针对目前室内场景视频中关键物体的检测、跟踪及信息编辑等方面主要是采用人工处理方式，存在效率低、精度不高等问题，提出了一种基于纹理信息的室内场景语义标注学习方法。首先，采用光流方法获取视频帧间的运动信息，利用关键帧标注和帧间运动信息进行非关键帧的标注初始化；然后，利用非关键帧的图像纹理信息约束及其初始化标注构建能量方程；最后，利用图割方法优化得到该能量方程的解，即为非关键帧语义标注。标注的准确率和视觉效果的实验结果表明，与运动估计法和基于模型的学习法相比较，所提基于纹理信息的室内场景语义标注学习法具有较好的效果。该方法可以为服务机器人、智能家居、应急响应等低时延决策系统提供参考。

在大数据实时分析计算领域，流式计算的重要性不断提高，但是流式计算平台处理数据的能耗不断上升。针对这一问题，改变流式计算中节点对数据的处理方式，提出了一种阈值调控节能策略（ESTC）。首先，根据系统负载差异确定工作节点的阈值情况；其次，通过工作节点的阈值对系统数据流进行随机选择，确定不同数据处理情况调节系统的物理电压；最后，根据不同的物理电压确定系统功率。实验结果和理论分析表明，在20台普通PC机构成的流式计算集群中，实施ESTC的系统比原系统有效节能约35.2%；此外，ESTC下的性能与能耗的比值为0.0803 tuple/（s·J），而原系统性能与能耗的比值为0.0698 tuple/（s·J）。ESTC能够在不影响系统性能的前提下，有效降低了能耗。

随着移动互联网的快速发展，如何从大量的移动应用中抽取有效的描述信息继而为移动用户提供有效准确的推荐策略变得尤为迫切。目前，移动应用市场对应用的推荐策略相对传统，大多是根据应用的单一属性进行推荐，如下载量、应用名称、应用分类等。针对推荐粒度过粗和推荐不准确的问题，提出了一种基于潜在狄利克雷分布（LDA）主题模型的移动应用相似度构建方法。该方法从应用的标签入手，构造应用的主题模型分布矩阵，利用该主题分布矩阵构建移动应用的相似度矩阵，同时提出了将移动应用相似度矩阵转化为可行的存储结构的方法。实验结果表明该方法是有效的，相比现有的360应用市场推荐的应用其相似度提升130%。该方法解决了移动应用推荐过程中推荐粒度过粗的问题，可使推荐结果更加准确。

目前推荐系统存在评论数据稀疏、冷启动和用户体验度低等问题，为了提高推荐系统的性能和进一步改善用户体验，提出基于聚类层次模型的视频推荐算法。首先，从相关用户方面着手，通过近邻传播（AP）聚类分析得到相似用户，从而收集相似用户中的历史网络视频数据，进而形成视频推荐集合；其次，利用用户行为的历史数据计算出用户对视频的喜好值，再把视频的喜好值转换成视频的标签权重；最后，通过层次分析模型算出视频推荐集合中用户喜好视频的排序，产生推荐列表。基于MovieLens Latest Dataset和YouTube视频评论文本数据集，实验结果表明所提算法在均方根误差和决策精度方面均表现出良好的性能。

针对大数据流式计算平台中存在节点间负载不均衡、节点性能评估不全面的问题，提出基于负载感知算法的动态负载均衡策略，并将算法应用于Flink数据流计算平台中。首先通过有向无环图的深度优先搜索算法获取节点的计算延迟时间作为评估节点性能的依据，并制定负载均衡策略；然后基于数据分块管理策略实现流式数据的节点间负载迁移技术，通过反馈实现全局和局部的负载调优；最后通过实验评估时空代价论证算法的可行性，并讨论重要参数对算法执行效果的影响。经实验验证算法通过优化流式计算任务的负载分配提高了任务的执行效率，与采用Flink平台现有的负载均衡策略相比，任务执行时间平均缩短6.51%。

针对ZooKeeper机制难以满足内存云（RAMCloud）低延迟、快恢复的问题，提出了一种面向内存云的协调器选举策略（CES）。首先根据内存云网络环境与协调器自身因素将协调器性能指标分为个体指标与协调器间指标两类并分别建立模型；然后将内存云的运行分为正常运行期与数据恢复期两阶段并分别建立适应度函数，再按时间比合并为总适应度函数；最后在备选协调器（RBC）的适应度值的基础上提出一个具备稳定择优性与随机性的新算子，CES首先通过筛选来排除性能较差的个体，缩小选择范围后再在理想协调器的集合中采用轮盘赌方法选择最终的个体。实验结果表明，在NS2仿真环境下CES选择的个体相比其他备选协调器数据处理延迟降低了19.35%；在搭建的内存云环境中，与ZooKeeper机制相比，CES的选择结果在快速恢复中时间减少了10.02%。在内存云的实际应用中，CES在处理单点失效问题上能有效选择性能更优的协调器，确保了低延迟、快恢复的要求。

由于内存云(RAMCloud)只支持最大1 MB的小块数据对象存储,因此当大于1 MB的对象需要存储在内存云集群中就会受到对象大小的限制,无法在集群中进行存储。为了解决内存云存储限制的问题,提出了基于内存云的大块数据对象并行存取策略。该存储策略首先将大块数据对象分割成若干个1 MB的小块数据对象,然后在客户端生成数据摘要,最后使用并行存储算法将客户端分割成的小块数据对象存储在内存云集群中。读取时首先读取数据摘要,然后根据数据摘要从内存云集群中并行读取小块数据对象,并将小块数据对象合并生成大块数据对象。实验结果表明:大块数据对象的并行存取策略在不破坏内存云集群体系结构的前提下存储时间为16~18 μs,读取时间为6~7 μs。在InfiniBand网络架构下,所提并行算法的加速比呈现类似线性的增长,它使大块数据对象也能够像小块数据对象一样在微秒级别下快速、高效地进行存取。

内存云(RAMCloud)通常通过移动数据的位置来解决内存利用率低的问题,致使Hash表数据定位失效,查询数据效率低下;另一方面,在数据恢复过程中由于不能快速定位到需要的数据,每台备份服务器返回的数据段不能更好地组织起来。针对以上问题,提出内存云全局键(RGK)及二叉树索引。RGK分为三部分:定位到主服务器、定位到段以及定位到数据块。前两部分构成协调器索引键(CIK),在恢复中借助构造的协调器索引树(CIT)能够定位到段所在的主服务器;后两部分构成主服务器索引键(MIK),数据在内存中位移后也能通过主服务器索引树(MIT)快速获取到数据。与传统内存云集群相比,主服务器获取数据块的时间随数据吞吐量的增大而明显减少;协调器在闲散时间、重组日志时间等方面均有下降。实验结果表明,全局键在构造的二叉索引树的支持下能有效缩短获取数据及快速恢复的时间。