计算机基础知识（第五篇）
计算机基础知识（第五篇）
架构演化与维护
软件架构的演化和定义
软件架构的演化和维护就是对架构进行修改和完善的过程，目的就是为了使软件能够适应环境的变化而进行的纠错性修改和完善性修改等，是一个不断迭代的过程，直至满足用户需求。
举例：有一家电子商务公司，他们的在线购物平台拥有数百万用户。初始时，他们的平台采用单一的单体架构，所有功能都集成在一个应用程序中，但随着时间推移，业务发展，用户数量增加，公司开始遇到一些问题：
- 性能问题：由于用户数量的增加，平台的性能开始下降，响应时间变得较长．
- 扩展性问题：随着新功能的添加，开发团队发现很难扩展和维护整个应用程序．
- 部署问题：每次发布新版本时，整个应用程序都需要重新部署，导致停机时间和风险增加。
为了解决这些问题，公司决定对软件架构进行演化和维护。他们采取了以下措施：
- 微服务架构：他们将应用程序拆分成多个小型服务，每个服务负责一个特定的功能，如用户管理、购物车、支付等。这使得每个服务可以独立扩展和部署，提高了系统的灵活性和性能。
- 容器化：他们引入了容器技术，如Docker，以便更轻松地管理和部署服务。这减少了部署的停机时间，并提高了可靠性。
- 自动化部署：公司建立了自动化部署管道，以便快速发布新功能和修复bug，而无需手动干预．
通过这些改进，公司成功地演化和维护了他们的软件架构，解决了之前的问题，并为未来的增长和变化做好了准备。这个例子说明了软件架构的演化和维护是一个持续的过程，旨在适应变化的环境和满足用户需求．
演化过程涵盖了软件架构的全生命周期：
- 软件架构需求的获取：识别和确定软件需要满足的需求和目标。
- 软件架构建模：创建架构模型，描述系统的整体结构和组件间的关系。
- 软件架构文档：记录架构设计，提供对系统结构的清晰描述和参考。
- 软件架构实现：将架构设计转化为实际的系统代码和组件。
- 软件架构维护：对架构进行持续的修改和优化，以应对新需求和环境变化。
软件架构演化的重要性：
- 架构是整个系统的骨架：它是软件系统具备诸多良好特性的保障。良好的架构设计能够确保系统的稳定性、可扩展性和性能。
- 架构作为软件蓝图：它为人们宏观管控软件系统的整体复杂性和变化性提供了一条有效途径。通过架构设计，人们可以更好地理解和管理系统的各个部分及其相互关系，从而更有效地应对系统的变化和发展。
软件架构的定义三大要素：
软件架构的定义包含三个主要要素：组件、连接件、约束。软件架构的演化主要关注这三个要素之间的添加、修改和删除等变化。
面向对象软件架构演化
对象演化
在顺序图中，组件的实体是对象，对架构设计的动态行为影响的演化包括Add Object (AO)和Delete Object (DO)两种情况。这两种演化方式在软件架构设计中扮演重要角色，对系统的动态变化和优化起到关键作用。
消息演化
在消息演化中，常见的演化方式包括 AddMessage (AM)、DeleteMessage (DM)、SwapMessageOrder (SMO)、OverturnMessage (OM)、ChangeMessageModule (CMM) 这五种。每种演化方式对于消息在系统中的传递和交互方式有着不同的影响和作用。
复合片段演化
在复合片段演化中，常见的演化方式包括 AddFragment (AF)、DeleteFragment (DF)、FragmentTypeChange (FTC) 和 FragmentConditionChange (FCC) 这四种。复合片段描述了对象交互关系的控制流，表示不同场合可能发生的交互行为，与消息属于连接件范畴，对系统的控制流程具有重要的作用。
约束演化
在顺序图中，约束信息以文字描述的方式存储于对象或消息中，而约束演化则是对这些约束信息进行直接的添加和删除操作。
软件架构演化方式的分类
按照软件架构的实现方式和实施粒度分类：
- 基于过程和函数的演化
- 面向对象的演化
- 基于组件的演化
- 基于架构的演化
按照研究方法分类：
- 第一类：对演化的支持，如代码模块化的准则、可维护性的指示（如内聚和耦合）、代码重构等
- 第二类：版本和工程的管理工具
- 第三类：架构变换的形式方法，包括系统结构和行为变换的模型，以及架构演化的重现风格等
- 第四类：架构演化的成本收益分析，决定如何增加系统的弹性
按照软件架构演化过程是否处于系统运行时期分类：
- 静态演化
- 动态演化
软件架构的演化时期
设计时演化：发生在体系结构模型和相关代码编译之前的软件架构演化阶段。
运行前演化：发生在代码编译后、但应用程序执行之前的软件架构演化。在这个阶段，可以不考虑应用程序的状态，但需要考虑系统的体系结构，并且系统需要具备添加和删除组件的机制。
有限制运行时演化：系统在设计时规定了演化的具体条件，将系统置于“安全”模式下。演化只能在特定约束满足时进行，限制了可以执行的演化操作。
运行时演化：系统的体系结构在运行时无法满足需求时发生的软件架构演化。这包括添加组件、删除组件、升级替换组件、改变体系结构的拓扑结构等操作。这种演化通常是最具挑战性的，因为必须在系统运行时维持其正常操作。
静态演化
软件架构的静态演化主要发生在设计时演化和运行前演化阶段。与之对应的维护方法有三类：
- 更正性维护：修复系统中的错误。
- 适应性维护：调整系统以适应新的需求或环境。
- 完善性维护：增强系统的功能和性能。
软件的静态演化通常包括以下五个步骤：
- 软件理解：查阅软件文档，分析软件架构，识别系统组成元素及其相互关系，提取系统的抽象表示形式。
- 需求变更分析：分析用户需求变化、系统运行出错和运行环境改变等原因，找出新的软件需求与原有需求的差异。
- 演化计划：分析原系统，确定演化范围和成本，选择合适的演化计划。
- 系统重构：根据演化计划对系统进行重构，使其适应当前的需求。
- 系统测试：对演化后的系统进行测试，查找错误和不足之处。
动态演化
动态演化是在系统运行期间进行的演化，需要在不停止系统功能的情况下完成，这使得它较之静态演化更加困难。
软件内部执行所导致的体系结构改变：
例如，许多服务器端软件会在客户请求到达时创建新的组件来响应用户需求。假设有一个在线游戏服务器，它需要动态地创建新游戏房间以响应不同的玩家请求。当玩家请求加入一个新的游戏房间时，服务器会根据请求创建一个新的游戏房间。
软件系统外部的请求对软件进行的重配置：
例如，操作系统在升级时无须重新启动，在运行过程中就完成对体系结构的修改。在操作系统中，内核负责管理硬件资源和执行系统级任务。当需要进行内核更新时，通常不需要重新启动整个计算机。
动态演化的必要性：对于一些需要长期运行且具有特殊使命的系统（如航空航天、生命维持、金融、交通等），如果系统需求或环境发生变化，停止系统运行进行更新或维护将产生高额费用和巨大风险，并对系统的安全性产生很大影响。
软件的动态演化等级分为三个级别：
- 交互动态性：要求数据在固定的结构下动态交互。
- 结构动态性：允许对结构进行修改，通常形式是组件和连接件实例的添加和删除，这种动态性是研究和应用的主流。
- 架构动态性：允许软件架构的基本构造的变动，即结构可以被重定义，如新的组件类型的定义。
软件的动态演化四个方面：
- 属性改名：目前所有的ADL（架构描述语言）都支持对非功能属性的分析和规约，而在运行过程中，用户可能会对这些指标进行重新定义，比如将服务响应时间改为响应时间。
- 行为变化：在运行过程中，用户需求变化或系统自身服务质量的调节都将引发软件行为的变化。例如，一个在线社交媒体平台，最初允许用户发布文字和图片。然后，用户需求发生变化，要求支持视频发布；又或者为了提高安全级别而更换加密算法，将HTTP协议改为HTTPS协议。
- 拓扑结构改变：如增删组件，增删连接件，改变组件与连接件之间的关联关系等。例如，一个分布式系统中有多个服务节点，它们相互连接以共同处理请求。随着系统的扩展，需要增加新的服务节点，同时删除一些不再需要的旧节点。
- 风格变化：一般软件演化后其架构风格应当保持不变，如果必须改变软件的架构风格，也只能将架构风格变为其衍生风格。例如，一个企业级应用程序最初采用了两层客户端/服务器（C/S）架构，其中客户端直接与数据库交互。后来，由于需求的变化或性能问题，决定将架构改变为三层C/S架构，其中增加了应用服务器层来处理业务逻辑。
软件架构演化原则
1. 演化成本控制原则
演化成本控制原则旨在确保在软件架构演化过程中，相关成本能够得到有效控制。
2. 进度可控原则
进度可控原则强调在软件架构演化过程中，需要确保整体进度的可控性。
3. 风险可控原则
风险可控原则旨在确保在软件架构演化过程中，所有潜在的风险都能被有效识别、评估和管理。
4. 主体维持原则
主体维持原则旨在确保在软件架构演化过程中，软件系统的主体行为和核心功能保持稳定不变。
5. 系统总体结构优化原则
系统总体结构优化原则旨在确保在软件架构演化过程中，最终的系统整体结构更加合理和优化。
6. 平滑演化原则
平滑演化原则强调在软件架构演化过程中，确保演化速率趋于稳定，相邻版本的更新率相对固定。
7. 目标一致原则
目标一致原则旨在确保软件架构演化过程中，阶段性目标和最终目标之间保持一致性。
8. 模块独立演化原则
模块独立演化原则强调在软件架构演化过程中，确保各模块能够相对独立地演化，不影响其他模块的正常运行。
9. 影响可控原则
影响可控原则旨在确保在变更一个模块时，其对其他模块的影响保持在可控范围内。
10. 复杂性可控原则
复杂性可控原则旨在确保在软件架构演化过程中，系统的复杂性保持在可控范围内。
11. 有利于重构原则
有利于重构原则强调在软件架构演化过程中，使得架构更易于进行重构。
12. 有利于重用原则
有利于重用原则强调在软件架构演化过程中，提高系统的整体可重用性。
13. 设计原则遵从性原则演化
设计原则遵从性原则演化强调在软件架构演化过程中，不违背已有的架构设计原则。
14. 适应新技术原则
适应新技术原则强调软件系统独立于特定技术手段，适用于不同平台和技术环境。
软件架构演化评估方法
根据演化过程是否已知可将评估过程分为：演化过程己知的评估（正向）和演化过程未知的评估（逆向）。
演化过程已知的评估其目的在于通过对架构演化过程进行度量，比较架构内部结构上的差异以及由此导致的外部质量属性上的变化，对该演化过程中相关质量属性进行评估。
基于度量的架构演化评估方法
基于度量的架构演化评估方法的基本思路是通过对演化前后软件架构进行度量，比较架构内部结构上的差异以及由此导致的外部质量属性上的变化。
具体步骤：
-
架构修改影响分析：
识别和记录架构在演化过程中所做的每一项修改。 分析每项修改对架构内部结构和外部质量属性的影响。 -
监控演化过程：
在架构演化过程中，持续监控架构的变化。 收集和记录每个演化步骤中的度量数据，确保实时跟踪架构质量属性的变化。 -
分析关键演化过程：
对演化过程中关键步骤进行深入分析。 识别出对质量属性影响较大的关键修改。 比较这些关键步骤前后的质量属性变化，评估其对整体架构质量的影响。
演化过程未知时的评估
当演化过程未知时，我们无法追踪架构在演化过程中的每一步变化。此时只能根据架构演化前后的度量结果逆向推测出架构发生了哪些改变，并分析这些改变与架构相关质量属性的关联关系。
具体步骤：
-
初始和最终架构度量：
对演化前的初始架构和演化后的最终架构进行全面的质量属性度量。 获取初始架构的度量结果Q0和最终架构的度量结果Qn。 -
比较度量结果：
比较Q0和Qn，识别出质量属性的变化。 分析这些变化可能对应的架构修改。 -
逆向推测架构演化
根据质量属性的变化，逆向推测架构在演化过程中可能的修改步骤。 分析这些修改与架构质量属性之间的关联关系。
大型网站架构演化
单体架构
特点：
- 所有业务在一个服务器上：
- 所有的功能模块和业务逻辑都部署在同一个服务器上。
- 各个组件之间紧密耦合，形成一个整体。
- 通常一个代码仓库，包含所有的业务逻辑、数据访问层和用户界面。
优点：开发简单、部署简单、性能优化容易
缺点：扩展性差、可靠性差、单点故障、团队协作难、技术栈统一
适用场景：
- 初创公司或小型项目，业务逻辑简单，快速开发和部署。
- 对于短期内不会有大规模扩展需求的项目。
垂直架构
特点：
- 每种业务在一个单独服务器上
优点：独立部署、扩展性强、可靠性高、技术灵活、团队协作方便
缺点：复杂性增加、成本增加、运维复杂
适用场景：
- 业务规模逐渐扩大，需要更高的系统可靠性和可扩展性。
- 各业务模块之间相对独立，可以清晰地分离和解耦。
- 需要不同的业务模块使用不同的技术栈，以满足多样化的需求。
使用缓存改善网站性能
特点：
- 使用缓存提高网站查询效率
优点：提高性能、降低成本、提高可用性
缺点：数据一致性问题、缓存失效与更新、额外的运维和管理
适用场景：
- 频繁的数据库查询对系统性能造成压力，需要通过缓存减轻负载。
- 需要快速响应的场景，如电商网站的商品详情页、社交媒体的用户动态等。
- 静态资源（如图片、CSS、JavaScript文件）和不频繁变动的数据（如热门文章、排行榜等）。
使用服务集群改善网站并发处理能力
特点：
- 多台应用服务器解决访问量过大效率降低的问题
优点：提高并发处理能力、增强系统可靠性、灵活的扩展性
缺点：增加系统复杂性、高成本投入、网络延迟和带宽问题
适用场景：
- 网站访问量大，单台服务器无法满足并发处理需求，如大型电商平台、社交网络等。
- 需要提供高可用性和容错能力的关键业务系统。
- 业务需求波动较大，需要灵活扩展服务器资源的场景。
数据库读写分离
特点：
- 数据库拆分为主从数据库
优点：提高性能、增强扩展性、提高系统稳定性
缺点：数据一致性问题、增加系统复杂性、负载均衡和路由问题
适用场景：
- 读操作频繁且读写比例悬殊的场景，如新闻网站、社交媒体平台等。
- 数据量大、并发访问高，单一数据库无法满足性能需求的业务系统。
- 需要提高系统的可靠性和容灾能力的数据密集型应用。
使用反向代理和CDN加速网站响应
特点：
- 使用CDN解决不同地域访问效率差异问题
优点：提升访问速度、减少服务器压力、提高网站可用性、优化带宽使用
缺点：成本增加、管理和维护复杂性、缓存一致性问题
适用场景：
- 网站用户分布广泛，存在不同地域访问速度差异的问题，如全球性电商平台、国际新闻网站等。
- 网站流量大，服务器负载高，需要提升响应速度和用户体验的场景。
- 需要提高网站可用性、容灾能力和带宽优化的业务系统。
使用分布式文件系统和分布式数据库系统
特点：
- 文件服务器和数据库服务器使用分布式来部署分摊访问压力：
优点：提升系统性能和可扩展性、提高数据可靠性和可用性、优化数据访问和负载均衡、支持大数据和实时处理
缺点：部署和管理复杂性、数据一致性和事务处理挑战、网络延迟和带宽消耗
适用场景：
- 大规模数据存储和处理需求，如社交媒体平台、视频流媒体服务、大数据分析系统等。
- 高并发访问和高可用性要求的业务系统，如金融交易平台、在线购物网站、实时监控系统等。
- 需要快速扩展和灵活调整资源的业务场景，如云计算平台、分布式计算集群等。
使用NOSQL和搜索引擎
特点：
- 使用NoSQL数据库提升访问性能：显著提升数据访问性能。
- 引入搜索引擎提升数据检索效率：提高数据查询和分析效率。
优点：高性能和高并发处理、灵活的扩展性、多样化的数据模型支持、高可用性和容错性
缺点：一致性和事务支持不足、复杂的运维和管理、学习成本和技术门槛
适用场景：
- 高并发读写和大数据处理需求：社交媒体平台、在线游戏等
- 非结构化数据和全文搜索需求：内容管理系统、电子商务平台等。
业务拆分
特点：
- 把所有业务拆分成微服务的形式：每个微服务负责特定的业务功能
- 更加灵活方便的部署和调整：微服务架构允许独立部署和更新各个服务，减少系统整体停机时间，提升迭代速度和灵活性。
优点：独立部署和持续交付、灵活的扩展性和高可用性、技术栈多样化、团队分工和协作
缺点：复杂的运维和管理、通信开销和一致性管理、开发和测试复杂度
适用场景：
- 复杂和多变的业务需求：需要快速响应市场变化和用户需求。
- 高并发和高可用性要求：用户量大、访问频繁的在线系统。
- 需要快速创新和试验的场景：初创公司和创新型业务，通过微服务架构快速试验新功能和业务模式，降低试错成本。
分布式服务
特点：
- 把应用服务器从集群改为分布式：将应用服务器从传统的集群架构转变为分布式架构。
- 进一步提升性能：分布式架构通过将工作负载分散到多个服务器上，能够更好地利用硬件资源，提高系统的并发处理能力和响应速度。
优点：高可扩展性、高可用性和容错性、资源利用优化、灵活的部署和管理
缺点：复杂的系统设计和管理、通信延迟和一致性问题、运维和监控的复杂度
适用场景：
- 高并发和高性能需求：需要处理大量并发请求和高流量的互联网应用，如电商平台、社交媒体、在线游戏等。
- 高可用性和容错要求：业务连续性和高可用性要求高的金融服务、医疗系统、电信运营等。
- 分布式计算和大数据处理：需要进行大规模数据处理和计算的业务场景，如大数据分析、机器学习、分布式数据库等。
软件架构维护
软件架构维护过程一般涉及架构知识管理、架构修改管理和架构版本管理。
软件架构知识管理是对架构设计中所隐含的决策来源进行文档化表示，进而在架构维护过程中帮助维护人员对架构的修改进行完善的考虑，并能够为其他软件架构的相关活动提供参考。
- 架构知识的定义：架构知识＝架构设计＋架构设计决策。即需要说明在进行架构设计时采用此种架构的原因。
- 架构知识管理侧重于软件开发和实现过程所涉及的架构静态演化，从架构文档等信息来源中捕捉架构知识，进而提供架构的质量属性及其设计依据以进行记录和评价。
在软件架构修改管理中，一个主要的做法就是建立一个隔离区域保障该区域中任何修改对其他部分的影响比较小，甚至没有影响。为此，需要明确修改规则、修改类型，以及可能的影响范围和副作用等。
软件构版本管理为软件架构演化的版本演化控制、使用和评价等提供了可靠的依据，并为架构演化量化度量奠定了基础。
未来信息综合技术
信息物理系统
信息物理系统（CPS）是控制系统、嵌入式系统的扩展与延伸，其涉及的相关底层理论技术源于对嵌入式技术的应用与提升．CPS的核心概念是将数字和物理系统融合在一起，以实现更好的协同工作和决策。
CPS通过集成先进的感知、计算、通信、控制等信息技术和自动控制技术，构建了物理空间与信息空间中人、机、物、环境、信息等要素相互映射、适时交互、高效协同的复杂系统，实现系统内资源配置和运行的按需响应、快速迭代、动态优化。
CPS的体系架构：
- 单元级CPS：是具有不可分割性的CPS最小单元，是具备可感知、可计算、可交互、可延展、自决策功能的CPS最小单元，智能部件、一个工业机器人或一个智能机床都可能是一个CPS最小单元。比如智能家居中的智能灯泡
- 系统级CPS：多个最小单元（单元级）通过工业网络（如工业现场总线、工业以太网等），实现更大范围、更宽领域的数据自动流动，实现了多个单元级CPS的互联、互通和互操作，进一步提高制造资源优化配置的广度、深度和精度，包含互联互通、即插即用、边缘网关、数据互操作、协同控制、监视与诊断等功能，比如在汽车制造工厂中，生产线上的各种机器人和设备可以被视为系统级CPS。这些设备通过工业以太网连接，共享生产数据和控制信息。它们可以协同工作，自动调整生产速度和流程以适应需求的变化
- SoS级：多个系统级CPS的有机组合构成SoS级CPS。比如在一个智能城市中，多个系统级CPS（例如交通管理系统、能源管理系统、环境监测系统）可以组成SoS级CPS。这些系统级CPS共享数据，例如交通流量、能源消耗、空气质量等，集成大数据分析和数据服务，城市可以实时监测和优化交通流量，实现节能减排，提供紧急事件响应等服务，整个城市成为一个智能的、协同工作的系统。
CPS技术体系主要分为：CPS总体技术、CPS支撑技术、CPS核心技术。
- CPS总体技术：就是CPS的顶层设计技术，主要包括：系统架构、异构系统集成、安全技术，试验验证技术等
- CPS支撑技术：就是基于CPS应用的支撑技术，主要包括：智能感知、嵌入式软件、数据库、人机交互、中间件、SDN（软件定义网络)、物联网、大数据等
- CPS核心技术：就是是CPS的基础技术，主要包括：虚实融合控制、智能装备、MBD、数字孪生技术、现场总线、工业以太网、CAX MESERPPLMCRMSCM等
上述技术体系可以分为四大核心技术要素即"一硬"（感知和自动控制）、“一软”（工业软件）、“一网”（工业网络）,“一平台”（工业云和智能服务平台）。
- 感知和自动控制是CPS实现的硬件支撑；
- 工业软件固化了CPS计算和数据流程的规则，是CPS的核心；
- 工业网络是互联互通和数据传输的网络载体；
- 工业云和智能服务平台是CPS数据汇聚和支撑上层解决方案的基础，对外提供资源管控和能力服务。
CPS的典型应用场景
智能设计
应用领域：产品及工艺设计、工厂设计
特点：大部分工作在虚拟空间中进行仿真，实现迭代和改进
实例：在汽车制造业中，设计师使用虚拟现实和仿真技术在虚拟空间中创建和测试不同车型的设计，模拟不同的工艺流程，测试零部件性能，优化设计。
智能生产
应用领域：生产过程管理
特点：打破信息孤岛，实现设备互联互通，生产过程监控，资源合理调度，优化生产计划，资源和制造协同
实例：在智能制造工厂中，各种生产设备和机器人通过网络连接，实现实时监控和数据共享，优化生产计划和资源调度，提高生产效率。
智能服务
应用领域：本地与远程云服务协作，个体与群体、群体与系统协同
特点：形成一体化工业云服务体系
实例：在医疗设备制造业中，设备与云服务连接，收集患者健康数据并进行远程监控，检测到异常情况时自动触发警报，并将数据发送给医生进行分析，提高患者安全性和医疗服务效率。
智能应用
应用领域：设计者、生产者和使用者的新价值创造
特点：转变单调角色，创建新型价值链，促进产业链转型，调动各参与者积极性，实现制造业转型
实例：在农业领域，农民使用传感器和自动化设备监测土壤湿度、气温、作物健康等信息，将这些数据与气象数据和市场需求数据结合，制定最佳农业生产计划。
CPS的建设路径
CPS体系设计
内容：在这一阶段，需要制定CPS的总体架构和设计方案，明确各个子系统的功能和相互关系。
目标：建立一个整体的CPS架构，确保各子系统能够协同工作。
单元级CPS建设
内容：在这一阶段，主要集中于单个设备或单元的CPS建设，包括传感器、执行器和软件系统的集成。
目标：实现单个设备或单元的智能化和网络化，确保其能够独立运行并与其他设备进行数据交换。
系统级CPS建设
内容：在这一阶段，重点在于将多个单元级CPS集成到一个完整的系统中，确保各单元之间的协同和数据共享。
目标：实现一个完整的、能够协同工作的CPS系统，提升系统整体的智能化水平和效率。
SoS级CPS建设
内容：在这一阶段，构建系统的系统（System of Systems, SoS），即多个CPS系统的集成，形成一个更大规模的、复杂的CPS网络。
目标：实现多个CPS系统的协同工作，形成一个具有更高层次智能和更大规模应用的CPS生态系统。
人工智能
人工智能（AI）是利用数字计算机或者由数字计算机控制的机器来模拟、延伸和扩展人类智能，包括感知环境、获取知识，并使用知识来获得最佳结果的理论、方法、技术及应用系统。
目标：人工智能的目标是理解智能的本质，并生产出能够以类似于人类智能的方式做出反应的智能机器。
研究领域：
- 机器人：开发能够执行复杂任务的自主或半自主机械设备。
- 自然语言处理：使机器能够理解和生成自然语言，以实现人机交互。
- 计算机视觉：使机器能够理解和解释视觉信息，如图像和视频。
- 专家系统：开发能够模拟人类专家决策过程的系统。
分类：
- 弱人工智能：专注于特定任务，无法进行真正的理解和推理，只能在预设范围内有效工作。
- 强人工智能：具有与人类同等的智能水平，能够进行自主推理、思考和解决问题，目前仍处于理论和探索阶段。
人工智能关键技术
- 自然语言处理（NLP)。研究实现人与计算机之间用自然语言进行有效通信的各种理论和方法。主要包括机器翻译（从一种自然语言到另外一种自然语言的翻译）、语义理解（利用计算机理解文本篇章内容，并回答相关问题）和问答系统（让计算机像人类一样用自然语言与人交流）等。比如机器翻译是NLP的一个经典应用
- 计算机视觉。是使用计算机模仿人类视觉系统的科学，让计算机拥有类似人类提取、处理、理解和分析图像以及图像序列的能力，将图像分析任务分解为便于管理的小块任务。比如车牌识别、人脸识别
- 知识图谱。就是把所有不同种类的信息连接在一起而得到的一个关系网络，提供了从"关系"的角度去分析问题的能力，谷歌知识图谱是一个大规模的知识图谱，它将世界上的各种信息组织成一个关系网络，例如，当您在Google搜索中查找有关某个名人的信息时，知识图谱可以提供与该名人相关的详细信息、事件和关系，以帮助您更好地理解。
- 人机交互（HCI)。主要研究人和计算机之间的信息交换，比如触摸屏界面是一种常见的人机交互方式
- 虚拟现实或增强现实（VR/AR)。以计算机为核心的新型视听技术。结合相关科学技术，在一定范围内生成与真实环境在视觉、听觉等方面高度近似的数字化环境
- 机器学习（ML)。是以数据为基础，通过研究样本数据寻找规律，并根据所得规律对未来数据进行预测，目前，机器学习广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别等领域。比如垃圾邮件过滤器
机器学习的分类及方法
按学习模式的不同，机器学习可分为
- 监督学习：需要提供标注的样本集。
- 无监督学习：不需要提供标注的样本集。
- 半监督学习：需要提供少量标注的样本。
- 强化学习：需要反馈机制，根据环境反馈进行学习。
按学习方法的不同，机器学习可分为
- 传统机器学习：领域特征需要手动完成，且需要大量领域专业知识。
- 深度学习：基于多层神经网络，不需要人工特征提取，但需要大量的训练数据集以及强大的GPU服务器来提供算力。更注重特征学习的重要性。
机器学习的常见算法
- 迁移学习：在某些领域无法取得足够多的数据进行模型训练时，利用另一领域数据获得的关系进行的学习。
- 主动学习：通过一定的算法查询最有用的未标记样本，并交由专家进行标记，然后用这些样本训练分类模型来提高模型的精度。
- 演化学习：基于演化算法提供的优化工具设计机器学习算法，应用于分类、聚类、规则发现、特征选择等机器学习与数据挖掘问题中。
人工智能目前典型应用：chatgpt、deepseek、豆包、grok
机器人
机器人技术已经准备进入4.0时代。所谓机器人4.0时代，就是把云端大脑分布在各个地方，充分利用边缘计算的优势，提供高性价比的服务，把要完成任务的记忆场景的知识和常识很好地组合起来，实现规模化部署。特别强调机器人除了具有感知能力实现智能协作，还应该具有一定的理解和决策能力，进行更加自主的服务。
我们目前的服务机器人大多可以做到物体识别和人脸识别。在机器人4.0时代，我们需要加上更强的自适应能力。
机器人4.0的核心技术
- 云﹣边﹣端的无缝协同计算。云﹣边﹣端一体的机器人系统是面向大规模机器人的服务平台，信息处理和生成主要在云边﹣端上分布处理完成。通常情况下，云侧可以提供高性能的计算和知识存储，边缘侧用来进一步处理数据并实现协同和共享。机器人端只用完成实时操作的功能。
- 持续学习与协同学习。希望机器人可以通过少量数据来建立基本的识别能力，然后可以自主地去找到更多的相关数据并进行自动标注，然后用这些自主得到的数据来对自己已有的模型进行重新训练来提高性能。
- 知识图谱，需要更加动态和个性化的知识；需要和机器人的感知与决策能力相结合。
- 场景自适应。主动观察场景内人和物之间的变化，预测可能发生的事件，从而影响之后的行动模式，这个技术的关键问题在于场景预测能力。就是机器人通过对场景内的各种人和物进行细致的观察，结合相关的知识和模型进行分析，并预测之后事件即将发生的时间，改变自己的行为模式。
- 数据安全，既要保证端到端的安全传输，也要保障服务器端的安全存储。
如果按照要求的控制方式分类，机器人可分为操作机器人、程序机器人、示教再现机器人、智能机器人和综合机器人。
- 操作机器人，典型代表是在核电站处理放射性物质时远距离进行操作的机器人。
- 程序机器人，可以按预先给定的程序、条件、位置进行作业。比如工业生产线上的焊接机器人。
- 示教再现机器人。机器人可以将所教的操作过程自动地记录在磁盘、磁带等存储器中，当需要再现操作时，可重复所教过的动作过程。示教方法有直接示教与遥控示教两种。比如医疗手术机器人，外科医生可以使用机器人执行复杂的手术，并将这些操作记录下来。当需要再次执行相同的手术时，机器人可以重复之前示教的动作过程，以保持手术的准确性和精确性。
- 智能机器人。既可以进行预先设定的动作，还可以按照工作环境的改变而变换动作。比如家用扫地机器人是智能机器人的一个示例。它们可以根据环境的改变自主决策和动作。这些机器人配备了传感器和算法，可以避开障碍物、自动充电并根据不同的房间布局规划清扫路径。
- 综合机器人，由操纵机器人、示教再现机器人、智能机器人组合而成的机器人，如火星机器人，整个系统可以看作是由地面指令操纵的操作机器人。
如果按照应用行业来分，机器人可分为工业机器人、服务机器人和特殊领域机器人。
边缘计算
边缘计算是一种分布式计算模型，其核心理念是将计算资源和数据存储放置在物理世界的边缘，靠近数据源和终端设备。这种方式旨在降低延迟、提高性能，并更好地满足实时性需求。
主要目标
- 降低延迟：通过在本地处理数据，减少与远程云计算的通信时间。
- 提高性能：将计算功能放置在接近数据源的位置，提高数据处理的效率和实时性。
- 满足实时性要求：实现高效的本地数据处理，满足实时应用需求。
应用场景举例：智能城市中的交通管理
-
场景描述：
传感器和摄像头：安装在交通信号灯附近，用于监测交通流量和交通情况。 边缘计算设备：如边缘服务器，安装在信号灯控制器旁边，实时分析和处理传感器和摄像头捕获的数据。 -
功能实现：
实时数据分析：边缘计算设备能够实时分析交通流量和情况。 智能调整信号灯：根据实时数据，智能地调整交通信号的时序，优化交通流量，减少拥堵。
边缘计算将数据的处理、应用程序的运行甚至一些功能服务的实现，由网络中心下放到网络边缘的节点上。在网络边缘侧的智能网关上就近采集并且处理数据，不需要将大量未处理的原生数据上传到远处的大数据平台。
采用边缘计算的方式，海量数据能够就近处理，大量的设备也能实现高效协同的工作，诸多问题迎刃而解。因此，边缘计算理论上可满足许多行业在敏捷性、实时性、数据优化、应用智能，以及安全与隐私保护等方面的关键需求。
边缘计算的业务本质是云计算在数据中心之外汇聚节点的延伸和演进，主要包括云边缘、边缘云和云化网关三类落地形态；以"边云协同"和"边缘智能"为核心能力发展方向。
云边缘：是指在边缘设备（例如传感器、摄像头、工业机器等）附近部署的小型计算节点，通常位于数据源的最近位置，这些节点可以处理、分析和存储数据，并执行本地计算任务。比如智能监控摄像头可以检测异常情况，如交通事故或可疑行为，而无需将所有数据传输到远程云数据中心。这减少了通信延迟，提高了响应速度。
边缘云：是一种云计算模型，将云服务部署到靠近数据源和终端设备的边缘位置。边缘云通常包括较大规模的计算资源，可以处理多个边缘设备的数据，比如边缘数据中心。
注意：云边缘更侧重于在边缘设备上执行实时计算和响应，而边缘云是将云计算资源推送到离数据源更近的位置，以处理更大规模的边缘计算任务。
云化网关：以云化技术与能力重构原有嵌入式网关系统（是一种将网络功能虚拟化并将其作为云服务提供的网关），比如工厂自动化控制系统，云化网关可以用于连接和控制各种工厂备。这些网关设备位于工厂内部，负责与各种传感器、机器和生产设备通信。它们将实时数据传输到本地边缘计算节点，这些节点可以进行实时数据分析和设备控制。同时，云化网关还将数据上传到远程云平台，用于生产计划、维护管理和质量控制。这种方式实现了工厂自动化的高效运营，并满足了实时监控和长期数据分析的需求。
边缘计算具有以下特点：
- 联接性：联接性是边缘计算的基础。所联接物理对象的多样性及应用场景的多样性，需要边缘计算具备丰富的联接功能。
- 数据第一入口：边缘计算作为物理世界到数字世界的桥梁，是数据的第一人口，拥有大量、实时、完整的数据，可基于数据全生命周期进行管理与价值创造，将更好的支撑预测性维护、资产效率与管理等创新应用。
- 约束性：边缘计算产品需适配工业现场相对恶劣的工作条件与运行环境，如防电磁、防尘．防爆、抗振动、抗电流／电压波动等，在工业互联场景下，对边缘计算设备的功耗、成本、空间也有较高的要求。
- 分布性：边缘计算实际部署天然具备分布式特征，这要求边缘计算支持分布式计算与存储、实现分布式资源的动态调度与统一管理、支撑分布式智能，具备分布式安全等能力。
边云协同：边缘计算与云计算各有所长，云计算擅长全局性、非实时、长周期的大数据处理与分析，能够在长周期维护、业务决策支撑等领域发挥优势：边缘计算更适用局部性、实时、短周期数据的处理与分析，能更好地支撑本地业务的实时智能化决策与执行。
边缘计算既靠近执行单元，更是云端所需高价值数据的采集和初步处理单元，可以更好地支撑云端应用，而云计算则是通过大数据分析优化输出的业务规则或模型可以下发到边缘侧，边缘计算基于新的业务规则或模型运行，两者相辅相成，主要包括六种协同：
- 资源协同：边缘节点提供计算、存储、网络、虚拟化等基础设施资源、具有本地资源调度管理能力，同时可与云端协同，接受并执行云端资源调度管理策略，包括边缘节点的设备管理、资源管理以及网络连接管理。
- 数据协同：边缘节点主要负责现场／终端数据的采集，按照规则或数据模型对数据进行初步处理与分析，并将处理结果以及相关数据上传给云端：云端提供海量数据的存储、分析与价值挖掘。
- 智能协同：边缘节点按照A模型执行推理，实现分布式智能：云端开展AI的集中式模型训练，并将模型下发边缘节点。
- 应用管理协同：边缘节点提供应用部署与运行环境，并对本节点多个应用的生命周期进行管理调度：云端主要提供应用开发、测试环境，以及应用的生命周期管理能力。
- 业务管理协同：边缘节点提供模块化、微服务化的应用／数字孪生／网络等应用实例：云端主要提供按照客户需求实现应用、数字孪生、网络等的业务编排能力，
- 服务协同：边缘节点按照云端策略实现部分ECSaaS服务，通过ECSaas与云端Saas的协同实现面向客户的按需Saas服务：云端主要提供Saas服务在云端和边缘节点的服务分布策略，以及云端承担的Saas服务能力。
边缘计算的应用场合（既有中央控制中心，又有分支设备）：智慧园区、安卓云与云游戏、视频监控、工业互联网、智慧医疗。
边云协同架构通常包括以下几层：
- 边缘层：位于网络边缘，负责收集数据、进行初步处理和存储。
- 雾层：位于边缘层和云层之间，负责数据的聚合、转发和处理。
- 云层：位于网络中心，负责提供强大的计算、存储和网络资源。
边云协同架构设计面临以下几个挑战：
- 异构性：边缘设备、网络和云平台存在异构性，需要统一管理和调度。
- 延迟：边缘计算需要满足低延迟要求，需要优化网络架构和数据处理流程。
- 安全性：边云协同系统需要保障数据安全和隐私。
针对上述挑战，可以采取以下解决方案：
- 虚拟化：将边缘计算资源虚拟化，以便于统一管理和调度。
- 容器化：将应用打包成容器，以便于在不同平台上部署和运行。
- 微服务：将应用拆解成微服务，以便于弹性扩展和故障处理．
- 软件定义网络（SDN)：使用SDN技术可以灵活控制网络流量，降低延迟。
- 安全技术：使用安全技术保障数据安全和隐私，例如加密、身份认证、访问控制等。
数字孪生体
数字孪生体技术是通过创建虚拟的物理对象的数字模型，并使用实时数据对其进行更新，以反映物理对象的真实状态，从而实现跨层级、跨尺度的现实世界和虚拟世界的沟通桥梁。
数字孪生体是现有或将有的物理实体对象的数字模型，通过实测、仿真和数据分析来实时感知、诊断、预物理实体对象的状态，通过优化和指令来调控物理实体对象的行为，通过相关数字模型间的相互学习来进化自身，同时改进利益相关方在物理实体对象生命周期内的决策。
关键技术：
- 建模，建模的目的是将我们对物理世界的理解进行简化和模型化，而数字孪生体的目的或本质是通过数字化和模型化，用信息换能量，以使少的能量消除各种物理实体、特别是复杂系统的不确定性，需求指标、生存期阶段和空间尺度构成了数字孪生体建模技术体系的三维空间。
- 仿真，如果说建模是模型化我们对物理世界或问题的理解，那么仿真就是验证和确认这种理解的正确性和有效性。所以，数字化模型的仿真技术是创建和运行数字孪生体、保证数字孪生体与对应物理实体实现有效闭环的核心技术。仿真是将包含了确定性规律和完整机理的模型转化成软件的方式来模拟物理世界的一种技术。只要模型正确，并拥有了完整的输入信息和环境数据，就可以基本准确地反映物理世界的特性和参数。
数字孪生体的应用：
- 制造业：用于产品设计、制造、维护等环节，例如，在产品设计阶段，可以利用数字孪生技术进行虚拟样机测试，以减少设计缺陷；在制造阶段，可以利用数字孪生技术进行生产过程监控，以提高生产效率；在维护阶段，可以利用数字孪生技术进行故障预测，以降低维护成本。
- 能源：用于电网、风力发电等设施的管理，例如，在电网管理中，可以利用数字孪生技术进行电网运行模拟，以提高电网的稳定性和安全性：在风力发电中，可以利用数字孪生技术进行风力发电机组的故障预测，以提高发电效率。
- 医疗：用于手术规划、康复治疗等环节。例如，在手术规划中，可以利用数字孪生技术进行虚拟手术，以提高手术的成功率；在康复治疗中，可以利用数字孪生技术进行康复训练，以提高康复效果。
云计算
云计算是一种通过互联网（云）提供计算资源和服务的模式，用户可以通过互联网按需获取和使用计算资源，而无需自行建立和维护物理硬件设备。云计算基于虚拟化技术，通过将计算、存储、网络等资源集中管理和分配，为用户提供灵活、可扩展、按需付费的计算服务。
特点：
- 按需自助服务：用户可以根据需要自主获取、配置和使用计算资源，无需依赖供应商或管理员进行手动干预。
- 广泛网络访问：用户可以通过互联网随时随地访问云计算资源和服务，无需局限于特定地点或设备。
- 资源共享：云计算通过资源共享和多租户模式，使得多个用户可以共享同一组计算资源，提高资源利用率和成本效益。
- 快速弹性：用户可以根据业务需求快速调整计算资源的规模和容量，实现快速扩展或缩减，以适应业务的变化和波动。
- 可度量服务：云计算提供了精确的计费和计量机制，用户只需支付实际使用的资源量，避免了不必要的浪费和额外开支。
- 服务模式多样：云计算提供了各种服务模式，包括基础设施即服务（IaaS）、平台即服务（PaaS）、软件即服务（SaaS）等，满足不同用户的需求。
概念的内涵
平台
基础设施：云计算平台相当于PC上的操作系统，是云计算应用程序运行的基础。
构建依赖：云计算应用程序需要构建在云计算平台之上。
应用
计算与存储：云计算应用所需的计算与存储资源通常在“云端”完成。
访问方式：客户端通过互联网访问云端的计算与存储能力。
服务方式
基础设施即服务(IaaS)
IaaS模式下，服务提供商将服务器组成的“云端”基础设施作为计量服务提供给客户。
服务内容：包括内存、IO设备、存储和计算能力等，整合为一个虚拟资源池，提供存储资源、虚拟化服务器等服务。
示例：选择云端不同配置的服务器。
平台即服务(PaaS)
PaaS模式下，服务提供商将分布式开发环境与平台作为一种服务提供。
服务内容：提供开发环境、服务器平台、硬件资源等服务，客户在服务提供商平台上定制开发自己的应用程序，并通过其服务器和互联网传递给其他客户。
示例：在线编程、在线办公软件。
软件即服务(SaaS)
SaaS模式下，服务提供商将应用软件统一部署在云计算平台上，客户通过互联网订购应用软件服务。
服务内容：根据客户订购的软件数量、时间长短等收费，通过标准浏览器向客户提供应用服务。
示例：百度云盘等。
三者比较：
- 灵活性: SaaS < PaaS < IaaS（灵活性依次增强）
- 方便性: IaaS < PaaS < SaaS（方便性依次增强）
部署模式
公有云 (Public Cloud)
定义：云基础设施是公开的，可以自由地分配给公众使用。
适用对象：企业、学术界、政府机构等。
特点：低廉的价格、广泛的可用性。
优点：为最终用户提供有吸引力的服务，创造新的业务价值。
社区云 (Community Cloud)
定义：云基础设施专属于一些社区组织，这些组织具有共同的任务、安全需求、政策等信息。
管理方式：由社区内的一个或多个组织拥有、管理及操作。
特点：为特定社区提供定制化服务，是公有云的一个组成部分。
私有云 (Private Cloud)
定义：云基础设施分配给单个组织使用，包含多种用户。
管理方式：可以由该组织或其他第三方组织拥有、管理及操作。
特点：提供更高的安全性和控制，适合需要严格数据保护的企业。
混合云 (Hybrid Cloud)
定义：公有云、私有云和社区云的组合。
适用场景：由于安全和控制原因，并非所有企业信息都能放置在公有云上，因此企业通常使用混合云模式。
优点：结合了公有云的灵活性与私有云的安全性，满足不同业务需求。
大数据
大数据是指其大小或复杂性无法通过现有常用的软件工具，以合理的成本并在可接受的时限内对其进行捕获．管理和处理的数据集。这些困难包括数据的收入、存储、搜索、共享、分析和可视化。
大数据的特点：大规模、高速度、多样化、可变性、复杂性等。
大数据分析的分析步骤：
- 数据获取／记录：从各种来源收集原始数据，并对其进行记录和存储。
- 信息抽取／清洗：从原始数据中提取有用信息，并对数据进行清洗和注解，使之标准化和结构化。
- 数据集成／聚集／表现：将来自不同来源的数据进行整合、聚集，并以合适的形式表现出来。
- 数据分析／建模：对整理后的数据进行深入分析和建模，挖掘数据中的模式和关联。
- 数据解释：对分析结果进行解读，得出实际意义和业务洞见，帮助决策制定。
大数据分析的步骤包括数据获取/记录、信息抽取/清洗/注记、数据集成/聚集/表现、数据分析/建模和数据解释五个主要阶段。每个阶段都有特定的任务和工具，帮助从数据中提取有价值的洞见，辅助决策制定和业务优化。
大数据应用领域：制造业、服务业、交通行业、医疗行业。
区块链
区块链是一种分布式数据库技术，以区块的形式按时间顺序链接在一起，形成了一个不断增长的、不可篡改的记录链。
每个区块包含了一批数据（区块头：包含区块的版本号、时间戳、上一个区块的哈希值等信息，交易信息：包含交易双方、交易时间、交易内容等信息．)，这些数据通过密码学（哈希函数）技术连接在一起，形成一个链条。这个技术最初是为了支持比特币这种加密货币而设计的，但现在已经被广泛应用在其他领域。它的核心特性包括：
- 去中心化：区块链的数据不存储在单一的中心服务器上，而是分布在网络的各个节点上，每个节点都有该链的完整副本，这意味着没有一个中心机构能够控制或篡改整个数据库。
- 不可篡改性：一旦数据被写入区块链，就几乎不可能被修改或删除。这是因为每个区块都包含了前一个区块的哈希值，形成了一个不可逆的链条结构，任何篡改都会立即被其他节点检测出来。
- 透明性：区块链中的数据是公开可见的，所有参与者都可以查看和验证数据，从而增加了数据的透明度和可信度。
- 安全性：区块链使用了加密技术确保数据的安全性，使得交易和信息在传输和存储过程中更加安全可靠。
- 智能合约：智能合约是基于区块链的自动化合约，能够自动执行合约条款，无需中介机构，提高了交易的效率和可靠性、
区块链的原理：
- 安全性：区块链的安全性是建立在密码学原理上的，包括哈希函数、非对称加密等技术，确保数据的完整性和不可篡改性．
- 共识机制：共识机制确保了网络中各个节点对交易记录的一致性认可，从而防止了双重支付等问题．
- 分布式存储：区块链采用分布式存储方式，数据存储在多个节点上，避免了单点故障和数据丢失的风险。
- 智能合约：智能合约是一种在区块链上执行的自动化合约，其中包含了预先编写好的代码逻辑，可以自动执行合约条款、
区块链的应用场景：（注重安全和透明）
- 金融：可以用于构建去中心化金融系统，例如数字货币、交易所等。
- 供应链：可以用于追踪货物运输过程，提高供应链透明度．
- 医疗：可以用于存储和管理医疗数据，保障数据安全和隐私。
- 物联网：可以用于连接和管理物联网设备，实现物联网安全。
数学与经济管理
最小生成树
最小生成树（Minimum Spanning Tree, MST）是图论中的一个重要概念，主要用于连通图的边权重优化问题。具体来说，最小生成树是一个无向加权连通图的一个子图，它具有以下特性：
- 连通性：包含图中所有的顶点，并确保这些顶点仍然连通。
- 无环性：不包含任何环路（亦即是一个树结构）。
- 权值最小：在所有可能的生成树中，其边的权值总和最小。
最短路径
最短路径（Shortest Path）是图论中的一个重要概念，指的是在一个加权图中，从起始顶点到目标顶点的路径中，所有路径中权重和最小的一条。最短路径问题在计算机科学、网络设计、交通规划和物流管理等领域有广泛的应用。
最短路径问题的分类
- 单源最短路径：找到从单个起始顶点到图中所有其他顶点的最短路径。
- 单对最短路径：找到从一个特定起始顶点到另一个特定目标顶点的最短路径。
- 多源最短路径：找到图中每对顶点之间的最短路径。
网络与最大流量
网络与最大流量问题是图论中的一个重要概念，主要用于计算在一个流网络中从源节点（起点）到汇节点（终点）可以传输的最大流量。这个问题在交通运输、计算机网络、供水系统等领域有广泛的应用。
- 流网络：是一个有向图，其中每条边都有一个非负容量，表示该边所能承载的最大流量。
- 源节点（s）和汇节点（t）：源节点是流量的起点，汇节点是流量的终点。
- 流量（Flow）：是从源节点到汇节点所实际传输的量。对于任何一条边，流量不能超过其容量。
- 容量约束：对于每条边 (u,v)，流量 f(u,v) 必须满足 f(u,v) ≤ c(u,v)，其中 c(u,v) 是边的容量。
- 流量守恒：对于除源节点和汇节点之外的所有节点，进入该节点的流量之和必须等于离开该节点的流量之和。
线性规划
线性规划（Linear Programming, LP）是数学优化问题中的一种特殊形式，它用于在给定约束条件下，最大化或最小化线性目标函数。线性规划广泛应用于经济学、工程学、管理科学、运营研究等领域，用于解决各种优化问题，如资源分配、生产计划、运输问题等。
博弈论
博弈论（Game Theory）是一门研究决策者（通常称为玩家）在相互作用情境中如何做出最佳决策的理论。它涉及数学和经济学的交叉领域，分析个体或团体在不同策略下的行为和结果。
根据玩家的策略空间、信息的完整性和博弈的次数进行分类：
- 完全信息博弈（Perfect Information Games）：所有玩家对博弈的结构和其他玩家的策略完全了解。
- 不完全信息博弈（Imperfect Information Games）：玩家对博弈的某些信息不了解，通常涉及概率分布。
- 静态博弈（Static Games）：所有玩家同时选择策略，不知晓对方的选择。
- 动态博弈（Dynamic Games）：玩家按顺序选择策略，可能观察到对方的部分或全部选择。
- 合作博弈（Cooperative Games）：玩家可以形成联盟，共同决定策略以最大化联盟的总收益。
- 非合作博弈（Non-Cooperative Games）：玩家独立决策，通常假设玩家之间没有信任和合作。
状态转移矩阵
状态转移矩阵（Transition Matrix），也叫转移矩阵，是在马尔可夫链（Markov Chain）等随机过程的研究中用来描述系统从一个状态转移到另一个状态的概率的矩阵。它在描述离散时间马尔可夫链（DTMC）和连续时间马尔可夫链（CTMC）中广泛应用。
应用：
- 经济和金融：用于建模资产价格的变化、信用评级的变化等。
- 计算机科学：用于分析算法性能、网页排名（如 PageRank 算法）等。
- 生物学：用于基因状态的转移、种群动态等。
- 工程：用于可靠性分析、系统仿真等。
排队论
排队论（Queueing Theory）是研究排队系统（或服务系统）性能和行为的数学理论。排队系统广泛存在于各类实际场景中，如计算机网络中的数据包传输、银行或超市的顾客服务、制造系统中的生产线等等。排队论的目标是分析和优化这些系统，以提高效率和减少等待时间。
决策树
决策树（Decision Tree）是一种常用于分类和回归任务的机器学习模型。它以树状结构表示决策过程，其中每个内部节点表示一个特征或属性的测试，每个分支表示测试结果的输出，而每个叶节点表示一个类别标签或回归值。决策树的目的是通过一系列的决策将数据集划分成更小的子集，从而达到分类或预测的目的。
组成部分
- 根节点（Root Node）：树的顶端节点，代表整个数据集。它通过一个特征的测试将数据集划分到不同的子节点。
- 内部节点（Internal Nodes）：表示对某个特征进行的测试，每个内部节点有一个或多个分支。
- 叶节点（Leaf Nodes）：表示分类结果或回归值。树的末端节点，叶节点没有子节点。
- 分支（Branches）：从一个节点到下一个节点的路径，表示特征测试的结果。
类型
- 分类树（Classification Tree）：用于分类任务，叶节点表示类别标签。
- 回归树（Regression Tree）：用于回归任务，叶节点表示连续的数值。
知识产权与标准化
知识产权概述
知识产权是指公民、法人、非法人单位对自己的创造性智力成果和其他科技成果依法享有的民事权利。它包括智力成果的创造人依法享有的权利和在生产经营活动中标记所有人依法享有的权利的总称。知识产权的具体种类包括：
- 著作权
- 专利权
- 商标权
- 商业秘密权
- 植物新品种权
- 集成电路布图设计权
- 地理标志权
**知识产权的特性：**无体性、专有性、地域性、时间性
权利类型和保护期限
公民作品：署名权、修改权、保护作品完整权；保护期限：没有限制
公民作品：发表权、使用权和获得报酬权；保护期限：作者终生及其死亡后的50年(第50年的1 2月31日)
单位作品：发表权、使用权和获得报酬权；保护期限：50年(首次发表后的第50年的12月31日)，若其间未发表，不保护。
公民软件产品：署名权、修改权 没有限制 发表权、复制权、发行权、出租权、信息网 络传播权、翻译权、使用许可权、获得报酬 权、转让权；保护期限：作者终生及死后50年(第50年12月31日)，合作开发，以最后死亡作 者为准。
单位软件产品：发表权、复制权、发行权、出租权、信息网 络传播权、翻译权、使用许可权、获得报酬 权、转让权；保护期限：50年(首次发表后的第50年的12月31日)，若其间未发表，不保护 。
注册商标 - 保护期限：有效期10年(若注册人死亡或倒闭1年后，未转移则可注销，期满后6 个月内必须续注) 。
发明专利权 - 保护期限：保护期为20年(从申请日开始) 。
实用新型和外观设计专利权 - 保护期限：保护期为10年(从申请日开始) 。
商业秘密 - 保护期限：不确定，公开后公众可用。
知识产权归属
作品：除署名权外其他著作权归单位
软件：单位享有著作权
专利权：单位享有著作权
单位和委托的区别在于，当合同中未规定著作权的归属时，著作权默认归于单位，而委托创作中，著作权默认归属于创作方个人。
侵权判断与标准化分
著作权概述：
- 著作权享有：中国公民、法人或者其他组织的作品，不论是否发表，都享有著作权。
- 不受保护的内容：发软件所用的思想、处理过程、操作方法或者数学概念不受著作权保护。
著作权法不适用的情形：
- 法律和官方文件：法律、法规、国家机关的决议、决定、命令和其他具有立法、行政、司法性质的文件，以及其官方正式译文。
- 时事新闻：纯粹的时事新闻。
- 公共资源：历法、通用数表、通用表格和公式。
商业秘密：
- 构成条件：未公开、能为权利人带来利益、保密性．
- 商业秘密无固定的保密时间，一般由企业自行规定，且不能延长
商标权：
"近似商标"是指文字、数字、图形、三维标志或颜色组合等商标的构成要素的发音、视觉、含义或排列顺序及整体结构上虽有一定区别，但又使人难以区分，容易产生混淆的商标。会产生商标侵权，故不能同时注册。由双方协商决定，协商未果后采用抽签方式决定。
引用资料：
- 只能引用发表的作品，不能引用未发表的作品；
- 只能限于介绍、评论作品；
- 只要不构成自己作品的主要部分，可适当引用资料，并且不必征得原作者的同意，不需要向他支付报酬。
