提出基于雙線性聚合簽名和Merkle 哈希樹(shù)的動(dòng)態(tài)遠(yuǎn)程數(shù)據(jù)審計(jì)方案，其方案實(shí)現(xiàn)隱私保護(hù)公共審計(jì)和

據(jù)存儲(chǔ)成本和計(jì)算成本。1 系統(tǒng)模型令τj表 示 第j 棵BSP 樹(shù)。 t 棵 樹(shù) 構(gòu) 成 樹(shù) 集γh，即|γh|=t，其中h 表示每棵樹(shù)的高度。樹(shù)中每個(gè)節(jié)點(diǎn)代表一個(gè)子空間。 用md表示在子空間內(nèi)正常數(shù)據(jù)實(shí)例的個(gè)數(shù)，而d 表示子空間的深度。 令pd表示深度為d 的子空間的分割點(diǎn)。令xni表示在訓(xùn)練階段中第i 個(gè)正常數(shù)據(jù)實(shí)例。 用φ項(xiàng)數(shù)據(jù)實(shí)例構(gòu)成集η，即|η|=φ：每個(gè)實(shí)例xk有t 分。 為此，令Sk表示分?jǐn)?shù)集：例如，S1(xk)表示在樹(shù)τ1中實(shí)例xk的分?jǐn)?shù)，

減少工作流的計(jì)算成本。雖然可搶占實(shí)例價(jià)格低廉，但是其在執(zhí)行過(guò)程中存在一定概率被云服務(wù)商收回釋放，導(dǎo)致工作流無(wú)法按時(shí)完成。因此，如何在工作流執(zhí)行過(guò)程中，可靠地利用可搶占實(shí)例，在滿足執(zhí)行時(shí)限要求的情況下，降低計(jì)算成本是一個(gè)新的挑戰(zhàn)。針對(duì)上述挑戰(zhàn)，本文提出了滿足工作流執(zhí)行時(shí)限的可搶占虛擬機(jī)實(shí)例配置和調(diào)度方法，可以在滿足工作流最長(zhǎng)執(zhí)行時(shí)限的前提下，最小化工作流執(zhí)行的計(jì)算成本。本文提出的方法具有重要的實(shí)際經(jīng)濟(jì)價(jià)值。具體而言，本文的主要貢獻(xiàn)如下所示：(1)提出了基于馬

失攻擊。4 計(jì)算成本分析4.1 理論分析本文提出的匿名認(rèn)證方案與其他同類方案的計(jì)算成本對(duì)比如表2所示。其中，n表示用戶數(shù)量，Ch表示單向散列函數(shù)計(jì)算成本，CECC表示橢圓曲線加密/解密計(jì)算成本。通常情況下，CECC>Ch。表2 計(jì)算成本對(duì)比從表2可以看出，在注冊(cè)階段，當(dāng)n=1時(shí)，本文方案的計(jì)算成本相對(duì)較大。但隨著用戶數(shù)n的增加，本文方案的計(jì)算成本會(huì)變得相對(duì)較小。在登錄和更改口令階段，本文方案的計(jì)算成本與方案[10]相同，但比方案[4]小。在認(rèn)證階段，本文方

解奇異值的高計(jì)算成本，Haldar[12]和Wen[13]提出如下分解模型:(3)其中，Z=XY，X∈Rm×r，Y∈Rr×n，r?min{m，n}.在模型(3)中，Z表示成X∈Rm×r和Y∈Rr×n的乘積，使得確保滿足低秩的要求.兩個(gè)針對(duì)模型(3)的特點(diǎn)，一個(gè)自然的求解方法就是交替最小化方法，如Power Factorization[12]和LMaFit[13].在這兩種交替最小化方法中，變量X和Y交替更新，每一步要精確求解子問(wèn)題得到X和Y.精確求解子問(wèn)題

費(fèi)用。導(dǎo)致云計(jì)算成本飆升的原因有很多，例如資源過(guò)度配置，不必要的容量以及環(huán)境的可見(jiàn)性不良。幸運(yùn)的是，有一些工具和成本優(yōu)化實(shí)踐可以幫助消除不必要的支出。組織可以采用以下工具和實(shí)踐降低云計(jì)算成本。1.選擇保留實(shí)例在云中，如果組織愿意做出一定的權(quán)衡，他們將會(huì)找到按需資源的價(jià)格更低的替代方案。并盡可能使用以下折扣定價(jià)方案：預(yù)留實(shí)例定價(jià)。提前承諾在1～3年內(nèi)使用一定容量的組織可以節(jié)省帶有預(yù)留實(shí)例的云資源。根據(jù)平臺(tái)和其他變量，預(yù)留實(shí)例的價(jià)格僅為按需實(shí)例的三分之一。每個(gè)

隨機(jī)誤差大和計(jì)算成本高的不足。Bonvin等[11]早期提出了一類基于控制變量思想的蒙特卡羅方法方差縮減技術(shù)使得隨機(jī)誤差得到部分改善，但并沒(méi)有綜合考慮減小隨機(jī)誤差并優(yōu)化計(jì)算成本。2008年,針對(duì)傳統(tǒng)蒙特卡羅方法的方差縮減技術(shù),Giles[12]提出了多層蒙特卡羅(multilevel Monte Carlo,MLMC)的基本思想,即保持精度不變采用較大時(shí)間步長(zhǎng)的計(jì)算結(jié)果以降低計(jì)算量,最終縮減成本。在金融領(lǐng)域中,2009年,Giles[13]證明了MLMC方

對(duì)所提方法從計(jì)算成本、通信成本進(jìn)行仿真實(shí)驗(yàn)，并在真實(shí)設(shè)備上驗(yàn)證對(duì)比了所提方案的加密效率和安全性。在仿真實(shí)驗(yàn)中，主要包括用戶端和云服務(wù)端，用戶端采用C語(yǔ)言編寫(xiě)，運(yùn)行于2.0 GHz，8 GB RAM 的6核i7-8700 Windows 10臺(tái)式計(jì)算機(jī)上，算法使用開(kāi)放ssl和MATLAB庫(kù)；服務(wù)器同樣采用C語(yǔ)言編碼，運(yùn)行于2.4 GHz，Xeon E5620 CPU Linux平臺(tái)上。用戶模擬數(shù)據(jù)所有者或者授權(quán)用戶，服務(wù)器充當(dāng)CSP。3.1 計(jì)算成本計(jì)算成本

匿名性，但其計(jì)算成本較高。文獻(xiàn)[10]抵御偽裝攻擊的效果較好，但其對(duì)用戶的隱私保護(hù)與反追蹤的效果較差?，F(xiàn)有的安全認(rèn)證方案無(wú)法完全地滿足移動(dòng)云計(jì)算所需的幾點(diǎn)要求：會(huì)話秘鑰的安全性、用戶的隱私性、雙向認(rèn)證性、不可追蹤性、抵御常見(jiàn)攻擊的能力，其中任意一項(xiàng)缺陷均可能造成巨大的危險(xiǎn)與嚴(yán)重的后果，因此認(rèn)證方案應(yīng)當(dāng)具備完全的安全性能力[11]。本文為分布式移動(dòng)云計(jì)算設(shè)計(jì)了隱私保護(hù)的雙向認(rèn)證方案，移動(dòng)用戶與服務(wù)提供者之間的會(huì)話秘鑰具有安全性，且可抵御常見(jiàn)的各種攻擊。此外，

從而大幅降低計(jì)算成本。今天的內(nèi)存壓縮存技術(shù)雖然省錢(qián)，但是存在很大的問(wèn)題，其原理是在更小的空間內(nèi)存儲(chǔ)更多數(shù)據(jù)。問(wèn)題在于計(jì)算機(jī)是在預(yù)置好的內(nèi)存塊中存儲(chǔ)和運(yùn)行的，而許多現(xiàn)代程序是在不定數(shù)量的內(nèi)存塊中運(yùn)行的。這種方式實(shí)際上效率非常低。正在從事Zippads革命性新壓縮系統(tǒng)研究的科研人員解釋道，這是因?yàn)楸粔嚎s的程序用的是對(duì)象，而不是已經(jīng)均勻配置好的數(shù)據(jù)塊，這導(dǎo)致它們無(wú)法與存儲(chǔ)和運(yùn)行它們的空間匹配在一起。這些研究人員稱，壓縮各種對(duì)象而不是高速緩存線路是解決這一問(wèn)題的答

11]：① 計(jì)算成本、存儲(chǔ)成本及通信成本較低；② 具備公/私鑰2種驗(yàn)證模式；③ 應(yīng)頻繁使用不同的挑戰(zhàn)進(jìn)行驗(yàn)證；④ 可檢測(cè)潛在數(shù)據(jù)占用的概率；⑤ 具有動(dòng)態(tài)的遠(yuǎn)程更新能力。移動(dòng)智能設(shè)備的計(jì)算能力、4G網(wǎng)絡(luò)的通信能力都為有限資源，而已有的RDA方案需頻繁地進(jìn)行驗(yàn)證，為數(shù)據(jù)所有者帶來(lái)了不可忽略的計(jì)算與通信負(fù)擔(dān)。針對(duì)上述問(wèn)題，本文設(shè)計(jì)了一種新的數(shù)據(jù)結(jié)構(gòu)CDDT(cloud data descriptor table)以提高大規(guī)模數(shù)據(jù)的動(dòng)態(tài)更新效率，并采用代數(shù)簽名方案

。那么控制云計(jì)算成本的最佳方法是什么？其策略包括承諾關(guān)閉不再需要的虛擬服務(wù)器，選擇能夠經(jīng)濟(jì)高效地完成企業(yè)需要工作的存儲(chǔ)層，以及仔細(xì)規(guī)劃如何以及何時(shí)進(jìn)行數(shù)據(jù)傳輸。以下介紹的這些步驟將有助于養(yǎng)成云計(jì)算成本管理的良好習(xí)慣。云計(jì)算成本效率低下的起源云計(jì)算經(jīng)濟(jì)學(xué)是一門(mén)復(fù)雜的學(xué)科，但并不總是很容易實(shí)現(xiàn)。人們需要了解如何通過(guò)云計(jì)算有效提供IT服務(wù)的方法是查看其他公司在哪里遇到了困難。某些常見(jiàn)的陷阱將不可避免地導(dǎo)致不必要的支出，因此知道不該做什么是明智的。具體來(lái)說(shuō)，企業(yè)的

有考慮分片的計(jì)算成本問(wèn)題[6].現(xiàn)有的研究大多數(shù)基于此類算法改進(jìn),其中部分改進(jìn)算法諸如GreedyDual[7]、GD-Wheel[8]均考慮了訪問(wèn)歷史和計(jì)算成本,但在一個(gè)作業(yè)中待處理任務(wù)的執(zhí)行邏輯在Spark中是已知的,對(duì)訪問(wèn)RDD歷史次數(shù)進(jìn)行優(yōu)化的緩存策略效果不明顯.類似的研究還有不考慮RDD的訪問(wèn)歷史次數(shù)的LCS[9]算法,以及考慮計(jì)算成本次數(shù)加權(quán)的WR[10]算法.本文針對(duì)內(nèi)存占用率與RDD替換時(shí)的權(quán)重,考慮了分片的歷史訪問(wèn)次數(shù)和計(jì)算成本等因素對(duì)權(quán)

進(jìn)行安全性和計(jì)算成本的比較。因?yàn)橛脩艉头?wù)器在CSP上只需要注冊(cè)一次，且不會(huì)頻繁更新口令和生物特征，因此比較時(shí)不考慮這些計(jì)算消耗。5.1 安全屬性對(duì)比表2顯示，本方案不僅滿足安全認(rèn)證必需的各種要求如抗仿冒攻擊、抗重放攻擊和抗離線口令猜測(cè)攻擊等，并且提供用戶匿名、多因素安全等特性，優(yōu)于現(xiàn)有方案。其中，“-”表示不適用。表2 安全屬性對(duì)比Table 2 Comparison of security properties5.2 計(jì)算成本對(duì)比與傳統(tǒng)的基于公鑰密碼系

略有效地降低計(jì)算成本，并提供有效的安全保障。1 系統(tǒng)模型及約束條件1.1 系統(tǒng)模型HSSC策略引用層次結(jié)構(gòu)，其由證書(shū)中心(Certificate Authority)、RSU控制器RSUC(RSU Controller)和區(qū)域控制器ZC(Zone Controller)構(gòu)成。RSUC控制RSUs數(shù)量，而ZC控制特定區(qū)域的通信，其可能包含多個(gè)RSUs。而CA控制所有實(shí)體證書(shū)的發(fā)放。整個(gè)HSSC結(jié)構(gòu)如圖2所示。圖2 系統(tǒng)模型1.2 約束條件假定系統(tǒng)已注冊(cè)的RS

DP，但它的計(jì)算成本卻大大高于ILP運(yùn)行時(shí)間的50倍。DPP導(dǎo)致最短的運(yùn)行時(shí)間緊隨其后。SQP稍微更優(yōu)化的結(jié)果不能證明模型復(fù)雜性大大增加和計(jì)算成本過(guò)高。因此，在目前的工作中，將ILP用于長(zhǎng)期模擬。模擬顯示了基于偽成本的收入與同期偽造成本變化之間的強(qiáng)相關(guān)性。模擬顯示，基于15分鐘的股票市場(chǎng)價(jià)格承諾高于小時(shí)價(jià)格的收益。更高的價(jià)格波動(dòng)導(dǎo)致更多的動(dòng)態(tài)電池運(yùn)行，這導(dǎo)致更高的收益，效率和更短的空閑時(shí)間，這反過(guò)來(lái)表明存儲(chǔ)系統(tǒng)的更好的利用。所有模擬結(jié)果表明，當(dāng)前日前的股票

件產(chǎn)生較高的計(jì)算成本和通信成本。文獻(xiàn)[6]通過(guò)結(jié)合哈希樹(shù)和雙線性聚合簽名[7]，提出了一個(gè)動(dòng)態(tài)遠(yuǎn)程數(shù)據(jù)審計(jì)方法。其主要工作是通過(guò)對(duì)葉節(jié)點(diǎn)進(jìn)行從左到右的排序，改進(jìn)了哈希樹(shù)的結(jié)構(gòu)，有助于更好地識(shí)別更新后的數(shù)據(jù)塊位置。然而，該方法容易引起數(shù)據(jù)泄露，并且將給審核者帶來(lái)較高的計(jì)算成本，特別是大型文件。文獻(xiàn)[8]基于Merkle哈希樹(shù)[9]和雙線性對(duì)技術(shù)，提出一種能夠支持動(dòng)態(tài)操作的代理遠(yuǎn)端數(shù)據(jù)完整性審計(jì)方法[8]。該方法的缺點(diǎn)與文獻(xiàn)[6]的類似。而且雙線性對(duì)的計(jì)算成本

春天。遏制云計(jì)算成本IT高管能夠更好地控制云計(jì)算成本，因?yàn)樗麄兊膶?shí)踐逐漸成熟。目前，亞馬遜、Cloudability、Cloudyn都提供了云計(jì)算成本管理工具。提升和遷移云計(jì)算應(yīng)用程序企業(yè)將應(yīng)用程序重構(gòu)在公有云系統(tǒng)上運(yùn)行，利用遷移服務(wù)而不是簡(jiǎn)單地將現(xiàn)有應(yīng)用程序轉(zhuǎn)存到公有云中。遷移應(yīng)用程序的最佳方式是利用云的彈性進(jìn)行重寫(xiě)，雖然這種升降移動(dòng)可能是極其昂貴的。超融合私有云超融合基礎(chǔ)設(shè)施（HCI）解決方案通過(guò)提供預(yù)集成的計(jì)算和存儲(chǔ)資源，能讓企業(yè)更快地運(yùn)行云基礎(chǔ)設(shè)施

之，在給定的計(jì)算成本條件下，相對(duì)于標(biāo)準(zhǔn)蒙特卡羅方法，多層蒙特卡羅方法能夠更快地收斂到真值附近。本文將其應(yīng)用于巴黎期權(quán)的定價(jià)計(jì)算中，增加了巴黎期權(quán)的數(shù)值算法選擇范圍，并提高了巴黎期權(quán)定價(jià)的精度。巴黎期權(quán)；標(biāo)準(zhǔn)蒙特卡羅算法；多層蒙特卡羅算法；計(jì)算成本1 引言巴黎期權(quán)是一種復(fù)雜的路徑依賴期權(quán)，根據(jù)持續(xù)時(shí)間類型，可以分為累計(jì)巴黎期權(quán)(Cumulative Parisian Option)和連續(xù)巴黎期權(quán)(Consecutive Parisian Option)和移動(dòng)

式增長(zhǎng)以及云計(jì)算成本迅速下降，云計(jì)算規(guī)?；⒓s化運(yùn)營(yíng)優(yōu)勢(shì)顯現(xiàn)，云計(jì)算公司正步入業(yè)績(jī)快速釋放期，而B(niǎo)AT三巨頭之間的競(jìng)爭(zhēng)也是日趨激烈。近日，阿里巴巴發(fā)布2017財(cái)年第二季度財(cái)報(bào)，阿里云付費(fèi)用戶數(shù)量同比增長(zhǎng)一倍，推動(dòng)營(yíng)收增長(zhǎng)130%至14.93億元。從收入上看，阿里云在整個(gè)阿里集團(tuán)似乎是塊小業(yè)務(wù)，其第二季度收入為14.93億元，在集團(tuán)接近343億元的收入中，占比剛剛超過(guò)4%。但是，從其增速來(lái)看卻相當(dāng)驚人，營(yíng)收同比增速高達(dá)130%，連續(xù)六個(gè)季度領(lǐng)跑全球，這也是

夠減少控制值計(jì)算成本和通信時(shí)間。在本文中，用于防抱死制動(dòng)系統(tǒng)（ABS）的事件觸發(fā)線性控制的開(kāi)發(fā)和仿真基于控制系統(tǒng)科研平臺(tái)（INTECO）制造，并由ABS試驗(yàn)室建立的數(shù)學(xué)模型實(shí)現(xiàn)。本文中，車輛1/4數(shù)學(xué)模型是在特定條件下實(shí)現(xiàn)線性化。如圖1所示，底部車輪仿真真實(shí)車輛的相對(duì)運(yùn)動(dòng)，與路面直接接觸；上部車輪仿真車輛車輪的運(yùn)動(dòng)情況。雖然該模型簡(jiǎn)單，但其能夠充分表達(dá)真實(shí)系統(tǒng)的基本特性。該模型只考慮車輛的縱向動(dòng)力學(xué)，忽略垂向和側(cè)向動(dòng)力學(xué)；滾動(dòng)阻力相比于制動(dòng)力可以忽略。本文

法減少M(fèi)PC計(jì)算成本。該方法包含兩步：首先對(duì)等式約束引進(jìn)一種降維算法；然后利用梯度投影方向?qū)τ行Ъ惴ǖ乃阉鞣较蜻M(jìn)行改進(jìn)。改進(jìn)的QP算法減少了迭代次數(shù)，降低了MPC縱向控制的計(jì)算成本。仿真結(jié)果證明了該方法的有效性。二次規(guī)劃；改進(jìn)的有效集算法；模型預(yù)測(cè)控制；縱向速度控制；智能車模型預(yù)測(cè)控制(model predictive control，MPC)是20世紀(jì)80年代初發(fā)展起來(lái)的一類新型控制算法。MPC直接運(yùn)用于工業(yè)過(guò)程控制的實(shí)際應(yīng)用，并在與工業(yè)應(yīng)用的緊密結(jié)合

方法以較高的計(jì)算成本為代價(jià)換來(lái)較短的任務(wù)完成時(shí)間，有時(shí)是得不償失的。因此該文將任務(wù)完成時(shí)間和計(jì)算成本均作為優(yōu)化的目標(biāo)，對(duì)任務(wù)調(diào)度方法進(jìn)行研究，平衡任務(wù)完成時(shí)間和計(jì)算成本，提高云計(jì)算的效率。該文使用遺傳優(yōu)化算法對(duì)上述提出的任務(wù)調(diào)度問(wèn)題進(jìn)行求解，并將模擬退火算法、自適應(yīng)機(jī)理相結(jié)合，建立更加適合云計(jì)算任務(wù)調(diào)度求解的混合優(yōu)化算法。最后，通過(guò)實(shí)驗(yàn)分析，以僅對(duì)任務(wù)完成時(shí)間優(yōu)化和僅對(duì)計(jì)算成本優(yōu)化的算法進(jìn)行比較，該文研究的混合算法的云計(jì)算任務(wù)調(diào)度方法能夠有效平衡任務(wù)完成時(shí)

表1從技術(shù)、計(jì)算成本和檢測(cè)錯(cuò)誤率方面出發(fā)，總結(jié)比較了一些基于手機(jī)的步伐檢測(cè)文獻(xiàn)。表1 基于手機(jī)的步伐檢測(cè)方案3 步長(zhǎng)推算由于每個(gè)人的身高、走路的方式不同，所以每個(gè)人的步長(zhǎng)也不一樣，關(guān)于步長(zhǎng)推算方面的一些研究文獻(xiàn)總結(jié)如下。3.1 常數(shù)模型推算步長(zhǎng)最直觀的方法就是將一段測(cè)得的行走距離除以計(jì)數(shù)得到的步數(shù)，得平均步長(zhǎng)，即認(rèn)為步長(zhǎng)是常數(shù)[5]。但是實(shí)際上由于人在行走時(shí)的姿勢(shì)會(huì)有所變化，所以步長(zhǎng)也會(huì)改變。3.2 線性頻率模型模型A：Li F等人[3]通過(guò)收集23個(gè)不同

，以達(dá)到降低計(jì)算成本、滿足實(shí)時(shí)性的要求。2 預(yù)測(cè)模型——車間運(yùn)動(dòng)學(xué)模型車間運(yùn)動(dòng)學(xué)模型(如圖1所示)是一種簡(jiǎn)單的描述兩輛同向行駛的車輛之間位置變化關(guān)系的數(shù)學(xué)模型［3］。目標(biāo)車輛的實(shí)際運(yùn)動(dòng)速度為vt(t)，其主要變量有車間相對(duì)距離xr(t)和相對(duì)速度vr(t)，可由安裝在被控車輛前端的雷達(dá)測(cè)量獲取，被控車輛的絕對(duì)速度vh(t)和加速度ah(t)由車輛自身傳感器測(cè)量獲取。因此，可以列出在初始時(shí)刻k(t=0)條件下車間運(yùn)動(dòng)學(xué)方程如下:圖1 車間運(yùn)動(dòng)學(xué)模型示意設(shè)采樣

干法回收工藝計(jì)算成本和收益，LFP分別以傳統(tǒng)的干法回收工藝（干法1）和改進(jìn)的干法回收工藝（干法2）計(jì)算成本和收益，成本分別命名為CLFP干法1、CLFP干法2、C 三元干法，收益命名為 ELFP干法1、ELFP干法2、E 三元干法。處理成本價(jià)格根據(jù)實(shí)際調(diào)研及綜合參考文獻(xiàn)[6-7]，具體如表3所示。本研究發(fā)現(xiàn)，黃油的固體脂肪含量比豬油高，有更好可塑性，同時(shí)與豬油相比，烘焙溫度和循環(huán)加熱次數(shù)的增加對(duì)黃油的酸價(jià)、過(guò)氧化值及多不飽和脂肪酸含量影響不顯著（P＞0.0

的樣本數(shù)量和計(jì)算成本會(huì)急劇增加，尤其是對(duì)樣本值獲取比較耗時(shí)的問(wèn)題，往往因計(jì)算量過(guò)大而無(wú)法承擔(dān)，形成所謂的“維數(shù)災(zāi)難”。為了構(gòu)造高維下的近似模型，Sobol[7]提出了HDMR近似模型構(gòu)造法，利用函數(shù)的層級(jí)屬性，采用分而治之的思想，將高維問(wèn)題分解為一系列低維問(wèn)題進(jìn)行求解，從而大大提高了計(jì)算效率。到目前，HDMR已經(jīng)發(fā)展出多種形式，其中以Rabitz[8]提出的Cut-HDMR最為簡(jiǎn)單實(shí)用。為了求解Cut-HDMR中的各階低維問(wèn)題，Shan[9]提出了基于RB

的物質(zhì)所得，計(jì)算成本、利息和收益。很悲哀是嗎？我和他也曾經(jīng)都想抓牢彼此，也很憧憬地暢想過(guò)要有一個(gè)別樣的婚禮，甚至還想到要生一個(gè)孩子。我們好像都很有誠(chéng)意，可終究我們都沒(méi)有等到愛(ài)情散發(fā)醇香的那一刻。我們總在無(wú)形中考量自己的選擇，在心里掂量著自己的愛(ài)情資本運(yùn)營(yíng)到底是虧還是盈。直到此刻，時(shí)間使我變成了一個(gè)熟女。在我即將離開(kāi)這座城市的時(shí)候，我才忽然頓悟，自己那顆浮躁的心，根本無(wú)力把握愛(ài)情。走在大街上，行人匆匆，無(wú)人關(guān)注一個(gè)即將離開(kāi)此地的小女子。周身暖暖的，感覺(jué)有陽(yáng)光

。所有司機(jī)都計(jì)算成本和收益,所以經(jīng)常打擦邊球但不明目張膽,警察也計(jì)算成本和收益,所以經(jīng)常在隧道里廣播:司機(jī)同志請(qǐng)注意,現(xiàn)在不受車速限制,請(qǐng)快速通過(guò)。所有市場(chǎng)主體博弈的結(jié)果,就是交通擁堵但不癱瘓。那么在隧道口發(fā)生了什么?四面八方的來(lái)車往隧道口收攏。如果有司機(jī)搶道但未致交通擁堵,那么警察過(guò)去把車停下將導(dǎo)致?lián)矶?而這個(gè)擁堵又將由他完成疏導(dǎo)。處罰搶道司機(jī)的收益不歸私人所有,而解決擁堵的后果卻要私人承擔(dān),因此只要搶道未致交通停止,警察的較優(yōu)選擇是眼開(kāi)眼閉,而當(dāng)違章?lián)?/div>

新民周刊 2009年46期2009-12-08

干有用的事，計(jì)算成本，做沒(méi)用的事，不計(jì)成本。秦始皇為了“統(tǒng)一”不能統(tǒng)一的思想，把不利于他“專制統(tǒng)治”的書(shū)幾乎都燒了，這成本之大，已超出了有不同思想的危害了。專制獨(dú)裁的政權(quán)，為了自己的統(tǒng)治能長(zhǎng)遠(yuǎn)牢固從不計(jì)算要花掉多大的成本，可投入到老百姓身上衣食住行的成本就精打細(xì)算了，害得兩千多年后的中國(guó)還有人想通過(guò)“燒書(shū)”這一招來(lái)消滅別人的思想。只為了讓美人褒姒一笑，周幽王不計(jì)成本點(diǎn)燃了烽火臺(tái)，戲弄了諸侯。美人是笑了，自己也樂(lè)了，可周幽王就是沒(méi)計(jì)算諸侯被戲弄后的尊嚴(yán)成本。