一种基于云计算平台下系统资源分配方法的研究
基于大数据的云计算资源动态分配算法研究
基于大数据的云计算资源动态分配算法研究随着互联网技术的发展，云计算作为一项新兴的技术手段，正越来越受到广泛的关注和应用。
而在云计算中，资源的动态分配是非常重要的一个环节，一方面可以保证服务的高效运行，另一方面也可以节约资源的使用成本，提高资源的利用率。
因此，基于大数据的云计算资源动态分配算法研究就成为了当前云计算技术研究领域中的关键问题之一。
本文将首先介绍大数据与云计算的相关概念。
然后，将重点探讨基于大数据的云计算资源动态分配算法的现状和研究进展。
最后，将对未来的发展趋势进行展望和分析。
一、大数据与云计算1、大数据的概念大数据是指海量的、高速流动的、多样化的数据，它是人类社会信息化进程中一种新型的数据形态，是由于网络技术的发展、数据采集工具的普及和数据存储成本的降低等因素而产生的。
大数据的核心特征包括数据的规模、速度、多样性和价值。
这些特征的结合使得大数据成为一种全新的数据管理与分析挑战。
2、云计算的概念云计算是一种基于网络的计算模式，它通过将大规模的计算资源和数据存储资源集中在数据中心，采用虚拟化技术进行管理和分配，以提高资源的利用率和降低资源的使用成本。
云计算技术的核心包括资源的池化、虚拟化和自动化管理等方面。
二、基于大数据的云计算资源动态分配算法1、云计算资源动态分配的概念云计算资源动态分配是指根据云计算的用户需求或业务要求，动态分配云计算平台上的计算资源、网络资源和存储资源等，以满足云服务的高效运行。
资源的动态分配需要考虑多个因素，包括服务的质量、响应时间、资源的利用率以及成本的控制等。
2、大数据在云计算资源动态分配中的应用由于云计算平台上的资源总量非常庞大，因此需要借助大数据技术来进行资源的管理和分配。
大数据技术可以对云计算平台上的各种资源进行实时监控，分析用户的行为和需求，并根据预测模型和数据挖掘技术，进行智能化的资源分配，以达到提高服务质量、提高资源利用率和降低成本的目的。
3、基于大数据的云计算资源动态分配算法的研究现状基于大数据的云计算资源动态分配算法已成为当前云计算技术研究的热点之一。
云计算平台资源分配效率评估说明
云计算平台资源分配效率评估说明云计算平台是一种基于互联网的应用服务模式，它通过将计算资源和服务按需分配给用户，实现了资源的高效利用和成本的降低。
在云计算平台中，资源分配效率的评估对于提高整个平台的性能和用户体验至关重要。
本文将从几个方面评估云计算平台资源分配的效率。
首先，资源分配的速度是评估云计算平台资源分配效率的一个重要指标。
在云计算平台中，用户提交的任务需要被平台快速地分配到对应的计算节点上进行处理。
如果资源分配速度慢，将导致用户的等待时间增加，降低用户体验。
因此，评估资源分配的效率可以从资源分配的平均时间、最长分配时间和分配成功率等指标来进行衡量。
其次，资源利用率是评估云计算平台资源分配效率的另一个重要指标。
资源利用率指的是在给定时间段内，平台上已经分配的计算资源的利用情况。
如果资源利用率低，意味着平台中存在大量闲置的计算资源，这将导致资源的浪费和成本的增加。
评估资源利用率可以从资源的平均利用率、峰值利用率和空闲资源比例等指标来进行分析。
另外，资源分配的公平性也是评估云计算平台资源分配效率的一个重要方面。
公平性指的是用户在云计算平台上分配到的资源是否能够满足其需求，并且所有用户在资源分配方面具有平等的机会。
如果资源分配不公平，将导致某些用户在资源紧缺时无法及时获得所需的计算资源，从而影响用户的任务执行效率和体验。
评估资源分配的公平性可以从用户等待时间的分布、资源分配的优先级和用户满意度等指标来进行测量。
最后，资源分配的可扩展性也是评估云计算平台资源分配效率的一项关键指标。
可扩展性指的是在用户需求增加或减少的情况下，平台是否能够快速调整和分配所需的计算资源。
如果资源分配不具备可扩展性，将限制平台的横向扩展能力和用户的弹性需求。
评估资源分配的可扩展性可以从平台的最大负载能力、资源分配的响应时间和资源分配的稳定性等指标来衡量。
综上所述，云计算平台资源分配效率的评估包括资源分配的速度、资源利用率、公平性和可扩展性等方面的指标。
云计算平台的资源管理与调度研究
云计算平台的资源管理与调度研究1. 介绍云计算平台是一种将计算、存储和网络等资源进行集中管理和分配的技术，提供了便捷的计算、存储和应用服务。
云计算平台的资源管理与调度是保证平台运行高效的关键，它涉及到资源的分配、调度和监控等方面，需要充分考虑资源的利用率、负载均衡和性能等因素。
2. 资源管理资源管理是指如何有效地对云计算平台中的资源进行管理和分配，以满足用户的需求。
首先，需要定义和抽象资源模型，把物理资源（如服务器、存储设备等）虚拟化为逻辑资源，使用户可以按需使用。
然后，通过资源管理系统进行资源的分配和调度，根据用户的需求和系统的负载情况，合理地分配计算、存储和网络资源。
3. 资源调度资源调度是指根据用户的需求和系统的负载情况，动态地将任务分配给最适合的物理资源，以提高系统的资源利用率和性能。
资源调度需要考虑以下几个方面：3.1 负载均衡负载均衡是保证云计算平台的资源利用率的关键。
当平台的负载不平衡时，一些资源可能得到过度分配，而另一些资源可能处于闲置状态。
因此，资源调度应该根据系统的负载情况，合理地分配任务，使系统的负载均衡。
3.2 资源预测与决策资源调度需要根据系统的负载情况和用户的需求，预测未来的负载情况，并做出相应的决策。
例如，当系统的负载较高时，可以通过动态调整资源分配的策略来提高系统的性能；当系统的负载较低时，可以适当降低资源分配的策略，以节省资源。
3.3 任务迁移任务迁移是资源调度的一种常用策略，它可以在不同的物理资源之间移动任务，以实现资源的动态调度和负载均衡。
任务迁移需要考虑任务的迁移代价和迁移目标资源的可用性，以及任务迁移对用户的影响。
4. 资源监控与反馈资源监控是指对云计算平台中的资源进行实时监控，以了解资源的使用情况和系统的负载情况。
资源监控可以通过采集和分析系统的日志和指标来实现。
监控系统可以通过反馈机制，将监控的结果传递给资源管理与调度系统，并根据监控结果进行相应的资源调度策略。
云计算资源分配算法
云计算资源分配算法在当今数字化的时代，云计算已经成为了企业和个人获取计算资源的重要方式。
而在云计算的背后，资源分配算法起着至关重要的作用，它决定了如何高效地将有限的计算、存储和网络资源分配给众多的用户和任务，以满足不同的需求，并确保系统的性能和稳定性。
想象一下，云计算就像是一个巨大的资源库，里面有各种各样的计算能力、存储空间和网络带宽。
而用户的需求则各不相同，有的需要大量的计算来进行复杂的数据分析，有的需要大量的存储空间来保存海量的数据，还有的对网络带宽有很高的要求，以保证实时的交互和数据传输。
这时候，云计算资源分配算法就像是一个聪明的管家，要根据用户的需求和资源的可用性，做出最优的分配决策。
那么，云计算资源分配算法到底是如何工作的呢？它通常会考虑多个因素。
首先是用户的需求，这包括任务的类型、优先级、资源需求量以及预计的执行时间等。
比如，一个紧急的医疗图像处理任务可能会被赋予更高的优先级，以确保能够快速获得所需的资源并完成处理。
其次，算法会考虑资源的可用性。
云计算平台中的资源并不是无限的，而且它们的状态可能会随时变化。
例如，某些服务器可能正在进行维护，或者某些存储设备已经接近满载。
算法需要实时监测这些资源的状态，并根据可用的资源来进行分配。
在具体的算法实现中，有几种常见的方法。
一种是基于贪心算法的资源分配。
贪心算法的基本思想是在每一步都做出当前看起来最优的选择。
在云计算资源分配中，这可能意味着总是将资源分配给当前需求最大的任务。
然而，这种方法可能会导致局部最优解，而不是全局最优解。
另一种常见的方法是基于启发式算法的资源分配。
启发式算法是基于经验和直觉的算法，它可以在合理的时间内找到一个较好的解决方案，但不一定是最优的。
例如，模拟退火算法和遗传算法就经常被用于云计算资源分配中。
这些算法通过模拟物理过程或生物进化过程，来搜索可能的资源分配方案，并逐步优化。
除了这些传统的算法，近年来，随着机器学习和人工智能技术的发展，一些基于深度学习的资源分配算法也开始出现。
云计算中资源分配策略研究
层Ｃ Ｐ Ｕ到 Ｖ Ｍ， 基于本地节点的效用 函数和系统全局的实用功能 ， 制定两层资源管理办法 ， 启动虚拟机的
实时 迁移 控制 成本 和性 能 的折衷 。文献 ［ ４—５ ］ 提 出 了一种 基 于效用 函数来 动态 管理数 据 中心 中不 同主机 的方 法 。该效 用 函数被 设计 为两 个级 别 ， 服务 级别 效用 函数 用 于计算 应 用程序 的资源需 求 ， 资源 级别 效用 函数 用于 在应 用程 序 间分配 资源 。该 方法 是对 两种 研究 方 向 的融合 ， 主要 关 注于 资源利 用率 的提 升 。
中图分类号 ： Ｔ Ｐ １ ８ １ 文献标识码 ： Ａ 文章编号 ： ２ ０ ９ ５ —２ ５６ ２ （ ２ ０ １ ４ ） ０ １ —０ ０ １ ６ —０ ５
云计算是通过分布式和资源虚拟化技术依赖 网络来实现构建的超级计算机 ， 以按需租用方式 向用户 提供数据分配 、 存储以及科学计算等服务。从具体应用角度分为三个层次【 １ Ｊ ， 基础设施 即服务 （ Ｉ ａ ａ Ｓ ） ， 平 台即服务（ Ｐ 砚Ｓ ） ， 软件即服务（ Ｓ ａ ａ Ｓ ） 。任何连接到互联网的终端设备通过使用应用程序编程接 口（ Ａ Ｐ Ｉ ） 能 够随时随地远程访问云服务 ， 为了提升其服务质量 ， 必须在云环境下运行最优的资源分配方案 。 云计算技术使资源实现按需分配， 最大限度地提高了系统的利用率 和整体性能 。资源分配策略要满 足各类参数 ， 如吞吐量、 延迟和响应时间等。由于资源有 限， 资源的异构性 ， 地域的限制 ， 环境和资源需求 的动态性， 因此我们需要一个有效的资源分配系统来为用户提供最优 的资源。 在云平台上 ， 资源分配发生在两个层面。首先 ， 当一个应用程序上传到云端时 ， 负载平衡器请求分配 物理计算机 ， 试图实现多个应用程序的物理负载平衡。其次 ， 当一个应用程序接收多个请求的情况下 ， 这 些请求应该各分配到一个特定 的应用程序实例来平衡计算负载。例如 ， Ａ ｍ ａ ｚ ｏ ｎ Ｅ Ｃ ２ 使用弹性负载均衡 （ Ｅ ｔ ａ ） 来控制如何处理传人的请求。资源分配策略是整合云服务提供商在限制范围内分配和利用云环境 中的稀缺资源， 以满足云应用 的需求。它为每个应用程序分配所需要 的资源以完成用户 的工作 。一个好 的资源分配策略应避免 以下情况 ： （ １ ） 资源争用 ， 两个应用程序在同一时间访问相同的资源 ； （ ２ ） 资源短缺 ， 现有的资源满足不了需求 ； （ ３ ） 资源碎片被隔离（ 有足够的资源 ， 但无法分配给需要 的应用程序 ） ； （ ４ ） 超额 配置资源 ， 应用程序获取比要求多的资源 ， 导致资源剩余。 本文按照效用函数、 博弈论和启发式算法等核心技术将资源分配策略进行分类 。针对每种技术 ， 简要 阐述了工作原理 ， 通过对现阶段的研究情况 的分析 ， 剖析 了每种分配策略的优缺点 ， 并指明了将来要做的
云边端协同下的任务调度与资源分配方法
云边端协同下的任务调度与资源分配方法在云计算、边缘计算和终端设备的协同工作模式下，任务调度与资源分配是确保系统高效运行的关键技术。
本文将探讨云边端协同框架下的任务调度策略和资源分配方法。
首先，云边端协同架构的核心思想是将计算任务根据其特性和需求分配到最合适的计算节点上。
云端拥有强大的计算能力和存储资源，适合处理大规模数据分析和复杂计算任务。
边缘端则靠近用户，可以快速响应并处理实时性要求高的任务。
终端设备则负责执行轻量级的任务和数据收集。
任务调度策略是实现云边端协同的关键。
一种有效的策略是分层调度，即将任务分为不同的优先级和类型，然后根据任务的特性和系统资源状况进行调度。
例如，对于实时性要求高的任务，可以优先分配到边缘端或终端设备上执行；而对于计算密集型任务，则可以分配到云端进行处理。
资源分配方法则需要考虑任务的执行时间、能耗、成本等因素。
一种常见的方法是动态资源分配，即根据任务的实时需求和系统资源状况动态调整资源分配。
例如，当系统负载较高时，可以增加云端资源的分配，以加快任务的处理速度；而在系统负载较低时，则可以减少资源分配，以降低能耗和成本。
此外，云边端协同还需要考虑数据传输和安全问题。
数据在云边端之间的传输需要保证高效和安全，可以采用数据压缩、加密等技术来优化数据传输。
同时，还需要建立一套完善的安全机制，以防止数据泄露和攻击。
总之，云边端协同下的任务调度与资源分配是一个复杂的问题，需要综合考虑任务特性、系统资源、数据传输和安全等多个因素。
通过合理的任务调度策略和资源分配方法，可以提高系统的运行效率和可靠性，满足不同场景下的应用需求。
云计算平台中的精细化资源分配与管理方法研究
云计算平台中的精细化资源分配与管理方法研究随着云计算技术的发展，云计算平台已成为企业和个人实现高效资源共享和灵活部署的重要工具。
在云计算平台中，精细化资源分配与管理方法的研究和应用，可以帮助提高资源利用率、降低成本并提供更好的服务质量。
云计算平台中的资源包括计算、存储和网络资源，这些资源需要根据用户需求进行合理分配和管理。
传统的资源分配方法主要基于静态规划和简单的负载均衡算法，无法满足云计算平台中大规模、高动态的资源需求。
因此，研究如何实现精细化的资源分配与管理方法至关重要。
精细化资源分配与管理方法的研究包括以下几个方面：1.弹性资源调度：弹性资源调度是指根据不同的任务需求和系统状态，动态调整资源分配的能力。
传统的静态资源分配方法往往无法适应云计算平台中的高动态性和不确定性。
弹性资源调度方法可以根据当前系统负载情况和任务需求，实时调整资源分配，使得资源利用率更高、响应时间更短。
2.虚拟机管理：虚拟机是云计算平台中的重要资源单元，对于实现资源的精细化分配与管理具有重要意义。
虚拟机管理方法包括虚拟机的创建、迁移、销毁等操作，以及虚拟机的资源调度和监控。
合理的虚拟机管理方法可以提高云计算平台的性能和可靠性。
3.负载均衡：负载均衡是指将任务或请求均匀分布到不同的服务器或节点上，使得系统的资源利用率更高。
传统的负载均衡方法主要基于静态规划或启发式算法，无法适应云计算平台中大规模、高动态的负载。
精细化的负载均衡方法需要考虑任务的优先级、资源的健康状态和网络拓扑等因素。
4.资源利用率优化：资源利用率是衡量云计算平台性能的重要指标之一。
优化资源利用率可以降低运营成本，并提供更好的服务质量。
资源利用率优化方法可以通过调整资源分配策略、合理使用虚拟化技术，以及优化负载均衡算法等方式实现。
5.动态资源调整：云计算平台中资源需求具有高度的动态性，不同的任务可能会有不同的资源需求。
动态资源调整方法可以根据任务的性质和优先级，实时调整资源分配和管理策略，以提高系统的性能和灵活性。
云虚拟环境下资源分配的研究与实现
Ｒｅ ｅ ｒ ｈ ｏ ｅ ｏ ｒ ｅ ａ ｌ ｃ ｔｏ ｏ ｏ ｄ Ｃｏ ｕ ｉ ｇ Ｅｎ ｉｏ ｍｅ ｔ ｓ ａ ｃ ｆ ｒ ｓ ｕ ｃ ｌｏ ａ ｉ ｎ ｆ ｒ Ｃｌｕ ｍｐ ｔｎ ｖ ｒ ｎ ｎ
机集群 。 对于如何有效的分配资源 ， 使其利用率最大化 ， 即使得物理机器 中的各种资源的碎 片最小也成 了云计算 中需要考虑 的问题 。
针对这一 问题 ， 可以结合遗传算法来解决这种 多 目标 多约束的组合优化问题， 实现云虚拟环境下的资源分配 问题 。通过仿 真实验表 明， 算法可用有 效的减少物理机器 中的碎片 ， 高资源 的利用率 。 该 提 关键 词 ： 云计 算； 虚拟化 ； 资源分配 ； 遗传算 法
０ 引
言
１ 问题描述
１ １ 问题 提 出 ．
通 过 云 计 算 中 基 础 设 施 层 的 虚 拟 化 技 术 将 底 层 物 理 资 源 对 上 层 应 用 透 明 后 ， 层 向 用 户 提 供 的 不 再 是 单 一 的 物 理 资 该 源， 而是 通 过 虚 拟 化 技 术 将 底 层 的 内 存 ， 盘 ， Ｐ 封 装 成 为 一 硬 Ｃ Ｕ 个 整 体 ， 虚 拟 机 的 方 式 提 供 给 用 户 使 用 ， 于 系 统 中底 层 的 以 由 物 理 设 备 是 由 多 台 服 务 器 组 成 的 计 算 机 集 群 ， 此 本 文 考 虑 的 因
软件 ２ １ ０ ２年第 ３ ３卷 第 １ 期
Ｓ Ｆ ＷＡ Ｅ ＯＴ Ｒ 国际 Ｉ Ｔ传媒品牌 Nhomakorabea算
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一种基于云计算平台下系统资源分配方法的研究
作者：许家昌
来源：《数字技术与应用》2011年第12期
摘要：以虚拟化技术为基础，提出一种把相关理论和资源池相结合的资源分配方法，有效提高资源的利用率。
按所提方法设计了资源分配模型，配合有效的实验环境对提出的资源分配方法进行了试验。
实验证明该方法确实可以有效的提高资源的利用率。
关键词：云计算多级资源池虚拟化技术租借理论资源分配
中图分类号：TP393 文献标识码：A 文章编号：1007-9416(2011)12-0110-02
SaaS（Software-as-a-service）是基于互联网提供软件服务的软件应用模式。
作为一种在21世纪开始兴起的创新的软件应用模式，SaaS是软件科技发展的最新趋势。
它“on-demand software”（按需软件），ASP，hosted software（托管软件）所具有相似的含义。
它是一种通过Internet提供软件的模式，厂商将应用软件统一部署在自己的服务器上，客户可以根据自己实际需求，通过互联网向厂商定购所需的应用软件服务，按定购的服务多少和时间长短向厂商支付费用，并通过互联网获得厂商提供的服务。
用户不用再购买软件，而改用向提供商租用基于Web的软件，来管理企业经营活动，且无需对软件进行维护，服务提供商会全权管理和维护软件，软件厂商在向客户提供互联网应用的同时，也提供软件的离线操作和本地数据存储，让用户随时随地都可以使用其定购的软件和服务。
总体来说，SaaS对企业和厂家省去了很多基础和服务开销。
随着SaaS的深入,确实给相当的企业等造成了不小的影响，于是以sass为基础的软件开发成了时代的产物。
1、基于云计算的虚拟技术多级资源池结构设计
Cloud Computing虚拟化技术把相当的网络资源全部整合进行分割，尤其表现在存储和服务上,实现资源按需供给和变化。
Cloud Computing把几乎大量资源看成是一个资源池( Resource Pool)。
这就要求计算机必须具备一定的处理能力的同时作好存储工作。
虚拟技术是将资源虚拟化成n个槽(根据资源的某个共同的特性将资源归类，形成资源池，达成多级资源池。
Cluster网络的多级资源池结构如图1 所示。
其中有一个资源池充当服务器(Cloud server)跟云外面交互、维护其他资源池负载平衡、分配任务等其他服务。
在多级负载平衡模型中，充分利用多级资源池结构的优势。
对于通信密集型的任务，尽量将其分配在同一个资源池网络域中，降低进程间通信的开销。
系统性能得到大幅度优化。
2、资源分配方法设计
为将有限的资源最大利用化，将资源池分为私有池和共享池。
同时，结合四种方法完成对资源的分配。
共享方法:为提高收益，利用分享率节点记录应用软件对共享池资源的占有率。
约束共享资源是不能分配。
私有方法:在Products. xml中利用own节点来存储所需槽数。
以完成软件部署以及相关任务。
借还方法:凭借租借原理完成对私有槽的租借。
通过可能剩余的空闲槽协助完成其他任务。
由于考虑到使用的槽数动态变化的，在调整程序策略时，可以手动调整满足特定时间业务的需要。
3、资源分配方法的应用
作业分配过程中，服务器利用相关方法调节资源，同时利用基于进程迁移机制的进程pbs_mon，根据资源的分配情况和资源池的空闲的槽的变化，动态地调节系统的负载平衡。
如图2所示，ps_lim 进程启动中，配置相应环境，利用进程ps_vemkd和ps_pem， ps_vemkd进程开始数据备份。
ps_vemkd进程对全部资源做相应的管理，whole_resource_pool模块自动加载，利用进程ps_esc把信息备份。
ps_esc接收到下达的任务挂在资源ps_pem下。
而其他资源池启动ps_lim读取资源的信息和启动ps_pem子进程，实时地给服务器发送应答信号。
ps_esc 利用如下函数f(x，i)算出应用程序x空闲的私有槽数:
Yi表示向x所借资源对象;xyi表示yi所借槽数;a为私有槽数;ω(x)代表槽数由于某些原因造成的浪费数;c表示空闲数;f(x，i)比所需要的槽数大时，用x列值;f(x，i)比所需要的槽数小时，在最大范围内获取更多资源。
f(x)太小时，通过函数f(x，c)计算回收槽数。
f(x，u)值即为最后资源数值，f(x，u)在资源的动态分配过程中是变化的。
4、实验论证
基于上述提出资源分配方法的有效性，在论证过程中通过了仿真实验。
相关环境配置为:40个节点的资源池、服务器分配资源节点、一个Client节点资源、四个槽代表一个CPU;一个CPU代表一个资源，执行一个任务用一个槽;多个进程的方法模拟多个槽被使用，仿真实验目的为任务响应时间和槽的效率。
如图3所示，随着槽的数量增加，任务的响应时间是稳定的。
这表明自定义的资源分配方法具有收敛性。
槽的效率主要反映服务器利用动态的资源分配方法分配任务到资源的效率。
以任务使用的槽数量和执行时间为基准，测量槽的效率如图4所示。
在任务的执行时间大于2ms时，CPU的效率是稳定的，而且都在97%以上。
依据试验结果可得出，该多资源池的资源分配方法具有时间收敛性和较高的CPU效率。
5、结语
文章针对资源分配方法.利用相关文件需要可以对加载的资源分配方法调整，实现了动态
修改资源分配方法、动态添加资源和动态的资源分配，减少资源的空闲时间和任务的等待次数;在任务执行过程实现局部优先平衡的动态负载平衡调节，降低算法的开销，提高系统整体性能。
参考文献
[1]2010年中国云计算大会.2010.4
[2]李开复.云计算将成主流应用模式［EB/OL.http://www.itjj. net /net /seach /20090212
/334880.html ［12 Feb2009］.
[3]Cloud computing versus grid computing［EB/OL］./developerworks
/web /library /wa- cloudgrid /［03 Mar 2009］.
[4]Cloud computing with Linux ［EB/OL.http: //www. /developerworks /linux /library /l-cloud- computing/［10Sep 2008］.
[5]Speeding mobile application development through software as aservice model
［EB/OL ］./developerworks/rational/library/edge/08/may08/brody/［15 May 2008］.
[6］Cloud computing with Amazon Web Services，Part 2: Storagein the cloud with Amazon Simple Storage Service ( S3)［EB/OL］./developerworks /library /ar-cloudaws2/［19 Aug 2008］.
作者简介
许家昌（1979-），山东安丘人，讲师，硕士，研究方向：计算机应用。
注
安徽理工大学青年教师科学研究基金（2010026）。