云计算中空间数据服务组合模型及其服务质量的研究

The problem of implementing spatial data web application in cloud computing can be defined as determining how to select atomic services to obtain complex services to satisfy the functional requirements and the quality of service requirements. It is a crucial issue because it affects execution performance. The diversity of dimensions, complexity, heterogeneity and size of the spatial data makes it difficult for conventional service composition techniques to handle. For quality of service, big data driven service composition optimization in the cloud computing is in urgent need and has the potential to solve this challenge. Our research will focus on spatial data service composition model and the quality of spatial data service composition. Our research will focus on the theory research and validation analysis of the application effectiveness. Spatial data service composition has been modeled and analyzed. Then spatial data service composition optimization algorithms in the cloud computing, spatial data service composition resource scheduling algorithms in the cloud computing and spatial data service composition load balancing algorithms in the cloud computing have been proposed. Finally, a wide range of experiments on Hadoop conducted to verify the feasibility of the proposed approach. This research can enlarge theory research for service composition optimization algorithms in the cloud computing. It also solves the problem for the geosciences.

为了实现云计算中复杂空间数据应用系统的高效运行，其核心问题是如何在云中选择最优的服务组合成复杂服务，以满足复杂功能需求和服务质量。由于空间数据具有非结构化、空间关系复杂、海量化等特征，传统的云计算中服务组合方法在高效分析和处理服务组合方面有些难度。为了实现服务质量的要求，在基于云计算中服务组合优化研究的基础上，云计算中大数据驱动的服务组合优化方法的研究愈加迫切。本课题重点研究的是空间数据的服务组合模型，以及云计算中空间数据服务组合的服务质量的问题。本课题从理论和应用研究两个方面，利用形式化表达对空间数据服务组合模型进行整体描述和理论构建，然后展开云计算中空间数据服务组合的部署策略研究，云计算中空间数据服务组合的优化算法研究，云计算中资源调度算法研究和云计算中负载均衡算法研究，最终构建空间数据的Hadoop云计算平台验证分析。本课题可拓展云计算中服务组合优化的理论研究，并具有应用意义。

以煤中元素大数据为基础，结合机器学习等算法和云计算技术，开展了一系列的研究，取得了一些有意义的结果，主要包括：为了准确实现稀土元素钡对铕干扰的临界值，应用模型树回归的机器学习算法预测钡对铕干扰的临界值；提出改进的非对称对数比转换方法完成全煤和灰分基准下的煤中元素相关性不一致问题的研究；为了定量判定煤中赋存状态及地质成因，提出两段式聚类算法的机器学习算法，揭示了高灰分产率和低灰分产率煤中元素的赋存状态差异明显，发现了低灰分煤中的元素主要来源是成煤植物本身和沉积环境，高灰分煤中元素的主要来源为蚀源区；阐明了不同层次聚类算法预测煤中元素的赋存状态的结果不同，分析了不同层次聚类算法的性能；应用CART算法的机器学习算法分析我国煤中铀的辐射危害阈值，得出在灰分产率小于20%时，U在原煤中的浓度阈值为5.28 mg/kg，在灰分产率大于20%时，U在原煤中的浓度阈值为7.98 mg/kg。