CORBA对象的Web发布技术的研究与实现

来源 :第二十届全国数据库学术会议 | 被引量 : 0次 | 上传用户:zyb1026
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
本文的研究工作集中在如何基于Servlet技术将CORBA对象发布到Web上,使得企业级应用集成能够兼顾到CORBA和J2EE的优点.在分析了已有技术在灵活性、易用性及通用性上存在的不足的基础上,提出了CORBA对象的两种Web发布方法,着重介绍动态请求方法的关键技术及实现细节,并对基于动态请求方法实现的StarConnect进行了性能比较分析,验证了其高效性.
其他文献
随着当今信息量以几何级数的速度增长,人们发现其所需要的信息变得非常困难.如何有效的组织、管理和维护海量信息,并为各种用户提供有效的服务(如信息检索)成为一项重要而迫切的研究课题.本文研究应用多本体进行信息检索,基于多本体的信息检索原型系统,基于多本体的概念放宽,今后的研究方向,主要是改进概念放宽算法,特别是增强放宽过程中与用户的交互,由用户决定放宽哪些概念,在什么样的范围内进行放宽,以提高整个系统
频繁模式挖掘在产生关联规则的过程中是一个必不可少的组成部分.自从Agrawal在1993年提出关联规则的概念之后就出现了很多频繁模式的挖掘算法,这些算法遵循这样的性质:任何频繁模式的子模式都是频繁的,任何非频繁模式的超模式都是不频繁的. 本文介绍一种基于内存索引的频繁模式挖掘算法.
本文提出的流数据模型的最大特点在于对数据模型进行了扩展并试图与传统的关系数据模型进行统一,使用统一的查询处理器完成数据流数据与传统关系数据处理.在处理数据流数据方面,与STREAM系统相比,扩展了窗口的功能,使其表达能力更强;与TelegraphCQ系统相比,扩展了窗口的类型,使用户可以有更多方式的选择处理流数据;Aurora使用的是过程性的语言,但本文所建立的数据模型完全可以实现其相关的操作.与
本文通过建立船舶制造业领域本体库,消除船舶概念语义上的分歧,并根据分类标准的不同建立多棵分类树,形成分类树森林实现船舶工程图纸的语义分类管理与条件查询.本文定义船舶实例对象相关度,量化现实生活中船舶工程项目之间的区别与联系,提供船舶工程项目实例设计图的相关查询.本文的结构为第二部分是相关工作.第三部分主要关于船舶制造业领域本体和分类树森林的说明.第四部分是实例对象相关度的定义.条件查询和相关度查询
JDO作为一种新兴的数据库接口技术,实现了Java对象透明的持久性存储,它可以取代JDBC和SQL,使应用开发者能集中精力建立对象模型,而将持久性细节交由JDO实现,从而节省开发成本和时间.JDO为传统关系数据库支持面向对象特性开辟了一条新途径.DM4 Java数据对象是JDO规范1.0标准在国产数据库管理系统DM4上的首次实现,它不仅解决了DM4上Java对象的透明持久性问题,而且使关系型的DM
战争的胜负影响到人的生死和国家的存亡,正如孙子论断:"兵者,国之大事,死生之地,存亡之道,不可不察也".制约战争胜负的因素历来是政治家、军事家、历史学家关注热点.目前对影响战争因素的研究大多停留在传统工具,因此在传统理论分析基础上利用数据挖掘技术从军史资料中挖掘战争规律是一件有意义的工作.本文只是针对初期对军事数据的挖掘,将来可将数据挖掘应用到军事信息挖掘中去,从战争进行时的海量数据提取出有用数据
软件复用可以大大提高软件生产的效率和质量,是解决软件危机的重要途径之一.实现软件复用,需要具备两个条件:第一,存在大量的可复用软件构件(如COM/DCOM,JavaBean或COR-BA);第二,拥有高效率的软件构件查询技术.为支持软件复用的实践,传统的思路是设计一个中心服务器作为构件库,提供对软件构件的描述、分类、存储和检索等功能.复用者通过向中心构件库发送查询请求来获取所需的构件.过去几年,学
随着Internet特别是数据网格的推广和普及,网上的信息迅猛增加,成了一个巨大的信息库.而提供信息的数据源来自不同的提供者,各个数据源的数据模型、数据结构、内容表示、查询语言以及所使用的概念、词汇都会有很大不同,如何快速、准确地找到自己需要的信息已成为人们日益关心的问题.在Internet这样海量的数据环境下,如何实现数据集成,是一个非常具有挑战性的问题.本文提出了一种利用本体作为全局模式集成X
脚本是一个程序或者一串指令,它由另一个程序解释或执行而不是像编译过的程序一样由处理器直接执行.Web应用测试脚本是脚本的一种,而Web应用测试脚本语言是Web应用自动测试工具的核心.本文就基于 XML的Web应用测试脚本语言进行了研究综述.
Stacking是Wolpert提出的一个重要学习框架.它通过对多个模型的输出结果进行泛化,利用前一层模型输出的结果作为下一层的学习输入信息,使得前一次的学习能够充分用于后面的归纳过程当中去,发现并且纠正所使用学习算法中的学习偏差,以提高学习的精度.目前,Stacking框架最主要的应用是组合分类器,以取得比组成它们的单个分类器更高的分类准确率.Stacking中每一层的各分类器可使用任何分类算法