可以量产/n该项目是提供一个大数据处理框架和处理平台，具备较强的大数据 处理能力。 该项目需求广泛，将产生较大的经济效益。

项目简介 本成果基于高性能计算技术和大数据存储与处理技术，避开传统依赖单个计算机或 集群计算的缺点，应用先进的分布式文件系统和并行计算架构，使用普通的 PC 级机器构 建高性能的大数据处理平台。属国内领先项目。该成果处于中试研究阶段，并申请了专 利，专利号：ZL201010510071.8。 性能指标 （1）能利用 PC 级机器实现高速的大数据处理。 （2）能高效存储和管理海量的数据。 （

当前，高校内部学院、部门网站更新不及时，僵尸网站、发布内容存在不规范用语、错别字等情况较为普遍，造成了很大的安全风险。由内蒙古财经大学自主开发的“镜湖一号——高校对外宣传数据智能分析平台一体机”，很好的解决了上述出现的问题。同时，还具备了呈现学校对外宣传数据数据分析与挖掘的可视化态势展现功能，支持大屏观看和手机端查看。“镜湖一号”基于高校对互联网发布的各类数据，使用人工智能和大数据分析技术设计应用模型，让学校的管理者实时掌握数据动态。 应用场景及创新点： 1.监控敏感信息泄露，展现处置状态。 2.代替人工发现更新不及时、不到位的网站。 3.对比分析高校党建态势，同时展现学校内部各部门党建状态和成果。 3.实时展示高校发布的宣传数据态势，分析出最受欢迎、热门文章等。 4.平台支持国产化平台部署。 5.实现一体机快速部署。

一种大规模并发数据流处理系统及其处理方法,涉及数据处理技术领域,所解决的是提高流处理器处理效率的技术问题.该系统包括数据流单元缓冲区,数据流单元聚类队列池,数据流单元映射表,流处理器池,数据流读取部件,DSU聚类分配部件,任务调度部件,计算后处理部件,所述流处理器池由多个GPU构成,其中数据流读取部件用于将并发数据流写入数据流单元缓冲区,DSU聚类分配部件用于对数据流单元缓冲区中当前被处理的数据流单元进行分类,任务调度部件用于将数据流单元聚类队列池中的就绪队列加载至流处理器池中的GPU上执行流计算,计算后处理部件用于将GPU的计算结果返回到数据流.本发明提供的系统,能提高流处理器的处理效率.

本发明公开了一种分开处理数据与元数据请求的方法。包括： 增加请求的元数据语义；为每个 SCSI 设备设置数据请求队列与元数据 请求队列，后者专门用来处理元数据请求，且对不同的请求采用不同 的处理方式。根据元数据请求粒度小、实时性强、分布分散的特点， 元数据请求队列采用优先响应处理的方式，请求不经过 I/O 调度层， 不在请求队列中延迟，直接下发到磁盘驱动器；对请求粒度大，频度 相对低，分布集中的数据请求，采用经过 I

AICheck图像智能处理平台是企业级一站式AI服务平台，集数据采集、在线样本标注、一键模型训练、任务管理、在线检测和结果输出于一体，使企业可以快速应用海量的成熟算法，降低AI算法应用与管理成本，实现端到端服务。核心技术涉及人工智能、2D/3D视觉和云计算，核心功能包括目标识别、OCR识别、瑕疵检测和目标测量。

1 成果简介本项目基于 iSCSI 的块数据 I/O 连续跟踪、块差异存储及压缩、虚拟镜像及快速启动、数据库一致性检测以及嵌入式技术等，结合现有的高性能硬件平台，提供文件级和卷级连续数据备份方案，可实时、透明保存企业内的分散数据，保证用户数据的安全和完整。该系统提供任意时间点或版本的数据恢复；采用基于差量的版本管理，存储空间小，网络传输数据少，易于实施，系统后台透明运行，稳定可靠；支持远程异地办公人员使用；备份数据集中管理，便于公司集中备份和保护企业价值数据。与传统备份产品相比，具有可靠性高、可用性好、速度快、部署简单、无缝集成的特点。本地化的生产和服务，可以大大地提高服务质量和降低成本。而且作为具有自主知识产权的安全产品，可以更加稳定地保护数据安全，减少风险。本产品在国际市场上具有一定的竞争力。2 技术指标数据恢复点目标（ RPO）： 任意点恢复；全盘恢复速度： 30~40MB/s；快速差异恢复速度： 150~200MB/s；数据压缩比： 15~20:1；单服务器负载： 20~30 保护对象；服务器存储平均写入速度： 120~150MB/s。3 应用范围各企事业单位、军队、大中小型企业，数据托管的服务运营等。4 效益分析资金投入： 500 万元； 年销售收入： 1000 万元； 年净利润： 200 万元。

我校理学院大数据研究团队在人工智能与大数据处理技术研究方面取得系列进展，研究成果分别发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能顶级期刊。神经网络是人工智能领域中目前最为火热的研究方向——深度学习的架构基础。虽然深度学习在近几年发展迅速，但是关于如何设计最优神经网络架构的问题仍处于探索阶段。该团队分别针对人工智能中神经网络结构复杂、高维大规模数据存在无效和冗余特征、难以获取长时序信息等问题与缺陷，设计出了一系列网络结构优化、大数据特征选择和时序循环神经网络模型，有效改善了上述不足，提高了人工智能模型的学习性能。 题目为《带Group Lasso惩罚与控制冗余的神经网络特征选择》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究论文发表在人工智能领域权威国际期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生张华清为该论文共同第一作者， 我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项工作得到国家自然科学基金、国家科技重大专项、山东自然科学基金、中央高校基本科研业务费、中国石油天然气集团公司重大科技项目以及山东省高校青年创新科技支撑计划的资助。 特征选择技术也称属性选择，是指从原始特征或属性中选择出最有效的特征或属性以降低数据维度的过程，它是人工智能数据预处理环节的重要步骤，也是大数据处理技术的重要环节。该项工作在神经网络中嵌入Group Lasso惩罚项并实现特征冗余控制，在选出对解决问题最有帮助、蕴含信息量最大的特征或属性的同时，控制所选特征子集的冗余程度，以达到降维的最优效果，从而使模型的泛化能力更强，降低神经网络模型产生过拟合的风险。 题目为《基于L1正则化的神经网络结构优化模型设计与分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究论文发表在国际人工智能领域权威期刊IEEE Transactions on Cybernetics。硕士生谢雪涛和博士生张华清为论文共同第一作者，王健副教授为通讯作者，我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项研究成果得到了国家自然科学基金、山东省自然科学基金和中央高校基本科研业务费的资助。 该项工作借助L1正则子具有的稀疏表达能力，提出两种神经网络结构优化学习模型；本项工作另外一个突出贡献就是提出了一种简单且具有通用性的收敛性证明方法，同时保证了模型设计的合理性。实验结果表明所提出模型具有强大的鲁棒性、广泛的适用性、理想的剪枝能力和良好的泛化能力，适用处理高维大数据。该研究成果在人工智能与深度学习构造最简网络结构方面具有很强的指导作用和应用推广价值。