云计算 软件定制 案例

云控是一款云端跨终端配置管理平台，全面适配某手机厂商旗下手机、电视、平板、汽车等各类智能终端设备，核心面向终端内置各类APP，提供云端配置文件动态更新、下发管控全流程能力，支撑业务无需客户端版本迭代，即可完成功能配置调整、策略灰度上线、参数动态更新，极大提升终端业务迭代效率与运营灵活性。 平台核心覆盖四大核心业务能力，全方位支撑云控业务落地：一是配置云端更新与下发，支持多终端、多APP配置文件的统一管理、远程推送与动态更新，保障终端配置实时生效；二是全维度数据管控，搭建完整的数据管理、数据统计、数据预估体系，支撑业务精准把控配置下发态势；三是大数据实时计算分析，实现配置下发数量预估、下发数据实时统计，解决业务数据无量化、展示不直观的痛点；四是高可用服务支撑，负责平台架构运维、性能优化、成本管控及业务对接，保障平台高并发、低成本稳定运行，同时为各业务方提供日常技术支持与需求对接服务。

栈（Stack）数据结构实现 项目概述 本项目使用C++语言，基于单向链表实现了一个完整的栈数据结构。栈是一种后进先出（LIFO，Last In First Out）的线性表，所有操作仅在栈顶一端进行。本项目将栈的底层实现细节完全封装，对外提供简洁、安全的操作接口。 功能模块与API说明 核心操作（O(1)时间复杂度） · push(int value)：将元素压入栈顶。动态创建新节点，挂接到链表头部，栈顶指针上移，元素个数自增。 · pop()：弹出栈顶元素。保存栈顶节点，栈顶指针指向下一节点，释放原栈顶内存，元素个数自减。若栈为空，输出错误提示。 · top()：返回栈顶元素的值（不删除）。直接读取栈顶节点的数据域。若栈为空，返回-1并输出错误提示。 辅助操作 · isEmpty()：判断栈是否为空。检查栈顶指针是否为nullptr，时间复杂度O(1)。 · size()：返回栈中元素个数。直接返回count成员变量，时间复杂度O(1)。 · clear()：清空栈。循环pop所有节点，释放全部内存，重置栈顶指针和计数器。 资源管理 · 构造函数：初始化栈顶指针为nullptr，计数器归零。 · 析构函数：自动调用clear()释放所有动态分配的内存，确保无内存泄漏。

1.本项目是一个面向加油站场景的智能视频监控系统,核心业务是 油罐车卸油作业的全程自动化监控与合规检测。系统通过海康威视 SDK 拉取摄像头实时视频流,利用 YOLO 目标检测 + YOLOv8-pose 姿态估计进行实时分析,自动完成"油罐车到达 → 静电消除 → 接地线连接 → 消防器材就位 → 卸油中持续监控 → 油罐车离开"的全流程合规检查,并自动录像归档。同时具备通用的事件规则引擎、动作识别、运动检测、音频检测等能力。 2.业务用途: 通用的规则评估与事件触发引擎,基于区域人数/物品统计和时间窗口判断是否触发告警事件。

用 STM32MP257 和 ESP32-S3 搭了一套双芯片系统。M33 负责硬实时采集和控制，A35 跑 Linux 做复杂一点的推理和通信，ESP32-S3 当无线通信模块用和安全模块。数据通过 MQTT 传到 Docker 后端存储和可视化。训练框架 PyTorch，边缘推理引擎 ONNX Runtime，可视化 TensorBoard + Plotly。从硬实时控制芯片到云端训练，再到边缘端异构部署 的全栈式群体智能系统。系统底层采用 STM32MP257（A35+M33+NPU）与 ESP32-S3 双芯异构架构，确保微秒级安全响应与高算力 AI 推理共存；中层通过 EMQX + TimescaleDB + Grafana 实现千万级消息的实时数据中枢与时空可视化；上层接入课题组的多智能体强化学习（MARL）算法库（HetDPS、LazyAgents、MADPS 等），解决异构集群在稀疏奖励、通信受限、责任分散等挑战下的协同决策问题。

1.企业用来构建内部私有云，将现有硬件资源池化，为内部用户提供按需、弹性的计算环境 2.能统一管理 KVM、VMware、XenServer 等多种主流 hypervisor 3.CloudStack 是异构虚拟化的，能统一管理 KVM、VMware、XenServer 等多种主流 hypervisor。它采用 “区域(Zone) -> 集群(Cluster) -> 主机(Host)” 的三层资源模型，将物理资源进行逻辑分组。区域（Zone）通常对应一个数据中心，集群（Cluster）内的主机共享存储，支持虚拟机在线迁移

内容： 项目简介：是一款支持ORACLE、TERADATA、GUASSA、GREENPLUM、NETEZZA、DB2、POSTGRESQL、NETEZZA等数据库的数据迁移到DWS数据库以及对应的脚本语法转换的工具，可以进行大规模、快速的数据仓库、主机、容器、大数据等迁移作业 软件架构：Sprinboot、SpringCloud、mybatis-plus、SSHD、Redis、Zmq、Nacos、Nginx 后端数据库：Gaussdb 我负责的功能模块：部分公共模块，主要负责数据仓库迁移服务 1、迁移工具的许可证License控制允许迁移数据量和SQL脚本转换数量 1、DWS数仓迁移工具的动态数据源框架和工具类 2、源端和目标端的数据连接 3、源端数据库的元数据获取 4、源端->目标端迁移工程创建 5、增量迁移、大表拆分条件控制 6、表结构、视图、索引转换 7、用户、角色、用户权限迁移 8、PG系列库元数据迁移 9、数据内容迁移 10、数据内容增量迁移 11、数据内容大表拆分迁移 12、数据内容迁移后的数据条目数量以及内容校验 13、校验完成后的迁移报告生成及下载 业绩： 国内外银行、通讯公司、政府组织、医疗组织以及各行业的数据仓库、容器、大数据迁移

本扫码点餐小程序面向线下餐饮门店，旨在替代传统纸质菜单、缩减人工点餐成本。依托Java后端与Node.js服务搭建数据交互体系，顾客扫码即可浏览菜品、选餐下单、线上支付；商家后台可实时管理菜品库存、处理订单、统计经营营收，兼顾前端交互流畅度与后端订单并发处理能力，实现餐饮消费全流程数字化闭环。

电信项研发项目，包括CTO绩效系统等，动环节能系统主要调用动环系统的数据库，通过线性绘图得出各大设备耗能情况，结合设备实时耗能情况与历史数据，客观分析节能减排赋能方案。 动环系统已运转多年，其勾连各处机房能源设备的基础能力，极大提升了动力运维人员的工作效率。但亦存在不足之处，在提倡节能减排、促进产业升级的“十四五”时期，维护人员难以直接从动环系统获取可视化的分析图表，往往需要进一步调用数据来寻找可节能的环节。有鉴于此，南海分公司设立相关项目组，进行动环节能系统的研发。其核心能力是实时导出机房与机房间、设备与设备间的耗能关联图，指出能耗漏洞，为从业者提供解决思路。

Python 副业接单自动化系统 模块1：订单监控 - 每小时抓取猪八戒网公开的 Python/办公自动化/Excel 新单 - 过滤预算 300–2000 元、低难度 - 保存到 Excel + 控制台提醒 模块2：需求分析与报价 - 输入：客户需求文本 - 输出：难度、工时、报价、能否做、交付清单、沟通话术 模块3：成品模板匹配 - 内置 3 个模板：Excel 合并、静态爬虫、自动发邮件 - 需求匹配后自动推荐对应模板，标注“现成工具，快速交付” 模块4：交付打包 - 自动整理代码 + 使用说明.txt + 演示步骤 - 输出可直接发给客户的压缩包文件列表

文件批量重命名工具 按规则批量重命名文件，支持前缀后缀、序号命名、文本替换、正则替换、按日期命名。 适用场景 照片整理：旅游照片按拍摄日期重命名 资料归档：发票扫描件统一加编号前缀 文件规范化：批量去除文件名中的广告词

✨ 功能特点 📱 移动端优化界面 响应式设计，适配各种手机屏幕 简洁的卡片式布局 流畅的触摸操作 🖼️ 商品展示 网格布局展示商品图片 清晰显示商品名称 分类筛选功能 🗂️ 分类管理 预置分类：运动鞋、休闲鞋、皮鞋、凉鞋、拖鞋 快速切换分类 支持关键词搜索 ➕ 添加/删除 添加新产品 上传商品图片 点击即可删除

项目简述：方向内包括 BCH\BCD\HME\MKT\DNS\CAS 等产品，满足用户和代理商建设网站服务器、域名等需求。MKT云市场，云产品 B2B、B2C 交易平台。 Baidu Cloud Hosting，在BCC集群基于Docker提供PHP Web环境云服务器、实现站点管理。 BCD，百度的域名产品，售卖第三方域名服务商的域名，赚差价。

某运营商云手机产品，云手机并非实体手机，而是在云端虚拟出来的一台完整安卓手机通过远程连接的方式来操作，同时指令上行和音视频下行。可以通过这样的方式，在自己的真实手机上远程操作、使用性能更强的虚拟设备。特点是突破硬件限制、释放本地资源、安全与隔离

本项目旨在构建一个智能化的图书阅读平台，通过结合传统的协同过滤算法与前沿的大语言模型技术，解决用户在海量书籍中难以发现感兴趣内容的痛点。 核心业务：为读者提供个性化的书籍发现服务，同时为图书管理者提供可视化的数据管理后台。 智能推荐：不仅基于用户的浏览历史和评分进行基础推荐，更创新性地引入大模型，对书籍内容进行深度语义分析，理解用户的潜在阅读偏好。 多端支持：前端提供响应式网站与安卓APP，后端提供统一的RESTful API接口，支持跨平台数据同步。

1、立项背景和目标 在金属表面缺陷检测（如裂纹、划痕、麻点）的实际生产线上，受光照变化、纹理背景干扰等因素影响，预训练的目标检测器即使架构先进，推理时的置信度阈值若不匹配现场环境，也容易产生大量漏检或误报。传统方法往往需要重新训练模型或增加后处理模块，导致计算开销上升。本项目的目标是：在不改变YOLOv8n网络权重、不增加任何浮点运算量（零FLOPs）的前提下，仅通过推理时阈值的系统化校准，显著提升检测器的稳定性和F1-score，为工业部署提供一种“零成本”的性能优化方案。 2、软件功能、核心功能模块的介绍 数据集统一与清洗：融合NEU-DET与GC10-DET两个公开金属表面缺陷数据集，统一为17类缺陷（剔除单例标签），划分训练/验证/测试集。 基线YOLOv8n检测器：采用Ultralytics YOLOv8n作为基础模型，在合并数据集上进行微调，支持实时缺陷定位与分类。 固定阈值校准模块：在验证集上对置信度阈值（0.1~0.9步长0.01）进行网格搜索，以最大化F1-score为目标，选出最优阈值。该模块不修改模型结构，推理时仅替换阈值参数，实现零FLOPs提升。 质量感知自适应阈值（可选控制）：基于图像亮度、对比度、清晰度、噪声估计计算单张图像质量分Q，动态调整阈值适用于光照变化剧烈的场景。 类别依赖的双风险阈值（可选控制）：根据每个类别的经验假阳性率与假阴性率，进行类别级别的阈值微调，可在误报敏感的生产线上进一步降低虚警。 消融对比模块：实现P2特征增强分支的YOLOv8n-P2变体，以及CLAHE预处理变体，用于验证“增加复杂度是否一定带来性能提升”。 3、业务流程、功能路径描述 用户输入金属表面灰度/彩色图像 → 调用已微调的YOLOv8n模型进行推理 → 系统读取校准后的最优阈值（或自适应阈值）对检测框进行过滤 → 输出缺陷类别、置信度、边界框坐标 → 可视化叠加于原图上。整个流程相比原始YOLOv8n仅改变一个阈值参数，推理速度完全不变，内存占用不变，无缝集成到现有产线质检系统中。

无人机/机器人、安防监控/消防 1、立项背景和目标 在无人机安防巡检、火灾监测等热成像应用中，传感器由于物理限制常产生随机的脉冲状亮斑或条纹（impulse-like artifacts）。传统中值滤波或深度学习去噪方法要么会破坏真实的高温边沿，要么需要GPU算力，无法在边缘设备上实时运行。本项目的目标是开发一个无需训练、仅依赖CPU的轻量级图像预处理算法，能够在不模糊目标轮廓的前提下，自适应地抑制脉冲噪声，特别保留火灾、车辆发动机等高温区域的结构完整性，提升下游视觉任务的可靠性。 2、软件功能、核心功能模块的介绍 局部不确定性估计：基于局部均值与方差计算每个像素的归一化偏差，区分噪声与真实热信号。 连续置信度映射：使用Sigmoid函数将偏差转换为0~1之间的抑制权重，避免硬阈值导致的不稳定。 结构张量保护模块：通过计算像素邻域的结构相干性（coherence），自动识别边缘/角点等需要保护的区域，大幅减少边界模糊。 全局安全限幅：根据图像整体的98%分位数动态限制最大抑制强度，防止在高温区域过度平滑。 软混合输出：将原始像素与中值滤波结果按风险权重融合，输出噪声抑制后且边缘锐利的热红外图像。 3、业务流程、功能路径描述 用户输入一张热红外图像（单通道，uint16或float32） → 算法自动计算局部均值/方差 → 生成偏差图与置信度 → 并行计算结构张量获得相干性图 → 结合全局安全因子得到最终抑制强度 → 将原图与中值图按像素级权重融合 → 输出处理后图像。整个过程单帧耗时约70~200ms（640×480~1280×1024），可直接集成到无人机飞控或热像仪嵌入式系统中。

全栈爬虫技术能力 静态页面：requests + BeautifulSoup / lxml，高效抓取标准 HTML。 动态渲染：Selenium / Playwright / Puppeteer 模拟真实浏览器，处理 JavaScript 异步加载的页面。 API 逆向：通过抓包分析（Fiddler/Charles），直接调用 XHR 接口获取 JSON 数据，性能极佳。 登录态维持：Cookie 持久化、模拟表单登录、扫码登录、OAuth2.0 授权。

本项目构建了一个跨语言异构分布式计算平台，核心目标是在单一系统中整合多种编程语言的优势，实现高性能计算任务的统一调度与执行。系统采用经典的分层架构设计：Java Swing 客户端作为用户交互入口，通过 HTTP REST API 与 Python Flask 调度服务器通信；Python 层负责任务解析、负载均衡和结果汇总，并通过子进程调用 C++ 计算引擎执行实际运算；C++ 引擎实现了快速排序、归并排序、堆排序、矩阵乘法/求逆/行列式、统计分析、埃拉托色尼筛法素数计算等算法；C 语言通信库提供跨平台的 Socket 通信和共享内存 IPC 机制，支持进程间高效数据传输。

面向长上下文/序列建模评估，构建一个受控 lag-kernel 任务 benchmark，用于分析不同序列模型在不同依赖结构下的偏好区域。项目包含任务生成、模型训练、结果汇总、可视化分析、鲁棒性检查和论文投稿流程，目标是证明 aggregate score 会掩盖模型在不同 task neighborhood 上的结构化差异。目前ICML26CTB在投

本项目是一款基于云计算技术开发的微信小程序，旨在为用户提供轻量化、便捷的在线服务。立项背景为解决传统应用开发成本高、部署周期长、维护难度大等问题，目标是借助云平台的弹性计算、对象存储等能力，实现快速上线、按需扩容、降低运维成本的应用服务。 小程序核心功能包括用户管理模块、数据存储与查询模块、在线交互模块三大模块：用户管理模块负责用户的注册、登录与权限校验；数据存储模块利用云数据库实现数据的安全存储与高效读写；在线交互模块提供用户与服务端的实时通信能力。 业务流程为：用户通过微信授权登录小程序，提交服务请求，请求通过云函数转发至后端服务，云服务根据请求类型调用对应的计算与存储资源，处理完成后将结果返回给用户，实现端到端的轻量化服务闭环。