云计算的特点篇1

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

CurvaturebasedPrincipalComponentAnalysisandApplication

TANGMinli,WANGWei,WUHengyu

(HainanSoftwareVocationalAndTechnicalCollege,Qionghai571400,China)

Abstract：Aprimarycomponentanalysisalgorithmonaccountofcurvatureispropsedtocompressthedataof3Dpointcloud.Theprimarycurvature,Gaussiancurvatureandaveragecurvatureofeachpointiscalculated.Thepointclouddataismappedtothecurvaturespacetoextracttheprimarycomponentofthecurvaturespace.Thepointclouddataiscompressed.Testresultsshowthatthisalgorithmhasaperfectcompressionperformance.TheinnovationofthepaperisthatPCAalgorithmisintroducedintocompressionof3Dpointclouddata.ThealgorithmconqueredthedisadvantagesofthetraditionalPCAmethod.

Keywords：curvature;PCA(primarycomponentanalysis);datacompression;3Ddata

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(PrimaryComponentAnalyze)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(OrthogonalcrossSection)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14576392785.8区域28790670776.3

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38645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CPUcoreTM2，内存2GB，硬盘250GB，Matlab7.0.1和Imageware12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38645-第一次压缩3224983.45第二次压缩2751571.2

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］MILROYMJ,BRADLEYC,VICKERSGW.Segmentationofawraparoundmodelusinganactivecontour\[J\].ComputerAidedDesign,1997,29(4):299320.

［2］HUANGJ,MENQCH.Automaticdatasegmentationforfeometricfeatureextractionfromunorganized3Dcoordinatepoints\[J\].IEEETransactionsonRoboticsandAutomation,2001,17(3):268279.

云计算的特点篇2

随着计算机信息技术的发展，一种新型的计算模式――云计算逐渐兴起，云计算具有超强的计算能力、可靠性、虚拟性、通用性、按需付费等特点，因此云计算近年来发展迅速，已经成为未来计算机发展的方向。本文主要阐述了云计算和云储存的概念，并分析了云计算环境下云计算数据存储GoogleFileSystem和HadoopDistributedFileSystem两种存储数据。

【关键词】云计算云储存数据存储技术

21世纪是信息知识爆炸的年代，每天产生海量的信息，企业需要处理和存储的数据信息越来越多。如果按照传统计算机算法，企业为了存储信息需要购置大量的硬件设施和软件设施，并需要专人对数据信息进行管理，对设备进行维护，需要耗费大量的人力和物力成本。而云计算这种计算方式，省去了企业管理和维修的麻烦，企业可以将大量的数据信息放在服务器或者云端，企业只需要支付少量的管理费用，就能随时调取云端的数据信息，并享受图片处理、归档服务、音视频转码等多种数据增值服务。

1云计算与云存储的概念

1.1云计算

根据美国国家标准与技术研究院的定义：云计算是一种按使用量付费的模式，这种模式提供便捷的、可用的、按需的网络访问，用户只需要进入到可配置的计算资源共享池，包括服务器、存储、网络、应用软件和服务器等，云端管理人员只要通过少量的管理或者与服务商进行少量的交互，就能实现对云端的管理。云其实是互联网的一种比喻说法，通过云计算可以将数据信息存储在计算机中，这里的计算机指的是远程服务器。然后企业根据自己的需求，对计算机存储系统进行访问，并将信息资源直接切换到实际应用方面。计算机直接将主机功能交给了云端，云端的计算能力就跟水电一样，成为了一种商品，这就促使传统计算机方式向现代计算机方式转变。

1.2云储存

云储存是在云计算的基础上提出的，它与云计算有很多相同的地方。云计算主要是通过网络技术、集群应用和分布式文件系统，利用应用软件将网络中大量不同类型的存储设备连接起来，共同合作，对外提供业务访问和数据存储功能。云存储与传统的存储模式相比，它是一种特殊的构架服务，它必须建立在互联网基础上，为用户提供在线的存储服务。用户不需要考虑存储器中的容量、数据存储位置、安全等问题，只需要按时付费就可以了。

2云计算的数据存储技术

云计算存储技术具有比较明显的两个特点：第一是高传输率，第二是高吞吐率。当前，云计算存储技术比较主要有谷歌开发的非开源的GFS和Hadoop团队开发的HDFS技术。不过后者在IT厂商应用的比较广泛。

2.1GoogleFileSystem

GoogleFileSystem简称GFS，这种存储技术不仅开源扩展，而且是分布式的，广泛应用在分布式的数据访问。它的硬件价格比较低，但是却提供了容错的功能。每一个GFS都是由一个master和多个chunkserver构成，能够提供多用户的访问权限，只要用户的访问资源不受限制。chunkserver可以和访问同时进行。GFS系统文件被分成很多个小块，每一个小块的标识是chunk―handle，chunk―handle由master分配。为了保证数据的安全性和可靠性，GFS系统文件会被复制在多个chunk―handle上，文件的副本由用户决定，master会对系统文件进行维护。比如系统访问控制、空间名字。此外它还可以控制系统的活动范围，chunkserver间的迁移和单个模块的垃圾收集等。master还会定期指令给chunkserver，让chunkserver收集它的发展状态。目前谷歌公司开发的GFS客户代码基本已经实现了系统文件的AP，所以用户与master的数据交换，之限制元数据操作，存储数据直接和chunkserver联系，chunkserver和文件数据客户不会缓存。

2.2HadoopDistributedFileSystem（HDFS）

Hadoop分布式文件系统是HDFS由多个存储数据的终点和管理节点构成的。它的中心服务器是namenode，客户端和文件管理系统namenode对文件进行访问。每一个namenode节点都有一台普通的计算机对应，运行时与单机计算机文件系统类似，可以在文件系统常见名录、更改文件名。其实系统的底层已经把文件分割成了Block，并⒄庑Block进行不同的存储，从而达到容错的目的。namenode是HDFS文件系统的核心内容，它可以维护一些数据结果，再把记录文件分割成Block，并在namenode获得相关的消息。

3结语

云计算是一种新型的计算模式，它必须依靠大数据或者在大数据的基础上，为计算机用户提供服务和帮助。为了确保计算机数据的可靠性和安全性，云计算对云端数据采取了分层存储的方式，为用户提供多层次的安全防护。但是如今云计算的安全问题依然是用户关心的重点。云存储已经是未来存储的一种趋势。当前各大云存储运营商正在积极开发应用技术、搜索和云存储相结合的技术，为用户提供更加便利的服务，但是云存储的发展还须加强云存储的安全防护功能和技术研究。

参考文献

[1]刘晓辉.试析计算机云计算的数据存储技术[J].通讯世界，2015（21）：257-257.

[2]耿丽娟.基于云计算的数据存储技术探索[J].科技尚品，2016（03）：174-174.

[3]蒋穗，祁杰.数据存储技术在云环境下的应用特性分析[J].移动通信，2013（11）：42-44.

云计算的特点篇3

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（CloudComputing）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]

云计算的特点篇4

关键词：云计算；技术；应用发展

中图分类号：TP3

近年来，云技术发展迅速，云计算已成为社会广泛关注的热点。对于云计算的本质而言，云计算并非技术创新，而只是对于服务模式的创新。这种服务模式的创新，促使传统的IT服务更加的便捷、简单，很大程度上促使了信息技术的发展。云计算技术有着显著的功能结构及特点，这也就决定其在实际中的广泛应用。当前，云计算技术在个人级、企业级的应用广泛，并在该些领域带来了改革式的风暴，不仅对传统服务模式进行了优化，而且便捷了用户端，对于现代人的生产生活带来较大转变。本文针对云计算技术及相关应用，做了如下阐述。

1云计算结构及特点分析

1.1云计算结构

从其功能结构而言，其主要包括四个部分：存储层、应用接口层、访问层及基础管理层。对于相关具体内容，已作如下阐述：

（1）存储层。在云计算中，其最为基础的部分就是存储层。存储层主要承载于各类存储设备，如IP存储设备、FC光纤通道存储设备及DAS存储设备。对于这些存储设备，其主要分布在不同区域的网络，并在统一管理系统的作用下，实现相关的状态监控、故障维修等操作。以至于在很大程度上，转变了传统物理机的限制，实现了逻辑化的空间存储。

（2）基础管理层。云计算的核心部分中，基础层占有重要地位。其主要包括网格计算、集群等技术，以协同存储设备的工作。同时，基础管理层可以保障服务质量，尤其是多设备的一对服务，提高了服务质量。在基础管理，需要保障用户的信息安全：1）对于不同的用户，要确保其间的数据授权安全；2）对于存储的数据本身，也需要确保安全可靠。

（3）应用接口层。作为云计算最为灵敏部分的应用接口层，其主要承担对基础层的开发与API。例如，IPTV服务平台，就是极好的例子。

（4）访问层。访问层是云计算结构的重要部分，承担用户请求的响应层。在访问层，授权用户可通过应用接口登录云，随后云系统接受请求，针对用户的请求进行资源的分配。

从云计算的结构分析来看，云存储系统作为一种集合体，强调多设备、多服务、多应用的协同工作，是融合多样化技术的发展产物。所以，云计算的功能结构，强调了其广泛的实用性及使用价值，在很大程度上改变了传统的服务模式。

1.2云计算特点

云计算具有较强的优越性，尤其是云计算的虚拟化、通用性、可靠性强等特点，决定了云计算具有较强的应用价值。

（1）虚拟化。虚拟化是云计算的最大特点之一，其主要是支持用户端的应用服务。在服务终端，其可以使手机、笔记本，也可以是PDA。也就是说，在网络环境下，为终端提供IT资源的一切所需服务。

（2）通用性。云计算的通用性强调了其使用的广泛性。云计算的应用不是针对的、特定的，也就是说，在云系统“云”的支持下，其所形成的应用是变化的。且同一个“云”，其所支持的应用可以是不同的。

（3）可靠性。云计算的可靠性强，基于多种保障措施，以确保服务的安全可靠。例如“云”使用计算节点同构互换措施，确保云计算的可靠性。

（4）按需服务。云系统作为一个庞大的资源体，其可以做到按需服务，强化了服务效率与质量的提升，在很大程度上方便了用户端。

2云计算技术的典型应用

近年来，云计算技术不断发展，并已开始应用于商业领域。目前，主要的云计算类型有三种：平台即服务、基础架构即服务、软件即服务。云存储所提供的对外服务因用户的不同而不同，一般可以分为个人级和企业级两种典型应用。

2.1个人级云存储

（1）网络磁盘。云系统有庞大的资源调度能力，可将不同区域的物理服务器构成存储空间池，这就便于用户针对自身需求合理地调度空间池的储存资源。在网络磁盘的使用中，使用者可通过Web的方式进行访问，对资源进行上传及下载，以对个人的重要数据进行网络化储存和备份。其实，对于云计算技术的这种应用服务，更像是在银行中存款之后，可以按照自身需要，随时、随地进行存取。网络磁盘作为一种在线储存设备，实现对所有应用文件的储存，且云中的虚拟磁盘与实际的业务应用无关，只是虚拟磁盘的构筑。

（2）在线文档编辑。相比较于网络硬盘，在线文档编辑的应用完全由云端提供，也就是说，在线文档编辑的应用程序的运行，如程序所需的CPU资源、内存“云”端化。在庞大的云系统中，分布于不同内存与CPU可以进行逻辑组合，这样就实现了统一调度，便于用户端使用的效果。对于在线编辑的方式，没有繁杂的文档软件，只需打开在线文档网页，进行相应的文档编辑及修改，之后储存在空间之中。所以，在线文档无论客户在何时何地，只要登录系统，便可使用储存在系统中的文档资料。当然，对储存系统的管理权限进行设置，可实现对文档的共享。

对于上述的个人级应用，更加强调用户使用效率的提高，并逐渐地在弱化应用对终端的要求。同时，随着云计算技术的不断发展，其面向个人的应用将更加的多样化，这给现代人的生产、生活带了较大转变。

2.2企业级云存储

（1）企业空间租赁。随着信息技术的不断发展，各企业单位的信息化建设加快。企业传统的发展模式下，在硬件设备、维护成本等方面的投入较大。而在云储存系统中，通过其高性能、大容量的特点，可以企事业单位提供更加便捷的空间租赁服务。与此同时，在专业人员的日常管理及维护下，为企业信息安全提供了保障，确保云储存系统中的数据不丢失。

（2）企业远程数据备份。在网络信息时代，企业数据的安全储存非常重要。在庞大的云系统中，可通过大容量、高性能的云储存系统提供远程服务。这样一来，在企业的远程数据备份及容灭中，远程数据备份软件、云储存系统都可为企业提供安全的远程服务，确保相关信息的处理工作切实到位。

对于上述的两种企业级应用，主要体现于IT基础资源的云端化实现。相比于个人级应用，企业级的应用的特点明显，强化了对资源冗余的储存管理，更强调云计算技术的实用性。

2.3运营商级的云计算

（1）云主机。相比于个人、企业级的应用，运营商级的应用更强调不同业务间的资源配置以及业务流的优化。在提供虚拟主机业务方面，IDC运营商所需的服务器较多，其主要的提供方式呈现出以下特点：1）“以一虚多”，也就是通过一台机实现多台主机的虚拟，并通过对相关资源管理软件的运行，以提高运行效率；2）对于虚拟的主机空间，其所形成的空间是固定的，且需要占用一定的物理空间。这种传统的提供方式与现代企业的发展形成了一定偏差：无法实现大范围内的资源调度及分配；对于客户的业务选择，具有一定的片面性，指向于需求量大的业务。这样，网站不仅缺乏访问，而且造成资源分配与调度的不合理。

而云计算系统可以实现资源的统一调度，并针对不同的信息资源形成互补。例如，对于内存资源消耗比较大的游戏，其服务器可与硬盘资源消耗多的视频配置到同一物理机；为提高服务器的利用效率，可以将白天的Web浏览与夜间的BT下载相配置，这样可以有效地拓展使用量。

（2）互联网内容聚合系统。互联网已成为现代人生产、生活的重要部分，其丰富的内容，特别是网络高清视频，已成为当前的主流。当前运行比较良好的网站有：优酷、迅雷、土豆、新浪、快播、搜狐高清频道等。视频网站的发展很大程度上依赖于网络的部署情况，网络部署快，其所形成的用户网质量就越高。从传统视角而言，其在发展的过程中，需要投放大量的服务器，并在过镜像系统的作用下，将相关内容引入到网站之中。该方法在操作上需要加大的投入，且所需的部署周期长，不利于快速发展的网络时代。而在云系统下，可以对相关的热点内容进行及时部署。在下图1中，所示了互联网内容云计算的引入。

从图1我们可以知道，内容提供商的内容源镜像可通过云系统储存在云空间，以定向地服务用户。从该种方式的本质而言，不仅减少了运营商在服务器方面的投入，而且便捷了用户的使用，视频观看的效果更加好。

从上述的两点而言，其在运营商级的应用非常广泛，远非这些。云计算技术庞大的运算功能，在很大程度是为业务流的分析提供了基础与条件。同时，在信息安全环境的保障上，运营商可实现对相关信息的追踪甚至是定位。

2.4云计算技术的应用特点

对于上述的应用，我们可以概括出以下特点：1）云系统基于计算资源的集约化、云端化，实现对传统的复杂应用，尤其是对于计算过程的复杂应用；2）应用的安全系数高，为数据信息的安全提供了保障。在云系统中，在很大程度上减少了单设备运行所带来的故障风险。并能够面向目标对象，避免网络攻击所带来的安全问题；3）所提供的服务更加指向于市场的需求。并能够对数据型进行再造，这就很大程度上扩展了其实际应用。

3结束语

在网路信息时代，人们的生活理念发生了较大转变，如何在转变中迎合现代社会的发展需求，是云计算机发展并广泛使用的关键。云计算技术在很大程度上创新了传统的服务模式，不仅实现了应用的通用性、可靠性，而且便捷了用户端，是适应当前社会发展的集中体现。所以，随着相关技术的不断发展，云计算机的应用也将更加具有时效性、广泛性，以更好地服务社会的发展需求。

参考文献：

[1]王鹏.云计算技术及产业分析[J].成都信息工程学院学报，2010，12：66-67.

[2]吕淑丽.数字化背景下图书馆的云计算技术应用分析[J].电脑知识与技术，2012，3：36-38.

[3]周毅.浅谈广电的云计算技术[J].广播与电视技术，2010，10：69-71.

[4]张万潮.云计算技术及其应用研究[J].网络与信息，2012，6；25-28.

[5]赵广才，张雪萍.云计算技术分析及其展望[J].电子设计过程，2011，22：13-16.

云计算的特点篇5

【关键词】云计算；ERP；企业管理信息系统

1引言

上世纪60年代为了解决库存管理订购点的不足提出了物料需求计划（MaterialRequirementPlanning，MRP），经过三个阶段的演变发展成为了今天的ERP企业资源规划系统（EnterpriseResourcePlan，ERP）。从目前来看，由于ERP系统建立成本高，并且需要各种资源条件的配合，其在企业中的应用还比较低，建立并能成功使用的百分比只有30%。云计算的出现有望改变这一现状。

所谓云计算即是网格计算、分布式计算、并行计算、效用计算、网络存储、虚拟化、负载均衡等传统计算机技术和网络技术发展融合的产物。它旨在通过网络把多个成本相对较低的计算实体整合成一个具有强大计算能力的完美系统，并借助SaaS、PaaS、laaS、MSP等先进的商业模式把这强大的计算能力分布到终端用户手中。云计算的一个核心理念就是通过不断提高“云”的处理能力。进而减少用户终端的处理负担，最终使用户终端简化成一个单纯的输入输出设备，并能按需享受“云”的强大计算处理能力。“云计算”技术的出现，使ERP系统再也不用为资源系统发愁，不但提高了ERP的应用范围，还提高了ERP系统的使用率。通过云计算技术的应用，ERP系统的应用范围不仅包括了大型企业，也在中小企业中得到了很好的利用，由此使ERP系统的应用范围越来越广。

2基于云计算模式的ERP企业管理信息系统在企业中的作用

考虑到ERP系统的重要性及其先进的技术特点，基于云计算模式的ERP企业管理信息系统在企业中得到应用是必然选择。从目前来看，基于云计算模式的ERP企业管理信息系统在企业中作用主要表现为几个方面。

（1）基于云计算模式的ERP企业管理信息系统提高了企业信息的使用率

对于企业来讲，在经营管理过程中会遇到大量的数据信息需要处理，利用原有的ERP管理系统，只能实现一般数据的处理，并且处理速度处理效果都不理想。也没有实现对企业信息数据的充分利用。基于云计算模式的ERP企业管理信息系统的构建，对企业原有的ERP管理系统是一个有力的补充，不但增加了ERP管理系统的功能，还提高了企业信息的使用率。

（2）基于云计算模式的ERP企业管理信息系统促进了ERP系统的发展和运用

基于云计算模式的ERP企业管理信息系统在企业中得到应用后，直接提高了ERP管理系统的使用频率，实现了对企业信息数据的综合利用和分析，对企业的经营管理起到了较大的促进，使企业的信息管理档次得到提升。基于云计算模式的ERP企业管理信息系统具有诸多优点，十分适合处理企业内部的各项管理信息数据，系统的应用促进了ERP系统的发展和运用。

（3）基于云计算模式的ERP企业管理信息系统提升了ERP系统的使用效果

考虑到基于云计算模式的ERP企业管理信息系统的特性，在企业中应用基于云计算模式的ERP企业管理信息系统已经成为了必然。由于此系统能够实现对企业内部管理数据的综合运用和处理，因此直接促进了ERP管理系统在企业中的应用。从目前基于云计算模式的ERP企业管理信息系统在企业中的应用实际来看，直接提升了ERP系统的使用效果。

3基于云计算模式的ERP企业管理信息系统的特点分析

基于云计算模式的ERP企业管理信息系统，是将原有的ERP企业管理信息系统与云计算技术进行了有益的结合，综合了二者的优点，在云计算的模式下提高了ERP企业管理信息系统的功能，充分满足企业的实际需要。经过对基于云计算模式的ERP企业管理信息系统进行了解后发现，其特点主要表现在几个方面。

（1）基于云计算模式的ERP企业管理信息系统发挥了云计算技术的优势

基于云计算模式的ERP企业管理信息系统，其主要特点是应用了云计算技术。云计算技术主要是由分布式计算、并行处理、网格计算发展来的，是一种新兴的商业计算模型。目前，对于云计算的认识在不断的发展变化，云计算没仍没有普遍一致的定义。通俗的理解是，云计算的“云“就是存在于互联网上的服务器集群上的资源，包括硬件资源（服务器、存储器、CPU等）和软件资源（如应用软件、集成开发环境等），本地计算机只需要通过互联网发送一个需求信息，远端就会有成千上万的计算机提供需要的资源并将结果返回到本地计算机。这样，本地计算机几乎不需要做什么，所有的处理都在云计算提供商所提供的计算机群来完成。

（2）基于云计算模式的ERP企业管理信息系统实现了ERP系统的充分利用

从目前基于云计算模式的ERP企业管理信息系统来看，其本质是一个管理平台，在这一平台上管理思想被系统化和形象化，可以为员工提供重要的决策参考。ERP系统除了是一个有效的管理平台之外，其本身作为一个信息化系统在企业的资源和信息管理中发挥着重要作用。从ERP系统的现实应用来看，ERP系统的出现极大的改变了企业资源信息管理模式，使企业的管理水平得到持续提高。由此可见，基于云计算模式的ERP企业管理信息系统实现了ERP系统的充分利用。

（3）基于云计算模式的ERP企业管理信息系统结合了云计算技术和ERP系统的优点

对于基于云计算模式的ERP企业管理信息系统而言，其技术特点主要体现在了云计算技术和ERP技术上。随着云计算技术的应用和发展，云计算技术已经成为了目前计算机技术的最主要的发展成果，对信息系统建设起到了非常重要的促进作用，不但提高了信息系统的处理效率，还增加了信息系统的功能，使信息处理系统的实用性更强。而ERP技术由于受到技术水平的限制，在功能上难以实现突破，无法满足企业的现实需求。基于这种考虑，基于云计算模式的ERP企业管理信息系统结合了云计算技术的优点和ERP企业管理信息的优点，将二者融为一体，创造出了适合企业的先进的信息管理系统。

4基于云计算模式的ERP企业管理信息系统的实际应用

从目前的应用情况来看，基于云计算模式的ERP企业管理信息系统已经在企业中实现了大规模的应用，对企业的经营管理和信息处理起到了较大的促进作用，提高了企业信息数据管理的实效性和工作效率。目前基于云计算模式的ERP企业管理信息系统主要在企业得到了重要应用。

（1）基于云计算模式的ERP企业管理信息系统在企业的财务系统得到重要应用

在企业的财务系统中，涉及到的基础数据非常多，如果单纯依靠传统的人工记账手段很难达到企业管理的需要，为了达到提高企业财务管理效率和财务信息准确率目标，基于云计算模式的ERP企业管理信息系统的应用成为了必然。从目前企业中基于云计算模式的ERP企业管理信息系统的应用情况来看，该系统对完善企业财务制度，优化财务信息处理流程，增加财务信息处理手段有很大的帮助。该系统已经成为企业财务管理的重要辅助手段，对企业的促进作用十分明显。

（2）基于云计算模式的ERP企业管理信息系统在企业的销售系统得到了重要应用

在企业的销售系统中，各项销售数据和指标对企业营销政策的制定和营销行为的开展起着重要作用。为了保证这些数据和指标能够全面反映企业的销售状况，基于云计算模式的ERP企业管理信息系统在企业的销售系统中得到了重要应用，并取得了一定的效果。从应用情况来看，基于云计算模式的ERP企业管理信息系统提高了销售业务数据的分析能力和管理效率，使企业的销售数据处理速度更快，直接提高了企业销售数据的有效性，为企业销售政策的制定提供依据。

（3）基于云计算模式的ERP企业管理信息系统在企业的库存管理系统得到重要应用

在企业管理中，库存管理是一项重要内容，企业的库存管理不但关系到能否实现产品的有效管理，还关系到能否为销售政策的制定提供基础的参数和依据。基于这种现实需要，基于云计算模式的ERP企业管理信息系统在企业的库存管理中取得了重要应用，并取得了一定成效，保证了企业的库存管理能够满足企业需要，并为企业总体发展战略的制定提供基础数据。从此我们可以看出，基于云计算模式的ERP企业管理信息系统对企业的库存管理系统起到了较大的促进作用，使企业的库存管理取得了积极的效果。

5结束语

通过本文的分析我们可以知道，从目前企业的实际管理过程来看，ERP系统的作用越来越明显，其应用范围也越来越广，但是受到其自身限制，ERP系统要想实现快速发展，就必须借助于云计算技术。应用了云计算技术的ERP企业管理信息系统，规范了企业的管理行为，节约了企业的管理成本，促进了企业管理的发展，提高了企业管理的综合效益，相信未来基于云计算模式的ERP企业管理信息系统将在企业管理中发挥越来越重要的作用。

参考文献

[1]王樨，汤伟，王孟效.ERP现状及未来发展趋势[J].化工自动化及仪表，2009年03期.

[2]王利红，陈金鹰，杨俊.云计算模式ERP企业管理系统[J].通信与信息技术，2012年01期.

[3]刘异，呙维，江万寿，龚健雅.一种基于云计算模型的遥感处理服务模式研究与实现[J].计算机应用研究，2009年09期.

[4]徐玲.ERP系统在企业管理中的重要性[J].宁夏机械，2009年04期.

[5]步春媛，徐大华.基于ERP的企业管理信息系统设计[J].计算机工程与设计，2007年18期.

[6]王德文，宋亚奇，朱永利.基于云计算的智能电网信息平台[J].电力系统自动化，2010年22期.

[7]宁家骏.云计算时代加强信息安全保护问题的若干思考[J].信息网络安全，2012.2.

[8]季一木，康家邦，潘俏羽等.一种云计算安全模型与架构设计研究[J].信息网络安全，2012.6.

[9]胡春辉.云计算安全风险与保护技术框架分析[J].信息网络安全，2012.7.

云计算的特点篇6

0引言

随着大规模精细三维模型获取技术的不断发展，三维激光扫描技术凭借其数据获取速度快、精度高、覆盖广的特点，成为高精度三维模型数据获取的主流方式之一，获取的点云数据量也呈几何级数增长，因此，如何对海量散乱点云数据进行简化已成为计算机图形学、快速成型、三维测绘、地理信息系统、数字城市、军事仿真、游戏娱乐等点云模型应用领域的重要研究课题之一。

传统的点云简化方法主要分为两个大类：第一类是顾及特征的简化[1-3]，此类算法需要依据单点的K邻近点集拟合曲面，并构建曲面的法向量和曲率等相关特征度量因子判定单点是否为特征点，从而实现点云简化。这些算法能够保持模型特征，但是涉及K邻近点集等复杂计算操作，耗时多，仅适用于小数据量的点云简化。第二类是规则采样简化算法[4-6]，此类算法依据一定规则对原始点云进行采样，然后以采样点作为特征点保留，剔除其他点实现点云简化。这类算法简化效率高，但是不能有效地保持模型特征，由于采样标准单一，在特征变化明显的尖锐弯曲处会导致局部细节过度光顺丢失细节。由此可见，传统算法的主要问题是点云简化过程中计算复杂与模型特征保持不能兼顾。

近年来通用计算图形处理器(GeneralPurposeGraphicsProcessingUnit，GPGPU)的快速兴起，尤其是NVIDIA公司2006年推出的图形处理器(GraphicsProcessingUnit，GPU)并行计算框架——统一计算设备架构(ComputeUnifiedDeviceArchitecture，CUDA)[7]凭借其高性价比、低通信开销、卓越的并行计算能力，让海量化或者计算复杂度高的三维点云模型数据快速处理成为可能。文献[8]使用GPGPU实现基于边缘点的激光雷达(LightDetectionAndRanging，LiDAR)点云滤波算法，文献[9]提出一种基于CUDA的双边滤波的点云滤波算法。两者都将K邻近点、曲面拟合、法向量以及曲率等计算复杂度高的步骤，利用CUDA编写不同的kernel并行化，从而加速点云简化，但是，由于在单个线程中完成类似求解单点K邻近点的计算需要消耗太多的全局内存等GPU资源，这严重制约此类算法处理点云的规模，仅适用于数十万级的小规模点云处理。

本文借助众核GPU通用计算高性能并行的特点，结合快速成型领域切片点云简化算法[10-12]顾及特征的优势，实现了基于CUDA的顾及模型特征且适合千万级点云的并行简化算法，并从该算法的时间效率方面的优势阐述了CUDA用于海量数据处理的优势和潜力。

1切片点云算法原理

基于CUDA的切片算法实现原理如下：首先，在CPU端根据点云的几何分布特征对点云进行分层并降维投影至相应的投影平面上;然后，依次对不同投影面上单层点云中的每一点和相应投影平面坐标原点所连直线与投影面某一坐标轴固定方向的夹角大小进行升序排序;最后，使用本文提出的利用CUDA在GPU端对每层排序后的切片点云依据弦高差法并行计算各点的弦高差值和各层切片的弦高差均值作为阈值，通过比较各点弦高差与阈值的关系，确定该点是否为特征点从而完成该层切片简化。

1.1特征点的提取原理

利用弦高差法来确定切片中各点是否为特征点，原理详见文献[13]，其中弦高距离由式(1)求得：

di=|Axi+Byi+C|/A2i+B2i+C2i(1)

如图1所示，pi为目标待判定点，直线pi-1pi+1所构成直线方程为l：Ax+By+C=0，由计算几何的原理可求得pi到直线l的垂直距离为di。

其中：mj表示第j层点云的总数;di表示第j层点云中的第i个点的弦高差值。

1.2基于CUDA的切片算法实现

由上述原理可以看出：依次计算单点的弦高差、单层切片的阈值σ以及单点弦高与阈值的比较等操作均是计算密集的操作，不涉及对原始切片数据的写操作，不会因为数据的复写而引发数据的二义性，具备良好的数据独立性，因此本文借助NVIDIA推出的GPGPU平台CUDA的单程序多数据(SingleProgramMultipleData，SPMD)特性[7]，利用GPU中大规模并行处理器的并行计算能力，使用相互独立的线程并发执行这些计算，实现基于数据并行性的点云简化，具体算法如下。

步骤1将依据角度排序后的单层点云切片从CPU的cpuvector中传入至GPU的gpuvector中。

步骤2结合CUDA，设定核函数的线程块数量blockDim.x和线程块中线程数量threadDim.x，启动核函数BowstringCaculate_kernel并行计算出每一点的弦高差值并存入GPU显存的数组Height中。

步骤3在GPU中用并行归约算法求出该层切片的弦高差均值σ，作为该层切片的特征判定阈值。

步骤4启动核函数isFeaturePoint_kernel，根据BowstringCaculate_kernel返回的各点弦高Height与阈值σ，确定该层切片中的特征点，并将计算结果存入数组isFearturePoint中。

步骤5将isFearturePoint数组中的元素利用CUDA的核函数cudaMempy传回至CPU端，在CPU端根据对应索引位置的值决定cpuvector相应位置上的点保留与否，从而得到简化后的点云SimplyfiedVector。

步骤6回到步骤1继续对其他切片层的点云简化。算法中的流程如图2所示。

其中，执行单层切片点云弦高差计算的核函数BowstringCaculate_kernel的伪代码如下。

算法BowstringCaculate_kernel。

有序号的程序——————————Shift+Alt+Y

程序前

输入：LayerPoints为排序后的单层切片点云的坐标数组;Size表示该层切片的点云数量。

输出：Height为用于保存每个线程计算的弦高差值的数组。

1)

DimindexthreadInx.x+blockIdx.x*blockDim.x;

2)

Dim*leftPoint，*rightPoin;

3)

if(index

4)

Loopindexfrom0toSizeDo

5)

leftPointLayerPoints+index-1;

6)

rightPointLayerPoints+index-1;

7)

if(index==0)Then

8)

leftPointLayerPoints+Size-1;

9)

Endif

10)

if(index==Size-1)

11)

rightPointLayerPoints+index-(Size-1);

12)

Endif

13)

Height[index]calculateHeight(leftPoint;

14)

LayerPoint[index]，rightPoint);

15)

indexindex+blockDim.x*GridDim.x;

16)

EndLoop

17)

Endif

程序后

其中，calculateHeight为计算单点的弦高函数，其实现原理如式(1)和图1所示。

2实验分析

实验平台配置如下：Windows7操作系统，CPU为IntelCorei53470@3.20GHz3.60GHz，内存为4.0GB(3.28GB可用)，显卡为NVIDIAGeForceGT640。在该平台下使用C++语言结合VisualStudio2010和NVIDIA的CUDA6.0框架实现本文算法。

算法实验的模型数据如图3所示：龙模型共437645个点，大佛模型共有1753052个点，高观音模型共11807207个点。

本文使用上述3个不同数量级的点云模型，对本文提出的基于CUDA的切片点云简化算法(简称GPU切片算法)与基于CPU的切片点云简化算法[13](以下简称CPU切片法)进行对比实验。

其中：弦高差阈值由式(1)求出，切片方向均为z轴，依次选取切片数量laynum为10，25，50，75，100作5组对比实验，结果如表1所示。

通过表1，可依次求得上述3个不同数量级模型的算法耗时与切片层数的关系曲线如图4所示。

其中图4中的折线图(a)、(b)、(c)依次表示龙模型、观音模型以及高观音模型的算法耗时与切片层数的对应关系，(d)表示龙模型、观音模型以及高观音模型对应的CPU切片法与GPU切片法的加速比(其中加速比等于CPU算法执行时间除以GPU算法执行时间)与切片层数的对应关系。

从表1呈现的数据以及图4的折线图(a)、(b)、(c)呈现的线条走势可以看出：在两种算法对应的压缩率基本一致基础上，本文提出的GPU切片算法的效率比传统CPU算法高出10～30倍，约1～2个量级;但是，随着切片层数的增加，本文提出的GPU算法耗时有一定程度的增加。因为在CUDA架构的切片算法中(流程如图2所示)，随着切片层数的增加，CPU和GPU之间进行I/O交互的次数也随之增加，最终导致算法的执行时间有一定程度的增加。从图4(d)可以看出：龙模型和观音模型的加速比，均随着切片层数增加有一定程度的减小。而数据量多达千万个点的高观音模型，其加速比曲线变化相对平稳。这是由于GPU更适合于密集型的计算，当数据量(计算量)较小时，算法在GPU上的执行时间无法隐藏访问和数据传输的延迟，而随着数据量的增大，这些延迟逐渐被隐藏，因此加速比逐渐增大。而当数据量增大一定的程度，GPU近乎满负荷的工作，所有的访问和数据传输的延迟都已被很好地隐藏，加速比也趋于稳定如高观音模型的加速比曲线所示。

此外，以模型特征最为明显的观音模型为例，依次选取该模型切片数为25，50，75的底座前侧简化局部视图，如图5所示。发现当切片层数为25时，由于压缩率粒度太大导致底座衣服褶皱与莲花形等多处被过度平滑，特征丢失太严重;切片层数为75时，由于压缩粒度太小导致残留的冗余点较多;而切片层数为50时，底座衣服褶皱与莲花形的特征细节完整保持，而且冗余的点较少，简化效果是较为理想，因此，对不同的模型选取合适的切片层数对模型简化至关重要。

3结语

本文利用CUDA的高性能并行计算优势，对传统基于CPU的串行切片点云简化算法进行了改进，将传统算法的核心步骤：单点的弦高差计算与特征点判定算法逻辑并行化，通过对不同数量级的3个点云模型的简化实验，得出以下结论：

1)对于同一模型，GPU算法尽管随着切片层数的增加，耗时由于数据交互次数增加有一定程度的小幅震荡，但均远少于传统CPU算法。

2)对于不同数量级的模型，加速比曲线随着点云数量的增加而逐渐稳定，且加速效果更优，验证了本文算法应对海量点云简化的优势和潜力。

3)模型的特征保留完整性与切片层数无直接关系，仅仅与模型表面特征有关。

下一步主要工作是在CPU端使用多线程并行技术，提高点云切片分层排序的速度;应用GPU架构中不同访问性能的内存模型和基于任务并行性的流水线模型对算法进行优化。