Рус Eng Cn Перевести страницу на:  
Nota Bene. Books, journals, publishing technologies.
Please select your language to translate the article


You can just close the window to don't translate ☒
Библиотека
 ваш профиль
Creative Commons License CC-BY-NC Статья опубликована с лицензией Creative Commons Attribution-NonCommercial 4.0 International License (CC BY-NC 4.0) – Лицензия «С указанием авторства – Некоммерческая».
Вернуться к содержанию

Исследования космоса
Правильная ссылка на статью:

Линь М., Чжао С., Цзы С., Го П., Фань Ц. Классификация программного обеспечения по обработке данных метеорологических спутников

Аннотация: Эффективная работа метеорологических спутниковых систем предполагает наличие не только наземных комплексов управления с системой телеметрии, но и многочисленных прикладных программных продуктов по передаче, обработке и распространению данных самих метеорологических наблюдений. Оптимизация функционирования орбитальных и наземных подсистем получения метеорологических данных с точки зрения потребления системных ресурсов и улучшения их рационального распределения требует решения задачи классификации таких программных приложений на основе характеристик их функционирования. Решение задачи классификации предполагает построение концептуальной схемы (онтологии) линейки программных продуктов путем формирования структуры данных, содержащей выбранные классы объектов, их связи и правила функционирования. Для решения задачи использованы многомерные статистические процедуры в виде совокупности алгоритмов упорядочивания данных на основе иерархической кластеризации программных приложений. Для классификации выбрано несколько групп параметров: кривые загрузки ЦПУ, распределения оперативной памяти, объемов данных систем ввода-вывода и передачи по сетям связи. На основе оценки степени близости объектов в рамках итерационной процедуры обучения построен классификатор приложений (дерево принятия решений). В свою очередь, применение алгоритма большинства голосов дало возможность выявления наиболее ресурсно-емкого приложения. На конечном этапе анализа использована процедура эталонной оценки потребления ресурсов (построения рейтинга программных приложений). Предложенные алгоритмы классификации значительно повышают эффективность наземной системы обработки метеорологических данных.

Ключевые слова:

Спутник, Наземная прикладная система, Классификация, Иерархическая кластеризация, Верификация программной модели, Параметры приложения, Загрузка памяти, Загрузка центрального процессора, Загрузка ввода-вывода, Загрузка сети

Keywords:

Sputnik, Nazemnaya prikladnaya sistema, Klassifikatsiya, Ierarkhicheskaya klasterizatsiya, Verifikatsiya programmnoi modeli, Parametry prilozheniya, Zagruzka pamyati, Zagruzka vvoda-vyvoda, Zagruzka seti


Эта статья может быть бесплатно загружена в формате PDF для чтения. Обращаем ваше внимание на необходимость соблюдения авторских прав, указания библиографической ссылки на статью при цитировании.

Скачать статью

Библиография
1. Thüm, T., Apel, S., Schaefer, I., et al. (2014) A Classification and Survey of Analysis Strategies for Software Product Lines. ACM Computing Surveys, 47, 1-45. URL: https://doi.org/10.1145/2580950
2. Gómez, O.S., Juristo, N. and Vegas, S. (2014) Understanding Replication of Experiments in Software Engineering: A Classification. Information & Software Technology, 56, 1033-1048. URL: https://doi.org/10.1016/j.infsof.2014.04.004
3. Gabmeyer, S., Kaufmann, P. and Seidl, M. (2013) A Classification of Model Checking-Based Verification Approaches for Software Models. Proceedings of the STAF Workshop on Verification of Model Transformations (VOLT 2013), Budapest, 17 June 2013, 1-7.
4. Srinivas, C., Radhakrishna, V. and Rao, C.V.G. (2014) Clustering and Classification of Software Component for Efficient Component Retrieval and Building Component Reuse Libraries. Procedia Computer Science, 31, 1044-1050. URL: https://doi.org/10.1016/j.procs.2014.05.358
5. Rashwan, A. and Ormandjieva, O. (2013) Ontology-Based Classification of Non-Functional Requirements in Software Specifications: A New Corpus and SVM-Based Classifier. IEEE, Computer Software and Applications Conference. IEEE Computer Society, Kyoto, 22-26 July 2013, 381-386. URL: https://doi.org/10.1109/COMPSAC.2013.64
6. Pancerz, K. (2015) On Selected Functionality of the Classification and Prediction Software System (CLAPSS). International Conference on Information and Digital Technologies, IEEE, Zilina, 7-9 July 2015, 278-285. URL: https://doi.org/10.1109/DT.2015.7222984
7. Wahono, R.S., Herman, N.S. and Ahmad, S. (2014) A Comparison Framework of Classification Models for Software Defect Prediction. Advanced Science Letters, 20, 1945-1950. URL: https://doi.org/10.1166/asl.2014.5640
8. Naufal, M.F. and Rochimah, S. (2016) Software Complexity Metric-Based Defect Classification Using FARM with Preprocessing Step CFS and SMOTE a Preliminary Study. International Conference on Information Technology Systems and Innovation. IEEE, Al Ain, 28 November 2016, 1-6.
(9.} Peng, J., Elias, J.E., Thoreen, C.C., et al. (2003) Evaluation of Multidimensional Chromatography Coupled with Tandem Mass Spectrometry (LC/LC-MS/MS) for Large-Scale Protein Analysis: The Yeast Proteome. Journal of Proteome Research, 2, 43-50. URL: https://doi.org/10.1021/pr025556v
References
1. Thüm, T., Apel, S., Schaefer, I., et al. (2014) A Classification and Survey of Analysis Strategies for Software Product Lines. ACM Computing Surveys, 47, 1-45. URL: https://doi.org/10.1145/2580950
2. Gómez, O.S., Juristo, N. and Vegas, S. (2014) Understanding Replication of Experiments in Software Engineering: A Classification. Information & Software Technology, 56, 1033-1048. URL: https://doi.org/10.1016/j.infsof.2014.04.004
3. Gabmeyer, S., Kaufmann, P. and Seidl, M. (2013) A Classification of Model Checking-Based Verification Approaches for Software Models. Proceedings of the STAF Workshop on Verification of Model Transformations (VOLT 2013), Budapest, 17 June 2013, 1-7.
4. Srinivas, C., Radhakrishna, V. and Rao, C.V.G. (2014) Clustering and Classification of Software Component for Efficient Component Retrieval and Building Component Reuse Libraries. Procedia Computer Science, 31, 1044-1050. URL: https://doi.org/10.1016/j.procs.2014.05.358
5. Rashwan, A. and Ormandjieva, O. (2013) Ontology-Based Classification of Non-Functional Requirements in Software Specifications: A New Corpus and SVM-Based Classifier. IEEE, Computer Software and Applications Conference. IEEE Computer Society, Kyoto, 22-26 July 2013, 381-386. URL: https://doi.org/10.1109/COMPSAC.2013.64
6. Pancerz, K. (2015) On Selected Functionality of the Classification and Prediction Software System (CLAPSS). International Conference on Information and Digital Technologies, IEEE, Zilina, 7-9 July 2015, 278-285. URL: https://doi.org/10.1109/DT.2015.7222984
7. Wahono, R.S., Herman, N.S. and Ahmad, S. (2014) A Comparison Framework of Classification Models for Software Defect Prediction. Advanced Science Letters, 20, 1945-1950. URL: https://doi.org/10.1166/asl.2014.5640
8. Naufal, M.F. and Rochimah, S. (2016) Software Complexity Metric-Based Defect Classification Using FARM with Preprocessing Step CFS and SMOTE a Preliminary Study. International Conference on Information Technology Systems and Innovation. IEEE, Al Ain, 28 November 2016, 1-6.
(9.} Peng, J., Elias, J.E., Thoreen, C.C., et al. (2003) Evaluation of Multidimensional Chromatography Coupled with Tandem Mass Spectrometry (LC/LC-MS/MS) for Large-Scale Protein Analysis: The Yeast Proteome. Journal of Proteome Research, 2, 43-50. URL: https://doi.org/10.1021/pr025556v
Издательство
 
Авторам
 
Услуги
 
Разное
 
Наши сайты

© 1998 – 2024 Nota Bene. Publishing Technologies. NB-Media Ltd.