复试准备ing

数据库

1. 关系模型完整性约束条件包括：实体完整性、参照完整性、用户定义完整性。
2. 数据库管理系统（DBMS）的功能包括：数据定义、数据操纵、数据库运行
管理、数据库维护功能。
3. 关系数据模型通常由数据结构、数据操作、完整性约束三部分组成。
4. 封锁机制是实现数据库并发控制得主要方法。
5. 执行模式分解时，必须遵守得两条规范化准则是保持原有的函数依赖关系、
具有无损连接性。
6. 数据库设计的不同阶段形成数据库的各级模式，其中概念结构设计阶段形成
概念模式，逻辑结构设计阶段形成逻辑模式（模式）、外模式（子模式），物
理结构设计阶段形成存储模式（内模式）。
7. 数据库设计的六个阶段是需求分析、概念结构设计、逻辑结构设计、物理设
计、数据库实施、数据库运行和维护。
8. 解决活锁的方法是采用先来先服务的方法。
9. 可串行化是并发事务正确性的准则。
10. 关系代数中专门的关系运算包括：选择、投影

英文口语练习

摘要：数据集中处理的云计算模式提供交互迅速、绿色高效的多样化应用服务面临新挑战.将云计算能力扩展到边缘设备，提出了边云协同计算框架；设计了基于任务预测的资源部署算法，在云服务中心通过二维时间序列对任务进行预测，结合分类聚合、延迟阈值判定等优化边缘服务器任务运行所需资源部署；提出了基于帕累托优化的任务调度算法，在边缘服务器分2个阶段进行帕累托渐进比较得到用户服务质量和系统服务效应2个目标曲线的相切点或任一相交点以优化任务调度.实验结果表明：结合基于任务预测的资源部署算法与基于帕累托优化的任务调度算法在提高平均用户任务命中率基础上，其用户平均服务完成时间、系统整体服务效应度、总任务延迟率在不同用户任务规模、不同Zipf分布参数α的应用场景下，均优于基于帕累托优化的任务调度算法和基于FIFO(first input first output)的基准任务调度算法.

关键词:  任务调度, 资源部署, 任务预测, 协同计算, 边缘计算

---

Abstract： The cloud computing model of data centralized processing is facing new challenges for providing diversified application services with rapid interaction and green efficiency. In this paper, the cloud computing capability is extended to the edge devices, and an edge cloud collaborative computing framework is proposed. A resource deployment algorithm based on task prediction (RDTP) is designed. The tasks are predicted by two-dimensional time series in cloud service center, and the task resource deployment of edge server is optimized by classification aggregation and delay threshold determination. A task scheduling algorithm based on Pareto improvement (TSPI) is proposed. At the edge servers, the Pareto progressive comparison is conducted in two stages to obtain the tangent point or any intersection point of the two objective curves of quality of user service and effect of system service to optimize task scheduling. The experimental results show that combining the resource deployment algorithm based on task prediction and the task scheduling algorithm based on Pareto improvement (RDTP-TSPI) increases the average user task hit rate. In addition, in the application scenarios of varying user task scales and different Zipf distribution parameters α, the average service completion time of users, the overall service effectiveness of system, and the total task delay rate of RDTP-TSPI are better than the TSPI and BA (benchmark task scheduling algorithm based on FIFO).

Key words:    task scheduling, resource deployment, task prediction, collaborative computing, edge computing