云计算的特征范文
时间：2023-12-14 17:35:08
云计算的特征篇1
0引言
随着大规模精细三维模型获取技术的不断发展，三维激光扫描技术凭借其数据获取速度快、精度高、覆盖广的特点，成为高精度三维模型数据获取的主流方式之一，获取的点云数据量也呈几何级数增长，因此，如何对海量散乱点云数据进行简化已成为计算机图形学、快速成型、三维测绘、地理信息系统、数字城市、军事仿真、游戏娱乐等点云模型应用领域的重要研究课题之一。
传统的点云简化方法主要分为两个大类：第一类是顾及特征的简化[1-3]，此类算法需要依据单点的K邻近点集拟合曲面，并构建曲面的法向量和曲率等相关特征度量因子判定单点是否为特征点，从而实现点云简化。这些算法能够保持模型特征，但是涉及K邻近点集等复杂计算操作，耗时多，仅适用于小数据量的点云简化。第二类是规则采样简化算法[4-6]，此类算法依据一定规则对原始点云进行采样，然后以采样点作为特征点保留，剔除其他点实现点云简化。这类算法简化效率高，但是不能有效地保持模型特征，由于采样标准单一，在特征变化明显的尖锐弯曲处会导致局部细节过度光顺丢失细节。由此可见，传统算法的主要问题是点云简化过程中计算复杂与模型特征保持不能兼顾。
近年来通用计算图形处理器(General Purpose Graphics Processing Unit， GPGPU)的快速兴起，尤其是NVIDIA公司2006年推出的图形处理器(Graphics Processing Unit， GPU)并行计算框架——统一计算设备架构(Compute Unified Device Architecture， CUDA)[7]凭借其高性价比、低通信开销、卓越的并行计算能力，让海量化或者计算复杂度高的三维点云模型数据快速处理成为可能。文献[8]使用GPGPU实现基于边缘点的激光雷达(Light Detection And Ranging， LiDAR)点云滤波算法，文献[9]提出一种基于CUDA的双边滤波的点云滤波算法。两者都将K邻近点、曲面拟合、法向量以及曲率等计算复杂度高的步骤，利用CUDA编写不同的kernel并行化，从而加速点云简化，但是，由于在单个线程中完成类似求解单点K邻近点的计算需要消耗太多的全局内存等GPU资源，这严重制约此类算法处理点云的规模，仅适用于数十万级的小规模点云处理。
本文借助众核GPU通用计算高性能并行的特点，结合快速成型领域切片点云简化算法[10-12]顾及特征的优势，实现了基于CUDA的顾及模型特征且适合千万级点云的并行简化算法，并从该算法的时间效率方面的优势阐述了CUDA用于海量数据处理的优势和潜力。
1切片点云算法原理
基于CUDA的切片算法实现原理如下：首先，在CPU端根据点云的几何分布特征对点云进行分层并降维投影至相应的投影平面上;然后，依次对不同投影面上单层点云中的每一点和相应投影平面坐标原点所连直线与投影面某一坐标轴固定方向的夹角大小进行升序排序;最后，使用本文提出的利用CUDA在GPU端对每层排序后的切片点云依据弦高差法并行计算各点的弦高差值和各层切片的弦高差均值作为阈值，通过比较各点弦高差与阈值的关系，确定该点是否为特征点从而完成该层切片简化。
1.1特征点的提取原理
利用弦高差法来确定切片中各点是否为特征点，原理详见文献[13]，其中弦高距离由式(1)求得：
di=|Axi+Byi+C|/A2i+B2i+C2i(1)
如图1所示，pi为目标待判定点，直线pi-1pi+1所构成直线方程为l：Ax+By+C=0，由计算几何的原理可求得pi到直线l的垂直距离为di。
其中：mj表示第j层点云的总数;di表示第j层点云中的第i个点的弦高差值。
1.2基于CUDA的切片算法实现
由上述原理可以看出：依次计算单点的弦高差、单层切片的阈值σ以及单点弦高与阈值的比较等操作均是计算密集的操作，不涉及对原始切片数据的写操作，不会因为数据的复写而引发数据的二义性，具备良好的数据独立性，因此本文借助NVIDIA推出的GPGPU平台CUDA的单程序多数据(Single Program Multiple Data， SPMD)特性[7]，利用GPU中大规模并行处理器的并行计算能力，使用相互独立的线程并发执行这些计算，实现基于数据并行性的点云简化，具体算法如下。
步骤1将依据角度排序后的单层点云切片从CPU的cpuvector中传入至GPU的gpuvector中。
步骤2结合CUDA，设定核函数的线程块数量blockDim.x和线程块中线程数量threadDim.x，启动核函数BowstringCaculate_kernel并行计算出每一点的弦高差值并存入GPU显存的数组Height中。
步骤3在GPU中用并行归约算法求出该层切片的弦高差均值σ，作为该层切片的特征判定阈值。
步骤4启动核函数isFeaturePoint_kernel，根据BowstringCaculate_kernel返回的各点弦高Height与阈值σ，确定该层切片中的特征点，并将计算结果存入数组isFearturePoint中。
步骤5将isFearturePoint数组中的元素利用CUDA的核函数cudaMempy传回至CPU端，在CPU端根据对应索引位置的值决定cpuvector相应位置上的点保留与否，从而得到简化后的点云SimplyfiedVector。
步骤6回到步骤1继续对其他切片层的点云简化。算法中的流程如图2所示。
其中，执行单层切片点云弦高差计算的核函数BowstringCaculate_kernel的伪代码如下。
算法BowstringCaculate_kernel。
有序号的程序——————————Shift+Alt+Y
程序前
输入：LayerPoints为排序后的单层切片点云的坐标数组;Size表示该层切片的点云数量。
输出：Height为用于保存每个线程计算的弦高差值的数组。
1)
Dim index threadInx.x+blockIdx.x*blockDim.x;
2)
Dim *leftPoint，*rightPoin;
3)
if(index
4)
Loop index from 0 to Size Do
5)
leftPoint LayerPoints+index-1;
6)
rightPoint LayerPoints+index-1;
7)
if(index==0)Then
8)
leftPoint LayerPoints+Size-1;
9)
End if
10)
if(index==Size-1)
11)
rightPoint LayerPoints+index-(Size-1);
12)
End if
13)
Height[index] calculateHeight(leftPoint;
14)
LayerPoint[index]，rightPoint);
15)
index index+blockDim.x*GridDim.x;
16)
End Loop
17)
End if
程序后
其中，calculateHeight为计算单点的弦高函数，其实现原理如式(1)和图1所示。
2实验分析
实验平台配置如下：Windows 7操作系统，CPU为Intel Core i53470 @ 3.20GHz 3.60GHz，内存为4.0GB(3.28GB可用)，显卡为NVIDIA GeForce GT 640。在该平台下使用C++语言结合Visual Studio2010和NVIDIA的CUDA6.0框架实现本文算法。
算法实验的模型数据如图3所示：龙模型共437645个点，大佛模型共有1753052个点，高观音模型共11807207个点。
本文使用上述3个不同数量级的点云模型，对本文提出的基于CUDA的切片点云简化算法(简称GPU切片算法)与基于CPU的切片点云简化算法[13](以下简称CPU切片法)进行对比实验。
其中：弦高差阈值由式(1)求出，切片方向均为z轴，依次选取切片数量laynum为10，25，50，75，100作5组对比实验，结果如表1所示。
通过表1，可依次求得上述3个不同数量级模型的算法耗时与切片层数的关系曲线如图4所示。
其中图4中的折线图(a)、(b)、(c)依次表示龙模型、观音模型以及高观音模型的算法耗时与切片层数的对应关系，(d)表示龙模型、观音模型以及高观音模型对应的CPU切片法与GPU切片法的加速比(其中加速比等于CPU算法执行时间除以GPU算法执行时间)与切片层数的对应关系。
从表1呈现的数据以及图4的折线图(a)、(b)、(c)呈现的线条走势可以看出：在两种算法对应的压缩率基本一致基础上，本文提出的GPU切片算法的效率比传统CPU算法高出10～30倍，约1～2个量级;但是，随着切片层数的增加，本文提出的GPU算法耗时有一定程度的增加。因为在CUDA架构的切片算法中(流程如图2所示)，随着切片层数的增加，CPU和GPU之间进行I/O交互的次数也随之增加，最终导致算法的执行时间有一定程度的增加。从图4(d)可以看出：龙模型和观音模型的加速比，均随着切片层数增加有一定程度的减小。而数据量多达千万个点的高观音模型，其加速比曲线变化相对平稳。这是由于GPU更适合于密集型的计算，当数据量(计算量)较小时，算法在GPU上的执行时间无法隐藏访问和数据传输的延迟，而随着数据量的增大，这些延迟逐渐被隐藏，因此加速比逐渐增大。而当数据量增大一定的程度，GPU近乎满负荷的工作，所有的访问和数据传输的延迟都已被很好地隐藏，加速比也趋于稳定如高观音模型的加速比曲线所示。
此外，以模型特征最为明显的观音模型为例，依次选取该模型切片数为25，50，75的底座前侧简化局部视图，如图5所示。发现当切片层数为25时，由于压缩率粒度太大导致底座衣服褶皱与莲花形等多处被过度平滑，特征丢失太严重;切片层数为75时，由于压缩粒度太小导致残留的冗余点较多;而切片层数为50时，底座衣服褶皱与莲花形的特征细节完整保持，而且冗余的点较少，简化效果是较为理想，因此，对不同的模型选取合适的切片层数对模型简化至关重要。
3结语
本文利用CUDA的高性能并行计算优势，对传统基于CPU的串行切片点云简化算法进行了改进，将传统算法的核心步骤：单点的弦高差计算与特征点判定算法逻辑并行化，通过对不同数量级的3个点云模型的简化实验，得出以下结论：
1)对于同一模型，GPU算法尽管随着切片层数的增加，耗时由于数据交互次数增加有一定程度的小幅震荡，但均远少于传统CPU算法。
2)对于不同数量级的模型，加速比曲线随着点云数量的增加而逐渐稳定，且加速效果更优，验证了本文算法应对海量点云简化的优势和潜力。
3)模型的特征保留完整性与切片层数无直接关系，仅仅与模型表面特征有关。
下一步主要工作是在CPU端使用多线程并行技术，提高点云切片分层排序的速度;应用GPU架构中不同访问性能的内存模型和基于任务并行性的流水线模型对算法进行优化。
云计算的特征篇2
【关键词】云计算 数据挖掘 系统设计
随着网络大数据信息处理技术的发展，对数据处理的规模不断增大，对数据信息处理的精度要求不断提升，采用云计算进行数据分布式网格计算，能提高数据的并行处理和调度性能，根本上提高数据的计算速度，因此，云计算成为未来大数据信息处理的主要趋势。在云计算环境下进行数据挖掘，是进行大数据信息特征提取和数据开采的基本技术，相关的算法研究受到人们的重视。
文献采用云计算环境下分布式数据模糊C均值聚类的挖掘算法，在受到较强的毗连特征干扰时，数据挖掘的精度不高。针对上述问题，本文提出一种基于分布式自适应特征调度和高阶累积量后置聚焦的数据挖掘算法，并进行了仿真实验性能分析，得出了较好的数据挖掘效果的结论。
1 基于云计算的分布式数据挖掘算法设计
为了实现对基于云计算的分布式数据挖掘系统设计，其中，数据挖掘算法设计是关键，本文提出一种基于分布式自适应特征调度和高阶累积量后置聚焦的数据挖掘算法，假设数据信息流为，数据信息流通过噪声滤波，得到数据流聚类相似性函数表示为，其是一组准平稳随机的时间序列，对数据库中的存储信息流进行能量谱密度特征提取，得到输出数据x（t）的第n个宽频带分量，分布式自适应特征调度模型表示为：
2 嵌入式Linux的内核下数据挖掘系统设计描述
在上述进行了算法设计的基础上，进行数据挖掘系统的软件开发设计，基于云计算的分布式数据挖掘系统总体模型中，采用ST 超低功耗 ARM CortexTM-M0 微控制器，系统建立在嵌入式Linux的内核平台上，系统包括程序加载模块、数据存储模块、数据缓存调度模块和数据通信传输模块等，通过配置CAN_IMASK寄存器，采用LabWindows/CVI进行数据远程控制和信息通信，基于云计算的分布式数据挖掘系统给用户提供一个简单、统一的系统调用接口，系统可配置4路组联合Cache，基于云计算的分布式数据挖掘系统的寄存器系统时钟120 MHz。嵌入式Linux的内核下数据挖掘系统通过VISA软件接口发送Flash设备上的文件系统内核到HP E1562D/E SCSI数据硬盘进行数据存储，调用s3c2440_adc_read（）函数，进行程序加载和基于云计算的分布式数据挖掘系统的嵌入式控制，使用Qt/Embedded作为GUI，利用开源Linux操作系统的丰富网络资源，实现数据挖掘系统的远程通信信息传输和控制。
3 仿真实验
为了测试本文设计的基于云计算的分布式数据挖掘系统在实现数据挖掘中的优越性能，进行仿真实验，分布式数据信息采样的时宽为10 ms， 分布式数据的随机采样率为KHz，调控因子λ=0.25。根据上述仿真环境和参数设定，进行基于云计算的分布式数据挖掘系统的数据挖掘和处理性能分析，首先进行数据挖掘的输出时域波形采样，结果如图1所示。
从图可见，采用本文算法进行数据挖掘的准确度较高，为了对比性能，采用本文方法和传统方法，以数据挖掘的准确配准性为测试指标，得到对比结果如图2所示。
实验结果表明，采用该方法进行基于云计算的分布式数据挖掘，数据挖掘的准确配准性能较好，系统的可靠性较好。
4 结束语
本文提出一种基于分布式自适应特征调度和高阶累积量后置聚焦的数据挖掘算法，并进行了实验分析。结果表明，采用该方法进行数据挖掘，数据挖掘的准确配准性能较好，系统的可靠性较好，具有较好的应用价值。
参考文献
[1]陆兴华，谢辉迪，许剑锐.基于近场通讯和物联网的饭堂自动计价系统[J].智能计算机与应用，2015，5（06）：18-21.
[2]童峥嵘，郭尊礼，曹晔，等.小波包变换对CO-OFDM系统高峰均比的抑制性能研究[J].光子学报，2015，44（12）：1206001-1206001.
[3]谭营军，王俊平.基于MEACO的无线传感器网络路由光通信算法研究[J].激光杂志，2016，37（02）：131-133.
作者简介
李颖（1977-），女，广东省韶关市人。硕士研究生学历。现为广东科学技术职业学院讲师。主要研究方向为虚拟化与云计算。
作者单位
云计算的特征篇3
关键词：综合云模型；属性评价；评分聚类；属性聚类；协同过滤
0 引言
亚马逊、当当网、数字图书馆等，几乎都不同程度地使用个性化推荐系统，向用户推荐图书、论文、商品等项目，实现个性化服务[1]。其中，协同过滤推荐算法是最成功的个性化推荐技术之一。但因用户评分数据的稀疏性，导致传统推荐质量下降。
为解决数据稀疏性带来的传统基于向量相似度的问题，比较典型的方法之一是将利用云模型实现定性、定量知识转换的优势应用到推荐中：由云模型计算用户评分特征相似度 [2]、项目评分特征相似度[3]的协同过滤算法；在云模型计算项目评分特征相似度的基础上，预测未评分项目的评分，然后利用云模型计算用户相似度，最终获取用户邻居再进行推荐[4]，但没有利用有益于推荐的用户、项目属性；利用云模型填充评分矩阵，结合项目属性加权推荐[5] 、结合云模型通过比较项目属性相似度的推荐[6]，在类内利用云模型获得项目邻居，进行类内评分填充，结合云模型的用户相似度进行推荐[7]，这三种方法也没有充分利用用户属性信息；研究云模式在用户行为相似度、用户等级的模式，并通过聚类算法改进推荐算法[8]。以上改进算法都没有考虑综合云模型下的推荐。
本文在前面研究的基础上，利用用户对项目各个属性的评价值和评价时间，计算综合云模型的用户项目属性评价相似度，获取基于属性评价的用户邻居。利用改进的聚类算法Kmedoids，根据用户评分对用户聚类，获得基于评分的用户邻居。对用户原始属性进行标准化，再进行Kmedoids聚类。结合综合云模型的属性评价、用户评分聚类、用户属性聚类产生的邻居的并集，向目标用户推荐项目。实验验证，提出的方法有效地缓解推荐算法数据稀疏的问题。
1 云模型
云模型能够实现定性概念与其定量数值表示之间的不确定性转换模型，反映自然、社会中的模糊性、随机性，已经应用于电子商务、模糊评测等领域[9]。
定义1 一维云模型。设T={x}是用精确数值表示的定量论域，C是定量论域T的定性概念，若T中的元素x对C的隶属度μ（x）∈[0，1]是一个具有稳定倾向的随机数，μ：T[0，1]，x∈T，xμ（x），则x在T中的分布C（X）称为云（Cloud），每个x叫作一个云滴。云的数字特征用期望Ex、熵En和超熵He来表示。Ex为云滴的重心位置，反映云滴在论域中的分布期望；En是定性概念亦此亦彼的度量，反映定性概念在论域中被接受的范围。超熵He是En的熵，用于度量熵的不确定性，由熵的随机性、模糊性决定[9]。
定义2 综合云模型。将两朵及以上的同类型子云进行综合，产生一朵高层概念的父云。计算所有子云的数字特征，得到作为父云的综合云的数字特征[9]。例如：由论域中的b个同类型子云C1（Ex1，En1，He1），C2（Ex2，En2，He2），…，Cb（Exb，Enb，Heb），可产生作为父云的综合云C（Ex，En，He），并且
2 云模型与用户聚类的个性化推荐
云计算的特征篇4
在通信领域所涉及的实际案例中，涉及商业方法的申请往往不是单纯的以商业方法为主题，而是利用计算机及网络技术实施的商业方法，其中包含许多技术特征，例如通过对商业方法的技术性处理，采用沉降法，将商业方法方案的非技术特征部分下沉，使技术的部分显露出来，从而达到用专利保护商业方法的目的。因此，对判断此类申请是否属于商业方法增加了难度，本文通过对实际案例的分析，对商业方法中的有关货币交易的案例进行了研究，进一步剖析判断涉及货币交易的申请是否属于商业方法的把握尺度。
二 、实际案例分析
【案例1】
权利要求：
1、一种在多方之间进行安全交易的方法，所述方法由第一计算机设备执行，包括：
（1）从第二计算机设备接收一个证书；
（2）从所述第二计算机设备接收一个承诺书；
（3）使用所述证书验证所述承诺书；
（4）从所述第二计算机设备接收一个具有货币特征和类型特征的安全交易令牌；
（5）使用在所述承诺书内的信息验证所述安全交易令牌。
其中，所述安全交易令牌符合Payword规范；所述承诺书至少包括链信息；所述链信息包括数据：{链ID，链值，链类型，根部值}，所述链ID是每个交易方的链的唯一ID；所述链值是每个安全交易令牌payword表示的值；所述链类型是指如何对待相关链值的指令，至少包括请求、同意、拒绝和确认四个典型类型/指令；所述根部值是在所述安全交易令牌payword链里的第一个payword。
说明书中对该方案的举例：为了启动一个使用安全交易方式涉及$x价值的采购请求，商家发出一个交易令牌，其包括请求链的一个或多个Payword单元，表示$x价值。例如，在商家的系统内有3个请求链：一个$0.1链，其中每个单元表示$0.1；一个$1.0链，其中每个单元表示$1.0；一个$10.0链，其中每个单元表示$10.0。为了请求一个价值$23.5的新采购，商家将采购订单连同请求交易令牌一起发送给经纪人，包括a+5个$0.1请求链的Payword单元、b+3个$1.0请求链的Payword单元、以及c+2个$10.0请求链的Payword单元的组合，即（a+5个$0.1）+（b+3个$1.0）+（c+2个$10.0），其中“a”、“b”和“c”分别是在各个链里最后使用的Payword单元的指标。一旦收到采购订单，经纪人验证请求令牌（即来自请求链的Payword单元的组合，从商家提供的承诺书，请求链的信息已为经纪人所知），如果请求令牌没有问题的话，将采购订单连同请求交易令牌一起发送给产品供应商，请求交易令牌包括一个它自己的适当总价值（有或者没有加价或降价）的请求Payword单元。
案例1用于电子商务交易，所用的“安全交易令牌”具有货币特征。申请人声称要解决的技术问题是：既能保证交易的安全性，又能确保计算机的计算量处于合理水平。其中使用了公共密钥验证和Payword小额电子支付协议组合而成的验证技术。本案判断的难点在于权利要求1中包含了众多的技术特征，那么这些众多的技术特征是否构成技术手段呢？
观点一：本发明解决的技术问题是提供一种在多方之间进行安全交易的方法，实现散列技术和公钥基础结构技术的结合使用，能够解决“确保交易过程的安全性并提高效率”的技术问题，进而构成技术手段并具有相应的技术效果，因此属于《专利法》第2条第2款规定的专利保护客体。
观点二：权利要求1采用了公知技术手段，但是没有解决技术问题，没有获得技术效果。利用公共密钥PKI验证和Payword小额电子支付协议相结合组成的验证方法，在现有技术中已经存在，属于公知的技术手段；且使用上述两个协议相结合的验证方法，已经能够解决申请人声称的“既能保证交易的安全性，又能确保计算机的计算量处于合理水平”的问题。从说明书中实施例可以看出，该申请中所述的安全交易令牌，实际上是通过交易金额作为交易方们商讨交易定价所用的工具，其内容是一种商业需要，是由交易方设定的，属于人为定义的商业手段。由此可以判断包括了多个技术特征的权利要求1的方案并没有解决技术问题也没有产生相应的技术效果，因此其方案不构成专利法意义上的技术方案。
对于此案，通过检索，发现现有技术中具有大量使用公共密钥PKI验证和Payword小额电子支付协议相结合而成的验证方法来进行商业交易的内容，由此认定该申请所声称的技术问题客观上已经解决；在此基础上，分析案例1的整体方案，其虽然具有众多的技术特征，但却属于本领域技术人员所公知的技术特征，均不能构成专利法意义上的技术手段。观点二考虑到了现有技术对整体方案的影响，是相对合理的判断思路，也即该权利要求不符合专利法第2条第2款的规定。
【案例二】
权利要求：
1、一种基于云币的层次式云端计算系统激励方法，其特征在于采用一种基于云币的可信赖“端”节点激励机制，通过采用命名为云币的虚拟货币来刺激节点积极地提供服务，具体实施方法如下：
（1）当端节点首次加入云端计算环境时须在系统管理员处注册，由系统管理员以奖励方式分配给该节点少量云币并存储于云核心层或云内层节点上的节点账户内，作为节点在系统中活动的启动资金；
（2）当节点愿意接受某一次服务请求，并按约定成功完成了任务则将获得约定数量的云币，并存入节点账户内；如果失败将相应的扣除比约定获取的数量要少的云币作为惩罚；
（3）在云端计算环境可能存在着两种服务，一种是免费服务，节点在获取服务时需要出示其所拥有的云币数量，以此作为获取服务的优先级设置依据；另一种是付费服务，节点在获取服务时需要支付相应数量的云币。
拥有云币数量越多的节点享受免费服务的时候可获得优先服务，系统管理员在某一段时间内接收到来自多个用户不同类型服务的请求时，按照节点拥有云币数量将节点编入m个优先级队列，对于队列i中的请求，则以其发出服务请求的先后次序即先来先服务策略来排队。
设定相应的衰减因子μ，0
当节点希望获取需付费的服务时，需要支付相应数量的云币时，通过由系统管理员统一管理的账户进行转付即可，采用下述方法来实现云端计算环境中的分布式支付行为；当节点在系统管理员进行注册时，系统管理员将给节点颁发一张支付证书Certificate，内容如下所示：式中Sign是对证书内容用系统管理员的私钥进行签名，SKadmin是系统管理员的私钥，ID是节点的用户标识，PK是其公钥；Fund是该节点的帐户资金，获得支付证书的节点即拥有创建云币的权利，administrator是指系统管理员。
节点首先任选一个随机数rn，对其进行多次散列运算：
是对随机数rn进行散列运算，由此构成序列链，是该链的根；即为支付的云币面额，如果i=5，表示做5次hash运算，即为5个云币单位；利用散列函数的单向性特征使得反向运算在计算上是不可行的，当节点A因为获取了节点B的服务而必须支付云币时，其将r0和支付对，其中，签名后发送给B，这就成为一次支付行为，支付的云币CCAB内容如下：式中SKA是节点A的私钥，CertificateA是节点A的证书，IDB是节点B的用户标识；SN是本次支付序列号，序列号使得节点B不能伪造节点A支付给他的电子货币。
分析与讨论
案例2的权利要求1要求包含一种基于云币的层次式云端计算系统激励方法，其中涉及一种虚拟货币“云币”；说明书中声称的其要解决的问题是：“云端计算系统中端节点因加入和退出云端计算环境的动态随机性引起的诸如行为不可靠、服务质量难保证”。通过分析，确定该权利要求中包含的技术特征有：“支付证书”、“私钥签名”、“散列函数”等。
观点一：是技术方案
理由：权利要求1中采用了“支付证书”、“私钥签名”和“散列函数”，这些技术不但实现了云币使用者身份的确认、云币的制造以及支付行为的实施，是本方案的重要构件，而且对云端计算系统的性能和结构带来了改进。在这些技术的联合保障下，云端计算系统中云外层的端节点才能积极、稳定、诚实地提供自身的资源以完成分配的任务，让端节点能够发挥尽可能大的作用，并促使系统达到不断优化的目标。
观点二：不是技术方案
权利要求1的方案实质上是采用了人类社会中“按劳计酬”的思想，通过采用命名为基于云币的虚拟货币来刺激节点积极地提供服务，促使端节点稳定、诚实地提供自身的资源以完成分配的任务，从而让云外层的端节点能够发挥尽可能大的作用。显然，“按劳计酬”属于人类社会经济活动中的一个普遍准则，利用的是人类社会活动的规则，而非自然规律、自然力。为了实现“按劳计酬”的激励手段，权利要求1的方案借助了现有技术中的“支付证书”、“私钥签名”、“散列函数”，这些特征属于技术特征，但是这些技术特征属于现有技术中的公知技术，且这些技术特征仅仅是为了帮助实现利用虚拟云币按劳计酬的激励手段，并未对云端计算机系统的性能和结构带来改进。权利要求1要解决的问题实质上是通过激励规则来保证用户行为的稳定，属于组织管理的问题，而非技术问题；采用的手段，基于“按劳计酬”的思想设置一种激励规则，并非受自然规律约束的技术手段；获得的效果是用户行为的稳定，属于有效激励后的管理效果，并非符合自然规律的技术效果。
笔者认为，尽管案例2中加入了许多技术特征，如“支付证书”、“私钥签名”、“散列函数”等，但本领域技术人员可知，这些技术特征均是在具体实现中涉及支付操作时为了保障支付安全所公知的手段，并未对云端计算机系统的性能和结构带来改进，方案整体上是利用人类社会中“按劳取酬”机制激励端节点持续提供服务，因此并未采用技术手段。对于其解决的问题，实际上是现有技术中端节点不能被黏着在云计算系统中提供稳定的服务，该问题是由于端节点没有意愿持续提供服务而非某种技术性的原因所导致，不是技术问题；所达到的效果是使端节点稳定、诚实地提供自身资源以完成分配的任务，也不是技术效果。因此，笔者认为观点二更加合理，即该权利要求不符合专利法第2条第2款的规定。
三、 思考与分析
以上是以通信领域中涉及的具有交易货币特征且属于商业方法的案例来进行讨论和分析，对于此类具有交易货币特征的案件，其共同点在于：（1）应用于商业领域上，具体到通信领域，其涉及电子商务、在线支付等具体领域；（2）其中包含的部分技术特征具有货币特性，且该货币特性均不是技术特征；（3）权利要求中均包含通信领域中的技术特征，且均与人为制定的规则紧密结合，并且二者不容易被剥离。
通过对上述案例的分析，笔者发现，对于所要解决的问题的判定，首先，由于申请人也知晓纯商业方法是不被保护的，其往往在撰写申请文件时声称解决的问题是一个具有技术性的问题。因此，对于发明所要解决的问题的判断，是不能仅从说明书文字记载的部分来认定的；同时，所要解决的问题的判断是不能脱离技术方案的其他两个要素，即技术手段和技术效果。对于技术手段，由于此类申请中包括技术特征，要对该技术特征是否能够构成技术手段进行判断，需要从本领域技术人员的角度出发。若对相关技术不熟悉，可对其涉及的技术特征进行检索，根据现有技术中已有的公知特征来判断，由此进一步明确解决了哪些问题和是否达到预期的效果。可见，对于此类案件，应当依据《专利法》第2条第2款的判断标准进行把握，从整体上进行三要素的分析，单纯地从其解决的问题和效果出发去判断是很难准确有效的判断出方案是否具有技术性的。
第二，应当从本领域技术人员的角度，从整体上理解发明所要保护的方案，而不能单单依据权利要求表面上的记载来判断。如案例1中的权利要求，从字面上看包含了很多技术特征，初看起来很难直接认定不属于保护客体，而当进一步阅读发明，以具体实施例来充分理解发明的内容，进而判断其只是通过现有技术中的令牌技术将商业上的议价讨论过程隐蔽，再使用现有技术中已有的协议加以修饰，最终以结合通信协议特征的形式来撰写，从而隐藏其商业议价过程的实质。从这个角度出发，很容易发现该发明并未对网络安全和网络运行速率进行技术层面上的改进，真正技术上的改进与此发明是不同的。可见，对于这些应用于商业领域但从撰写方式上看直接很难判断是商业方法的发明，需从发明整体内容上加以理解分析，从而拨开技术的“外衣”，找出其要保护的商业本质。
云计算的特征篇5
具体到企业，许多CIO都认为未来几年，通过部署云计算基础架构来实现私有云是改善公司IT环境的主要途径。但不少企业在云计算基础架构建设项目的实施过程中，没有明确的建设思路和指导方针，盲目跟随市场潮流，结果往往陷入技术的误区，导致项目的建设没有达到最初的预期。为此，IDC启动了“中国云计算基础架构建设指南”项目，力图提出中国企业建设云计算基础架构的路线图，为建设云计算基础架构的企业和组织提供建议，使最终用户少走弯路，能够快速、成功地部署云平台。
IDc中国企业级系统研究部高级研究经理周震刚认为，云计算的实施不是简单的软硬件集成项目，而是一种企业IT战略的改变。企业用户应着重考虑相关的一系列配套措施，包括业务和组织架构等各方面，需要把云计算提升到企业战略的层面上进行统筹。他建议企业用户在实施云计算项目之前需要谨慎评估，并与有经验的IT咨询服务提供商进行合作，对云计算项目进行整体的规划，考虑云计算中心的管理模式，将未来的运营纳入到整体规划中。
IDC针对企业用户的调研显示，在建设云计算基础架构的各类企业中，公共云服务提供商更关注如何通过云计算形成新的可持续盈利的业务模式，支撑和促进业务发展；私有云用户则更关注如何通过云计算提高IT系统使用效率，优化IT架构，实现IT部门的服务模式转型，使其从企业的成本中心转化为业务支撑中心。周震刚说：“企业用户在考虑如何建设云计算基础架构之前，首先应明确建设云计算的目的，一定要避免为了云计算而云计算。”
IDC根据多年研究和广泛调研为中国企业实施云计算项目设计了一个路线图，包括准备（完成数据集中、资源整合和系统架构）、实施（实现虚拟化和资源池化）、深化（完成管理和资源的自动化）以及应用（包括开发API/应用移植和开发）这四个阶段。而路线图中有几个要点需要企业特别给予关注。
首先，在云计算平台的系统设计和架构阶段方面，企业应重点考虑几个因素：根据自身的业务特点和行业特征选择系统架构，选择具有充分扩展性和高效能的硬件平台，从技术和业务两个方面保证云计算平台与现有平台的连续性。在Google和AWS等知名的公共云计算案例中，很多是基于分布式架构的云计算平台。这是由于互联网行业普遍具有自身技术实力雄厚、IT资产生命周期短、核心业务对实时性要求不高等特点。某公共云计算服务提供商CTO也认为x86是最理想的云计算系统架构：“我们运营云计算服务的，成本是最重要的因素。使用x86服务器构建分布式结构可以让硬件成本降到最低，同时分布式结构还可以保证系统的可靠性。”但周震刚指出，分布式计算或其他计算模式并没有绝对的孰优孰劣，互联网行业选择了适合自己的分布式计算，而其它行业本身的特性未必与互联网类似，用户应考虑自身的行业特征来选择真正适合自己的云计算架构。总之，对于大型企业的云计算平台，其对整体架构和硬件平台的选择是和企业自身情况以及平台上运行的工作负载息息相关的，系统设计中应考虑一致性和兼容性，如果在系统迁移中要求对现有应用重新编写，那么风险评估是不可缺少的。
其次，有些企业认为自己已经用虚拟化技术将物理服务器分成了若干虚拟机，并在不同的虚拟机上运行不同的应用，这便完成了云计算架构的部署。周震刚认为这种认识是片面的，虽然企业级虚拟化平台的创建是建设云计算基础架构必不可少的环节，但是仅将物理服务器分成虚拟机并不是完整的云计算实施过程，企业级虚拟化还要考虑更多方面。例如，从安全与稳定性角度来看，由于虚拟化所具有的整合特性，在其基础上可能会运行对企业至关重要的核心应用，企业在使用中考虑其底层的软硬件承载平台是否具有高安全性，高稳定性等特点；而从灵活性角度来看，先进的虚拟化软件应该可以做到对硬件资源的更细粒度调用，对底层硬件资源可以进行增加和减少操作从而实现真正的灵活控制与按需使用。灵活性的另一个体现方面则是应用可以在不影响业务的前提条件下在不同物理主机间进行迁移，达到平衡不同物理服务器负载，并使业务可以运行在更合适的环境中。
此外，在虚拟化重新定义了资源以后，还需进一步对这些虚拟资源进行管理，动态的调控这些资源为应用服务，这也是云计算必不可少的特征。目前部分用户已经实现了对其部分基础架构硬件资源的虚拟化，其面临的是在更大范围（服务器、存储、网络资源）与更高层次上对虚拟化平台进行管理，打造资源池。这就需要在虚拟化层以上实现模版管理、动态、负载管理、生命周期管理等功能。IDC认为，企业需要一种实施周期短，使用门槛低的入门级云平台，来迅速的满足其对虚拟化、资源池创建管理、自动化管理的迫切需求，之后再实现一个可以平滑升级的“高级云套装”，来满足自身个性化的需求。
最后，应用的移植、开发和部署也是完成云计算平台的重要环节。云计算平台是专门为虚拟桌面等新兴应用而建设的说法并不准确。大部分情况下，用户是将传统业务和已有应用移植到云计算平台上，云计算的实施并不一定会为企业创造出许多新的应用，用户更关注的是保证现有业务和应用的连续性。IDC做过调研，最先被企业所接受，同时也是最受关注的云应用都属于“业务类”应用，如ERP、数据库等。这些应用大部分是属于业务逻辑紧密且资源密集型的应用。为了达到企业业务应用“平滑迁移”的目的，选择合适的平台且能够提供针对业务进行二次开发API的云计算基础架构就显得尤为重要。
云计算的特征篇6
关键词 云计算；数据；安全
中图分类号：TP309 文献标识码：A 文章编号：1671-7597（2013）11-0000-00
云计算（Cloud Computing），是目前炙手可热的新型技术，并且在早些年也已经引起过研发热潮和社会的广泛关注。云计算在不同的领域中呈现出不同的应用特征，从整体状况看，这是一种通过Internet以服务的方式提供动态可伸缩的虚拟化的资源的计算模式，并且对于网络环境下更多资源的优化配置有着积极意义。
1 云计算的相关概念以及特征
2007年，IBM首次在技术白皮书中对云计算的概念进行了阐述，此后虽然云计算受到了广泛的关注，但是一直都没有一个更为明确的概念界定，一直到2011年，美国国家标准与技术研究院（NIST，National Institute of Standards and Technology）才进一步给出明确定义，指明云计算是一种按使用量付费的模式，这种模式提供可用的、便捷的、按需的网络访问，进入可配置的计算资源共享池（资源包括网络，服务器，存储，应用软件，服务），这些资源能够被快速提供，只需投入很少的管理工作，或与服务供应商进行很少的交互。
从云计算的执行过程看，其中的数据生命周期可以大致划分为六个阶段，即明确数据所有权和保证其安全属性的数据生成阶段；针对数据进行加密并且执行传输的数据迁移过程；被PaaS以及SaaS等模型调用并且实现索引以及查询等功能的数据使用阶段；而后是扩大数据使用范围使其提升价值的数据共享阶段；为数据完整性和再次迁移做出必要准备的数据存储工作；以及最后经常被忽视的数据销毁过程。
从云计算领域数据的生命周期过程看，可以发现数据在进行云计算的过程中，面临传输、共享等多个安全挑战，总结起来，其安全挑战主要来源于如下三个方面：
首先是由边界不确定引发安全隐患。云计算过程中所涉及到的资源池技术，能够有效地将网络中所涉及到的运算存储能力以及其他硬件基础性资源整合成为一个有机整体为网络成员提供服务，及大地提升了相应资源的利用效率，同时也为用户提供更快的响应，但是这种做法却模糊了传统意义上网络的边界，使得以往以网络边界作为安全保护重要手段的安全技术也随之褪色。
其次在于数据本身面临的风险，通常指数据处于传输以及存储状态下面临的风险，这两类风险对于传统网络而言同样存在，但是在云计算背景之下更为突出。由于在云计算环境下所有的数据处理和存储都是借由云端完成，因此数据必然会面临更为频繁的传输，以及非本地存储，尤其是当数据需要进行集中存储的时候，一旦产生数据遗失或者泄露事件，势必会比传统网络产生更大的危机，伤害到更多用户的利益。
最后，云服务器自身安全是云计算环境下的又一种新的危机。在云计算的实施执行过程中，整个网络环境中需要处理和共享的数据都需要由云服务器进行统一的安排和调度，因此云服务器的健康与否直接影响到整个云计算环境的安全以及云计算的展开的有效性。而且同时必须注意到在多用户多终端的开放性网络环境中，云服务器比常规服务器面对更多的安全隐患。
2 切实提升云计算数据安全
目前云计算应用水平的不断提升，应用领域逐渐拓宽，其安全性越来越关系到更为广泛的用户利益。针对于此种情况，结合云计算环境自身的显著行为特征，可以重点从如下几个方面进行安全度的提升。
2.1 边界安全
云计算环境中，其工作方式模糊了传统网络中边界的概念，因此既有的硬件安全手段也随之削弱甚至失效，包括网关在内的安全手段都难以依赖，而相应的网络安全手段应当向软件方向倾斜。包括防火墙以及入侵检测和病毒查杀在内的诸多软件层面的安全防范手段必须予以充分重视和加强。与此同时，还应当根据网络本身的特征展开相应的安全工作，对于安全度要求比较高的数据使用而言，可以考虑构建起网内网，借此实现网络边界概念和传统网络安全，在必要的情况下，还可以考虑针对网络用户展开必要的培训，降低病毒等安全威胁的存在可能。
2.2 传输安全
在云环境中，传输成为安全防范的重点工作，无论是用户端到云端的数据传输，还是云端内部不同云服务器之间的数据传输，都相对于传统网络环境更为频繁，也必然会面临更大的安全隐患。针对于此类问题，应当着力于加强传输过程中的数据加密，必要的时候可以建立起相应隧道借以增强安全性能。如果出现对于安全级别要求较高的应用环境，还应当考虑同台加密机制提升用户终端通信安全，即不对用户加密数据进行解密，而直接对密文进行相应的处理，最终返回密文处理结果给用户，这种数据加工方式目前并不十分成熟，当时其安全性能已经得到广泛认可。
2.3 存储安全
在云环境中存储的数据，面临多用户网络环境，因此更需要注重安全问题。加密作为有效提升云环境存储安全的手段，主要有两种，即对象存储加密以及卷标存储加密。对象存储加密相当于专用的文件服务器，其将对象存储系统配置为加密状态，借以实现其中全部数据的加密。如果用户还需要更高级别安全，则可以由用户自行加密并上传到云存储设备中。而对于卷标存储加密而言，具体可以通过串行在计算实例和存储卷标之间的加密设备进行加密，也可以仅对实际的物理卷标数据进行加密。
2.4 服务器安全
云服务器关系到整个云计算环境的安全以及工作能否顺利展开，事关重大，因此其安全必须引起重视。但是究其安全防范手段而言，云服务器与传统服务器有着很多共同之处，对于其操作系统的以及病毒防范软件等，同样需要及时的更新和补丁。除此以外，云服务器通常还需要为防范病毒配置虚拟服务器，允许在系统需要的时候通过当地引擎向云服务器提出病毒查杀请求并完成相应动作。
3 结论
云计算是当前互联网发展的趋势所在，并且随着云计算应用的不断深入，其安全相关问题也必将日益突出。针对于这一情况，必须深入分析当前云环境下存在的数据安全特征，有的放矢提出针对性的改进建议，及时关注相关技术进展，才能获取到良好效果，为用户提供安全稳定的云计算环境。
参考文献
[1]陈丹伟，黄秀丽，任勋益.云计算及安全分析[J].计算机技术与发展，2010.
云计算的特征篇7
关键词： 云计算； 图像分类； 特征提取； 特征匹配
中图分类号： TN911.73?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）01?0057?04
Abstract： Aiming at the defect of low image classification efficiency of the single board computer， an image classification algorithm based on cloud computing is proposed. The image multiple features are extracted with the feature extraction algorithm， then the Map/Reduce model is used to match and classify the image， and obtain the image optimal classification result according to the matching result. The simulation experiment of the image classification was realized with Matlab software. The results show that， in comparison with other image classification algorithms， the algorithm can reduce the image classification time， improve the image classification speed， and has obvious superiority especially for the large?scale images classification.
Keywords： cloud computing； image classification； feature extraction； feature matching
0 引 言
图像分类可以实现图像目标识别、机械故障诊断、状态监测以及模式识别等，其在工业生产和军事打击等领域具有重要的应用价值[1]。
图像分类通过提取反应目标图像属性的特征信息，结合分类器实现图像分类[2]。传统图像分类方法主要有支持向量机算法、BP神经网络算法等，它们通过特征提取实现图像分类和识别，但计算机复杂度大[3?4]；文献[5]提出基于自相关匹配检测的图像分类识别算法，并应用于机械故障检测，通过提取机械故障状态下的CT扫描图像，对BP神经网络分类，实现对图像的故障属性分类识别，提高故障诊断性能，但该算法采用单特征的图像分类方法，不能对大规模图像进行集成处理和分类，图像批处理的效能不佳，效率较低。
针对上述问题，本文提出基于云计算的图像分类算法。首先提取图像的多种特征，然后采用Map/Reduce模型对图像进行匹配和分类，根据匹配结果得到图像最优分类结果，最后采用Matlab软件进行仿真实验，实现图像分类。实验结果验证了本文方法的有效性，展示了本文设计的图像分类算法在实现图像云计算分类中的优越性能，实现框图如图1所示。
1 图像预处理及特征提取
1.1 图像采集及预处理
2 图像分类算法改进实现
2.1 算法设计
采用快速迭代收缩阈值算法，通过云计算实现对图像分类过程的快速搜索处理，提高图像的分类效率。
2.2 算法的现流程
（1） 设输入图像为，采用云计算批处理基础进行网格计算，得到图像输出的像素序列。
（2） 采用小波降噪算法对图像进行降噪，并采用自相关检测器进行自适应滤波，得到输出图像为：。
（3） 对图像的属性特征进行分析和提取，得到能描述待分类图像内容的仿射不变矩和高阶矩。
（4） 计算目标与候选区域像素的权重，进行图像偏差补偿加权，得到图像的纹理信息和高阶矩特征。
（5） 运用Map/Reduce模型估计图像沿滑动平均窗口经过特征点匹配得到图像分类的Map/Reduce模型，实现图像分类。
3 实验与结果分析
实验数据集为Corel标准图像库，图像库中含有大量各种属性的图像，在进行Corel标准图像库的检索过程中，需要进行图像分类处理，以图像库中的花朵、动物作为研究对象，得到原始的测试图像如图2所示。
首先进行图像的降噪处理和特征提取，通过特征提取算法提取图像的高阶矩特征和仿射不变矩特征，然后采用Map/Reduce模型对图像进行匹配和分类，得到的分类结果如图3和图4所示。
从图3和图4可知，本文方法可以实现对整个Corel标准图像库中图像的快速分类检索，准确输出图像的类别属性，为了定量测试分类算法在效率和准确度方面的性能，采用1 000次蒙特卡洛实验进行多特征融合并用传统方法进行图像分类，得到图像分类的指标对比结果如图5，图6所示。
从图5，图6可见，采用本文算法通过对图像的多特征提取和融合，在Map/Reduce模型中实现图像分类，其准确度较高，执行效率较高，有效减少分类时间，总体性能优于传统方法。
4 结 语
针对大规模图像库中图像的分类识别问题，提出一种基于云计算的图像分类算法，进行采集图像和降噪预处理，为图像分类模型提供数据信息输入，采用小波降噪进行图像提纯，提取图像的高阶矩和仿射不变矩等多种特征，在Map/Reduce模型中实现特征融合和特征匹配，实现分类优化，研究结果表明，本文方法的图像分类准确度高，执行效率较好。
参考文献
[1] 罗会兰，郭敏杰，孔繁胜.一种基于多级空间视觉词典集体的图像分类方法[J].电子学报，2015，43（4）：684?693.
[2] DUAN F， WANG Y， YANG L， et al. Spatio?temporal consistency in stereoscopic video depth map sequence estimation [J]. Journal of information and computational science， 2014， 11（18）： 6497?6508.
[3] MAMAHESH S， VISHAL M， RAJ R G. SAR automatic target recognition using discriminative graphical models [J]. IEEE transactions on aerospace and electronic systems， 2014， 50（1）： 591?606.
[4] 吴洁璇，陈振杰，张云倩，等.多核CPU下的K?means遥感影像分类并行方法[J].计算机应用，2015，35（5）：1296?1301.
[5] 何国栋，石建平，冯友宏，等.一种新的红外与可见光图像融合算法[J].传感器与微系y，2014，33（4）：139?141.
[6] 段峰峰，王永滨，杨丽芳，等.基于主成分分析方向深度梯度直方图的立体视觉深度图特征提取[J].计算机应用，2016，36（1）：222?226.
[7] 丁军，刘宏伟，陈渤，等.相似性约束的深度置信网络在SAR图像目标识别的应用[J].电子与信息学报，2016，38（1）：97?103.
[8] 苗启广，王宝树.基于局部对比度的自适应PCNN图像融合[J].计算机学报，2008，31（5）：875?880.
云计算的特征篇8
【关键词】大数据 云会计 特征 应用
大数据对会计信息的变革产生着十分重要的作用，其是会计信息准确获取、有效处理的基本前提。云计算的进一步发展为中小企业提供良好的发展条件，同时也促进了各大企业对会计信息化的有效应用及相关模式的构建。以大数据为基本前提，对云会计的特征及应用进行有效的分析，可以使云会计更好的为企业发展服务。
一、大数据背景下会计数据具有较强的特殊性
首先，会计数据的粘合性、无形性比较突出。会计数据的类型比较复杂，并且都是直接的黏合在相应的业务数据之中，不能独立于业务数据而存在。会计数据收集及处理工作虽然相对简单，但要求其具备较高的准确度，信息量较大而且输出极为频繁，输出的形式也呈现出多样化的特点，这些因素的存在都使得会计数据表现出了较强的黏合性以及无形性的特点。
其次，会计数据面临着严重的安全威胁。由于会计数据的存储需要云环境的支持，因而安全性、完整性难以得到较好的保障。据统计，目前大约有70%的企业都不愿意将会计数据的相关信息存储在云环境之下，担心会泄露企业的会计数据，造成企业的巨大损失。
再次，在大数据的背景下，企业更关注会计数据的分析结果。在小数据的时代之中因为信息比较贫乏，因而对数据准确度的要求更高。而在大数据的影响下，某个会计数据的精准度并不会影响整个会计数据的分析。大数据下进行会计数据的分析所带来的收益明显要比小数据下注重数据精确度带来的获得的收益多。
二、大数据下云会计的主要特征
（一）能够及时获取所需的会计数据
在大数据环境中，企业所需的会计数据借助网络在相应的云计算平台就可以取得，而且比较快捷、简单、方便，能够较好的对会计信息进行移动管理，并实现会计信息的共享。除此以外，实行异地办公的会计人员还可以通过平台随时随地的完成对会计业务的处理，打破空间、时间对其的限制，及时的、有效的做出科学的决策。
（二）空间分离的现象普遍存在
大数据下的会计数据与信息并不是存储在企业归属地的计算机中，而是存储在云储存的平台上或者互联网的相关数据中心，因而导致企业存储的会计数据与企业物理位置的空间分离[2]。在大数据背景下，只需通过网络进入到云会计系统中就可以获得会计信息，并不受空间的限制。在大数据的影响下，会计数据的主要形式发生了巨大的变化，由原先的结构为主的数据转化成了非结构为主的数据，如图像以及文档等。
（三）高度重视会计数据及信息的相关性
大数据下进行会计数据分析的目的是通过对其相关性的分析以对企业经济事项的主要发展趋势进行有效的、合理的预测，并不是分析其经济事项出现的原因。相比之下，小数据下的云会计更注重会计数据对企业经营成效、资金流向以及财务状况的反映，而大数据的云会计则关注对会计数据及信息的结果分析，并与企业产品研发、产品供应与销售、发展规划等紧密联系起来，从而保证企业的综合竞争力得到不断的提高。
三、大数据背景下云会计的有效应用
（一）云会计在企业信息化发展建设中的应用
大数据背景下，云会计在企业信息化发展建设中的应用比较广泛。企业云会计的信息化处理平台中的运算资源主要部署在平台的云端，使得企业全部会计信息分析与处理的需要都可在云会计的计算平台中得到响应。云会计的信息化处理平台通过联网的控制，可以较好的保持与会计准则的一致性，还可以更好更快的实现银行对账、网上交易以及网上报税等会计信息的系统化集成，为大数据背景下企业信息化发展建设外部协同的实现提供可靠保障。此外，云会计还能够对企业的财务核算给予有效的实时控制，促进企业所需财务数据的及时生成，并实现企业财务信息的共享与同步。
（二）云会计在企业财务会计流程重构中的应用
将云会计科学合理的应用到企业财务会计流程的重构中，能够使企业的财务规划得以顺利的、有序的实施。在大数据之下，通过云计算处理系统的支持，企业将会计数据存储到云中，相应的业务流程还可以将合同的生成、业务的记录、产品购销成本等信息存储至云端，并自行进行运算，形成准确的报表及各项数据指标，税务部门或企业管理层等协同部门亦可以共享云计算处理系统中的各类数据，以充分满足自身的需要。对云计算进行科学有效的应用，可以使企业的管理层在重构以上财务会计流程的同时，促使企业的发展战略、财务会计战略得到较好的实现，进而增加企业的市场份额，促进企业的长远发展。
（三）云会计在企业会计成本核算系统中的应用
企业在进行成本核算系统创新改革的时候，要将云会计充分应用到其中，才能大幅度降低会计核算的成本。云会计主要是以软件服务的方式为企业提供所需的会计信息，相关企业用户需要按照其使用的会计信息资源的多少或者使用时间的长短来按需付费。
企业想要获得长远的发展，就必须要深刻的认识云会计的特征，并将其合理有效的应用到企业的会计信息管理过程中，才能在大数据的背景下保证企业会计数据的质量，提高会计信息的安全，进而使企业获得更多的经济效益，大大提升企业的市场竞争力。
参考文献：
[1]樊燕，曹薇.大数据下的云块特征及应用[J].中国流通经济，2014.
[2]许金叶，许琳.构建会计大数据分析型企业[J].会计之友，2013.