简述云计算的基本概念精选(九篇)

第1篇：简述云计算的基本概念范文

[关键词] 教育云； 云计算； 教育信息化

[中图分类号] G434 [文献标志码] A

一、引 言

自2006年亚马逊推出云计算服务和IBM正式推出“蓝云”计算平台以来，云计算技术得到了较快的发展和较高的关注。云计算技术在教育领域的应用更是得到了学者们的高度关注，针对教育云计算的研究也随之开展起来。“教育云”这一名词得到了广泛的应用，但迄今为止并没有学者对教育云的概念作出明确界定。本文通过对国内教育云相关文献进行梳理，试图厘清目前国内教育云研究的特点、研究主题的分布情况，并通过对这种情况的合理性进行分析，发现目前研究中存在的问题和不足，最后结合已有的研究成果对教育云作出一个较为清晰的界定，对存在的问题和不足提供一些解决策略，以便能够为后续的相关研究提供有益参考。

二、研究设计

（一）研究样本和研究方法

教育技术学学科作为国家教育信息化研究和推进的主要学科，其对教育云的研究在一定程度上能够代表国内当前教育云的研究水平，所以本文以2006年1月至2013年1月间教育技术学科领域内具有代表性的五种期刊（《中国电化教育》、《远程教育杂志》、《开放教育研究》、《电化教育研究》、《现代教育技术》）上所刊载的文献作为抽样范围，利用中国知网学术搜索引擎，以“云计算”、“教育云”作为关键词进行全文搜索，对于“云服务”、“教育”这种少数关键词割裂的情况本研究不予考虑。去除广告等无关文献后，将文献中明确提及“云计算”、“教育云”的210篇文献作为研究样本。

同时选取国内15家知名互联网运营商官方网站上公布的云产品（服务）解决方案作为产业层次的研究样本。

确定了研究样本后，笔者根据研究目的对样本按照逐一分析、整体统计的原则进行数据处理。笔者首先从文献的“时间—数量”维度对教育云研究的宏观发展趋势进行统计分析，然后再从“主题（内容）—数量”维度对教育云研究中观上的主题或内容（以下统称主题）进行统计分析；最后从教育云产业发展规模维度上进行总结分析。

（二）教育云研究主题或内容界定

为了能够从“主题—数量”的中观维度上清晰准确地反映国内教育云研究的现状，在对当前学者发表的文献内容进行初步分析的基础上，结合技术接受和使用统一理论（UTAUT）[1]中影响用户接受技术的四个维度，即绩效期望（Performance Expectancy，PE）、付出期望（Effort Expectancy，EE）、社群影响（Social Influence， SI）、配合情况（Facilitating Conditions， FC）和影响上述维度的年龄、性别、经验和自愿程度等因素，以及教育云计算技术在教育领域应用时所涉及的人员构成和资源分配以及对该技术的本体研究的实际情况，将教育云研究可能涉及的研究主题作如下归类，见表1。

三、研究结果

（一）文献的“时间—数量”维度

研究者对2006年以来，本研究所选择的期刊上每年刊发的文章数量进行了分析，如图1所示。

可以看出2006年和2007年云计算的载文量为0，在2008年至2012年间呈明显的上升趋势，又以2011年至2012年间上升最为显著。笔者认为教育云研究的宏观分布趋势出现这样现象，主要是因为2006年和2007年是亚马逊和IBM公司刚刚推出云计算服务两年，云计算这一概念尚未被教育领域的研究者们所周知，因此没有开展相关研究。2008年至2012年云计算技术在各行各业得到了广泛的研究应用，教育领域也不例外，其中2010年颁布的《国家中长期教育改革和发展规划纲要（2010—2020年）》[3]中加快推进教育信息化进程的要求和2012年颁布的《教育信息化十年发展规划（2011—2020年）》[4] 中国家教育云基础平台建设的需要等文件的出台在宏观政策导向上对促进教育云计算研究的广泛开展方面也起了巨大的推动作用，这些都是文献数量增加的原因。由于电子期刊数据库相比纸本期刊的内容更新具有一定的延时性，所以截至笔者统计完成时2013年1月已经刊载了4篇，按此数量推算来看2013年教育云的研究仍将会是教育技术学科的研究热点之一。

（二）文献的“主题—数量”维度

根据表1界定的教育云的研究方向，本文对样本进行逐一主题分类后，对教育云研究所涉及的主题和刊载的文献数量进行统计，得到“主题—数量”维度表，见表2。

我们把关于教育云的研究分为两个维度：关于科学的研究和关于技术的研究。关于科学的研究包括教育云本体研究、教育云理念、教育云分类、教育云研究综述等；关于技术的研究包括教育云应用、教育云实现技术、教育云运营机制等。从图2可以看出，总体来说，关于科学的研究占总数的60%，大于关于技术的研究。关于科学的研究主要集中在教育云理念和教育云研究综述，共占总数的46%，而关于教育云本体和教育云分类的研究则分别只占总数的11%和3%，这也从一定程度上反应了我们对教育云的认识还不够深入，主要还停留在理念和综述的水平，而对教育云至关重要的本体和范围的认识还不够清晰，当然也谈不到教育云的分类了。关于技术的研究主要集中在教育云应用案例和教育云实现技术，共占总数的39%，而关于教育云运营机制的研究仅占1%，从侧面上反应了教育云的大规模的应用实现还没展开或者还不够成熟，目前主要还停留在技术水平的探讨上或零散的云应用案例的收集与创作上，而没有进行大规模的商业实现。

（三）教育云产业

为加快推动我国云计算产业的发展，国务院出台了《关于加快培育和发展战略性新兴产业的决定》，工信部、发改委联合了《关于做好云计算服务创新发展试点示范工作的通知》，并在北京、上海、深圳、杭州、无锡等5个城市开展云计算服务创新发展试点工作。根据中国电子信息产业发展研究院的《中国云计算应用示范工程战略研究（2011年）》报告显示，五个试点城市共计24项示范工程中经济金融类、公共服务类和数据中心类占据了18项，而教育云方面，只有上海的“面向教育的云计算应用示范”和北京的“中国学习云服务平台”两个部级示范工程，占总数的8.3%。

通过访问国内的百度、腾讯等互联网公司和跨国企业如IBN、HP等共计15家的官方网站，笔者发现所有的企业都开展了云计算业务，但是只有华为、用友等四家公司明确提供了教育行业的云解决方案。因为有学者在学理层面对谷歌进行了研究，所以本研究也将谷歌作为研究对象。在对5家企业的教育云解决方案以及对方案的分析整理后得到表3。

四、研究结论与讨论

（一）教育云仍将是研究热点且研究空间巨大

从“时间—数量”的宏观维度上看，涉及教育云研究成果的文章呈逐年上升趋势，以此可以推测出教育云研究仍将是近段时间内的热门研究方向；从“主题—数量”的中观维度上看，云教育理念、教育云应用和教育云实现技术等主题占据研究成果文章总数量的66%之多，而教育云分类研究、教育云运营机制等主题只占文章总数的4%，由这种研究主题成果数量分布的失衡现象可以得出，在教育云分类、教育云运营机制、教育云本体研究方面仍然具有很大的研究空间。

（二） 教育云本体研究有待深入

1. 教育云本体

教育云本体从字面上理解是指教育云计算的本源或根本问题，是区别于其他名词概念的本质性问题，从计算机科学的角度来说本体是一个为描述某个领域而按继承关系组织起来作为一个知识库的骨架的一系列术语。[5]为此笔者认为教育云的本体研究的主要对象是与云计算技术在教育领域应用时涉及的一系列的专有术语以及各术语之间的关系。

2. 教育云概念界定

根据上述的思想笔者对教育云的概念进行了界定。云计算自产生以来，至今没有一个公认的定义，因此笔者采用目前认同度相对较高的三个定义来理解云计算技术。

“美国国家技术与标准局（NIST）信息技术实验室认为，云计算是对基于网络的、可配置的共享资源计算池包括网络、服务器、存储、应用和服务。并且这些资源池以最小化的管理或者通过与服务器提供商的交互可以快速地提供和释放。”[6]“云计算是利用因特网等网络媒体传输信息，类似于数据中心或者服务器群那样拥有大量用户需求的资源和服务的分布式计算机群。”[7]“云计算是并行计算、分布式计算和网格计算这些计算机科学概念的商业实现，是虚拟化、效用计算、基础设施即服务、平台即服务、软件即服务等概念混合演进并跃升的结果。”[8]

祝智庭教授对教育云进行了描述，认为“教育云是与医疗云、政务云、电子商务云等平行的概念，是一个面向教育的行业云，行业云就是由行业内或某个区域内起主导作用或者掌握关键资源的组织建立和维护， 以公开或者半公开的方式， 向行业内部或相关组织和公众提供有偿或无偿服务的云平台。同时，某一个具体的教育云平台，既可能是公共云，也可能是私有云，也可能是混合云。 教育云是教育技术系统的一个子类， 也是云计算应用系统的一个子类。”[9]

本研究认为上述学者们的定义更多的是从云计算的底层硬件架构和实现技术层面给出的，研究者认为教育云不应该仅仅从底层架构和实现技术两方面来界定，同时也应该考虑其具有的教育服务形式和对教育理论顶层可能的影响，以及教育与云计算技术之间的继承关系。鉴于此研究者认为教育云即教育云计算技术的简称，是在对云计算技术继承的基础上能够为各类教育人员提供具有针对性的教育资源和服务，且对教育基本理论具有变革性促进作用的理论和实践。

本概念具有四个特点：（1）在技术实现层面界定了教育云与普通云计算之间的关系，即教育云是对普通云计算技术的继承。（2）教育云是云计算系统和教育技术系统的一个子类。（3） 教育云在服务层面为教育领域人员提供具有针对性的服务。（4）教育云对学习理论、教学理论、环境建构理论等教育理论产生了变革性的促进作用；前两个点是对教育云的领域定位，后两点说明了教育云的服务对象和对教育理论的影响。

3. 教育云本体研究现状

从“主题—数量”维度上看，关于教育云本体研究方面的文献占据文献样本总数的11%。在如此之多的文献中只有卢蓓蓉从教育信息化角度对云建设现状进行了阐述，祝智庭教授[10]对教育云一词作了正面的解释，徐小双从成本度量角度对基础教育云发展进行了分析。更多的主要对教育云从云计算技术继承下来的优势特点方面，未来的教育技术发展趋势方面作了宏观的介绍，并没对教育云具有的独特的教育属性方面进行深入研究。

在教育云本体研究上我们更期待研究者关注云计算技术在教育领域中的概念和定位的研究，只有准确的教育云定义才能更直接地明确阐释教育云的本质，更清晰地规范教育云的研究领域，才能为研究者开展后续的工作指出明确的方向。云计算技术在教育应用中的特点、教育云的优劣势等方面，云计算服务的普适性模式在教育上的应用研究才能进一步开展下去。

（三） 教育云其他研究主题的几点思考

首先，就学者关注度最高的云教学理念方向，何克抗、周红春、桑新民等主要是阐述了教育云对“促进人才培养模式”“高校信息化建设”“教学模式的改革”方面的促进作用；张少刚、周文娟在对泛在学习理论进行研究时认为“云计算的优势将会对泛在学习的开展起到极大的促进作用”。余胜泉等学者介绍了云计算对e-Learning的促进作用，从而间接地促进了远程教育范式的变革；[11]宋述强、杨滨等学者则是从环保的角度论述了云计算技术的“教育低碳化作用”；[12][13]朱惠娟、解月光研究了技术支持下的教学环境的设计；董玉琦、王美等人则是从教育云对教育技术学科发展的角度开展了研究。杨现民、顾小清、傅钢善、余胜泉等对在教育云环境下的学习理论和云学习的设计以及移动学习方面开展了研究。王艳丽、陈丹等学者则是在研究”数字化布鲁姆”时提及了云计算。[14][15]闫寒冰、潘丽芳等学者则是从对教师培训和教师教育技术技能培养方面展开研究的。[16][17]

由以上文献的研究主题可以看出当前研究比较有广度，但在研究深度上仍有欠缺，更多的学者是集中在说明云计算会给教育带来新的革命性变化的浅层次介绍阶段，并没有对于教育云环境下教学模式的设计理论、教学环境构建理论、云技术支持下的教育方式方法变革方面作出深入具体的介绍和研究。在云计算对教育信息化变革的促进作用和泛在学习理论、移动学习理论推广方面的研究主要集中在基于云计算所能够带来的庞大资源优势的介绍上。

技术的革新会给教育理论带来变革，云技术也不例外。教育云支持下的教育理论研究应该多元化发展。教育云在教育管理领域内的应用是否使得原有的教育管理效率有所提高，学习者在云条件下的学习风格、教学设计模式、云技术下的学习环境建设等学习理论和教学理论的深入研究都可以成为教育云教学理念方向上新的研究内容。如此一来，目前学者多在进行泛在学习理论、移动学习方面的研究时才对教育云从侧面介绍和研究的状况将会得到扭转。

其次，对于占据样本总数量21%的教育云应用方面，张剑平、高宏卿主要阐述了某项技术如何结合云技术实现资源共享的问题，而左名章、蒋艳红等学者则是从美国信息化建设对我国的启示上谈及了云计算技术。[18][19]杨进中、徐天伟、吴永和等则是通过阐述Grails、e-Science、MyMathLab与Sakai、Moodle等现有的软件系统、软件模型结合云计算构建一个新的软件系统环境。在这一部分中更多的是像文献[20～26]那样只是在文献中对“云计算”或者“教育云”词汇进行简单的提及。

可以看出在教育云计算应用研究方面，学者多集中在某项技术与云计算技术的具体结合、某门课程利用云计算技术如何开展、某个平台引入云计算技术后会如何更好地实现其功能等方面。主要是针对云计算技术应用于个案进行研究，或者仅是对词语的简单提及；并没有对云计算技术是否能够在其应用的个案的基础上进行扩展或推广应用，如何推广应用方面进行深入研究。一项有效的技术在教育领域内的广泛应用是我们乐于见到的，但是为了给研究或者文献添彩而去简单地缀上一些比较时髦的词语的现象是值得我们去反思的。另一方面，虽然多数研究仅停留在词汇提及的层面，但是也从一定程度上反映了教育云计算技术在教育技术领域得到了广泛的认可。

学者们对于教育云应用研究主要集中于个案研究的原因有两方面，一方面是因为某些个案具有独特的优势和代表性，另一方面也是由于“云”建设运营标准的不统一从而导致云的建设无法大规模实现。产生缺乏统一标准指导的现状——小规模云具有很高的适用性等优势特征，但是也会因为其“地方特色”严重而不能推广应用。

第三，教育云的技术实现方面的文章占据了样本的18%。张家贵、陈巧主要对“基于云的资源平台、资源中心的设计”进行了研究，以高等院校的资源、平台设计为主，而较少涉及基础教育领域的设计。黎加厚、高辉等主要介绍了以“电子书包”为代表的教育云终端技术和设备，值得注意的是云端的研究目前也主要集中在电子书包上，其他的云端设备和技术还有待学者和开发人员研究、设计和开发。文献[27～30]主要是从教育云对“移动学习模式”、“个性化学习”的影响和变革设计方面开展的研究。这部分的其他文献则是主要集中在网络平台架构的设计，少量的文献如[31～33]从对教育云服务模式实现的角度开展了研究。总之，在云计算的技术实现方面，研究者主要集中在平台的架构设计和对教育云服务的简单介绍上。

最后，教育云分类和教育云研究综述部分主要是各种技术发展综述类文献。国家和地区规划纲要解读类文献中对“云计算”词语在教育应用中的提及或者是简单介绍；施建国、赵晓声、唐德海等对于国家云、区域云、公有云、私有云的分类也只是在对国家或者地区的教育规划纲要的解读中进行宏观层面的研究，并没有对云的规模或者具体的云的底层设备应该建设在哪个地区、哪个层次、如何建设等问题进行研究。

云计算是分布式计算（Distributed Computing）、并行计算（Parallel Computing）和网格计算（Grid Computing）的发展，或者说是这些科学概念的商业实现，[34]将其引入到教育领域中必然也涉及运营制度的问题。然而目前国内对云计算在教育中的，例如教育云的建设标准、运营体系、安全性和云规模的可控性方面都没有详细的研究。

教育云的运营应该向专业化均衡发展。国家和地区的教育信息化规划和学者在各级各类的教育云研究中并没有对云的规模做详细的研究，也没有对云的最底层的设备建设的运营作出详细的研究。我们认为高等教育数据信息量相对独立并且拥有较多的人力、财力和物力资源，所以高等院校可以在统一的标准指导下独立建设私有云；对于基础教育领域可以采取将底层的硬件设施交由专业的公司建设经营，教育部门采取购买服务的形式，在国家层面则成立专门的机构对资源池进行建设和把关，将全国的基础教育和高等教育云进行联通，真正地实现国家范围的“教育云”。

教育云的安全性方面是我们应该关注的重点。云作为教育资源和数据存储的一种便捷有效的手段将会使得大量的用户信息和数据资源存储在“云”中，那么对于云中的数据安全、数据的隐私保护和布设在不同地区的云基础设施的安全性问题缺乏健全的安全策略是值得我们认真对待的。

教育云建设应该向标准化制度化方向发展。上述的“云”间的快速互联互通和安全高效运营方面归根结底是国家标准问题。按照教育信息化的规划，各级各地区将要建立不同规模的教育云，那么对于不同地域、不同规模和不同底层硬件设备架构的云之间的联通问题就迫使我们考虑云计算在教育领域里具体应用的行业标准问题。教育行政部门应该组织专家在对各种类型的“云”进行充分调研的基础上，制定出既允许全国范围安全高效互联互通，又允许各具特色的云建设格局的“云标准”；完善资源的分类存储标准制定，使得海量的云资源在现有搜索技术的限制下仍能够有效合理地归类存储，最终便于使用者能够快速准确地在资源的海洋里找到需要的资源。

2008年至2010年前半年，相关研究大多停留在对于“云计算”一词的简单提及上，此后开始对云计算在教育中的应用的研究逐渐深入起来，相信在未来一段时间内教育云的研究会更加的全面深入。

（四）教育云产业振兴需要走产学研一体的道路

面对教育云只占国家层面的云计算示范工程总数的8.3%的局面，研究者认为在国家大力扶持云计算产业发展的大背景下针对于教育云产业的发展还需要扩大规模。从本研究统计的电信企业的云计算解决方案可以看出，企业关于教育云的解决方案相对较少，而已有的教育云解决方案也不尽如人意。通过上述对教育云解决方案的对比分析可以看到目前所谓的教育云解决主要是以硬件环境的部署实施、教育政务管理软件的开发和数据中心建设为主，基本上是停留在云的基础建设阶段。而教育评测类的解决方案也基本停留在半自动化的阶段，只是解决了解放一定劳动力的层次；虽然谷歌的某些App可以在教育教学中使用，但由于其并非为教育开发的初衷和谷歌在国内地区的使用限制也使得其很难有较大发展。

在研究过程中笔者认为“华师京城”和“国家教育资源公共服务平台”是教育云产业的两个比较成功的案例。华师京城采用B/S的开发形式，用户可以随时随地不受访问终端的限制；由其身后专家团队提供的教育教学资源是符合目前的教育教学需要的。国家教育资源公共服务平台则是由中央电教馆负责运营的，资源来源广和资源覆盖广是其主要优势。

按照工业和信息化部电信研究院对云计算产业的产业体系构成分类，目前国内的教育云产业主要集中在基础设施服务业，其特点主要是以云网络或者数据中心的建设为主，所以教育云设计、咨询、评估认证等专业的支持产业极度缺乏。

研究者认为教育云产业的振兴除在学理上认为的教育云标准急需制定外，教育云产业人才的培养才是关键，同时还应该走产学研一体的道路，例如“华师京城”就是理论与产业结合的很好范例。

五、小 结

本研究对近七年国内教育云研究的现状进行了梳理，虽然只是选择教育技术领域内的5种期刊作为样本抽取范围，但由于这些期刊在教育技术领域的代表性作用，所以在很大程度上能反映出目前教育云研究的概况。笔者在对教育云本体研究主题进行讨论时结合其他学者的研究成果对教育云的概念提出了自己的观点，对教育云的本体研究提出了较为清晰的研究思路，但对于其他主题只是给出了简单的建议，这还需要笔者和后续的学者进行研究完善。

[参考文献]

[1] Viswanath Venkatesh， Michael G. Morris， Gordon B. Davis， Fred D. Davis. User A Cceptance of Information Techenology：Toward a Unified View[J]. MIS Quarterly，2003，27（3）： 425～478.

[2] Marinela Mircea， Anca Ioana Andreescu. Using Cloud Computing in Higher Education： A Strategy to Improve[J]. Communications of the IBIMA， 2011.

[3] [34] 中发[2010]12号文件.国家中长期教育改革和发展规划纲要（2010—2020年）[Z].

[4] 教技[2012]5号文件.教育信息化十年发展规划（2011—2020年）[Z].

[5] Thomas R. Gruber. A Translation Approach to Portable Ontology Specifications[J]. Knowledge Acquisition，1993，5（2）：199～220.

[6] 李秋红.中国云计算技术开发的问题与对策研究[D].锦州：渤海大学，2012.5.

[7] Nabil Sultan. Cloud Computing for Education： A New Dawn？[J]. International Journal of Information Management，2010，（30）： 109～116.

[8] 冯坚. 基于云计算的现代远程教育展望[J].中国电化教育，2009，（10）：39～42.

[9] [10] 祝智庭， 杨志和. 云技术给中国教育信息化带来的机遇与挑战[J].中国电化教育，2012，（10）：1～6.

[11] 余胜泉，程罡，董京峰.e-Learning新解：网络教学范式的转换[J].远程教育杂志，2009，17（3）：3～15.

[12] 宋述强，钟晓流，许俊华.低碳时代的多媒体教学环境：系统集成与技术趋势[J].电化教育研究，2010，（10）：29～31，49.

[13] 杨滨，王文霞.论“云服务”在教育低碳化中的合理应用[J].现代教育技术，2010，20（6）：19～22.

[14] 王艳丽，程云.“数字布鲁姆”对网络非正式学习环境构建的启示[J].现代教育技术，2011，21（11）：32～36.

[15] 陈丹，祝智庭.“数字布鲁姆”中国版的建构[J].中国电化教育，2011，（1）：71～77.

[16] 闫寒冰.教育技术骨干教师的培养路径分析——“英特尔1对1数字化学习”教师培训课程带来的启示[J].电化教育研究，2011，（11）：102～106.

[17] 潘丽芳.技术支持的教师学习之历史演进[J].开放教育研究，2012，18（6）：56～60.

[18] 左明章，邓果，李莎莎.美国国家教育统计中心对我国教育基础信息数据库建设的启示[J].中国电化教育，2012，（8）：30～34.

[19] 蒋艳红，陈琳.中美高校教育信息化发展与现状研究比较及启示[J].电化教育研究，2012，33（10）：115～120.

[20] 黎加厚.移动学习第一课[J].远程教育杂志，2011，29（6）：108.

[21] 祝智庭，郁晓华.电子书包系统及其功能建模[J].电化教育研究，2011，（4）：24～27，34.

[22] 蔡苏，宋倩，唐瑶.增强现实学习环境的架构与实践[J].中国电化教育，2011，（8）：114～119，133.

[23] 钟元生.流水线式软件工厂校内实训模式及其管理流程设计[J].现代教育技术，2011，21（12）：135～140.

[24] 梁迎丽，梁英豪.基于语音评测的英语口语智能导师系统研究[J].现代教育技术，2012，22（11）：82～85.

[25] 程罡，徐瑾，余胜泉.学习资源标准的新发展与学习资源的发展趋势[J].远程教育杂志，2009，17（4）：6～12.

[26] 赵国庆.概念图、思维导图教学应用若干重要问题的探讨[J].电化教育研究，2012，33（5）：78～84.

[27] 王萍.基于位置服务的移动学习研究[J].中国电化教育，2011，（12）：114～119.

[28] 张田，李子运，汪晴晴.基于云计算的移动学习资源开发初探[J].现代教育技术，2012，22（11）：59～61.

[29] 吴彦文，吴军其，王贵才，田庆恒.基于云计算个性化e-Learning学习支持服务系统的设计[J].中国电化教育，2011，（9）：122～126.

[30] 陈卫东，叶新东，许亚锋.未来课堂：智慧学习环境[J].远程教育杂志，2012，30（5）：42～49.

[31] 张进宝，黄荣怀，张连刚.智慧教育云服务：教育信息化服务新模式[J].开放教育研究，2012，18（3）：20～26.

第2篇：简述云计算的基本概念范文

购买推荐

图书分析师庞敏丽认为该书云计算研发人员和爱好者的学习和参考资料。通过对生意宝旗下比购宝(Boogle.cn)——“网络购物第一站”收录的博库书城、淘宝网、京东商城、卓越亚马逊、当当网、拍拍网、文轩网、中国互动出版网、99网上书城等众多含图书销售的网站，价格搜索显示，目前，京东商城该书为最低价，推荐购买。

目 录

第1章 绪论

1.1 云计算的概念

1.2 云计算发展现状

1.3 云计算实现机制

1.4 网格计算与云计算

1.5 云计算的发展环境

1.5.1 云计算与3G

1.5.2 云计算与物联网

1.5.3 云计算与移动互联网

1.5.4 云计算与三网融合

1.6 云计算压倒性的成本优势

习题

参考文献

第2章 Google云计算原理与应用

2.1 Google文件系统GFS

2.1.1 系统架构

2.1.2 容错机制

2.1.3 系统管理技术

2.2 分布式数据处理MapReduce

2.2.1 产生背景

2.2.2 编程模型

2.2.3 实现机制

2.2.4 案例分析

2.3 分布式锁服务Chubby

2.3.1 Paxos算法

2.3.2 Chubby系统设计

2.3.3 Chubby中的Paxos

2.3.4 Chubby文件系统

2.3.5 通信协议

2.3.6 正确性与性能

2.4 分布式结构化数据表Bigtable

2.4.1 设计动机与目标

2.4.2 数据模型

2.4.3 系统架构

2.4.4 主服务器

2.4.5 子表服务器

2.4.6 性能优化

2.5 分布式存储系统Megastore

2.5.1 设计目标及方案选择

2.5.2 Megastore数据模型

2.5.3 Megastore中的事务及并发控制

2.5.4 Megastore基本架构

2.5.5 核心技术——复制

2.5.6 产品性能及控制措施

2.6 大规模分布式系统的监控基础架构Dapper

2.6.1 基本设计目标

2.6.2 Dapper监控系统简介

2.6.3 关键性技术

2.6.4 常用Dapper工具

2.6.5 Dapper使用经验

2.7 Google应用程序引擎

2.7.1 Google App Engine简介

2.7.2 应用程序环境

2.7.3 Google App Engine服务

2.7.4 Google App Engine编程实践

习题

参考文献

第3章 Amazon云计算AWS

3.1 Amazon平台基础存储架构：Dynamo

3.1.1 Dynamo在Amazon服务平台的地位

3.1.2 Dynamo架构的主要技术

3.2 弹性计算云EC2

3.2.1 EC2的主要特性

3.2.2 EC2基本架构及主要概念

3.2.3 EC2的关键技术

3.3.4 EC2安全及容错机制

3.3 简单存储服务S3

3.3.1 基本概念和操作

3.3.2 数据一致性模型

3.3.3 S3安全措施

3.4 简单队列服务SQS

3.4.1 SQS基本模型

3.4.2 两个重要概念

3.4.3 消息

3.4.4 身份认证

3.5 简单数据库服务Simple DB

3.5.1 重要概念

3.5.2 存在的问题及解决办法

3.5.3 Simple DB和其他AWS的结合使用

3.6 关系数据库服务RDS

3.6.1 SQL和NoSQL数据库的对比

3.6.2 RDS数据库原理

3.6.3 RDS的使用

3.7 内容推送服务CloudFront

3.7.1 内容推送网络CDN

3.7.2 云内容推送CloudFront

3.8 其他Amazon云计算服务

3.8.1 快速应用部署Elastic Beanstalk和服务模板CloudFormation

3.8.2 云中的DNS服务 Router

3.8.3 虚拟私有云VPC

3.8.4 简单通知服务SNS和简单邮件服务SES

3.8.5 弹性MapReduce服务

3.8.6 电子商务服务DevPay、FPS和Simple Pay

3.8.7 Amazon执行网络服务

3.8.8 土耳其机器人

3.8.9 Alexa Web服务

3.9 AWS应用实例

3.9.1 在线照片存储共享网站SmugMug

3.9.2 在线视频制作网站Animoto

3.10 小结

习题

参考文献

第4章 微软云计算Windows Azure

4.1 微软云计算平台

4.2 微软云操作系统Windows Azure

4.2.1 Windows Azure概述

4.2.2 Windows Azure计算服务

4.2.3 Windows Azure存储服务

4.2.4 Windows Azure Connect

4.2.5 Windows Azure CDN

4.2.6 Fabric控制器

4.2.7 Windows Azure应用场景

4.3 微软云关系数据库SQL Azure

4.3.1 SQL Azure概述

4.3.2 SQL Azure关键技术

4.3.3 SQL Azure应用场景

4.3.4 SQL Azure和SQL Server对比

4.4 Windows Azure AppFabric

4.4.1 AppFabric概述

4.4.2 AppFabric关键技术

4.5 Windows Azure Marketplace

4.6 微软云计算编程实践

4.6.1 利用Visual Studio2010开发简单的云应用程序

4.6.2 向Windows Azure平台应用程序

习题

参考文献

第5章 VMware云计算

5.1 VMware云产品简介

5.1.1 VMware云战略三层架构

5.1.2 VMware vSphere架构

5.1.3 云操作系统vSphere

5.1.4 底层架构服务vCloud Service Director

5.1.5 虚拟桌面产品VMware View

5.2 云管理平台 vCenter

5.2.1 虚拟机迁移工具

5.2.2 虚拟机数据备份恢复工具

5.2.3 虚拟机安全工具

5.2.4 可靠性组件FT和HA

5.3 云架构服务提供平台vCloud Service Director

5.3.1 创建虚拟数据中心和组织

5.3.2 网络的设计

5.3.3 目录管理

5.3.4 计费功能

5.4 VMware的网络和存储虚拟化

5.4.1 网络虚拟化

5.4.2 存储虚拟化

习题

参考文献

第6章 Hadoop：Google云计算的开源实现

6.1 Hadoop简介

6.2 Hadoop分布式文件系统HDFS

6.2.1 设计前提与目标

6.2.2 体系结构

6.2.3 保障可靠性的措施

6.2.4 提升性能的措施

6.2.5 访问接口

6.3 分布式数据处理MapReduce

6.3.1 逻辑模型

6.3.2 实现机制

6.4 分布式结构化数据表HBase

6.4.1 逻辑模型

6.4.2 物理模型

6.4.3 子表服务器

6.4.4 主服务器

6.4.5 元数据表

6.5 Hadoop安装

6.5.1 在Linux系统中安装Hadoop

6.5.2 在Windows系统中安装Hadoop

6.6 HDFS使用

6.6.1 HDFS 常用命令

6.6.2 HDFS 基准测试

6.7 HBase安装使用

6.7.1 HBase的安装配置

6.7.2 HBase的执行

6.7.3 Hbase编程实例

6.8 MapReduce编程

6.8.1 矩阵相乘算法设计

6.8.2 编程实现

习题

参考文献

第7章 Eucalyptus：Amazon云计算的开源实现

7.1 Eucalyptus简介

7.2 Eucalyptus技术实现

7.2.1 体系结构

7.2.2 主要构件

7.2.3 访问接口

7.2.4 服务等级协议

7.2.5 虚拟组网

7.3 Eucalyptus安装与使用

7.3.1 在Linux系统中安装Eucalyptus

7.3.2 Eucalyptus配置和管理

7.3.3 Eucalyptus常用命令的示例和说明

习题

参考文献

第8章 其他开源云计算系统

8.1 简介

8.1.1 Cassandra

8.1.2 Hive

8.1.3 VoltDB

8.1.4 Enomaly ECP

8.1.5 Nimbus

8.1.6 Sector and Sphere

8.1.7 abiquo

8.1.8 MongoDB

8.2 Cassandra

8.2.1 体系结构

8.2.2 数据模型

8.2.3 存储机制

8.2.4 读/写删过程

8.3 Hive

8.3.1 整体构架

8.3.2 数据模型

8.3.3 HQL语言

8.3.4 环境搭建

8.4 VoltDB

8.4.1 整体架构

8.4.2 自动数据分片技术

习题

参考文献

第9章 云计算仿真器CloudSim

9.1 CloudSim简介

9.2 CloudSim体系结构

9.2.1 CloudSim核心模拟引擎

9.2.2 CloudSim层

9.2.3 用户代码层

9.3 CloudSim技术实现

9.4 CloudSim的使用方法

9.4.1 环境配置

9.4.2 运行样例程序

9.5 CloudSim的扩展

9.5.1 调度策略的扩展

9.5.2 仿真核心代码

9.5.3 平台重编译

习题

参考文献

第10章 云计算研究热点

10.1 云计算体系结构研究

10.1.1 Youseff划分方法

10.1.2 Lenk划分方法

10.2 云计算关键技术研究

10.2.1 虚拟化技术

10.2.2 数据存储技术

10.2.3 资源管理技术

10.2.4 能耗管理技术

10.2.5 云监测技术

10.3 编程模型研究

10.3.1 All-Pairs编程模型

10.3.2 GridBatch编程模型

10.3.3 其他编程模型

10.4 支撑平台研究

10.4.1 Cumulus：数据中心科学云

10.4.2 CARMEN：e-Science云计算

10.4.3 RESERVOIR：云服务融合平台

10.4.4 TPlatform：Hadoop的变种

10.4.5 P2P环境的MapReduce

10.4.6 Yahoo云计算平台

10.4.7 微软的Dryad框架

10.4.8 Neptune框架

10.5 应用研究

10.5.1 语义分析应用

10.5.2 生物学应用

10.5.3 数据库应用

10.5.4 地理信息应用

10.5.5 商业应用

10.5.6 医学应用

10.5.7 社会智能应用

10.6 云安全研究

10.6.1 Anti-Spam Grid：反垃圾邮件网格

10.6.2 CloudAV：终端恶意软件检测

10.6.3 AMSDS：恶意软件签名自动检测

10.6.4 CloudSEC：协作安全服务体系结构

习题

参考文献

第11章 总结与展望

11.1 主流商业云计算解决方案比较

11.1.1 应用场景

11.1.2 使用流程

11.1.3 体系结构

11.1.4 实现技术

11.1.5 核心业务

11.2 主流开源云计算系统比较

11.2.1 开发目的

11.2.2 体系结构

11.2.3 实现技术

11.2.4 核心服务

11.3 国内代表性云计算平台比较

11.3.1 中国移动“大云”

11.3.2 阿里巴巴“阿里云”

11.3.3 “大云”与“阿里云”的比较

11.4 云计算的历史坐标与发展方向

11.4.1 互联网发展的阶段划分

11.4.2 云格（Gloud）——云计算的未来

第3篇：简述云计算的基本概念范文

关键词：云计算；物联网

中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2013）27-6113-03

物联网（The Internet of Things），顾名思义，是“物物相连的互联网”。物联网的概念最早由美国麻省理工学院（MIT）自动标识中心（AIL）于1999年提出，主要依据物品编码、RFID（射频识别）技术，以互联网为传输媒介，以传感器网络为基础，按约定协议，把任何物品与互联网相连接，进行信息交换、数据融合和通讯，以实现智能化识别、定位、跟踪、监控和管理等功能为一体的新型网络平台。2005年，国际电信联盟ITU在突尼斯举行的信息社会世界峰会上正式确定了“物联网”的概念。2009年6月18日，欧盟执委会也声明，描述了物联网的发展前景，并首次提出了物联网发展和管理设想。2009年8月7日，总理在无锡提出“感知中国”理念，由此掀起了物联网技术在国内的迅猛发展[ 1]。

随着物联网技术的逐渐成熟，和云计算相结合必将是未来的发展趋势。其原因在于云计算提供了一个巨大的资源池，而应用的使用又有不同的负载周期，根据负载对应的资源进行动态伸缩（即高负载时动态扩展资源，低负载时释放多余的资源）。将可以显著地提高资源的利用率。另外，云计算的分布式计算和分布式存储可以实现将大型任务细分成很多子任务，这些子任务分布式地或并行分配到在多个计算节点上进行调度和计算，同时将存储资源抽象表示和统一管理。

因此，可以这样预见，物联网的迅猛发展可以借助云计算的诸多特征；而云计算的拓展则可以建立在物联网上无处不在的传感器网络，从而实现技术的融合，产生更加巨大的正能量。

1 物联网的基本原理

1.1 以传感器网络为基础

深入剖析物联网的概念可以发现，物联网实质上是对各类传感器和现有互联网相互衔接的一个新技术，或者说是未来互联网的一部分，其核心是智能传感器网络技术。传感器网络可以理解为人类感知世界的触角，用这样的触角将感知世界的各种信息通过物理世界的各类互联网络进行传递、处理，从而使得数字虚拟世界中各种纷繁的画面能够呈现在人类社会中，让我们能够实时感知[2]。这样的“感知——传送——计算——应用”过程，便构成了我们所熟知的物联网的运营模式。而这种运行模式中的关键在于广泛而数目巨大的节点的存在和节点提供了无处不在的计算能力。节点是传感器网络的基本单位，主要完成智能感知、信息采集、数据融合、数据传送和构造底层物理传感器网络等功能。节点一般由传感器单元、处理单元、通信单元和电源以及其他辅助单元等组成。通常，对节点的设计要满足如下几个条件：（1）适合广泛的应用场合、微型化、低功耗；（2）良好的接口、传感器具有与较强的感知能力（3）较强的恶劣环境的工作能力和较强的抗干扰能力；（4）就有数据转换能力，即能够适应数据的串行到并行的转换。

1.2 传感器网络的体系结构

深刻认识传感器网络的体系结构，是正确理解物联网内涵的前提，也是将物联网和云计算相结合的基础。传感器网络体系结构可由三部分组成：分层的网络通信协议、传感器网络管理和应用支撑技术[3 ]。

（1）网络通信协议

这一层主要包括各种通信网络与互联网形成的融合网络、物联网管理中心、信心中心、各类样本库、算法库和各类服务基础设施。

（2）传感器网络管理

这一层主要包括二维码标签和识读器、RFID标签和读写器、摄像头、GPS、传感器和M2M终端、传感器网络网关等。主要任务是解决感知和识别物体，采集和捕获信息。

（3）应用支撑技术

应用支持技术主要解决物联网与行业专业技术的结合以及提供广泛的智能化解决方案。其关键在于信息的社会化共享以及信息安全等问题[4 ]。

1.3 传感器网络网络安全分析

物联网除了涉及到互联网安全问题外，还需要面对传感器网络的安全问题。传统互联网存在的多种威胁已经拥有很多可行的应对措施；而传感器网络存在的安全问题必须引起人们的广泛重视。比如，传感器网络一般可能遇到节点被攻击、部分节点被物理操纵、信息流失和部分网络被控制等问题。目前，常用的解决方案有节点身份认证、ZigBee技术等等。[5 ]。

2 基于云计算的物联网实现可行性分析

2.1 物联网云计算基础

从前两个小节的阐述不难发现，物联网一般具备三个特征：全面感知、可靠传递和智能处理。而其中智能处理恰恰与近几年来迅速崛起的“云计算”的理念相吻合。下面，先考察近几年来云计算概念的发展情况。

云计算作为继网格计算、互联网计算、软件即服务、平台即服务等类计算模式的最新发展，云计算主要通过虚拟技术将各种互联网的计算、存储、数据、应用等资源进行有效整合与抽象，有效地为用户提供了可靠服务的形式——大规模计算资源，从而将用户从复杂的底层硬件逻辑、网络协议、软件架构中解放出来。这正是云计算理念中一直提倡的“平台即服务”、“软件即服务”。

维基百科对云计算的定义是：“云计算是一种动态的易扩展的且通常是通过互联网提供虚拟化的资源计算方式，用户不需要了解云内部的细节。云计算包括基础设施即服务、平台即服务和软件即服务以及其他依赖于互联网满足客户计算需求的技术趋势”[ 6]。

IBM对云计算的定义是：“云计算是一种计算模式。在这种模式中，应用数据和IT资源以服务的方式通过网络提供给用户使用。大量的计算资源组成IT资源池，用于动态创建高度虚拟化的资源供给用户使用”[ 7]。

为此，我们不难看出，未来的物联网运营平台需要在不同时间采集的海量信息源于数以亿计的传感器构建的传感器网络，并利用各个网络节点对这些信息进行汇总、拆分、统计、备份，这对物联网平台的计算能力是一个至关重要的考验。同时，资源负载在不同时间段也会存在相应的起伏。因此，考虑一个具有很好自适应能力的物联网运营平台是十分必要切迫切的任务，一方面避免重复性建设；另一方面也好充分利用好现有的理论和技术，从而寻求新的突破。至此，从上面的分析来看，云计算是与物联网运营平台相融合的一个很有前景的方向，其原因在于二者有基本相同的客户需求，也有相似的物理设备基础，将二者在理念和技术上进行相容，必将创造出更具活力的运营平台。

2.2 基于云计算物联网实现可行性分析

从上面几点分析看，云计算是物联网发展的必然趋势，其计算方式、存储手段、智能算法等等都将与云计算的理念和体系结构相融合。依据云计算的方式构建全新的物联网服务模式，无论从理论还是商业运营模式都是可行的，其安全性也是有一定保证的。

3 基于云计算的物联网基本设想

基于云计算的物联网运营平台，可以包括如下几个部分：

（1）云基础设施

包括传感器网络、物理资源以及能够实现所有客户共用的一个跨物理存储设备的虚拟存储池。能够有效地提供资源需求的弹性伸缩和集群服务。

（2）基于云计算的物联网平台

该平台是基于云计算物联网运营系统的核心，主要实现网络节点的配置和控制、信息的采集和计算功能。

（3）物联网云应用

物联网云应用是基于云计算的物联网平台的拓展部分，可以集成第三方行业应用。主要是利用虚拟化技术实现在一个物联网环境下全部用户资源共享、计算能力共享。

（4）物联网管理系统

管理系统一方面用于监控基于云计算物联网运营平台的运行情况、资源弹性伸缩机制下资源利用的控制情况以及网络用户、安全以及服务管理等等。

上面几点仅仅是在云计算相关概念的启发下，以及对物联网未来发展趋势的一个初步设想，在有些方面的构建以及架构仍然存在问题，必将随着云计算技术和物联网技术的广泛应用而逐渐改进，以便于在不远的将来实现基于云计算理念的物联网运营平台。

4 结束语

文中主要针对物联网的概念和近几年的发展进行了简单的阐述。然后，根据物联网未来的发展趋势进行了一定的预测，并根据物联网的与云计算可能存在的交集展开了理论剖析。从理论和应用前景上分析了两者融合的可行性和广阔前景。最后，论文给出了基于云计算理念下的物联网实现的简单设想。

参考文献：

[1] 孔晓波.物联网概念和演进路径[J].电信工程技术与标准化，2009， 22（12）： 12-14.

[2] 石军.“感知中国”促进中国物联网加速发展[J]. 通信管理与技术，2009（5）： 1-3.

[3] International Telecommunication Union，Internet Reports 2005： The Internet of things[R].Geneva： ITU，2005.

[4] http： //ec.europa.eu/information_society/policy/rfid/documents/in_cerp.pdf.

[5] President. s Council of Advisors on Science and Technology. http：Mostp.gov/pdf/nitrd_review.pdf.

第4篇：简述云计算的基本概念范文

关键词：云计算；高校；教学资源；整合

中图分类号：TP393.18 文献标识码：A 文章编号：1007-9599 （2012） 20-0000-02

1 云计算概述

1.1 云计算的概念。云计算（Cloud Computing）是2007年第3季度才诞生的新名称，它是网格计算出现以后的又一种新的计算模式，或者说它是一种网格计算的商业实现。云计算至今没有一个统一的定义，至少可以找到100多种解释，维基百科给云计算的定义：云计算是一种通过Internet以服务的方式提供动态可伸缩的虚拟化的资源的计算模式。综合已有的定义，笔者认为：“云计算是一种IT各种资源的交付和使用的模式，前台采用网络按需、易扩展的方式为用户提供服务。后台使用虚拟机的方式，有大量的资源集群，由高速的网络互连，组成超大容量的资源池。这些虚拟的资源自主的进行管理与配置。采用数据的冗余性来保证这些虚拟资源较高的可用性。并具有并行处理、集群管理、高可用性、海量存储等特征。”1.2 云计算的特点。云计算有很多非常重要的特点，其中最重要的一个特点，它能将大量的计算任务分布在大量由计算构成的资源池上，各种应用程序根据各自的需求获取相应的计算能力、存储空间和软件服务。换句话说它把运算服务从技术平台转化成了某种服务。当前，我们有了很好的网络，通过云计算技术可以把运算变成一种服务。就好象说有了供电系统、供电线路，我们就有可能把供电变成一种服务。我们有了基于云计算的网络之后，就不需为所以的用户建设一个计算机中心，但是每个用户都可以获得像一个计算机中心一样的服务。这是一个重大的改革。下面是列举出云计算的四大特点：（1）规模庞大。“云”都具有很大的规模，“云”能够提供具有强大的读写能力和海量存储能力。（2）并行处理。如果要用很多的计算机同时为某人处理一个数据，如果买这么多计算机来说这个成本就太高了，而且需要这些计算机协同工作很难，也很难想象为个人来做这样的系统，进行数据处理；很多人来共享，处理速度是非常低的，云计算可以实现并行处理。（3）分布式系统。文件的类型和数量可以是巨大的，而且有各种资源控制系统。（4）集群式管理模式。怎么样让各种各样的人都能上这个平台，涉及到非常多的技包括实施和应用、管理监控、流量计算等，这是目前云计算急需创新的一个方面。

2 高校教学资源整合现状

高校教学资源整合主要存在以下几个方面的问题：

2.1 教学资源更新速度慢，教学资源陈旧。为了适应这个快速发展的社会，我们总是需要最新的实验室，但是高校每年常规用于设备更新方面的经费很难满足设备更新的需求，这为我们高校的发展带来了很大的压力。2.2 教学资源的重复建设严重、维护成本高。虽然说网络的发展使得我们高校的教学资源在一定程度上实现了整合，但是由于高校的硬件资源无法真正实现整合，比方说各个高校建设了相同的数字图书馆，但是各个高校在对它进行软硬件升级和维护的时候，都需要很高的成本，这在一定程度上造成了很大的资源浪费。2.3 教学资源不够规范，高校具有各类教学资源，这些资源存在这复杂性和多样性的特点，这使得很多的教学资源不好被管理和利用，这也造成了教学资源的不规范。2.4 教学资源共享性差。虽说网络的发展和广泛应用使高校的教学资源在一定程度上和一定范围内得到了整合。但是这种资源的共享度还远远不够，特别是在硬件资源方面仍然无法实现真正意义上的整合。

3 云计算技术在高校资源整合中的应用

3.1 云计算在整合高校资源中优势。目前，我们正在进行各大高校的信息化建设，在建设过程中最为主要的的成本就是硬件的购置、软硬件的维护以及设备的更新。但是，如果我们将这些成本建立在新型的云计算和服务的基础之上，这将会大大减少这些资金的投入。主要表现为两个方面，第一，云服务提供商将为我们提供一个统一的具有跨平台性的、运算能力强大的、具有丰富资源的通用的信息平台，这就不需要我们每个学校再花费大量的财力购买大量的本地服务器，只要投入少量的成本来购买管理终端以及云接入设备；第二，云端提供所有的服务，我们不再无需考虑服务器运行的可靠性、数据存储过程中的安全性，以及各种网络访问异常导致的服务器瘫痪，不需要再对服务器的接入数量进行现在，不再需要考虑网络服务器响应问题，因此原来需要的维护、升级等成本几乎降至最低点，管理成本也大大降低，真正实现了资源整合，建立起一个统一的资源平台。3.2 高校资源整合方案。各种终端设备在使用了云计算技术以后，性能已经最小化、但是功能达到了最大化。云计算技术让一切资源和有效信息都存储在“云”当中，高校只需要提供给老师和同学通畅的网络和最最简单的终端设备，让大家其能运行各种浏览器即行。云计算模式还提供了强大的无线接入技术，使用户使用手机、PDA等各种终端设备就能访问到各种资源，能让我们的学生随时随地学习。在基于云计算的高校资源整合模型中，高校的教学资源是以“服务”的形式存储在云服务端，用户能通过各种网络终端设备来访问和使用教育资源。高校用户可以通过提供的服务分类模块来进行资源检索，当然也可以通过用户交互界面使用资源。下图1我们提出的一个高校云平台架构模型，正是基于以上的目的提出来的。

当前，各种用于教学和研究用的高性能的服务器的架设以及网络中心在各大高校的发展让我们很多高校都具有了较强的信息处理能力。另外各种开放的理念包括各种开源软件，开放的数据访问，开放的学习，和开放的科研等等这些推动了开放的教育内容，从课程、课件到互动的教学社区、论坛。较好的网络设施加上简单的资源共享，这所有的一切都为云计算在高校资源整合中的应用打下了基础。加入了云计算概念以后高校间的各种资源共享也称为可能。

4 结束语

虽然云计算已经有了一些应用，但还是处于探索阶段，运用云计算技术来整合我们的高校教学资源还有很多的困难，如数据安全问题、资费问题、协议接口问题等，这些都是今后研究的重点，无论如何它还是为高校教育资源的发展与建设提供了一种新的模式，随着它的日趋成熟与完善，云计算技术将会在教学、教育领域中应用越来越广泛。

参考文献：

[1]迈克尔·米勒.云计算[M].机械工业出版社，2009，4.

[2]朱惠娟.云计算及其在网络学习环境构建中的应用初探[J].中国电化教育，2009，4：105-107.

[3]徐强，王振江.云计算：应用开发实践[M].机械工业出版社，2012，1.

[4]王鹏.走进云计算[M].人民邮电出版社，2009，5.

[作者简介]

第5篇：简述云计算的基本概念范文

【关键词】云计算环境 大数据 分布规律 模糊聚类方法

1 引言

云计算服务的兴起为大数据的应用提供了保障，在考虑其性能和成本的前提下，越来越多的企业考虑将大数据处理的相关应用转移到云计算环境下进行。在此背景下，学术界和企业界掀起了对云计算环境下大数据分布规律的结构优化设计方法的研究热潮，并获得了众多研究成果，其中最为常见的方法包括模糊聚类方法、详细度量方法和最小二乘法等。

2 云计算与大数据概述

2.1 云计算

云计算是指以互联网为基础，对所需资源进行随时随地的访问和分享，是当前一种依靠互联网技术的全新计算模式，其主要特征包括IT资源服务化、泛在接入、服务可计费、按需自服务及弹，其本质是通过IT资源服务化的特征在互联网上以泛在接入和服务可计费的方式，向用户提供按需自服务式的弹。由此得知，由于其IT资源服务化特征，在大规模应用计算时，云计算可提供资源保障；由于其所有过程皆是通过互联网手段，用粼诩焖魇据时，云计算可提供按需自服务式的弹；由于其泛在接入特征，用户可随时随地利用互联网在移动终端上访问或共享数据。

2.2 大数据

简单来说，大数据就是指规模庞大的数据。但由于互联网技术还在进一步更新和发展中，数据的规模和种类也在快速扩大和增加，不同的组织也因各自不同的需求对大数据有着不同的认识和理解，所以学术界尚不能对大数据进行统一定义。目前，由于IBM提出的大数据3V模型定义对大数据特征进行了形象的描述，而最能被人们普遍接受，即大数据具有海量性、多样性、高速性三个特征。其中，海量性是指数据规模巨大，达到TB级及PB级；多样性是指数据种类繁多，按照其结构分大致分为结构化数据和非结构化数据；高速性是指数据的出现速度、处理速度和分析速度都在持续加快。

3 云计算环境下大数据分布规律的结构优化设计

目前，研究云计算环境下大数据分布规律的结构优化设计方法有很多，主要包括模糊聚类方法、详细度量方法和最小二乘法等。其中，模糊聚类法是指通过研究数据分布规律本身属性，从而构建迷糊矩阵来确定聚类关系的一种方法；最小二乘法是指通过匹配最小化误差的平方和寻找数据的最佳函数，使得所求数据与实际数据之间误差平方和最小化的一种方法。

3.1 构建X上的模糊关系

构建待处理数据X上的模糊关系，是采用模糊聚类法的第一步，是大数据分布规律的结构优化设计的基础。在这一过程中，需将属性类似的系数构建成n阶的迷糊矩阵，即相似系数矩阵。根据矩阵确定其在待处理数据X上的模糊关系。其中两个模糊向量间的接近程度称之为贴近度，而相似系数的计算和描述则需利用贴近度法，例如将X中的元素Xi和Xj看作是其各自特征的模糊向量，用贴近度对相似系数rij进行计算，则rij的表达式为：

rij=1-c（dp（Xi，Xj））α （1）

（1）式中：c，α指的是描述常数；p指的是描述不同距离的代码系数，对论域X={x1，x2，…，x5}进行规格化处理，此时，取c值为0.1，计算相似系数，可获取模糊相似矩阵，如式（2）：

（2）

结合式（1）、式（2），在获得模糊五阶相似矩阵后，需对其进行划分，才能进行下一步的大数据分布规律结构优化设计。

3.2 大数据分布规律结构优化设计

在进行大数据分布规律结构优化设计前，针对类和类间的距离，需运用最短距离法进行计算，例如用dij（i，j=1，2，…，n）描述样本i与j之间的距离，则有：

（3）

若用G1，G2，…来描述类，则第k类的Gk和第r类的Gr之间的最短距离为：

Dkr=min{dij：i∈Gk，j∈Gr} （4）

利用最短距离法对云计算环境下大数据分布规律结构进行优化设计，可有效分析辨别出需要调整和转移的数据，使得云计算环境下的大数据分布在一个不断调整的动态过程里，随时保持数据的最理想状态。

3.3 仿真实验

为了验证上述优化设计的有效性，现通过仿真实验，对模糊聚类方法、最小二乘法进行对比分析：两种方法分别进行10次实验，取其平均访问代价作为结果。在对两种方法进行评价的过程中，将相对访问成本作为衡量的标准。得出结果如下：

（1）随着存储容量的增加，比较采模糊聚类方法和最小二乘法进行大数据分布规律结构优化设计后的相对访问成本，随着存储容量的逐渐升高，模糊聚类方法的相对成本低于最小二乘法，当总预算从全部候选费用的10%增长至20%时，模糊聚类方法和最小二乘法的相对成本均在一定程度上有所增加，但模糊聚类方法的增加幅度低于最小二乘法，说明模糊聚类方法的性能优于最小二乘法。

（2）在各容量一定的情况下，云计算环境下预算费用逐渐增加时，比较模糊聚类方法和最小二乘方法相对成本的变化趋势，模糊聚类方法的性能明显优于最小二乘方法，在各容量或总预算较低时，模糊聚类方法的相对成本均低于最小二乘方法，当容量大小从50%到70%时，模糊聚类方法的相对成本基本没有发生改变，说明模糊聚类方法基本不受容量的影响。因此，通过仿真实验验证了模糊聚类方法的有效性。

4 结语

综上所述，在云计算概念提出以后，各大企业紧跟时代步伐，通过互联网采用多项云计算服务。因此，越来越多的学者对云计算环境下大数据分布规律的结构优化设计进行研究，本文提出了利用模糊聚类法对云计算环境下大数据分布规律进行优化设计，并经仿真实验分析确定了其有效性。

参考文献

[1]朱亚东，高翠芳.基于PSO的云计算环境中大数据优化聚类算法[J].计算机技术与发展，2016，26（9）：178-182.

[2]陈志华，刘晓勇.云计算下大数据非结构的稳定性检索方法[J].现代电子技术，2016，39（6）：58-61.

[3]姜明月.云计算平台下的大数据分流系统的设计与优化[J].现代电子技术，2016，39（2）：28-32.

第6篇：简述云计算的基本概念范文

摘要：云计算的概念是最早有谷歌公司所提出的一种网络应用模式，经过近年来的研究与探索，已经得到了很大程度上的应用于发展。本文针对云计算的应用价值及安全性进行了分析与探讨。文章首先对云计算的概念进行了阐述，进而就其技术特点进行了归纳与总结；在此基础上就云计算的应用价值及安全性问题展开了详细的论述与分析。这对促进人们对云计算的了解，提高云计算的应用能力有着重要的现实意义和参考价值。

关键词：云计算；应用价值；安全性

中图分类号：TP309文献标识码：A文章编号：1007-9599 (2012) 06-0000-02

一、引言

在人类步入21世纪以后，云计算是一个热门话题。作为一种IT技术，它广泛应用于各行各业，得到了政府和IT厂商的大力支持，目前已经进入实际应用的阶段。那么作为一种新技术，其成熟性、稳定性、安全性都存在着值得我们引起重视。笔者结合工作实践，就云计算的应用价值及安全性问题作如下分析与探讨：

二、云计算的概念及其特征

（一）云计算的概念

随着21世纪互联网时代的到来，以计算机为基础的互联网技术取得了长足的发展。各种新技术层出不穷，云计算作为其中之一，是广大业内人士和研究人员关注的热点课题。“云”从本质上来看就是互联网（Internet），只是近年来提出的一种别称。它概指分布在互联网中的不同类型的计算中心，包含数量巨大的计算机或服务器。因此，云提供的服务在于用户只需要借助上网设备，连接“云”，就可以利用“云”提供的软件或服务，并且实现在“云”上处理并存储数据；而不需要购买任何的硬件设备和软件程序。当然，这只是云计算的内涵的基本解读，实际应用中其功能特点远不止这些。

（二）云计算特点

从当前云计算应用于实践的情况来看，其技术特点主要体现在：虚拟化技术、灵活定制、动态可扩展性、高性价比、安全性这几个方面，具体表现如下：

（1）虚拟化技术。即：云计算在目前的应用实践中是利用软件来实现硬件资源的虚拟化管理和应用。这种虚拟化技术的应用目的在于降低维护成本和提高资源利用率。在云计算平台，通过建立虚拟平台，从而为用户提供了网络资源、计算资源、数据库资源、硬件资源等方面的资源，使用户在主观体验上与在本地使用自己计算机毫无差别。

（2）高可靠性和安全性。在云计算平台，由于云计算服务器端提供了可靠、安全的数据存储中心，而且有着当前最高专业水平的团队进行管理。因此，用户数据的存储，应用程序的运行，计算的处理都将受到最高水平的技术支持与保护。在人为因素以外，由于云计算数据被复制到多个服务器节点上进行了备份，因此，就算有意外删除或硬件崩溃的情况数据也不会丢失。

（3）动态可扩展性。这主要体现在云计算体系的处理能力方面。在云计算中，既可以根据需要将服务器实时加入到现有服务器群中，也可以根据现实需要抛弃掉该节点，并将其任务进行移交，因此具有良好的动态可扩展性。

（4）超强大的计算和存储能力。用户可以在任何时间、任意地点，采用任何设备登录到云计算系统后就可以进行计算服务；云计算云端由成千上万台甚至更多服务器组成的集群具有无限空间、无限速度。

（5）灵活定制。从用户对云计算的需求来讲，云计算提供的资源和产品具有极大的灵活性。用户在进行产品服务选择时，不需要知道资源在何处，也不需要具备如何部署的相关专业知识，只需要将需求提交给云，云计算体系会对其进行处理，并将定制的结果反馈给用户。并且用户可对定制的服务进行退订或选择性地删除操作与管理。

（6）高性价比。相对传统的IT产品，其使用将产生高昂的硬件和软件费用，往往令一般用户难以承受。而云计算恰恰在这方面有了极大的改进，它在对用户端的硬件设备和软件要求方面，以及服务器端的价格和计算处理能力方面，都有着极高的性价比。而且在后期的维护和升级方面为用户极大地降低了成本和费用。

三、云计算的应用价值分析

在分析云计算的特点中，我们可以看到其技术优势所在，也从侧面反映了其应用价值所在。针对当前云计算的应用领域与实践来分析其应用价值，云计算的应用价值可以概括为以下几个方面：

首先，云计算为用户提供了可靠、安全的数据存储中心，这极大程度上提高了当前互联网使用过程突出的安全性问题。因此，用户不用担心数据丢失、软件更新、病毒入侵等安全隐患与威胁的问题。

第二，云计算提供的服务极为便捷。用户在使用云计算的服务时，对用户端设备的要求低，同时操作起来也十分便捷，实现了异地处理文件、不同设备间的数据与应用共享，用户可以在浏览器中直接编辑存储在云端的文档。

第三，云计算具有极高的性价比。无论是从用户的硬件设备还是软件程序的使用，云计算都提供了良好的环境；同时云计算所提供的灵活定制产品的服务，极大地为用户节省了成本与费用。

四、云计算在应用中存在的安全问题分析

云计算给我们带来了便利的同时，限于当前技术水平和管理因素，在应用中也存在这一些问题，其中突出的表现在自身固有的安全问题方面，具体表现如下：

（一）云计算服务的可控性

相对其他安全问题而言，云计算安全问题最突出的问题在于其可控性方面的技术还不十分成熟。因为云计算系统中对服务实现的技术细节和其运行的管理细节都是进行了隐藏。因此，这种隐蔽性也给安全可控性带来了隐患与威胁。

（二）数据的安全性

作为IT技术，数据同样是云计算的核心构成内容。一般来说，数据的完整性和保密性要求只有授权用户才能进行更改和进行读取。但是云计算的本质特性在于进行了隐蔽，用户的供应商并不知道在特定时间你的数据在何处，这就难以确定你的数据是否正在以保密和隐私的方式进行处理。可见云计算在体现其应用优势的同时也使得其对用户数据安全难以进行预测。

（三）云服务信任的传递

在云计算中，用户与云服务提供商建立了信任合作关系，而该云提供商可能需要依靠第三方供应商提供的计算和基础设施资源。这时，第三方的基础设设施接触到了用户的敏感数据，这就存在如何将用户与其云服务供应商之前存在的信赖关系，扩展到对第三方的问题。

（四）云服务的安全迁移

对于云服务的使用者来说，应该可以自由选择服务的提供商。但如果用户有更换服务提供商的需要，比如提供商服务不能完全满足用户需求，或用户新拓展的业务需要有其他提供商的云端提供，而新的业务又需要与原有业务进行数据交互。如何保证不同的服务提供商间进行业务迁移和数据交互，如何保证用户业务的连续性等问题，业内还有许多政策、标准、技术等方面的问题需要解决。

五、关于云计算及其安全性的思考

（一）云计算用户的安全办法

（1）听取专家建议。对于我们一般用户而言，对于云计算的使用，在选用相对可靠的云计算服务提供商时，有必要对其进行了解。因此用户在享受云计算服务之前，要清楚地了解使用云服务的风险所在，这时候我们可以听取专家的意见与建议。因为，一般地，专家推荐使用那些规模大、商业信誉良好的云计算服务提供商，可以对其意见进行斟酌与参考。

（2）增强安全防范意识。尽管云计算给我们在安全性方面提供了良好的环境与服务，但是我们仍然不能掉以轻心。一些十分重要的机密资料一般不要放在云端，比如网银的使用，诸多网络注册账号的使用，可能由于用户的使用同一密码，或者在不同网络环境中使用，从而带来安全隐患。因此必须清楚地认识到风险，在使用云计算下增强安全意识，并进行积极的防患于未然。

（3）经常备份。存储在云里的数据，要经常备份，以免在云计算服务遭受攻击、数据丢失的情况下，数据得不到恢复。

（4）建立企业的“私有云”。当数据重要到不放心放在别人管理的云里，就建立自己的私有云。私有云也叫企业云，它是居于企业防火墙以里的一种更加安全稳定的云计算环境，面向内部用户或者外部客户提供云计算服务，企业拥有云计算环境的自。与之相对应的是“公共云”，通过云计算提供商自己的基础架构直接向用户提供服务，用户通过互联网访问服务，但用户不拥有云计算资源。

（5）数据加密后放到云端保存透明加密技术可以帮助企业强制执行安全策略，保证存储在云里的数据只能是以密文的形式存在，企业自主控制数据安全性，不再被动依赖服务提供商的安全保障措施。

（二）云计算服务提供商的安全办法

（1）国家对云计算服务提供商进行规范和监督。由于云计算的安全涉及到行业标准和规范，同时也涉及到国家的法律法规，因此要保证服务的安全性，就必须从国家行政层面来对云计算加强管理与监督。从当前的现实情况来看，国家政府部门大有制定相应的法规的趋势。这方面的法律法规涵盖了云计算企业强制进行合规性的各方面内容进行检查，并对其进行监督，以从提供商的角度来保证云计算的安全性。

（2）云计算厂商采用必要的安全措施。云计算厂商内部的网络和我们大多数企业的网络没什么不一样的地方，其要实施的安全措施也是传统的安全措施。包括访问控制、入侵防御、反病毒部署、防止内部数据泄密和网络内容与行为监控审计等。

（3）云计算厂商采用分权分级管理。从云计算厂商角度来说，为了防止云计算平台供应商“偷窥”客户的数据和程序，可以采取分级控制和流程化管理的方法。这样可以极大地为云计算中客户资料的安全性和保密性提供有效保障。

六、结束语

综上所述，作为一项新生事物，云计算在近年来取得了快速发展，并在逐渐地得以应用。从应用实践的情况来看，云计算具有巨大的应用价值和广阔的发展前景，但同时也存在着安全性方面的威胁与挑战。这需要在未来的应用中，从技术层面和管理角度来加强研发与探索。本文对云计算的应用价值进行了阐述，重点对云计算安全性问题进行了论述。研究认为，云计算安全不是简单意义上的技术问题，它还涉及标准化、监管模式、法律法规等诸多方面。因此，需要我们社会各个相关部门和力量来共同努力解决，才能促使云计算更好地为社会服务，为人们提供更优质的服务产品。

参考文献：

[1]严明.云计算中的云安全研究[J].现代商贸工业,2009,20

[2]郭乐深,张乃靖,尚晋刚.云计算环境安全框架[J].信息网络安全,2009,7

[3]陈晓玲.浅谈云计算[J].科技信息,2010,32

[4]孟庆伟.云计算技术及其电信应用[J].电信快报,2010,7

第7篇：简述云计算的基本概念范文

关键词:数据;云计算;存储系统

中图分类号:TP3文献标识码:A文章编号:1007-9599 (2010) 10-0000-02

The Application of Cloud Computing Technology in the Storage System

Shi Feng

(Computer Center of Taiyuan University,Taiyuan030009,China)

Abstract:With rapid economic development at present,people are always encountered by tremendous amount of data in daily work,which requires large volume for the storage and redundant data backup,while the data is growing quickly in size.In the age which low-cost and high efficient storage systems have become the mainstream,effective management for these large data has not been available.As the proposal of the concept for cloud computing,the conceptual model of cloud storage was derived.Running and managing data in the cloud storage way could greatly reduce cost of storage systems and simplify the complex setup and management tasks.Placing data in cloud can also make it easy to have access to data from more places,so as to improve the efficiency of storage systems.

Keywords:Data;Cloud Computing;Storage Systems

随着数字技术和互联网的急速发展,特别是Web2.0的发展,互联网上的数据量高速增长,导致了互联网数据处理能力的相对不足,但互联网上还同时存在着大量处于闲置状态的计算设备和存储资源,如果能够将其聚合起来统一调度提供服务则可以大大提高其利用率,让更多的用户从中受益。因此将云计算技术应用到存储领域可以大大提高资源的利用率。

一、云计算与云存储

(一)云计算的概念

云计算(cloud computing),是分布式计算技术的一种,是分布式处理、并行处理和网格计算的发展,是透过网络将庞大的计算处理程序自动拆分成无数个较小的子程序,再交给由多部服务器所组成的庞大运算系统,经过搜索和计算分析之后将处理结果回传给用户。透过这项技术,网络服务提供者可以在数秒之内,达成处理数以千万计甚至亿计的信息,达到和“超级计算机”同样强大效能的网络服务。

(二)云存储的概念

云存储在云计算的概念基础上延伸和发展出来的一个新的概念。云存储的概念与云计算类似,它是指通过集群应用、网格技术或分布式文件系统等功能,将网络中大量各种不同类型的存储设备通过应用软件集合起来协同工作,共同对外提供数据存储和业务访问功能的一个系统。云存储不是传统的存储系统,而是一种特殊形式的架构服务,对使用者来讲是透明的,不是指某一个具体的设备,而是指分布在不同物理地域的多台存储设备和服务器所构成的集合体。

(三)云计算和云存储之间的关系

当云计算系统运算和处理的核心业务是大量数据的存储和管理时,云计算系统中就需要配置大量的存储设备,那么云计算系统就转变成为一个云存储系统,所以云存储是一个以数据存储和管理为核心的云计算系统。从架构模型来看,云存储系统比云计算系统多了一个存储层,同时,在基础管理也多了很多与数据管理和数据安全有关的功能,两者在访问层和应用接口层则是完全相同的。

二、云存储的结构模型

与传统的存储设备相比,云存储不仅仅是一个硬件,而是一个由网络设备、存储设备、服务器、应用软件、公用访问接口、接入网、和客户端程序等多个部分组成的复杂系统,各部分以存储设备为核心,通过应用软件对外提供数据存储和业务访问服务。云存储系统的结构模型(图1云存储结构模型)由4层组成,自下而上分别为存储层、基础管理层、应用接口层和访问层。

三、云存储服务器配置实例

对于云存储这种云计算应用形式来说,重复数据删除技术显得十分重要。在我们存储的数据和文件里,有很多文件经过反复修改,造成了大量重复的资料,这时,重复数据的删除实现后,网络优化的效果就变得比较明显。根据云存储的特点,将其过程描述为将数据分块后,保存到不同的数据存储节点中,并写入数据文件存储信息表。需要删除时,在数据文件信息表中查找文件ID,找到后删除该文件的数据信息。下面通过部分核心程序代码来说明云存储技术是怎么样来存储数据和删除数据的。

(一)将一个数据块保存在三个不同节点,成功返回1

int WriteStorInfo(fStorInfo fInfo)

{

fStorInfo temp;

memset(&temp,0,sizeof(fStorInfo));

int id=1;

int num=0;

FILE*fd;

if((fd=fopen(fileinfo,"rb+"))==NULL)

fd=fopen(fileinfo,"wb+");

while(fread(&temp,sizeof(fStorInfo),1,fd)==1)

{

if(temp.flag==0)

break;

++num;

}

fInfo.flag=1;

fseek(fd,num*sizeof(fStorInfo),0);

fwrite(&fInfo,sizeof(fStorInfo),1,fd);

fclose(fd);

return 1;

}

(二)获得文件保存信息的顺序表

int GetStorInfo(int fID,StorInfoList *L)

{

fStorInfo temp;

第8篇：简述云计算的基本概念范文

摘 要:针对主观信任的模糊性和不确定性以及现有的基于云模型的信任模型中粒度粗糙的问题，提出了一种基于多维信任云的信任模型。首先，依据实体间的直接交互经验和交互时间，利用加权逆向云生成算法计算被评估实体的直接信任云；然后，通过评估推荐实体的推荐可信度，计算被评估实体的推荐信任云；最后，综合直接信任云和推荐信任云产生综合信任云，并依此进行可信实体的选择。仿真结果表明，基于多维信任云的信任模型能够有效地识别系统中的各类服务实体，可提高实体间的交易成功率。

关键词:主观信任；云模型；多维信任云；直接信任云；推荐信任云

中图分类号: TP393.08 文献标志码:A

Research of trust model based on multidimensional trust cloud

CAI Hongyun*, DU Ruizhong, TIAN Junfeng

(College of Mathematics and Computer, Hebei University, Baoding Hebei 071000, China )

Abstract: According to the characteristics of fuzziness and uncertainty in subjective trust, and the deficiency of coarse granularity in the existing trust model based on the cloud model, a new trust model based on multidimensional trust cloud was proposed. Based on the feedback and time for direct transactions between the entities, direct trust cloud for every entity could be generated using the weighted backward cloud algorithm. Recommend trust cloud was obtained by integrating recommend information and the recommend credibility of entity was the weight of the recommend information. Finally, the direct trust cloud and recommend trust cloud was synthesized together and the result could be a reference for the object selection. The experimental results show that the multidimensional trust cloud model can detect every kind of service provider effectively and improve the success rate between the entities.

Key words: subjective trust; cloud model; multidimensional trust cloud; direct trust cloud; recommend trust cloud

0 引言

随着大规模的分布式系统的深入研究，如网格计算、普适计算、P2P计算和云计算等，应用系统表现为由多个软件服务组成的动态协作系统，系统形态正从面向封闭的、熟识用户群体和相对静态的形式向开放的、公共可访问的和动态协作的服务模式转变［1］。而在开放的分布式环境中，实体通常要在没有可信的第三方或信任权威参与的情况下与不熟悉甚至不认识的实体发生交互。因此，有必要建立一种信任机制在交互之前评测实体的可信任水平。

当前，信任关系的研究主要包括客体信任和实体间的主观信任［2］。其中客体信任中客体是指排除人类主观因素的对象或实体，客体间的关系可以精确地描述、推理和验证；主观信任中的信任主体是由人或所构成的个体或群体，信任主体对信任客体的信任是一种人类的认知现象，是对实体的特定特征或行为的信任等级的主观判断，具有主观性、不确定性和模糊性，无法精确地加以描述和验证。

近些年，国内外众多学者开展了关于主观信任建模、推理等问题的研究，并取得了一定的成果。Jsang等［3-5］提出了基于主观逻辑的信任模型，并开展了一系列研究，模型以二项事件后验概率的Beta分布函数为基础，引入事实空间（Evidence Space）和观念空间（Opinion Space）的概念来描述和度量信任关系，并提出一套主观逻辑运算子来推导和计算信任度；唐文等［6］将模糊集合理论成功地引入信任模型中，用多个模糊子集合定义具有不同信任度的主体集合，运用模糊综合评判得出对主体信任度的描述，并基于模糊算子进行信任关系的形式化推导；何锐等［7］、张光卫等［8］158-162提出了基于云模型的主观信任表示方法，将云模型引入到信任评估模型中，提出了信任云的概念，较好地解决了主观信任的不确定性；黄海生等［9］引入隶属云模型理论对信任进行建模，提出了信任等级云和信任评价云的概念，并给出了信任评价云的计算、合成方法；路峰等［10］将云模型理论引入到网格环境中，提出了一种信任云的相似性度量方法，通过将比较云与基准云进行对比分析实体的可信性；王守信等［11］1341-1352对基于云模型的主观信任展开了研究，在信任云的基础上提出了信任变化云，以此刻画信任客体信用度的变化情况，为进一步的信任决策提供依据。

基于云模型的主观信任模型中，通过特征参数――熵和超熵的引入，能够很好地解决主观信任的不确定性，然而当前国内外学者的研究均基于一维信任云，为了提供更精确的信任信息，提高系统的实用性，本文在已有基于云模型的主观信任研究基础上，提出了多维信任云的概念，建立了基于多维信任云的信任模型。

1 云模型简介

1995年，李德毅等提出了云模型［12］，模型以高斯函数为基础，利用熵表达概念数值范围的模糊性，利用超熵反映云滴的离散程度，把模糊性和随机性完全集成到一起，构成定性和定量相互之间的映射。

定义1 云与云滴［13］。设U是一个用数值表示的定量论域，C是U上的定性概念，若定量值x∈U是定性概念C的一次随机实现，x对C的确定度μ(x)∈［0,1］是有稳定倾向的随机数，μ:U［0,1］,x∈U，xμ(x)，则x在论域U上的分布称为云，记为C(X)，每一个x称为一个云滴。

云模型所表达的概念整体特征可以用云的三个数字特征来反映：期望（Expected value， Ex）、熵（Entropy， En）和超熵（Hyper entropy， He），计算公式如式(1)~(3)：

Ex=1N∑Ni=1xi

（1）

En=π2×1N∑Ni=1xi－Ex

（2）

He=1N－1∑Ni=1(xi－Ex)2－En2

（3）

其中：变量N表示云滴个数，xi代表第i个云滴。

第1期 蔡红云等：基于多维信任云的信任模型研究 计算机应用 第32卷2 基于多维信任云的信任模型

2.1 相关定义

定义2 信任云［8］159。信任云是用云模型表示的定性信任概念，信任云由若干云滴组成，把信任度空间TD=［0，1］作为云的定量论域，C是TD上的定性信任概念，x∈TD是定性概念C的一次定量信任评价，x对C的确定度μ(x)∈［0,1］是有稳定倾向的随机数，μ:TD［0,1］,x∈TD，xμ(x)，则x在论域TD上的分布称为信任云，记为TC(X)，每一个x称为一个云滴。

定义2中的信任云是一维云模型，对实体信任度的刻画过于粗糙。为了更好地了解目标实体的行为可信程度，需针对上下文环境对实体行为特征进一步细化，实体间交互后根据交互情况对实体的所有行为属性进行评价。

定义3 资源实体。系统中能提供资源或服务的实体，定义为一个n元组O，O=(a1,a2,…,an)，其中ai表示资源实体的第i个属性。

定义4 评价向量。实体交互后，由服务请求方（实体p）提交的对服务提供实体（实体q）此次提供服务的满意度评价，定义为一个n元组Epq，Epq=(s1,s2,…,sn)，其中si表示实体p对实体q的第i个属性的评价值。

将每一个n维评价向量看作一个n维论域的云滴，对于任一实体，可根据其他实体所提交的针对该实体的评价向量，建立针对每一个属性的一维信任云，由此对该实体所建立的信任云即为多维信任云。

定义5 多维信任云。多维信任云的定量论域是一个多维（n）的信任度空间TD=［0,1］n，C是TD上的定性信任概念，x∈TD是定性概念C的一次定量信任评价，x(i)是此定量信任评价中第i个分量的值，c(i)是信任度空间第i维的定性信任概念，x(i)对c(i)的确定度μ(x(i))∈［0,1］是有稳定倾向的随机数， μ:TD［0,1］n,x∈TD，xμ(x)，则x在论域TD上的分布称为多维信任云，记为TC(X)，每一个x称为一个云滴。

2.2 直接信任云

定义6 直接信任云。实体p根据与实体q之间的直接交互经验计算产生的信任云称为实体p对实体q的直接信任云，记为DTCpq。本模型中的直接信任云也是一个n维的信任云，采用云模型中的三个特征参数可表示为：DTCpq［(Ex1,Ex2,…,Exn),(En1,En2,…,Enn),(He1,He2,…,Hen)］。

假设Xpq={x1,x2,…,xm}是实体p对实体q的历史信用度评价全集，其中：xi是第i次交互后实体p根据实际的交互情况对实体q的n维评价向量；xi(j)代表该评价向量中第j个分量的值，即对实体q的第j个属性的评价值。处于不同评价时刻的评价数据对实体当前信任评估的影响不同，距离当前时刻越近的评价数据其影响越大；反之距离当前时刻越远的评价数据其影响越小，本模型采用文献［11］所提及基于时间的权值计算方法为每一个评价向量计算权值，评价向量xi所对应的权值为wi，满足∑mi=1wi=1。

对Xpq={x1,x2,…,xm}中所有评价向量的相同分量（j, j∈［1,n］），利用加权逆向云生成算法［11］1346-1347计算一维云滴{x1(j),x2(j),…,xm(j)}所表示的定性概念的期望Exj、熵Enj和超熵Hej。

2.3 推荐信任云

定义7 推荐信任云。实体p根据其他实体对目标实体q的推荐综合产生的对实体q的信任云称为实体p对实体q的推荐信任云，记为RTCpq。本模型中的推荐信任云也是一个n维的信任云，采用云模型中的三个特征参数可表示为：RTCpq［(Ex1,Ex2,…,Exn),(En1,En2,…,Enn),(He1,He2,…,Hen)］。

假设实体p有k个邻居实体r1,r2,…,rk，RTCrlpq表示实体p通过邻居实体rl对实体q的推荐计算得出实体p对实体q在该推荐路径下对应的推荐信任云，则实体p对实体q的推荐信任云是通过k个邻居实体所获知的相应推荐信任云的综合，计算公式如式（4）~（7）所示：

RTCpq［(Ex1,Ex2,…,Exn),(En1,En2,…,Enn),(He1,He2,…,Hen)］=RTCr1pqRTCr2pq…RTCrkpq

（4）

Exj=1k∑ki=1(Exji)

（5）

Enj=1k∑ki=1(En2ji)

（6）

Hej=1k∑ki=1(Heji)

（7）

其中： j∈［1,n］；Exj、Enj和Hej分别为实体p根据其他实体对目标实体q的推荐综合产生的对实体q的第j个属性的推荐信任云的期望、熵和超熵；Exji、Enji和Heji代表RTC ripq中第j维信任云的期望、熵和超熵。

显然RTCrlpq取决于实体p对邻居实体rl作为推荐者角色的推荐可信度以及实体rl对实体q的推荐情况。其中：推荐实体rl的推荐可信度recrl依赖于该实体历史推荐行为的一致性及推荐行为的活跃度，推荐行为的一致性反映该推荐实体与其他推荐实体相对同一被评估实体的推荐一致性程度，推荐行为的活跃度可定义为推荐行为发生次数的函数；实体rl对实体q的推荐情况是实体rl通过rl的邻居节点的推荐综合得到的对实体q的推荐信任云RTCrl q。若实体rl和实体q直接交互过，则RTCrl q=DTCrl q；若二者未直接交互过，则实体rl对实体q的推荐来自于rl邻居实体的推荐。

RTCrlpq计算公式如式(8)所示：

RTCrlpq=recrl *RTCrl q

（8）

2.4 综合信任云

定义8 综合信任云。实体p通过自身与实体q的直接交互经验，以及实体p的邻居实体对实体q的推荐，综合产生对目标实体q的信任，以多维信任云形式体现，即实体p对实体q的综合信任云，记为：STCpq［(Ex1,Ex2,…,Exn),(En1,En2,…,Enn),(He1,He2,…,Hen)］。

综合信任云的计算公式如式(9)所示：

STCpq［(Ex1,Ex2,…,Exn),(En1,En2,…,Enn),(He1,He2,…,Hen)］=α*DTCpq［(Ex1,Ex2,…,Exn),

(En1,En2,…,Enn),(He1,He2,…,Hen)］+

β*RTCpq［(Ex1,Ex2,…,Exn),(En1,En2,…,Enn),(He1,He2,…,Hen)］

（9）

其中α和β分别为直接信任云和推荐信任云的权值，满足α、 β∈［0,1］且α+β=1。α越接近1，表明实体越相信自身的直接交互经验；反之若一个实体更愿意相信其他实体的推荐则应使α

α=a tan(sum－a)+a tan(a)π/2+a tan(a)

（10）

其中：sum是评估实体和被评估实体近期的交互评价次数，正整数a是控制α增长速度的调节因子。

2.5 可信实体的选择

不同的服务请求实体在进行可信实体选择时对目标实体的不同属性侧重不同，设属性i的权重因子为bi，满足∑ni=1bi=1，则由被评估实体的n维综合信任云可得到该实体所有属性加权平均后的期望值、熵和超熵。所选择的目标实体应满足期望值大于期望阈值而熵和超熵值小于相应的阈值。

3 仿真实验及分析

为了验证本文模型的可行性和有效性，在BISON项目组提供的PeerSim仿真平台上，仿真实现一个网络规模为1000个节点的P2P网络，每个节点可同时作为服务提供者和服务请求者，服务提供者根据所提供服务的不同，被划分为三个互不相交的子集，分别是：诚实可信实体、不可信实体和临界服务实体。其中诚实可信实体所提供的服务一直是好的、可信的；不可信实体所提供的服务一直是差的，因而是不可信的；临界服务实体的行为是不稳定的，提供服务时好时坏。

实验中，对诚实可信实体的所有属性的评价值属于区间［0.6,1］，对不可信实体的所有属性的评价值属于区间［0,0.4］，对临界服务实体按恶意服务比例分情况讨论。

3.1 模型正确性仿真实验

为了简化问题的讨论，假设所有的服务请求者提交的评价向量都是可信的，即不存在虚假评价。参数α、 β分别为1、0，即该实验中只考虑直接信任云，不考虑推荐信任云的影响。

实验结束后，收集同类实体的同一属性的所有评价值，并将其作为每一属性对应的一维信任云的样本空间，根据逆向云生成算法，计算出信任云的三个特征参数：期望（Ex）、熵（En）和超熵（He）。以实体的某一属性信任云为例，诚实可信实体和不可信实体的实验结果如表1所示，临界服务实体信任云的数字特征值随着恶意服务比例不同而变化，如图1所示。

从表1和图1的实验数据可知，诚实可信实体和不可信实体的属性信任云中，熵En值都较小，诚实可信实体的期望值Ex明显较大，而不可信实体的期望值Ex值较小；对于临界服务实体，随着恶意服务比例的增长，期望值Ex降低，而熵值En明显增大，表明信任的不确定性程度增大，这些结论与真实网络环境中人们的认识是相符合的。

3.2 恶意行为对模型性能的影响

恶意行为包括反馈虚假评价和提供恶意服务。直接信任云在计算过程中只考虑直接交互行为，不受其他实体恶意评价行为的影响。推荐信任云依赖于其他实体对被评估实体的评价，因此评估准确性受控于评价行为的可信性。图2和图3分别给出了恶意评价行为和恶意的服务提供节点（除诚实可信实体外的其他实体）对模型的影响，实验中期望阈值和熵阈值分别为0.75和0.2。

4 结语

云模型克服了模糊数学用精确、唯一的隶属函数严格表达模糊概念的缺点，将其应用于信任模型中能够较好地解决主观信任表达中的模糊性和不确定性。本文在云模型和信任云的基础上，提出了多维信任云的概念，从而能够对服务提供实体进行更为细致深入的信任评估，更好地满足服务请求实体的信任需求。实验结果表明本文所提出模型能够有效地检测服务提供实体的可信类型。

参考文献:

[1]李小勇,桂小林.大规模分布式环境下动态信任模型研究［J］.软件学报,2007,18(6):1510-1521.

[2]唐文,胡建斌,陈钟.基于模糊逻辑的主观信任管理模型研究［J］.计算机研究与发展,2005,42(10):1654-1659.

[3] JSANG A. A subjective metric of authentication ［C］// Proceedings of the 5th European Symposium on Research in Computer Security. Berlin: SpringerVerlag, 1998: 329-344.

[4]JSANG A. A logic for uncertain probabilities ［J］. International Journal of Uncertainty, Fuzziness and KnowledgeBased Systems, 2001, 9(3): 279-311.

[5]JSANG A, PRESTI S. Analyzing the relationship between risk and trust ［C］// iTrust04: Proceedings of the Second International Conference on Trust Management. Berlin: SpringerVerlag, 2004: 135-145.

[6]唐文,陈钟.基于模糊集合理论的主观信任管理模型研究［J］.软件学报,2003,14(8):1401-1408.

[7]何锐,牛建伟,胡建平.一种开放网络环境中的不确定信任模型［J］.北京航空航天大学学报,2004,30(11):1125-1131.

[8] 张光卫,康建初,孟祥怡,等.基于云模型的主观信任表示研究［J］.计算机科学,2006,33(11):158-162.

[9]黄海生,王汝传.基于隶属云理论的主观信任评估模型研究［J］.通信学报,2008,29(4):13-19.

[10] 路峰,吴慧中.网格环境下基于云模型的信任评估与决策方法研究［J］.系统仿真学报,2009,21(2):421-426.

[11] 王守信,张莉,李鹤松.一种基于云模型的主观信任评价方法［J］.软件学报,2010,21(6):1341-1352.

[12]李德毅,孟海军,史雪梅.隶属云和隶属云发生器［J］.计算机研究与发展,1995,32(6):16-21.

[13] 李德毅.不确定性人工智能［M］.北京：国防工业出版社,2005:171-177.

第9篇：简述云计算的基本概念范文

关键词：网络安全；风险评估；云模型；指标体系；相似性度量

随着网络的多样化和复杂化，网络安全问题变得日益突出。因此，对当前网络风险进行评估，并依据评估结果在风险发生之前采取相应的防御措施，降低风险发生概率，提高网络安全就变得十分重要。目前网络安全风险评估存在的主要问题是评估主观性强，评估结果不精确。针对这些问题，一些学者提出通过建立合理的指标体系，选取适当的指标对网络安全状况进行评估。如瓮迟迟等依据国家等级保护技术标准，从技术要求和管理要求两方面建立主机安全评估指标体系，对主机安全风险进行了全面的模糊量化评估［1］。王娟等针对网络层次、信息来源和不同需求三方面，拟定了25个指标，建立了完善的网络安全态势评估体系，对网络安全态势量化评估提供了可靠的依据［2］。程玉珍从技术风险和非技术风险两个角度建立指标体系，并利用多层次模糊综合评估模型进行多层次的评估，为云服务的风险管理提供了理论参考［3］。一些学者采取定量或定性定量相结合的方法对网络安全状况进行评估，如攻击图［4］、Petri网［5］、神经网络［6］、博弈论［7］、马尔科夫模型［8］等方法，以避免纯粹定性评估结果的不精确等问题。依据云模型把定性概念的模糊性和随机性有效地结合在一起，实现定性与定量之间相互转换的特点［9］，本文提出了基于云模型的风险评估方法。通过完善网络风险评估指标体系，建立云风险评估模型，改进云相似性度量算法，有效地提高了网络风险评估结果的精确性和可信性。

1网络安全风险评估指标体系

网络安全状态评估涉及众多因素，而各因素的影响程度均不同。只有综合考虑影响网络安全的各种因素，才能对网络状态进行科学、合理的评价。因此，本文从网络安全风险因素中选取具有代表性的评估指标，构建网络安全风险评估指标体系，如图1所示。指标体系由目标、子目标和指标三个层次构成，U代表目标层，表示网络安全状态评估结果；U1、U2、U3代表子目标层，表示影响网络风险的因素；指标层是子目标层的细化，表示网络安全评估的具体因素。图1从脆弱性、威胁性和稳定性三个方面选取了影响网络安全风险的12个指标。其中，脆弱性子目标层的指标反映评估对象自身在系统软、硬件配置和服务配置上的安全性不足；威胁性子目标层的指标反映当前网络状态下的危害程度；稳定性子目标层的指标反映连续时间内网络性能变化情况。

2基于云模型的网络安全风险评估方法

利用云模型对网络安全风险评估指标进行评估量化处理，并把这种模型定义为云风险评估模型。具体定义如下：云风险评估模型CRAM（CloudRiskAssessmentModel）是一个五元组，即CRAM＝｛R，t，C，V，E｝。（1）R＝（α1，α2，…，αk）表示网络评估综合风险值集合。综合风险值αi＝∑nj＝1Iij×wj。其中：Iij表示第i次采样时，风险评估指标中第j个指标的样本值；k表示取样次数；n表示网络风险评估指标个数；wj表示第j个指标所对应的权重，且∑nj＝1wj＝1。（2）t表示每次采样间隔时间。（3）C＝（Ex，En，He）表示云向量。其中3个特征值Ex，En，He分别为期望、熵和超熵。（4）V＝（正常，较正常，较危险，危险）为系统状态集合，表示风险评估时的4种不同网络状态。（5）E＝（低，较低，较高，高）为评估等级集合，表示系统状态所对应的4种评估结果。

2．1正常状态云的构造

每间隔时间t对当前网络参数进行采样，获取k组样本点作为正常状态下的样本值。首先通过层次分析法（AHP）［10］计算各指标权重并求取当前状态下不同时刻的综合风险值αi（要多次对网络参数进行采样，以确保综合风险值的样本量足够多）；然后通过无确定度逆向云算法得到正常状态云的数字特征（Ex，En，He）；最后通过正向云算法生成正常状态云集合。2．1．1无确定度逆向云生成算法输入：网络安全评估指标体系中各指标的样本值Iij和每个风险指标所对应的权重wj，其中i＝1，2，…，k，j＝1，2，…，n（n表示风险指标个数，本文有12个指标值，所以n＝12）。输出：云数字特征值Ex、En、He。Step1：计算不同时刻的综合风险值αi；αi＝∑nj＝1Iij×wj（1）Step2：计算综合风险值的3个数字特征：（1）依据不同时刻的综合风险值，求取综合风险均值珨M＝1k∑ki＝1αi，样本方差S2＝1k－1∑ki＝1（αi－珨M）2；（2）期望值Ex＝珨M；（3）熵值En＝（珨M2－S22）1／4；（4）超熵值He＝（珨M－（珨M2－S22）1／2）1／2。2．1．2正向云生成算法输入：正常状态下云的数字特征（Ex，En，He）和云滴个数N。输出：N个云滴和正常状态下每个云滴的确定度ui。Step1：生成一个以En为期望值，He为标准差的一个正态随机数En′；Step2：生成一个以Ex为期望值，He为标准差的正态随机数xi；Step3：计算ui＝exp（－（xi－Ex）2／2（En′）2），其中xi表示一个云滴，ui为其确定度；Step4：重复step1－step3，直到按照上述要求产生N个云滴为止。

2．2四尺度概念云的构造

为了准确描述网络风险状态，首先将网络状态划分为安全、较安全、较危险和危险4种，分别对不同状态下的网络参数值进行采样；然后依据正常状态云的构造步骤分别建立4种网络状态下的正态云；最后生成四尺度的概念云（正常、较正常、较危险、危险），其相应的风险结果为（低、较低、较高、高）。

2．3基于相似云的风险评估算法

通过改进文献［11］的云相似度算法，计算出当前状态下生成的正态云与标准状态下四尺度的概念云的相似度，将相似度最高的概念云所对应的风险等级作为最终输出结果。具体的相似云风险评估算法如下：输入：当前网络状态下云C0的数字特征（Ex0，En0，He0），标准状态下概念云C1的数字特征（Ex1，En1，He1）。输出：风险评估结果δ。Step1：令fi（x）＝exp（－（x－Exi）2／2Eni2），i＝0，1，求出云C0和云C1的两条期望曲线y＝f0（x）和y＝f1（x）在［Ex1－3En1，Ex1＋3En1］范围内的相交点x1、x2，设x1≤x2，Ex0≤Ex1；Step2：由于交点的分布不同，正态云重叠面积A分为3种情况：（1）若x1与x2落在［Ex1－3En1，Ex1＋3En1］范围外，则A＝0；（2）若x1与x2有一点落在［Ex1－3En1，Ex1＋3En1］范围内，则A＝∫x1Ex1－3En1f1（x）dx＋∫Ex1＋3En1x1f0（x）dx；（3）若x1与x2同时落在［Ex1－3En1，Ex1＋3En1］范围内，则A＝∫x1Ex1－3En1f1（x）dx＋∫x2x1f0（x）dx＋∫Ex1＋3En1x2f1（x）dx（当En1＜En0时），或A＝∫x1Ex1－3En1f0（x）dx＋∫x2x1f1（x）dx＋∫Ex1＋3En1x2f0（x）dx（当En1≥En0时）；Step3：对面积A做标准化处理，最终可得云模型相似度为：sim（C0，C1）＝A2槡πEn1∈［0，1］（2）Step4：依次计算待评价云C0与4个概念云C1，C2，C3，C4的相似度值，其中最大相似度值所对应的风险等级为最终的输出结果，记为δ。

3实验结果与分析

3．1实验过程与结果

本实验基于Windows7环境，编程工具为Matlab7．11，在校园网络环境下进行测试。采用美国林肯实验室Kddcup99数据集中的数据，分别对非攻击、PROBE（端口扫描）攻击、R2L（远程登录）攻击和DoS（拒绝服务）攻击4种状态下的数据进行采集，按照1∶1000的比例随机选取子网带宽占用率、子网流量增长率、子网流量变化率和不同协议数据包分布比值变化率4个指标值。利用逆向云算法得到各状态下云的特征值（见表1），然后通过正向云算法生成四尺度的概念云（正常，较正常，较危险，危险），其相应的风险评估结果为（低，较低，较高，高）。进行随机网络攻击，每隔10s对当前网络进行一次采样，每次实验采样20组，利用AHP依次计算此时的综合风险值并作为输入参数，通过逆向云算法求出此时的云特征值C（Ex，En，He）。重复实验多次，并取4次实验采样值进行相似度计算。利用相似云风险评估算法，依次计算4次不同实验下的云与标准状态下四尺度概念云的相似度，相似度最大的为最终输出结果.

3．2实验结果分析

将正态云相似性度量方法与传统的基于云滴距离［12］和余弦夹角［13］求相似性的方法进行比较.3种云相似性度量方法均可以得出正确的结果。基于云滴距离的相似性度量方法，因云滴的分布带有局部性和随机性，各云滴之间选取和排序问题不仅会增加算法的复杂度，还会直接影响到结果的准确性。基于夹角余弦求相似度的方法虽然计算简单，但是通过逆向云算法生成的期望值远大于熵和超熵，使得该方法在求相似度时容易忽视熵和超熵的作用，直接影响到结果的精确性。本文利用正态云重叠面积求相似度的方法充分考虑到正态云的全局相似性和3个数字特征值的作用，使得评估结果更加精确。

4结语

本文通过建立完善的网络风险评估指标体系和改进云相似性度量算法对网络风险状态进行了评估。实验结果表明，改进方法与传统方法相比不仅使实验结果更加精确，还提高了网络安全评估效率。如何获取和处理异常的网络采样数据，使评估结果更全面，是下一步研究的主要内容。

参考文献：

［1］翁迟迟，齐法制，陈刚．基于层次分析法与云模型的主机安全风险评估［J］．计算机工程，2016，42（2）：1－6．

［2］王娟，张凤荔，傅翀，等．网络态势感知中的指标体系研究［J］．计算机应用，2007，27（8）：1907－1909．

［3］程玉珍．云服务信息安全风险评估指标与方法研究［D］．北京：北京交通大学，2013．

［4］PhillipsC，SwilerLP．Agraph－basedsystemfornet－work－vulnerabilityanalysis［C］／／ProceedingsoftheWorkshoponNewSecurityParadigms．Virginia，USA：ACM，1998：71－79．

［5］高翔，祝跃飞，刘胜利，等．基于模糊Petri网的网络风险评估模型［J］．通信学报，2013（S1）：126－132．

［6］刘芳，蔡志平，肖侬，等．基于神经网络的安全风险概率预测模型［J］．计算机科学，2008，35（12）：28－33．

［7］姜伟，方滨兴，田志宏，等．基于攻防博弈模型的网络安全测评和最优主动防御［J］．计算机学报，2009，32（4）：817－827．

［8］王笑，李千目，戚湧．一种基于马尔科夫模型的网络安全风险实时分析方法［J］．计算机科学，2016，43（S2）：338－341．

［9］李德毅，刘常昱．论正态云模型的普适性［J］．中国工程科学，2004，6（8）：28－34．

［10］廖红强，邱勇，杨侠，等．对应用层次分析法确定权重系数的探讨［J］．机械工程师，2012（6）：22－25．

［11］李海林，郭崇慧，邱望仁．正态云模型相似度计算方法［J］．电子学报，2011，39（11）：2561－2567．

［12］张勇，赵东宁，李德毅．相似云及其度量分析方法［J］．信息与控制，2004，33（2）：129－132．