没有合适的资源?快使用搜索试试~ 我知道了~
分布式云中的可扩展和高效数据管理:服务提供和数据处理杰德·达鲁斯引用此版本:杰德·达罗斯分布式云中的可扩展和高效数据管理:服务提供和数据处理。分布式、并行和集群计算。里昂大学,2019年。英语NNT:2019LYSEN077。电话:02508592HAL Id:tel-02508592https://theses.hal.science/tel-025085922020年3月15日提交HAL是一个多学科的开放获取档案馆,用于存放和传播科学研究文件,无论它们是否已这些文件可能来自法国或国外的教学和研究机构,或来自公共或私人研究中心。L’archive ouverte pluridisciplinaire全国论文集编号:2019LYSEN077里昂大学博士学位论文歌剧l’Ecole Normale Supérieure deEcole DoctoraleN° 512里昂信息与数学博士学校学科:信息学Soutenue publiquement le 17/12/2019,par:杰德·达罗斯分布式云中可扩展且高效的数据管理:服务提供和数据处理云分布中的有效和安全管理:服务和治疗的开发陪审团组成如下:皮埃尔·桑斯Professeur索邦大学特别报告员玛丽亚·佩雷斯埃切瑟尔马德里理工大学报告员纪尧姆·皮埃尔Professeur雷恩第一考官帕特里夏·帕斯卡尔-斯托夫梅尔特雷德孔费埃IUT de Blagnac考试克里斯蒂安·佩雷斯Directeur de Recherche因里亚·格勒诺布尔Directeur de thèse沙迪·易卜拉欣Chargé de Recherche因里亚·Co-encadrant de thèseiii确认我能写下这封感谢信,是因为我周围许多人的帮助、鼓励和支持,我想感谢他们。首先,我要感谢评审团成员:Guillaume Pierre和Patricia Pascal-Stolf,以及我的评估员Pierre Sens和Maria S。佩雷斯贡献了他们宝贵的时间来评估我的工作。我谨向沙迪·易卜拉欣表示衷心的感谢沙迪不仅仅是一个顾问,他的努力对我来说是无价的,在这三年里,科学和个人。我很高兴有机会与他密切合作,这给了我作为一名研究人员成长的前景。我也要对克里斯蒂安·佩雷斯表示衷心的感谢。克里斯蒂安很高兴地接受了我的论文指导,为我提供了源源不断的支持,并教我如何在不忘记最小细节的情况下提出此外,我还要感谢吉勒·费达克,他在我读博士的第一年就给了我建议,也是我第一次接触博士学位。旅程在我读博士的时候,我有机会与许多令人惊叹和才华横溢的人一起工作和互动,我想感谢他们。特别感谢我的两个合作者,我的两个第一篇论文,艾米莉和托马斯,很好的合作。感谢DISCOVERY计划的成员进行了有趣的讨论和演示。非常感谢Stack和Avalon团队的成员,感谢我们一起度过的美好时光同样,我想感谢我的朋友,我分享了快乐和愉快的时刻(在我剩下的时间!),尤其是玛哈丽莎和巴哈尔最后,我要感谢我亲爱的家人,在我学术生涯的这一特殊篇章中,他们不断地鼓励和支持我。特别要感谢一直相信我的父母。v摘要我们生活在大数据时代,数据以前所未有的速度从世界各地的各种来源产生这些数据可以转化为有意义的信息,直接影响我们的日常生活。为了应对海量的大数据,需要大规模的基础设施和可扩展的数据管理技术。云计算已经发展成为运行数据密集型应用程序的事实上的平台。与此同时,大规模存储系统已经出现,以存储和访问云数据中心中的数据。它们在数千台机器上运行,提供聚合存储容量,此外还提供可靠和快速的数据访问。基础设施和存储系统的分布式性质引入了一个理想的平台来支持Hadoop或Spark等大数据分析框架,以有效地运行数据密集型应用程序。在这篇论文中,我们专注于构建和运行数据密集型应用程序的可扩展和高效的数据管理我们首先研究虚拟机映像和容器映像的管理,将其作为高效服务配置的主要入口点因此,我们设计,实施和评估硝基,一种新的VMI管理系统,有助于减少VMI的传输时间在异构广域网(WAN)。此外,我们提出了两个容器图像放置算法,旨在减少边缘基础设施中的容器图像的最大检索时间第二,为了在云中高效地处理大数据,我们研究了擦除编码(EC)作为数据密集型集群中复制的可扩展且具有成本效益的替代方案。特别是,我们进行实验,以彻底了解数据密集型应用程序的性能下复制和EC。我们发现,数据读取EC下是偏斜的,可能会导致显着的性能下降的数据密集型应用程序。然后,我们介绍了一个EC感知的数据放置算法,目标是平衡跨节点的数据访问,从而提高EC下的数据密集型应用程序的性能vii简历如果我们储存了所有人类使用过的语言,那么第一卷将在两天内收集所有的一般知识Le dernier rapport de这些产品来自于各种各样的来源,包括资本、社会媒体或科学模拟。这是企业和大学提供的大量优质服务和知识,对我们有直接影响同样,谷歌和Facebook等大型互联网公司分析了为改善使用经验而收集的数据,而阿贡国家实验室的研究 机 构 则 对 人 类 知 识 的 局 限 性 进 行 了 模 拟 。 Il est donc permettre une gestiondesdonnées efficace à Eschéchelle pour Transformer ces querteres volumes de donnéesen informations utilisables.为了适应数据量的标准(即所谓的“大数据”),必须建立数据管理的基础设施和技术事实上,这些计算中心不应该为这些计算中心使无限资源的错觉增大,可能会增加到最低价格。Récement,des fournisseursd'informatiqueencloudtelsqu'Amazon,MicrosoftetGoogle ont doté leurs infrastruc- tures de millions de serveurs répartis dans le monde entier pourfaciliterlagestiondesdonnéesmisses. 例如,Amazon Web Services(AWS)计算了500万服务器的总数[144],在5大洲的数百个服务中心提供服务[26],以及每天提供数百万服务[35]。另一方面,电子仓库的储存系统也是在这些仓库中心储存和接收货物的装置。 Ilsfonctionnent sur des milliers de machines offrant leurs capacités de storkageagrégées,en plus de fournir un accès fiable et rapide aux don- nées. 另一方面,云系统Windows Azure存储(WAS)拥有超过100亿的数据[ 123 ],并且每天有超过20亿的事务La nature distribuée des infrastructures et des systèmes de stockage en faitune plate-forme idéale pour prendre en charge les infrastructures logicielles». 同样,再加上一般来说,云服务包括数据[117]在当时,2,5个exaoctets是每天产生的[ 117],而所有人类从未使用过的单词都21zettaoctet等于1021 octet,所以是1百万pétaoctet。viiiAmazon Elastic MapReduce [14] ou Microsoft Azure HDInsight [112] ) , sontdéployés en tant que machines virtuelles ( VM , 虚 拟 机 ) ou employeers.LedéploiementSinon,La demande croissante de four-rapide de services,en plus de lataille et du nombre croissantsex. AWS fournit plus de 20 000 images différentes3,etleurs tailles atteignent des dizaines de gigaoctets [35,258])rendent la gestion desimages de service essentielle pour la déploiement de services dans le cloud.Deplus , la tendance actuelle au déploiement sur plusieurs sites-facilitée par lescentresde calcul géographiquement distribués [296 , 26 , 101] - et-d. en déplaçant lecalcul vers les sources de données)posent de nouveaux défis pour le déploiementde machines virtuelles et de marteneurs.Cela的作用是限制带宽和广域网的连接,也就是限制边缘服务器的存储容量因此,至关重要的是,要对云计算和边缘系统中的服务进行快速部署,就必须对云计算和虚拟机的效率进行管理。此外,库存分配系统利用回收率来确保药品的可分配性。此外,分析数据库的基础设施,如Spark [ 20 ]、Flink [ 18 ]和Hadoop [ 19 ],可以帮助生成数据库-d. les tâchesdes machines en panne peuvent être simplementré-exécutées ailleurs àCependant,avec la crosissance increasingly de la quantité de données et l'adoption progressive depériphériques de storkage rapides mais cher(c.- -d. SSD et DRAM),les costumtsmatériels et de stockage de la réplication deviennent de plus en plus importants[234,252,316].Les codes此外,它们也是在储存分布的nombreux systèmes中实际部署的[263,111,86,123,252,195]。另一方面,在适用的EC中,Microsoft réduitde plus de 50% le surcoquitt de stockage par rapport à la réplication [123] 。L’exécution d’applications de type « Big Data » sous EC réduira aussi le surcoût destockage, en revanche, 因此,重要的是要理解“大数据”类型应用程序的性能,因为EC必须将逻辑分析基础设施和数据代码进行合并,以确保数据处理的有效性在简历中,这一点是对在计算中心开发和执行“大数据”应用程序的重大管理3我们从7月26日亚马逊EC2边界的画面中获得了图像名称 . ,2019年。ix贡献在这方面,我们专注于对“大数据”类型应用程序的概念和执行的有效管理 Nousétudions la gestion des images de machines virtuelles et des images de employeurs entant que point de départ principal pour le déploiement efficace de services. 此外,我们还研究了擦除代码,这种代码可以替代渗透到埃谢尔的一个最佳通道中的复制,也可以减少三种不同类型的饮用水中的储存量。这些简历的主要贡献如下:Permettre le déploiement efficace de services dans les centres de calcul géo-distribués. La plutart des grands fournisseurs de services cloud,tels qu 'AmazonetMicrosoft,repliquent leurs images de machines virtuelles(VMI,虚拟机映像)sur plusieurscentres de données éloignés géographiquement pour offrir un déploiement rapide de leurs services.在WAN网络上传输VMI时,需要将服务放置在中间位置在此期间,供应管理指数的分配和不同地点之间的网络通行证的发放都有所增加。Néanmoins,les methodesexistantes pour faciliter la gestion de VMI(c.--d. Récupération des VMI)négligentl'hétérogénéité du réseau dans les clouds géo-distributés.Pour y répondre nous proposonsNitro,un nouveau système de gestion de VMI qui permet de minimiser le temps detransfert des VMI sur un réseau WAN hétérogène. 为了达到这一目标,Nitro整合了两种技术。Premièrement ,il utilize la deduplication pour réduire la quantité dedonnées qui sera selférée en reason des similarisquerélevées entre les images. 第 二 ,Nitro是一个转移données的战略,它使données能够适应网络的特点,并能有效地利用données的恢复和加速其发展的纽带。实验结果表明,这种供应商转移策略构成了供应商管理库存收购的最佳解决方案,其成本最小此外,Nitro超过了VMI库存系统的77%(c.--d. OpenStack Swift),à la pointe de la technologie.Ces travaux ont conduit àune publication lors de la conference internationale CCGrid1 18 [62].Prise en compte des characteréristiques du réseau lors du placement d'imagespronouneur sur un réseau de type Edge. L’Edge computing vise à d’étendre lecloud Fournir un temps de déploiement de ces services rapide et prédictibleconstitute un définouveau à这项工作的动机是一个简单的问题:我们如何将企业家的形象置于服务器的边缘上,以使一个形象能够在服务器的边缘上迅速传播,并在一个可见的地方传播为此,我们提出了KCBP和KCBP-WC这两种图像放置算法,这些算法可以根据图像的最大再现时间来确定图像的最大再现时间KCBP和KCBP-WC是解决k-中心问题的基础。此外,KCBP-WC还在边缘上放置了一个大型沙发,以显示企业家的形象基于模拟的评价x关于KCBP和KCBP-WC的跟踪,我们可以应用于不同的网络配置,并通过1,1到4倍的最大图像恢复时间来记录艺术品的放置技术-d. Best-Fit et Random)。Ces travauxont conduit à une publication à la conference internationale ICCCN1 19 [63].Caractérisation des performances des code d'effacement dans des clusters avecun volume important de données. 这些产品的强度很强,应在库存分配系统上进行分配,以便在没有产品数量的情况下适应交叉。 Hadoop(HDFS)[263]是Spark[20]和Hadoop[19]的逻辑分 析 基 础 设 施 的 主 要 存 储 系 统 。 此 外 , HDFS fonctionne en utilisant laréplication pour garantir la disponibilité des données et permettre因此,在计算时间内,由于其存在的原因,消除代码(EC)在储存系统中出现了一种替代方法在网络和磁盘的超请求条件下,一项关于改进EC下的恢复时间的研究的大名称,EC下执行分析步骤的性能特征并不明显作为回应,我们提供了经验,以便更好地理解利用复制和电子商务的“大数据”类型应用程序的性能我们利用Grid'5000试验库[ 105 ]上的代表性试验,评估données接入参数、données接入参数、分析工作费用、données持续性、故障、储存原理和网络配置的发生率如果某些结果不符合我的直觉,其他的就不存在了同样,由于块的分布和功能块的机制导致了磁盘和网络的竞争,这主要影响了EC中“大数据”类型应用程序的性能,而不是数据的非本地化。Une partie de ce travail aconduit à une publication lors de la conference internationale MASCOTS1 19 [61].Pris en compte des codes Nous observons que l'ordonnanceur de tâches Hadoop neprend pas en compte la structure des fichiers sous EC et peut entraaverner un déquilibre notabledesaccèsauxdonnéessurlesserveurslorsdel'exécutiond'applicationsdetype«Big Data». Cela entrane des stragglers( c.--d. certaines tâches presenteront un grand écartdansexecécutionetprendrontplusdetempsqueexecécutionmoyenne ) quiprofessoront à executour le temps因此,在对具有擦除代码的données进行分析的过程中,我们提出了一种合理的放置算法,该算法适用于EC,该算法可以使données的访问服务于其他人,并且可以计算出données lors的分布块的分布Nos exériences avec lasérie de test GridNos résultats motiventxi内容1介绍11.1背景。. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .11.2捐款。. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .31.3出版物。. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .51.4软件和数据. . . . . . . . . . . . . . . . . . . . . . . . . . . . .51.5 Mandarin pt的结构. . . . . . . . . . . . . . . . . . . . . . . .6一.背景.92数据和数据密集型应用112.1数据库112.1.1数据方面122.1.2数据温度122.1.3数据存取模式132.2数据密集型应用程序132.2.1基于互联网的应用132.2.2科学应用142.3结论143分布式云:为数据密集型应用程序提供强大的云结构153.1云计算:定义163.2云架构:从集中式数据中心到大规模分布式迷你数据中心163.2.1单一3.2.2地理(图形)-分布式云173.2.3联邦云173.2.4边缘计算173.3服务模式183.4部署模型183.5虚拟化作为云支持技术193.5.1完全虚拟化:虚拟机和Unikernels193.5.2操作系统级虚拟化:容器203.5.3关于服务映像在云中的作用203.6公共云办公室203.7云管理解决方案21xii3.8结论224数据管理系统:概述234.1分布式存储系统的设计目标4.2分布式存储系统中的数据可用性4.2.1复制254.2.2擦除编码254.2.3重复数据删除:在可用性约束下优化存储成本274.3最先进的分布式存储系统274.4数据分析框架:将数据转化为价值304.4.1数据分析框架的主要特征4.4.2最先进的数据分析框架4.5结论32II优化分布式云中的服务配置:数据放置和检索335最先进的技术:分布式云中的服务映像管理355.1虚拟机映像管理365.2容器映像管理375.3在分布式云中实现高效的服务映像管理385.3.1高效的虚拟机管理385.3.2可扩展的容器映像管理405.3.3优化大规模数据传输:超越服务图像5.4讨论:在分布式云中实现高效的服务供应436地理分布云中的网络感知服务图像检索6.1在地理分布的云中配置虚拟机的挑战466.2硝基:设计原则476.3网络感知块调度算法486.3.1问题定义486.3.2最大流量算法496.3.3块调度算法496.3.4网络优化516.3.5算法概述和分析6.4执行情况526.4.1系统工作流程536.4.2关于Nitro54中的数据块压缩6.5实验方法556.5.1数据集556.5.2试验台556.5.3系统设置566.6评价结果576.6.1Nitro57的功效6.6.2硝基与 IPFS.................................................................................................596.6.3Nitro vs. Swift和BitTorrent60xiii6.7适用性和局限性6.7.1广域网模型6.7.2网络性能可变性626.7.3从同一站点请求多个VM626.7.4Nitro63中文件级重复数据删除的讨论6.8结论647网络感知的服务图像在边缘网络结构中的放置657.1边缘中的容器配置:局限性和挑战667.2容器图像放置677.2.1层放置677.2.2图像放置687.2.3限制707.3模拟方法717.3.1网络拓扑717.3.2集装箱图像数据集727.3.3节点存储容量727.3.4最先进的布局算法7.3.5A.方法737.4模拟结果737.4.1合成网络的结果737.4.2真实世界网络的结果767.5讨论777.5.1冲突的影响7.5.2带宽不均匀性的影响7.5.3额外空间效应797.5.4KCBP-WC机制所涉及的层百分比的影响797.5.5最佳检索的影响797.5.6每幅图像的最大检索时间807.6结论82III数据密集型应用程序8分布式存储系统中的纠删编码:从数据库的角度数据分析858.1擦除码的应用领域868.1.1档案系统中的擦除码:更高的数据耐久性868.1.2存储系统中的擦除码:降低存储开销8.1.3用于内存缓存系统的擦除代码:快速数据访问 . 8.1.4讨论8.2擦除代码中的数据布局878.3HDFS88中的擦除码8.4EC90下的数据处理8.4.1根据EC90执行工作8.4.2最新技术:EC91下的数据处理xiv8.5讨论:在EC91下实现有效的数据处理9理解分布式存储器中纠删编码的性能- ageSystems年龄系统939.1动机949.2方法概述.959.2.1平台959.2.2试验台959.2.3HDFS配置969.2.4基准.969.2.596年9.3添加新数据969.3.1在HDFS96中写入低电平9.3.2单次写入的结果979.3.3并发写入的结果989.3.4欧共体政策的影响9.3.5影响1009.4在EC100下读取数据9.4.1在HDFS100中读取数据流9.4.2单次读取结果1019.4.3并发读取的结果1029.4.4欧共体政策的影响1059.4.5影响1069.5结论10610 描述擦除编码下数据分析的性能10910.1 动机11010.2 方法概述11110.2.1 平台11110.2.2 试验台11210.2.3 Hadoop配置11210.2.4 基准11210.2.5 中国11310.3 EC113下的数据处理10.3.1 Hadoop当map和reduce阶段11410.3.2 重叠洗牌的情况11710.3.3 磁盘持久性的影响12110.3.4 RS计划的影响12210.3.5 故障情况下的性能12310.3.6 机器学习应用:Kmeans12510.3.7 影响12610.4 硬件的作用12610.4.1 带10 Gbps网络的主存储器12710.4.2 带1 Gbps网络的主存储器12810.4.3 硬盘,1Gbps网络12810.4.4 影响12910.5 讨论和一般准则129xv10.6 结论13011 HDFS中的EC感知数据放置:提高数据密集型应用程序的性能13111.1 为什么选择EC-aware Placement?.................................................................... 13211.2 EC感知块放置算法13411.3 方法概述13511.4 评价13511.4.1 HDFS数据访问13511.4.2 MapReduce应用程序13611.5 局限性:实现动态EC感知13911.6 结论139IV结论与展望14112 结论与展望14312.1 成就14412.1.1 在分布式云中14412.1.2 描述擦除码下数据密集型应用程序的特性并提高其性能14512.2 前景14612.2.1 与分布式云中的服务供应相关的前景14612.2.2 擦除码下的数据分析前景147参考书目149xvi图目录4.1纠删编码:编码和解码。....................................................................................... 274.228岁6.1Nitro中组块检索的图形建模..................................................................................506.2分组优化的一个例子............................................................................................... 516.3Nitro中的虚拟机配置工作流。........................................................................................546.4硝基内件的评价结果............................................................................................... 586.5Nitro和IPFS的比较。..............................................................................................596.6Nitro,Swift和BitTorrent的比较结果.................................................................. 616.7Nitro和BitTorrent复制的敏感性研究................................................................... 616.8来自同一站点的多个VM的区块计划.....................................................................637.1层的特征................................................................................................................... 727.2合成网络的检索时间............................................................................................... 747.3合成网络的最佳检索时间....................................................................................... 757.4真实网络的检索时间............................................................................................... 767.5f参数对KCBP-WC算法的影响............................................................................... 777.6合成网络的各个层的检索时间............................................................................... 787.7合成网络的最佳检索时间....................................................................................... 807.8每幅图像最大检索时间的CDF818.1具有连续和条带布局的EC插图..............................................................................888.2HDFS中的EC组表示............................................................................................... 909.1在REP和EC下写作。.............................................................................................. 979.2并发写入的磁盘、网络间和网络内吞吐量。.................................................................989.3EC策略对单个客户端写入的影响..........................................................................999.4读取REP和EC下的不同文件。............................................................................ 1019.5并发读取期间的磁盘吞吐量................................................................................. 1039.6在REP和EC下读取相同的文件。........................................................................ 1049.7EC策略对单个客户端读取的影响........................................................................10610.1 排序和字数统计应用程序的作业执行时间(非重叠随机)。......................... 11310.2 排序应用程序的任务(不重叠的洗牌)。......................................................... 11510.3 作业执行期间的数据加载和分布......................................................................... 11610.4 Wordcount应用程序的任务(不重叠的洗牌)。......................................................11710.5 作业执行期间在节点之间交换数据..................................................................... 118xvii图目录10.6 排序和字数统计应用程序的作业执行时间(重叠混洗)。11810.7 排序应用程序的任务(重叠洗牌)。................................................................. 11910.8 Wordcount应用程序的任务(重叠洗牌)。.....................................................12010.9 磁盘持久性对作业执行时间的影响。................................................................. 12110.10RS方案对作业执行时间的影响............................................................................ 12210.11失败对作业执行时间的影响。............................................................................. 12310.12Kmeans应用程序的作业执行时间.......................................................................12610.13主存对作业执行时间的影响。.......
下载后可阅读完整内容,剩余1页未读,立即下载
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![-](https://csdnimg.cn/download_wenku/file_type_column_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- 京瓷TASKalfa系列维修手册:安全与操作指南
- 小波变换在视频压缩中的应用
- Microsoft OfficeXP详解:WordXP、ExcelXP和PowerPointXP
- 雀巢在线媒介投放策划:门户网站与广告效果分析
- 用友NC-V56供应链功能升级详解(84页)
- 计算机病毒与防御策略探索
- 企业网NAT技术实践:2022年部署互联网出口策略
- 软件测试面试必备:概念、原则与常见问题解析
- 2022年Windows IIS服务器内外网配置详解与Serv-U FTP服务器安装
- 中国联通:企业级ICT转型与创新实践
- C#图形图像编程深入解析:GDI+与多媒体应用
- Xilinx AXI Interconnect v2.1用户指南
- DIY编程电缆全攻略:接口类型与自制指南
- 电脑维护与硬盘数据恢复指南
- 计算机网络技术专业剖析:人才培养与改革
- 量化多因子指数增强策略:微观视角的实证分析
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)