【摘 要】
：
移动通信技术和计算机技术的迅猛发展,使得用户通过移动主机随时随地访问分布式数据库上信息的“移动计算”成为可能.然而由于移动计算环境一些特点所限（例如不可靠的通信条件、不稳定的电源供应、狭窄的通信带宽）,移动主机经常处于断接状态.为了使用户在这种情况下可以继续访问数据的数据,减少因为断接造成的无谓的事务丢弃,研究支持断接操作的移动事务模型十分必要.通过对移动事务处理技术深入研究,针对移动计算环境的特
论文部分内容阅读
移动通信技术和计算机技术的迅猛发展,使得用户通过移动主机随时随地访问分布式数据库上信息的“移动计算”成为可能.然而由于移动计算环境一些特点所限（例如不可靠的通信条件、不稳定的电源供应、狭窄的通信带宽）,移动主机经常处于断接状态.为了使用户在这种情况下可以继续访问数据的数据,减少因为断接造成的无谓的事务丢弃,研究支持断接操作的移动事务模型十分必要.通过对移动事务处理技术深入研究,针对移动计算环境的特点,我们设计了一种支持断接操作的移动事务处理模型.根据移动主机同网络的连接状态是否处于断接,将访问数据库的移动事务分为强事务和弱事务.在该文研究中,利用乐观的并发控制方式,对移动事务进行可串行比校验,实现了移动事务的可串行乐观的并发控制方式,对移动事务进行可串行化校验,实现了移动事务的可串行化调度.并进一步给出了一套可行的移动事务校验算法及其正确性证明.文章还同其它移动事务处理模型进行了比较.该文对移动事务处理模型的事务恢复机制做了简单的探讨,给出了事务恢复的基本方法.最后设计了一个乐观的移动事务并发控制的原型系统,给出了这个系统三个组成部分;通信接口、全局事务管理器和局部事务管理器的具体设计实现.
其他文献
脑电信号在癫痫检测中起着至关重要的作用,专家可以通过分析脑电信号判断病人是否患有癫痫。由于人工判断存在诸多弊端,研究者们提出许多基于机器学习和深度学习的癫痫检测算法,并取得不错的效果。然而,机器学习和深度学习具有优异表现的前提是需要大量已标注训练数据。在实际应用过程中,脑电数据大部分为未标注数据,难以获取大量的已标注训练集。为此,本文提出一种基于深度主动学习的癫痫检测框架,目的在于使用主动学习来减
大数据时代的快速发展,使得非结构化文本数据呈指数级增加。海量的文本数据中包含着大量有价值的信息,因此对于文本信息抽取的研究有着巨大的价值和深远的意义。作为信息抽取的核心任务之一,命名实体识别(Named Entity Recognition)在知识图谱、自动问答、机器翻译等领域应用广泛,其识别性能的好坏直接影响到自然语言处理下游任务的性能。目前针对命名实体识别任务的研究,主要是将句子看作一个序列进
场地自动化定标技术旨在解决以往人工测量受到的天气、环境约束问题,减少实验的投入,提升定标频次,得到充足的数据来反映载荷衰变情况。如今场地自动化定标系统正朝着全自动、智能化方向发展。进一步提升信息化水平,实现无人值守观测系统下的定标数据处理是当前研究的重要方向之一。本文分为算法介绍、软件实现和软件测试三部分。算法部分对计算过程中每一参数的获取和使用进行详细说明,在该部分中,重点分析了太阳天顶角对高光
当前以抑郁障碍为代表的心理精神类疾病发病率不断攀升。但是由于社会的忽视和压力以及医疗资源的紧缺,当前主流的抑郁检测方式无法及时、有效地对抑郁障碍进行诊断和治疗。因此抑郁障碍的识别诊断急需要一种更为客观、有效的方法。脑电信号(Electroencephalograph,EEG)是一种用电信号记录大脑皮层各类活动的指标,可以直观体现人类中枢神经各种活动,具有直观、难以伪装等特点。近年来,研究人员针对脑