摘要

　　随着互联网的迅猛发展，我们进入了一个信息全球化的时代，在环境的驱使下，云计算技术近些年发展蓬勃，并且成为不可逆的潮流及趋势。互联网巨头们纷纷发布了相应的云计算战略，许多处于云前端的企业已经开始向外提供一系列的云计算服务，更多的企业也开始使用云服务，将 IT 任务交由云服务商完成，以此降低企业运营成本，提高运作效益。现在关于人力资源管理的系统很多，但大多系统存在一些不同程度的扩展问题，不能满足管理复杂的人力资源信息的要求，而且无法控制硬件成本。本文创新地将云计算技术与人力资源管理系统相结合，通过 GAE 云平台以及 JSP 技术开发设计了一个简单的人力资源管理系统，有效解决了上述难题。

　　本文简述了云计算的相关概念及云安全问题；研究了 GAE 云平台使用的关键技术以及基于 BigTable 的 GAE 数据存储区 Datastore,并初步搭建了云平台开发环境；使用云技术后，云平台存储着大量用户的数据及应用，为了保证云计算中心存储的数据的安全性，采用改进的 DES 加密算法对存储在云服务器端的数据进行加密，并从访问控制和数据保护两方面对系统的安全性进行了设计。

　　本系统数据存储端为基于 Big Table 的 GAE 数据存储区，它分布式读取及存储数据，能够应对海量信息的访问请求，使用 GAE 数据存储区，人力资源管理系统的存储性能及查询性能都可以大为优化。基于云计算技术的人力资源管理系统提高了系统的扩展性，企业不需要购买物理硬件，只需根据需求购买相应的应用服务及空间，并根据实际使用量付费即可，还能够随时进行压缩及扩展，降低了 IT 建设及运营维护成本，这样企业就能够投入更多的精力到人力资源管理的核心业务上去，相比于普通的人力资源管理系统更加方便经济，有着巨大的优势，云计算平台也将成为今后人力资源管理系统发展及改进的一个重要方向。

　　摘要

　　云存储应用是目前使用最广泛的云计算服务之一，它在给我们带来便捷的同时，也导致了新的安全问题，企业的商业机密、工作资料可能通过云存储泄露，反动、色情等非法内容通过云得到更泛滥的传播。泄密和非法信息的传播行为，给企业经营和社会安定带来严重的威胁。同时，由于云存储随时随地多客户端登录使用的特点，使得犯罪分子更容易对其他用户的云存储进行恶意操作，而对其的追查工作则很难展幵，云计算环境给传统的数字取证带来诸多挑战。因此，提出一种针对云存储服务的取证方法具有很大的现实意义。

　　本文在传统数字取证模型的基础上，提出一种具有迭代性的云存储取证模型，通过基于网络、基于主机和基于服务器的三次迭代取证，逐步深入分析，最终获取全面的证据。本文主要研究该取证模型的第一次迭代过程，即云存储网络取证。

　　首先通过分析云存储服务的网络协议，总结出在进行不同行为操作时可以获取的信息，验证了取证工作的可行性。并提出一种提取行为特征值的方法，使得通过特征值匹配识别用户行为成为可能。之后结合云存储取证模型，设计了云存储网络取证系统，实现对用户行为的识别和相关信息的提取，进而将这些数据作为证据存储起来，若发生针对云存储的犯罪行为，即可作为初步证据被使用，并为进一步的取证工作提供依据。另外，云存储高速网络环境以及带来的海量数据，可能带来丢包率、漏报率和误报率较高的问题，本文在系统设计时通过零拷贝技术、基于哈希的TCP流重组、以及模式匹配等技术，确保了高速网络和海量数据环境下系统高效、准确地对数据包进行获取及分析。

　　摘要

　　在大数据时代背景下，云计算得到了广泛的关注和应用。随着云计算不断的发展，同时受到完工时间和成本等因素约束的科学计算流程和商业流程等应用流程日趋复杂。以往的云计算应用/软件己经不能满足企业和用户的需求。在此背景下，云工作流系统作为一个切实有效的解决方案被提出。

　　云工作流系统能够对复杂的工作流程进行抽象定义，为用户提供了便利。如何在云环境下部署工作流任务成为新的研究对象。任务调度是云工作流最重要的核心技术。由于云计算的以用户为中心，按需提供服务，商业性和异构环境等特性使其必须关注用户的服务质量和云服务提供商的收益。相比于云环境下常规作业的调度问题，云工作流调度不但需要考虑服务质量（如时间、成本等因素）的约束，还需要受到工作流内各个任务之间依赖关系的约束，此外，各个任务所产生的中间数据也是调度必须要考虑的因素之一。

　　本文针对云工作流的特点，提出了一种多目标粒子群云工作流调度策略MOPS0（Multi-objective Particle Swarm Optimization）。该策略同时权衡成本和时间，在尽量满足用户服务质量的前提下，减少总的执行成本和完工时间。本调度策略从用户角度考虑工作流调度问题，对一个工作流实例可以返回含有多个工作流调度方案的集合，该调度方案集合是一个Pareto最优解集，可以根据用户的偏好选择一个最佳的调度方案。为了进一步提高多目标粒子群算法的性能，本文提出一个结合启发式局部搜索和多目标粒子群的混合算法HCMOPSO（Hill Climbing withMulti-objective Particle Swarm Optimization）。该算法可以获得目标值更优的 Pareto最优解集并且可以更加快速地收敛。通过对仿真平台WorkflowSim进行扩展，在扩展后的仿真平台上对真实环境中的工作流应用进行模拟并在此基础上将本文提出的调度策略与Min-Min、Max-Min和HEFT调度算法进行对比实验。实验表明，本算法可以在短时间内获得一个Pareto最优解集，该解集中的解在时间优化方面表现突出并且大量节约了虚拟机租用和数据传输的成本。