针对政务协同场景需求复杂多样、人员流动管理困难、数据隐私度高和数据量大的特点，提出面向政务协同办公的访问控制（GBAC）模型。政务协同场景中的访问控制需要实现多部门对同一资源进行不同操作的需求，而现有的主流访问控制技术面临访问控制粒度不够精细和管理维护成本过高的问题，缺乏安全、灵活、精准的访问控制模型。因此，结合政务部门的运行机制，首先，将政府组织结构和行政区划结构融入访问控制模型，并构建政务人员、组织、资源和行政区划的归属关系树；其次，结合政务工作人员所属组织和岗位等属性，构建联合主体，以实现自动化的权限授予和解除；然后，根据组织职能和行政区划等级设计主客体属性匹配策略，从而打通数据壁垒，并提高鉴权效率；最后，引入权限分级思想，为资源设置数据级别和功能级别，以控制主体的访问阈值，从而提高模型灵活性，并进一步保障数据安全。实验结果表明，与基准模型如基于角色的访问控制（RBAC）和基于属性的访问控制（ABAC）相比，GBAC模型的内存消耗大幅减小，访问时延更低。可见，所提模型能安全、高效、灵活地实现政务协同场景下的权限管理。

由于Hadoop能在同一时间处理多个用户提交的不同作业的多个任务,这使得用传统的方法对其进行建模和性能分析变得十分困难.为了解决这个问题,基于马尔可夫排队模型M/MMDP/C/K建立了一个随机Petri网(SPN)模型和一个确定随机Petri网(DSPN)模型来分别描述Hadoop调度中的数据状态和作业公平调度.通过设置DSPN中的使动谓词和随机开关来建模Hadoop公平调度和YARN公平调度.使用嵌入的马尔可夫链模型来分析单用户情景,而在分析多用户情景时则引入分解和迭代技术来减小模型的状态空间,从而避免产生状态爆炸问题.研究侧重于Hadoop中作业调度的平均性能,仅通过求解提出的分析模型,就可以对比和分析服务质量(QoS)的一些关键指标,如平均吞吐量、平均队列长度和平均时延.采用Matlab进行仿真:当每秒到达任务数大于等于20时,YARN算法的数据积压和平均时延明显少于公平算法;当每秒到达任务数大于等于30时,YARN算法的平均吞吐量明显高于公平算法.实验结果表明,YARN公平算法能够减少平均处理和排队等待时间,在平均吞吐量、平均队列长度和平均时延上明显优于公平算法.