无线通信网络流量预测对运营商建设网络、管理基站无线资源和提升用户体验具有重要意义。然而，现有的集中式算法模型面临着复杂性和时效性问题，难以满足城市全域尺度的通信流量预测需求。因此，提出一个分布式的云边协同下的无线通信流量预测框架，以较低的复杂度和通信开销实现基于单栅格基站的流量预测。在分布式架构的基础上，提出了基于联邦学习的无线通信流量预测模型。各个栅格流量预测模型同步训练，通过中心云服务器利用JS（Jensen-Shannon）散度挑选出流量分布相似的栅格流量模型，并采用联邦平均（FedAvg）算法融合具有相似流量分布的栅格流量模型的参数，从而在提高模型泛化性的同时达到保持对本地流量精准刻画的目的。此外，由于城市范围内不同地区流量具有高度差异化的特征，在FedAvg的基础上，提出了基于合作博弈的联邦训练方法，将栅格作为合作博弈的参与者，结合超可加性准则筛选栅格，并引入合作博弈的核和夏普利值分配收益以确保联盟的稳定性，提高模型预测的准确性。实验结果表明，以短消息业务（SMS）流量为例，与栅格独立式训练相比，所提模型的预测误差下降在郊区最为明显，下降范围在26.1%~28.7%，在市区下降范围在0.7%~3.4%，在市中心下降范围在0.8%~4.7%；与栅格集中式训练相比，3个区域的模型预测误差下降范围在49.8%~79.1%。

热轧工序作为钢铁生产的核心环节，具有严格的生产连续性和复杂的产品工艺要求，而紧急订单的随机到达和紧急交货期要求会对生产连续性和质量稳定性产生不利影响。针对这类紧急订单插入的动态事件，提出一种热轧重调度优化方法。首先，分析了订单扰动因素对调度方案的影响，并以最小化订单拖期惩罚和板坯跳跃惩罚加权和为优化目标，建立了热轧重调度问题的数学模型。然后，设计了热轧重调度分布估计算法（EDA）。该算法针对紧急订单的插入式处理方式，提出一种基于插入位置的整数编码方案；结合模型特征设计了概率模型；并综合考虑目标与约束，定义了基于惩罚值的适应度函数。通过实际生产数据进行仿真实验，验证了模型和算法的可行性和有效性。

为提高Hadoop分布式文件系统(HDFS)的小文件处理效率,提出了一种面向HDFS的智能小文件存取优化方法——SmartFS。SmartFS通过分析小文件访问日志,获取用户访问行为,建立文件关联概率模型,并根据基于文件关联关系的合并算法将小文件组装成大文件之后存至HDFS;当从HDFS获取文件时,根据基于文件关联关系的预取算法来提高文件访问效率,并提出基于预取的缓存替换算法来管理缓存空间,从而提高文件的命中率。实验结果表明,SmartFS有效减少了HDFS中NameNode的元数据空间,减少了用户与HDFS的交互次数,提高了小文件的存储效率和访问速度。

为提高数据传输效率，通常对数据进行压缩处理，传统准入控制机制没有考虑数据压缩情况，以连接阻塞（中断）率度量性能。提出一种基于压缩感知的双粒度多门限准入控制策略，通过压缩感知，从连接级和原始信息级两种粒度进行准入控制，采用门限控制机制。同时提出原始信息损失率和原始信息传输效率两种新的准入控制性能标准。理论分析与仿真表明，原始信息损失和原始信息传输效率能较好度量准入控制的性能，压缩感知的准入控制机制具有明显的性能增益。