在基于RPC(remote produce call)构建的分布式系统中,超时是一种通用的失效检测手段.在超大规模Lustre存储集群的压力测试中,发现传统的固定超时机制会导致很多不必要的超时而存在缺陷.提出了一种综合考虑了网络条件、服务器负载、扩展...在基于RPC(remote produce call)构建的分布式系统中,超时是一种通用的失效检测手段.在超大规模Lustre存储集群的压力测试中,发现传统的固定超时机制会导致很多不必要的超时而存在缺陷.提出了一种综合考虑了网络条件、服务器负载、扩展性和性能等因素的自适应可扩展的RPC超时机制(Adaptive Scalable RPC Timeout mechanism,简称AST).在其控制下,客户端超时值可以根据网络和服务器的拥塞情况动态地调整设置,而且服务器可以通过额外消息传递通知客户端修改原超时值.经过一系列的模拟和验证,其结果表明,AST是一种更适合的RPC失效检测模型,增强了系统的响应性、可靠性和稳定性,而且对系统的性能没有过大的负面影响.展开更多
针对传统高光谱图像分类算法存在特征信息利用率不足且无法有效降低特征图空间冗余的问题,提出一种改进的基于混合卷积的多尺度模型MH-CNN,该模型使用多尺度3DCNN模块对高光谱图像进行空间特征和光谱特征的初步提取,然后采用嵌入了空间...针对传统高光谱图像分类算法存在特征信息利用率不足且无法有效降低特征图空间冗余的问题,提出一种改进的基于混合卷积的多尺度模型MH-CNN,该模型使用多尺度3DCNN模块对高光谱图像进行空间特征和光谱特征的初步提取,然后采用嵌入了空间重建模块的多尺度2DCNN网络对特征图的深层空间特征做进一步的提取和优化,最后通过全连接层对高光谱遥感图像进行精准分类。实验在Indian Pines、Pavia Centre和Pavia University 3种开源数据集上进行,选取了7种经典的分类方法作为对比。MH-CNN算法在3个数据集上的总体精度分别达到了97.7%、99.2%和98.5%。实验结果表明,MH-CNN算法使得高光谱图像中的空谱特征都得到了充分的利用,同时有效减少了特征图的空间冗余,相比于其他模型提高了分类精度,具有较好的综合性能。展开更多
文摘针对传统高光谱图像分类算法存在特征信息利用率不足且无法有效降低特征图空间冗余的问题,提出一种改进的基于混合卷积的多尺度模型MH-CNN,该模型使用多尺度3DCNN模块对高光谱图像进行空间特征和光谱特征的初步提取,然后采用嵌入了空间重建模块的多尺度2DCNN网络对特征图的深层空间特征做进一步的提取和优化,最后通过全连接层对高光谱遥感图像进行精准分类。实验在Indian Pines、Pavia Centre和Pavia University 3种开源数据集上进行,选取了7种经典的分类方法作为对比。MH-CNN算法在3个数据集上的总体精度分别达到了97.7%、99.2%和98.5%。实验结果表明,MH-CNN算法使得高光谱图像中的空谱特征都得到了充分的利用,同时有效减少了特征图的空间冗余,相比于其他模型提高了分类精度,具有较好的综合性能。
