前言：中文期刊网精心挑选了云计算的优势范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
云计算的优势范文1
Abstract： In recent years， with the rapid development of cloud computing technology， this computing model provides virtual dynamic scalable resources through the Internet to serve the way in all areas of daily life. In the field of education， the emergence of cloud computing realizes the use of mobile communication equipment in teaching. A new teaching method comes into being， namely CCAI （cloud computing assisted instruction）. Also remote teaching becomes more efficient， and more convenient.
关键词： 云计算；移动学习；云计算辅助教学
Key words： cloud computing；M-learning；CCAI
中图分类号：G40-057 文献标识码：A 文章编号：1006-4311（2013）21-0286-02
0 引言
20 世纪60 年代，John McCarthy提出“计算迟早有一天会变成一种公用基础设施”，计算可以作为一种商品进行流通，就像煤气水电一样，按需取用方便廉价。2006年8月，Google首席执行官埃里克·施密特（Eric Schmidt）在搜索引擎大会（SES San Jose 2006）首次提出“云计算”（Cloud Computing）的概念。2007年10月，Google与IBM开始在美国大学校园，包括卡内基梅隆大学、麻省理工学院、斯坦福大学、加州大学柏克莱分校及马里兰大学等，推广云计算的计划，这项计划希望能降低分布式计算技术在学术研究方面的成本，并为这些大学提供相关的软硬件设备及技术支持。而学生则可以通过网络开发各项以大规模计算为基础的研究计划。自此，云计算开始正式进入教育研究的视野。
2008年12月中国教育技术协会年会上，黎加厚教授首次提出“云计算辅助教学”（CCAI）及“云计算辅助教育”（CCBE）的概念。此后，我国各地中小学逐渐开始实践云计算辅助教学。
云计算辅助教学的快速发展衍生出很多新的教学模式，基于云计算的移动学习就是其中最有代表性的。
其实，移动学习并不是一个新生的概念，从2000年起，欧洲就对“移动学习”的方式表现出极大的兴趣，先后有30多个项目对移动学习进行专项研究，对移动学习的教学对象、教学方法、技术手段等进行深入探讨。国内也出现了如家校通、校内无线网、移动图书馆、蓝牙校园网、中英语短信等移动学习平台。
目前的移动学习主要有两种运行模式：基于短信息服务（Short message service SMS）和通过建设WAP （Wireless Application Protocol）教育站点。
基于短信息服务的移动学习过程中，学习者通过定制短信息进行学习，学习内容是通过短信平台，以短信息形式发送给学习者的。这种模式最大的弊端就是不能实现有效的师生互动。学习效果自然很难保证。通过WAP教育站点的移动学习过程要基于WAP浏览协议。该协议的数据传输速率不高但费用却并不低廉，加之目前WAP教育站点不多，学习资源有限，因此这种移动学习模式也很难普及。
云计算辅助教学，不但弥补了上述的不足，更凭借其丰富的学习资源和低廉的学习成本，为移动学习带来一场巨变。
1 学习资源
互联网的最大魅力莫过于其取之不尽用之不竭的资源，云计算辅助教学能够将海量的教育资源有效整、存储并通过网络服务进行共享，这使得教育者可以最大限度的整合教育资源。
传统的教学模式中，教育者一般都是按照既定的大纲设计教学过程并通过网络手段向学习者传授知识，但是教学过程中教学内容和可以使用的教学资源是有限的，不能根据学生的实际需求设置教学内容，容易造成“有些学生吃不饱，有些学生装不下”的状态。
云计算辅助下的移动课堂借助云计算的技术将全世界教育者提供的大量有效的教育资源聚合到“云”端的存储服务器中。教育者要对教育资源进行整理、归类和管理。学习者只需要根据自己的学习需求自由地选择学习内容进行学习。
2 学习环境
传统的教学模式中，学习环境一般被局限在教室、自习室等教学场所。随着互联网的出现和普及，基于网络的计算机辅助教学和远程教育得以发展。学习者只需拥有一台连接到互联网的电脑就可以足不出户的参与到学习过程中。但是，学习环境仍然一定程度上受到限制。
近些年，移动通信技术发展迅猛，智能型移动通信设备迅速普及，移动学习走入人们的视野。云计算辅助下的移动课堂将学习场所“放进口袋”，学习变成了随时随地可以发生的事情。
3 学习成本
传统的教学模式中，学习者在学习的整个过程中投入的成本是比较高的。互联网为学习者提供了大量可供使用的免费资源。但教材等学习资料只是学习过程的一个因素。在前文所提到的诸多因素的共同影响下，移动学习的实现投入的成本也比较高。
云计算为我们提供了解决之法。由于所有的数据存储和处理都将在“云”端进行，学习者只需通过移动通信设备所附带的浏览器便可进行类似于在个人计算机上的一切操作，因此对移动设备的配置要求大幅度降低。现在的移动通信设备正朝电脑和手机高度融合的方向发展，其内置的操作系统和支持HTTP协议的浏览器，将为用户提供更完善的浏览器功能，更为云计算辅助下的移动课堂打开了大门。通信方面，无线移动通信技术的快速发展，3G和4G网络及其所带来的2Mbps甚至更高的数据传输速率和更为低廉的价格使云计算辅助下的移动课堂的使用成本大幅度的下降。
云计算辅助下的移动课堂的意义，不是简单的教学环境和教学手段的转换，而是一种教育理念上的重大变革。随着技术的进一步成熟，云时代的教育技术观念正在形成，在线、服务、便捷和个性化将会成为主导，而教育技术的使命正是研究如何将新技术更好地应用于教育。相信在不久的将来，我们打开浏览器，就可以方便快捷地享受云时代的教育资源服务。
参考文献：
[1]夏仲文.对云计算辅助教学的批判性思考[J].中国信息技术教育，2010（11）.
云计算的优势范文2
云计算是在互联网技术和计算机技术的应用和发展基础上形成的一种新型的计算服务模式，目前云计算在诸多领域都得到了广泛运用。本文介绍了云计算的定义、特点和服务模式，结合目前高校计算机实验室建设和管理中存在的问题，阐述了基于云计算的高校计算机实验室的优点。
【关键词】云计算 计算机 实验室
1 云计算介绍
1.1 云计算的定义
云计算可以看作是相继计算机变革和互联网变革之后的再一次信息技术的发展变革。云计算是分并行计算、布式计算、虚拟化、网格计算和效用计算等计算机技术和网络技术相融合的产物。广义上来讲，云计算是指关于服务的使用模式和交付，指的是通过网络以按需服务和方便扩展的方式来得到所需的服务，此服务可以与计算机的硬件、软件和互联网相关的服务，也可以是任意其他的服务。狭义上来所说的云计算仅是关于信息系统的基础设施的交付和使用模式，是指以按需服务和易扩展的方式通过网络获得所需的资源。
1.2 云计算的服务模式
云计算其目的是按需提供所需的服务，云计算具有以下服务模式：
（1）基础设施即服务（IaaS），消费者通过Internet 从完备的计算机基础设施中获得服务。
（2）平台即服务（PaaS）， PaaS实际上指的是将软件研发的平台作为一种服务，以SaaS的模式提交给用户。
（3）软件即服务（SaaS），它是一种通过Internet提供软件的模式，用户不需购买软件，而是向提供商租用基于Web的软件，来管理企业经营活动。
2 高校实验室现状
2.1 硬件设施的建设和维护费用较高，硬件资源利用率不高
传统的计算机实验室在建设初期需要投入大量资金来购买硬件产品，很多情况下计算机实验室建设的进度被资金短缺所影响。另外，实验室的硬件设备更新较快，这导致了被淘汰的设备长期闲置，并且重新购买新的硬件设备又需要再一次投入大量资金，这使得计算机实验室建设成本增高。学校要根据专业建设需求建设不同的硬件、软件环境的专业实验室，这导致实验室中的设备的利用率不高，几年后就会被淘汰，造成严重的资源浪费。
2.2 计算机软件的维护与管理困难
由于实验室计算机数量较多，计算机出现故障的机率也比较大，机房维护人员往往不堪重负。在教学和科研中，由于教学和科研任务的需求就需要不同的操作系统和应用软件，有的要求是在Windows操作系统环境下，而有的要求是在Linux操作系统环境下，机房维护人员就得安装不同的操作系统以及运行在操作系统之上的大量软件，在软件安装过程中蓝屏、死机及无法上网等问题也是时有发生的。随着信息化的迅猛发展，软件版本更新的速度很快，有些软件使用没多久就需要更新到新版本才能适应教学的要求。虽然目前可以使用增量拷贝、网络同传和网络还原卡等技术手段进行批量处理，但实验室的设备一般都是分批采购的，品牌型号都不统一，操作方法各异，使得计算机实验室软件维护与更新工作变得非常繁琐，费时费力还不能满足教学要求。
2.3 信息安全隐患多，实验相关数据存储不便
目前，高校计算机实验室的维护人员多数采取安装硬件保护卡或者还原软件等方法对用户使用过的计算机的硬盘或者硬盘的某些分区进行还原，来保护计算机的安全性和稳定性并保护计算机系统不受到病毒的侵害或人为破坏。以上做法在一定程度上可以保护计算机的安全，但这样做的后果是学生的实验数据无法得到长时间保存，学生只能用U盘或移动硬盘等一些移动存储设备将实验数据进行拷贝，学生的拷贝行为就有可能将存储设备里的病毒散播到计算机中。
上述这些问题是多数国内高校计算机实验都面对的一些普遍问题，而云计算的出现将为这些问题的解决带来一片曙光。
3 云计算在高校计算机实验室中应用的优势分析
3.1 降低了硬件设施的资金投入，使资源利用率提高
云计算对计算机硬件配置的要求不高，基于云计算建设的计算机实验室的基础硬件设施可以利用学校之前已淘汰或者将要淘汰的计算机设备就可以实现，使旧设备的利用率达到最大化，这在很大程度上减少了实验室的建设的硬件成本。
3.2 实现了实验室的统一管理与维护
通过使用云计算技术来统一管理实验室的软、硬件资源可以使得管理人员维护和升级系统和软件的工作量减轻。管理人员在维护系统时，只需要在服务器上操作即可，不再需要逐台更新，这样可以减少维护的时间，降低管理的成本，提高管理效率。
3.3 数据的安全性得以提高
基于云计算实验室的所有数据都是在“云”中，用户所用的都是“云”中虚拟出来的环境，这就会避免传统实验室中因一台计算机感染病毒将可能导致整个机房瘫痪问题的发生。云计算使用了数据多副本容错、计算节点同构可互换等技术来保证“云”环境中数据的可持续性和安全性。
3.4 学生可以海量存储和自由访问实验数据
云计算系统为用户提供海量的存储空间，学生可以把实验数据永久地存储在“云”中，方便在任何时间、任何地点通过浏览器在“云”的另一端打开实验数据继续进行实验，这使得学生对实验的主动性和积极性大大提高。
4 结语
随着云计算这种新型的服务模式在各行业的发展和普及，它将为计算机应用带来一场新的变革。高校作为培养高端人才的摇篮，更应加快基于云计算的计算机实验室建设。让云计算在教育领域的优势得到充分发挥，进而使传统的教学观念和教学手段得到改善，使得教学和科研都能够在云计算平台的运用与发展下实现进步与提高。
参考文献
[1]刘鹏.云计算[M].北京：电子出版社，2010.
[2]黄晨晖，林泳琴.基于云计算的虚拟计算机实验室的研究与实现[J].实验室研究与探索，2010，29（11）：178-180.
[3]张趁香，朱旦晨.基于云计算的高校计算机实验室建设方案优化[J].淮阴工学院学报，2013，22（5）：28-32.
[4]林瑜华.云计算环境下高校实验教学模式的创新与实践[J].实验室研究与探索，2011，30（8）：272-273.
[5]罗国玮，兰瑞乐.基于云计算的高校科研实验平台构建研究[J].实验技术与管理，2012（4）：115-117.
[6]韩宁.云桌面技术在高校信息化建设及教学中的应用[J].软件导刊，2012（05）：105-107.
云计算的优势范文3
关键词： 计算机应用 教学技术 教学实践
一、创设教学情境，激发求知欲望
对于学习压力越来越大的学生来说，如何有效激发兴趣，减轻学习负担，实施素质教育是当前教学领域正确面对的重要课题之一。针对中学生的年龄和心理特点，利用计算机为学生创设生活化教学情境，以趣味性极强的动态视听感觉、多彩的画面进一步激发学生探索新知识的兴趣，围绕计算机教学实践定期安排的一切娱乐和学习活动往往是他们乐于学习的主要动因。心理学研究表明，学生强烈的求知欲望和积极的探索精神是在学习实践过程中不断培养起来的，主要是通过外界事物的新颖性、独特性满足好奇心的需要而引发的，而计算机的有效运用正好能使这些因素得到进一步优化，往往最有利于激发学生的各种求知兴趣。在教学实践过程中，有效运用计算机辅助教学，能够在现代科技的各种优势支持下达到视觉、听觉效果方面最佳的效果。通过计算机辅助教学，可以为学生创设最佳的教学情境，充分调动每一个学生的积极性、主动性，有效提高学习兴趣，使学生在妙趣横生的新环境中愉快而自觉主动地学习，进一步减轻学习负担，最大限度地发挥自身优势。
二、形象生动演示，便于学习识记
从教育心理学角度看，利用计算机为学生进行形象生动的演示，有利于增强识记能力，正因为有了正确的依据、原则的指导，在实践应用的过程中，计算机辅助教学能够通过动态的形象、优美的画面及引人入胜的故事情节等内容把学生的注意力迅速集中起来。教学过程中教师运用计算机制作出形象生动、色彩鲜艳的教学课件，很容易吸引学生的注意力，并有效激发学生的探索精神，这样会达到很好的效果，而且非常有利于对所学内容的成功识记。具体实施教学时，教师随时可以切换到活动所需的界面，调出有用信息，而传统教学中教师只好指着图片对学生讲说，其生动程度和实践效果是过去无法企及的。在教育教学实践过程中，有些重点和难点往往很难被学生理解和记忆，应用计算机进行形象生动的演示，比较容易被学生理解和接受，从而达到很好的识记效果。所以充分利用计算机教学手段成为教师辅助教学的一种有效手段，实践证明，计算机辅助教学不仅让学生体验到成功的喜悦，而且有效激发了他们探索新知识的兴趣和热情，进一步强化了对所学知识的识记效果。
三、拓展思维空间，培养创新精神
计算机辅助教学能够提供有利于创新发展的思维空间和诸多便利条件，在教育教学过程中，要充分发挥计算机的优势，使学生的创造性思维和主体意识得到充分发挥。它具有多变换的优势，不仅可以扩展认知领域，提示教材内在的逻辑关系，还可以多变换地讲解、提问、设疑，启发学生勤于思考，拓展思维空间，培养创新精神和创造潜能。在教育教学活动中培养创新意识是一项集科学性、系统性、长期性、连续性和艰巨性的教育任务于一体，创新意识存在本末、轻重、缓急之分，在教育过程中要把总结与反思当做培养创新意识的出发点，是提高学生综合素养的一个重要教学内容，深刻分析当前教育教学过程中素质教育和传统应试教育的矛盾等复杂因素，以拓展学生思维空间为主，有的放矢地做好创新教育与教学实践的每一个环节的工作，认真做好调查研究，弄清问题的根本原因，制订切实可行的计划，真正提高学生未来参与实践中的创新能力和素质。其次，在教育教学中，我们应使学生养成良好的思维习惯，掌握科学的思维方法，教师应利用计算机与生活、计算机与社会、计算机与环境的结合，以及由计算机渗透引入的趣味教学活动等有利条件，激发广大学生的学习兴趣，培养他们正确的思维和学习方法，养成良好的学习习惯，培养对社会有用的人才。
四、辅助课件设计，改革教学方法
计算机辅助教学在不同阶段有不同的指导理论、不同的课件设计原则。教育教学实践过程中计算机的应用，需要根据理论的指导原则将课件定位在培养学生综合素质和能力等方面，以启发学生积极探索、快乐学习为中心，通过对教学目标分析，教师根据教学活动的本质需求，面对不同的教学对象以确定每一次具体教学活动的主题内容，并且一定要利用计算机创设与主题相关的文化情境。根据教学需要进行有效的信息资源收集、优质课件设计，对本次教学活动所需信息资源的进行优化整合，力求计算机信息资源在本活动过程中起到积极作用，教师应该明确并且想办法突破重点和难点，尽可能地培养学生的创新精神和探索兴趣，使他们知识积累趋向趣味化和系统化。在鼓励自主学习、实施“人机”交互的情况下，还要展开小组讨论、协商，以进一步增强教学效果。教师可结合生活实践设计一些学生相对比较熟悉的情境、动画和不同的问题，然后引导学生共同探讨其中的核心问题，让他们畅所欲言，大胆想象，在整个教学活动过程中教师提的问题应精而简，引导学生互相讨论。同时将计算机作为帮助学生积极学习、合理安排教学过程，充分发挥计算机的特殊功能，提高学生的素质，实现最终目标，为强化整体素质教育奠定基础，为培养未来人才夯实基础。
云计算的优势范文4
关键词：视频分割；稀疏优化；子空间模型
中图分类号：TP302 文献标识码：A 文章编号：1009-3044（2016）27-0139-05
1 介绍
视频的运动分割，旨在从视频序列中分解出多个连续移动的不同物体。将不同运动物体的信息从视频中提取出来之后，可以做很多后续的研究，如异常行为分析或者运动物体的追踪。近几年，基于特征点轨迹聚类的视频运动分割问题是主要的研究方向，首先对提取的实际视频序列进行预处理获得特征点轨迹，如KLT[1]，SIFT[2]或者SURF[3]等特征点提取算法，基于不同的运动目标对特征点轨迹集合进行聚类。但是长视频序列中提取和跟踪的特征点集合往往是高维复杂的大数据，需要寻求一种高精度并能快速对高维复杂数据进行分类的方法。基于子空间模型下的运动分割，是现如今被普遍研究的分类方法。子空间模型下分类的基本思想是，从视频序列中提取到的每一组特征点轨迹都认为其点集合共同构建了一个子空间，那么不同特征点集合的聚类问题，即转化为对一组子空间集合进行聚类的问题。
本文基于LSA聚类算法[7]以及稀疏子空间聚类算法（SSC）[6]的思想，提出一种基于稀疏优化对子空间进行聚类的新方法。实验结果表示，本文所提出的方法，可以有效且快速地分类实际视频中的不同运动目标。
2 基于子空间模型下的运动分割
2.1 子空间聚类模型
对特征点集合组成的高维数据聚类，基于子空间的模型，首先需要获得高维数据的低维表示，而这个低维表示能够保持原大数据矩阵的本质特征。假设，将原高维数据的低维投影看作一个变换后的“全局子空间”，而全局子空间是由不同的更低维度的“本地子空间”相互交叠构成，如图1，三种数据点集合构成三种子空间S1，S2，S3，集合S={ S1，S2，S3}称作全局子空间，S1，S2，S3相对的称作本地子空间。本文中基于子空间模型进行分类的基本思想就是从全局子空间中找出不同的本地子空间，属于同一本地子空间的数据应当被划分到同一类中，即划分为属于同一种运动目标。
4 实验结果与分析
本文实验数据选自标准的视频数据库Hopkins 155数据集[13]。并将本文提出的优化算法与现今其他优秀的运动分割算法进行比较，在分割的过程中，假设所有视频中运动目标的个数已知。
图6，7，8是采用本文所提出算法进行聚类的结果，不同颜色代表不同的运动目标。图6中包含3中运动，红色点代表背景，蓝色和绿色代表两种汽车的运动，图7中包含2种运动，人的手臂以及手上拿的物体分别用红色和绿色进行区分，图8代表了3种物体的运动，红色点代表背景，由图7可知，对于特征点多且复杂的难以区分运动模式，我们所提出的算法可以有效的对不同的运动目标进行区分。为了进一步表明本文所提出算法的优势，我们将从错误率和运算时间与SSC [6]， LSA [7]， RANSAC [4]， GPCA [5]， LLMC [14]算法进行对比。
从表1、2、3、4可以得出，我们所提出的算法具有比较好的准确度，虽然相比SSC算法来说准确度略低，但是我们的优化算法与SSC相比加快了运算的速度。
5 总结
本文提出了一种基于子空间的运动分割优化方法，可以对实际视频序列中不同的运动物体进行有效分类。首先通过SPCA算法[15]将高维数据投影在一个低维的空间上，并且具有少数的非零元素；基于SMCE [9]的思想，对投影后低维空间中不同的子空间进行估计，寻找在低维空间中每一个数据点的稀疏近邻（隶属于同一子空间），将投影后分布于低维空间中的不同子空间分割出来，这种方式相比较LSA算法来说，改善了过度估计和不同子空间相互交叉的问题，大大提高了准确率。与SSC算法相比，运算时间得到提升。在未来的研究中，将对长视频序列中运动目标分割的研究作为主要方向，并侧重数据缺失或不完整轨迹等问题，进一步提升算法的准确性和实用性。
参考文献：
[1] Tomasi C， Kanade T. Detection and tracking of point features. School of Computer Science， Carnegie Mellon Univ. Pittsburgh，1991.
[2] Zhou H， Yuan Y， Shi C. Object tracking using sift features and mean puter vision and image understanding， （2009，113：345，352.
[3] Bay H， Ess A， Tuytelaars T， Van Gool L.Speeded-up robust features （surf）. Computer vision and image understanding， 2008，110：346，359.
[4] Fischler M A， Bolles R C. Random sample consensus： a paradigm for model fitting with applications to image analysis and automated cartography. Communications of the ACM 1981：24：381，395.
[5] Vidal R， Ma Y， Sastry S.Generalized principal component analysis （gpca）. Pattern Analysis and Machine Intelligence， IEEE Transactions，2005，27：1945，1959.
[6] Elhamifar E， Vidal R. Sparse subspace clustering. In： Computer Vision and Pattern Recognition， 2009. CVPR 2009. IEEE Conference on IEEE，2009：2790，2797.
[7] Yan J， PollefeysM.A general framework for motion segmentation： Independent，articulated， rigid， non-rigid， degenerate and non-degenerate. In： Computer Vision ECCV 2006. Springer （2006，94：106.
[8] Hartley R， Zisserman A.Multiple View Geometry in Computer Vision. 2 edn. Cambridge University Press， New York， NY， USA.2003.
[9] Elhamifar E， Vidal R. Sparse manifold clustering and embedding. In： NIPS，2011：55，63.
[10] Journ_ee ， Nesterov ， Richt_arik ， Sepulchre . Generalized power method for sparse principal component analysis. The Journal of Machine Learning Research，2010， 11：517，553.
[11] d'Aspremont A， El Ghaoui L， Jordan M I， Lanckriet G R.A direct formulation for sparse pca using semidefinite programming. In： NIPS. Volume，2004， 16.：41，48.
[12] Tibshirani R.Regression shrinkage and selection via the lasso. Journal of the Royal Statistical Society. Series B （Methodological，1996：267，288
[13] Tron R， Vidal R.A benchmark for the comparison of 3-d motion segmentation algorithms. In： Computer Vision and Pattern Recognition， 2007. CVPR'07. IEEE Conference on， IEEE，2007：1，8.
云计算的优势范文5
1 分组协作式学习在计算机教学中的意义
随着网络技术的发展应用，计算机教育成为我国一门培养技术人才的必需课程，为我国的社会发展以及经济建设提供了必不可少的技术支持。分组协作式的学习方式对于提高计算机的教育水平具有重大的效果。其是指一种将学生进行分组，之后再在各个小组之间进行合作完成学习任务的一种学习方式。在该学习过程中，通过在小组当中使学生扮演不同的角色，以使学生之间形成一种互助互学的学习氛围。其中，进行小组合作学习，首先要进行有效的分组，其是使整个学习过程达到事半功倍的保障。由于刚刚进入中职学校的学生对于计算机的接触水平不同，其对于计算机的相关知识掌握的情况也不一样，所以，在分组的过程中，老师应该以小规模人数进行分组，通常在4到6人之间[1]。进行分组的方式也有很多种，以自由搭配性和优势互补型最为常见。优势互补型是指以学生对知识的接受能力作为分组的依据，使每一组的成员当中都有学习好和学习差的学生，有不爱表达和乐于表达的学生，实现学生之间的互补互助，是在学生之间的最优化配合。自由搭配型学习则是以学生的个人兴趣爱好作为分组的依据，使学生进行自主分组，该中学习方法一般被用于课外活动当中。在这种自由组建的小团体当中，能够获得轻松愉快的学习氛围，不会为学生施加学习上的思想负担，同时，还能够在最大的程度上发挥学生的天分以及思维。通过在计算机教学当中引入分组协作方式，不但使得中职学生在计算机学习当中更加的有效，还能够在最大的程度上激发学生的学习兴趣，成为学生自主学习的动力[2]。
2 分组协作式学习在计算机教学中的具体应用
1、优化分组
计算机分组教学的前提是对学生有一个清楚、全面的掌握。因此，老师在教学之前，首先要对学生进行一个全面的调查，在调查项目当中，主要包含学生对计算机基本操作技能的掌握状况、性格偏好、学习兴趣、学习态度、接受能力、知识理解能力以及其对计算机的基础知识掌握情况等。在调查完成之后，要对调查的结构进行整理、分析，按照性别平衡、优势互补的原则来对学生进行分组。在分好小组之后，在每一个小组当中选出小组长，在组长的选择过程中，一定要注意以下几个方面：组长必须具备良好的协调沟通能力，并且具备超强的责任心，优良的自控能力以及自主学习能力，乐于接受分组协作的学习方式[3]。
2、明确分工
在计算机教学当中应用分组协作的学习模式，最主要的就是要使每一名学生都能够发挥出自身的主体地位，确保每一个学生都能够在自己原有的知识能力上得到进一步的提高。而要想实现这一目的，进行明确的分工至关重要。例如选定发言的学生、对讨论结果进行整理的学生以及对发言过程进行记录的学生。使每一名学生都能够明确其在小组当中的作用，规定职责。
3、落实协作
当分组完成，确定了每一名组内成员的职责以后，就需要老师选择合适的教学内容，对学生进行知识传授了。要想能够保障分组协作式学习的效率以及质量，对于教学内容的选择老师也应该特别的注意。按照中职教育对人才培养的要求以及对学生学习的需求，应该首先对学生传授那些比较基础、实用的技能和知识，当学生对基础有了一定的了解、积累之后，再对其传授那些具有难度的理论性知识，务必切忌本末倒置，使学生被误导。同时，在对教学的内容实行分组的过程中，一定要对每一个知识点、没一个章节之前的关联性做到一个良好的把控，不但要使知识面更加丰富，还要避免在教学当中的知识点重复。
4、调控过程
在对计算机教学进行分组协作模式学习当中，应该加强老师对各个小组学习状况的巡视指导。及时发现学生学习过程中出现的问题，并且及时为其解决，避免其在学习过程中出现偏差。同时，还要保证各个小组的稳定性，增强其凝聚力，室内每名成员都具有超强的团队意识。还要尽可能的不要进行小组之间的成员互换，这样会在情绪上给学生带来负担，造成学生一定的抵触，影响学习的效果。
3 保障分组协作教学进行的有效措施
1、教师应该具备较高的综合素质
要想满足分组协作式学习在计算机教学当中的有效利用，就需要教师具备超强的计算机技能和知识以及其他学科的专业知识素养，具备高尚的品德情操等职业素养，具备强劲的分组协作教学实施能力以及课堂组织能力等教学能力。
2、保证学生充足、持续的学习兴趣
一方面，应该为学生营造良好的计算机学习氛围并且提升学生的自主学习能力，激发学生自主学习；另一方面，要使学生清楚的认识到，在当今社会掌握计算机技术的重要价值。
3、引入竞争机制
为了能够提升教学的效果，老师可以使学生小组之间互相竞争。对于表现良好的小组进行表扬、鼓励，对于那些表现不佳的小组则进行适当的辅导帮助。在该过程当中，一定不严损害到学生的自信心以及自尊心，保护学生在学习上的积极性，提升整个计算机教学的效果。
4、设置科学的分组协作式学习考核标准
实行计算机教学考核是一项提升教学效果的重要举措，其能够发现在老师教学以及学生学习过程中的问题，并且对其予以有效的解决。通常进行考核都是采用笔试的方法，但是随着时代的进步与发展，该种考核方式已经尽显弊端。因此，在平时的考核过程中，老师应该注意考核方式的科学性，使其贯穿于整个分组协作学习的过程当中。同时，该摸底结果还能够为分组协作式学习提供分组的依据。在进行分组协作教学的过程中，老师要仔细观察每一??小组的学习方向以及学习状态，并且做好记录。对于发生的原则性问题要进行及时的纠正。在完成教学内容的传授之后，可以通过问题总结、案例讲解、集体评选的办法来对学生的学习效果以及学习情况进行评价并且反馈。当进行期中或者是期末的考试的时候，可以设置多种的考试题目，或者是设置一些设计题以及综合型题目，对学生的分组协作式学习效果进行重点的考核，实现机试与笔试的有机结合，对学生的学习效果进行综合的测评。
云计算的优势范文6
关键词： 工作流调度； 虚拟机； 安全性约束； 云计算
中图分类号： TN915?34 文献标识码： A 文章编号： 1004?373X（2016）21?0011?04
Cooperative taboo optimization mode based cloud computing workflow
scheduling strategy for strong security constraint
TONG Weiguo1， 2， SHA Xiaoyan1， 2， FENG Demin2
（1. Education Technology and Training Center， Shaanxi Vocational & Technical College， Xi’an 710038， China；
2. School of Computer Science， Shaanxi Normal University， Xi’an 710065， China）
Abstract： The widely?used cloud computing workflow scheduling method focuses on the optimization of reliability and energy saving， but ignores the requirement of security constraint， so a method based on cooperative taboo algorithm is proposed here， which can realize the high?efficient cloud computing workflow scheduling， and has security constraint. The DAG of cloud computing workflow scheduling is defined to describe the security constraint with formalization， and establish the mathematical model of the cloud computing workflow scheduling. On the basis of using the classical cooperative taboo algorithm， the coding scheme， fitness function， varying neighbourhood structure and dual taboo tables of the solution are designed， and the classical cooperative taboo algorithm is improved. The cloud computing workflow scheduling algorithm based on an improved cooperative taboo algorithm is defined. The experiment of the algorithm was conducted in the simulation environment Cloud?Sim. The experimental results prove that the designed algorithm has fast convergence speed， can find a much better scheduling scheme than other algorithms can do， meets the requirements of security constraint， and is a practical scheduling method.
Keywords： workflow scheduling； virtual machine； security constraint； cloud computing
0 引 言
云计算主要是基于并行计算等形成的[1?3]，到目前为止，相对于并行系统来说，云计算可以提供相对较高的可靠性，然而其仍然面临许多难题，例如无法在充分确保服务质量的基础上，减小其运行费用和能耗，使提供商可以获得尽可能高的收益[4?6]。
对于云计算工作流来说，诸多因素能够影响到其调度效率，具体来说，主要包括调度的可靠性、硬件性能等诸多方面[7]。现阶段，业界对其调度的探讨一般集中在可靠性与节能两个层面，例如，文献[8]在研究过程中以可靠性为基础，阐明了相应的调度方法，以降低传输所需用时，改善成功率，使其可靠性有所提升。文献[9]在研究过程中量化了网络资源属性，这样在调度过程中可以选取性能相对较高的资源类簇，能够进一步减少任务的匹配用时。文献[10]在研究过程中通过相关方法整合任务路径优化选择。除此之外，文献[11]在研究过程中根据[QQS]需求划分优先级，将资源分配给高优先级的任务。
上述理论成果集中在云计算工作流调度方面，却没有兼顾到安全性约束，鉴于这一方面的原因，本文阐明了基于安全性约束的云计算流调度方法，希望能够为业界人士提供指导和借鉴。
1 云计算工作流调度[DAG]图
主要通过有向无环图（Direct Acirclic Graph，DAG）表示任务结构，具体见图1。
通过图1得知，[DAG]图能够通过二元组描述[DAG=T，E]，在这里：
（1） [T=t1，t2，…，tn]用来指代[DAG]里面的节点集，即子任务集，[n=T]用来指代任务数，[W（ti）]指代[ti]的计算量；
（2）[E=eij=（ti，tj），eij∈T×T]是有向边集合，用来指代[ti]与[tj]两者之间存在的依赖关系，[tj]一定要等到[ti]结束以后才可以进行处理。
通过[C]指代任务相互间的通信关系[C=][cij=（ti，tj），cij∈T×T]，[cij]用来指代[ti]与[tj]分配至资源上时需要的通信量，如果[ti]与[tj]两者分配至一个资源上，在这种情况下则有[cij=0]。
[Pred（ti）=titj∈T，eij∈E，][Succ（ti）=titj∈T，eij∈E，]两者分别用来指代[ti]的前驱任务集与后继任务。
2 基于DAG和安全性约束的工作流调度
2.1 工作安全性约束
按照所用方法的安全性强度，能够把虚拟机分成不同级别的安全性，按照操作的敏感性，主要通过[r?risk]型技术进行控制，具体来说，也就是在调度工作流过程中，设置其冒险水平阈值[τ，]安全等级比[τ]高的虚拟机能够分配资源。接下来进行建模，具体如下：
（1） 单一的[ti]符合安全性约束的分配：它的[τi]分配的虚拟机及其安全性级别分别是[vj]与[sj，]如果[sj≥τi，]在这种情况下这个虚拟机符合相关条件，能够向[ti]分配。比如就安全需求是3的操作来说，能够向[vj≥4]的虚拟机分配。
（2）[DAG]符合安全性约束的调度：[T=t1，t2，…，tn]的分配方案的风险概率[P=p1，p2，…，pn]，能够利用以下公式进行求解：
[p（risk）=1-eumi=1m（si-vsi）] （1）
如果[p（risk）]比一切任务的[τi]大，在这种情况下，[P=p1，p2，…，pn]符合相关要求。
2.2 数学模型的定义
就任何一项任务来说，它的操作时间主要包括两方面内容：其一为接收信息的用时；其二为把任务向相应的虚拟机分配的用时。就任何一个任务来说，符合相关要求的虚拟机集用[M]来指代，它的操作时间用[Finishi]表示，具体能够利用以下公式进行求解：
[Finishi=maxFinishprei+Cmibanij+LiPi s，tj∈M] （2）
式中：对于当前节点，[maxFinishprei]用来指代其任何一个前驱节点完成用时的极值；[Cmi]用来指代其需输送的数据量；[Li]用来指代其工作量；[Pi]用来指代其分配到的虚拟机的处理速度；[banij]用来指出信息和分配至目的地的两个虚拟机间的带宽大小。
耗时最大的任务用时是全部任务完成时间，也就是：
[FinishDAG=maxFinishi] （3）
3 基于禁忌优化算法的工作流调度
3.1 禁忌优化算法
为有效避免算法在运行过程中止步于局部最优，禁忌优化算法主要是通过禁忌表对那些得到的局部最优解进行存储，在此基础上设定其禁忌长度，当再次进行搜索时，通过表里面存储的数据决定将这些点跳过，最终能够避免局部最优。另一方面，该算法也可以按照藐视准则将那些被禁忌的优良状态赦免，选取其中的最优解，从而得到全局最优解。较具代表性的禁忌算法示意图，如图2所示。
3.2 解的编码方式和适应度函数
通过[P=p1，p2，…，pn]指代当前解，其中的各元素[pi]指代[ti]分配的[vi，]所以[DAG]工作流的编码长度即为该用户任务的子任务总数[n]。
所谓适应度函数，是指禁忌算法在找寻最优解时最大化目标函数，公式（4）为最小化式（3）重描述的[DAG]的任务完成时间：
[Fitness=1FinishDAG] （4）
3.3 邻域结构设计
图2中，在候选解的生成过程中，必须构建邻域结构，在这里若邻域解与当前解两者存在明显的差异，在这种情况下，将变成随机搜索，另一方面，变化相对较小将导致收敛速度下降，或许将止步于局部最优，鉴于这一方面，必须提前设计科学有效的邻域结构，这样一方面可以充分确保获得最优解，另一方面还可以提高收敛速度。
设基本邻域结构如下所示：对当前任务节点，任选1个虚拟机（符合安全性约束要求），通过这种方式能够避免陷入随机搜索，能够在科学有效的区间寻求新解，为避免陷入早熟，构造2种变邻域结构，在完成设定的迭代次数以后，若所获当前解的适应度仍然没有出现大幅的改进，在这种情况下将会分别通过下文中的结构1与2形成新解。
变邻域结构1：自当前解每次形成1个候选解，能够利用重复对基本邻域结构进行[S]次调用实现；
变邻域结构2：在解释当前解产生邻域的过程中，必须将其周围的[2S]区域中全部节点的虚拟机编号改变。
3.4 基于改进禁忌优化的工作流调度算法
具体来说，该种方法的具体过程如下所示：
输入：[T=t1，t2，…，tn]（用来指代全部任务集），[rmax]（是指最优解最大没有改变的次数），[V=v1，v2，…，vn]（用来指代当前虚拟机集合），[S]（参考值），[L]（禁忌表长度），[K]（候选集元素个数），[T]（算法最大迭代次数），[M，][N]（两者分别用来指代[Sselected]与[Sneighbor]的元素个数最大值）；
输出：全局最优解[best?far]；
step1：随机产生符合相关要求的解，将其当作当前解[xcur，]初始化[best?far=xinitial，]最优解未变化次数[r=1，]当前迭代次数[t=1]；
step2：把[xcur]与移动量[（0，0）]分别置于禁忌表[TB]与TW里面，设定禁忌长度是[L]；
step3：判定[t≤T]成立与否：若[t ≤T]成立，在这种情况下就会结束该算法，然后将[best?far]输出；否则[t=t+1]；
step4：按照在3.3节中提出的邻域结构生成[xcur]的[Sneighbor，]一直至[Sneighbor]里面有[N]个元素结束，从中取[K] 个最优解，将它们作为候选解，在此基础上，加入[Sselected；]
step5：把[Sselected]里面的[Sselected?best]和[best?far]进行对比：
[If Fitness（Sselected?best）]>[Fitness（best?far）]
[r=r+1]；
[best?far=Sselected?best]
[xcur=Sselected?best]
假如[Sselected?best]没在禁忌表里面，在这种情况下，把[Sselected?best]加到TB中，并且设定它的禁忌长度是[L]，把它的移动方式加到TW中，同时，设定其余元素的禁忌长度是[-1]；
否则取没有被禁忌的下一较优候选解[4]当作[xcur，]然后把它加至禁忌表中，把它的移动方式加到TW中，对其余元素进行更新，使其禁忌长度是[-1]；
step6：[t=t+1]，在此基础上，重新从step3开始。
4 仿真实验
实验环境为[Cloud Sim][12]，图3为工作流任务实例，在这里，为了能够和文献[13]的方法进行对比分析，此处选择的参数都和文献[13]的设置相同，椭圆中是指各子任务，工作量均匀分布在区间[[50，500]]中，总共有[4]个虚拟机，相互间的带宽矩阵具体如下：
[Mv=04012080400601001206009080100900] （5）
全部的任务中，只有第[6]个[τ]是4，剩下的都是2，安全性等级依次为：2，2，3，4。
相关参数主要包括：[rmax=4，][L=4，][S=1，][N=5，][M=3，][T=200，][K=6。]
以图3为实例，通过将本文提出的算法、文献[11]和[13]提出算法的结果相对比，获得各个算法的收敛图，如图4所示。
通过图4能够得知，本文所提出的算法在[140]代收敛，其工作流调度用时是[178.4]，后面2个算法的用时依次是[195.1]与[210]，文献[11]提出的算法在仿真过程中均未达到收敛，但文献[13]的方法在[180]代达到收敛，然而并未获得全局最优解，通过对比可以看出，本文提出的算法一方面其收敛速度相对较好，另一方面还能够获得更优解。
进一步验证三者对约束的敏感状况，具体测试结果见图5。
通过图5能够得知，本文所提出的算法与文献[13]提出的方法充分兼顾到安全性约束，另一方面，在有无约束时的平均用时具有相对偏小的差异，值得注意的是，文献[11]提出的方法并未兼顾到相关约束，正是这一方面的原因，所以，该方法无法妥善处理安全型约束的云工作流调度问题。
5 结 语
综上所述，为科学调度云计算中的任务，必须妥善处理的第一个环节即工作流调度，针对该问题，本文提出了基于安全型约束的云计算工作流高效调度法。构建了相应的调度模型与目标函数，在此基础上，通过协同禁忌算法进行寻优。最后，本文还在Cloud Sim环境平台下开展相应的仿真实验，结果说明提出的新方法的效果相对较好，一方面其收敛速度相对偏高，另一方面其可以获得相对较优的解。
参考文献
[1] DU Z H， HU J K， CHEN Y N， et al. Optimized QoS?aware replica placement heuristics and applications in astronomy data grid [J]. Journal of systems and software， 2011， 84 （7）： 1224?1232.
[2] 厉剑.云计算安全问题分析[J].现代电子技术，2013，36（19）：91?94.
[3] 刘少伟，孙令梅，任开军，等.云环境下优化科学工作流执行性能的两阶段数据放置与任务调度策略[J].计算机学报，2011，34（11）：2121?2130.
[4] 陈良维.云计算环境下的网络安全估计模型态势仿真[J].现代电子技术，2015，38（20）：15?19.
[5] VAQUERO L M， RODERO?MERINO L， MORAN D. Locking the sky： a survey on IaaS cloud security [J]. Computing， 2011， 91（1）： 93?118.
[6] MALIK S， HUEF F， CAROMEL D. Reliability aware sche?duling in cloud computing [C]// Proceedings of 2012 International Conference for Internet Technology and Secured Transactions. Piscataway： IEEE press， 2012： 194?200.
[7] KANG Q， HE H， WEI J. An effective iterated greedy algorithm for reliability?oriented task allocation in distributed computing systems [J]. Journal of parallel and distributed compu?ting， 2013， 73（8）： 1106?1115.
[8] 闫歌，于炯，杨兴耀.基于可靠性的云计算工作流调度策略[J].计算机应用，2014，34（3）：673?677.
[9] 储雅，马廷淮，赵立成.云计算资源调度：策略与算法[J].计算机科学，2013，40（11）：8?13.
[10] 胡蒙，苑迎春，王雪阳.改进模糊聚类的云任务调度算法[J].计算机工程与设计，2015，36（9）：2437?2441.
[11] 孙月，于炯，朱建波.云计算中一种多DAG工作流可抢占式调度策略[J].计算机科学，2014，41（3）：145?148.