当前位置：文档库 › 计算机应用能力实训

计算机应用能力实训

计算机应用能力实训课程设计

班级：

姓名：

学号：

指导教师：

设计时间：

摘要 (1)

1．实训目的 (1)

2．实训任务 (1)

2.1计算机应用能力实训—Word (1)

2.2计算机应用能力实训—Excel (1)

2.3计算机应用能力实训—PowerPoint (2)

3．实训的内容 (2)

3.1. 计算机应用能力实训—Word (2)

3.1.1基于重尾分布和ON/OFF模型的业务生成法 (2)

3.1.2自相似复用流的短期突发性 (4)

3.1.3 自相似业务流的交织特性 (6)

3.1.4单服务器系统模型 (7)

3.2. 计算机应用能力实训—Excel (8)

3.2.1对全班的总成绩进行排名 (8)

3.2.2 给出某三门课程的前十名，后十名的学生的代号和成绩 (9)

3.2.3各段成绩相应人数的柱状图 (10)

3.2.4 物理考试成绩与物理试验考试成绩之间的关系 (10)

3.3. 计算机应用能力实训—PowerPoint (11)

4. 实训心得体会 (12)

参考文献 (13)

摘要

这次的计算机应用能力实训，是为了解和认识Word、Excel、PowerPoint的基本功能并掌握其功能。在实训过程中，应该结合自己在书上学到的知识，在实践中仔细的实现其基本功能，通过实训作业掌握上述软件基本操作，并能最终实现自如运用上述这些软件的目标。

1．实训目的

熟悉Microsoft office 办公软件，通过此次实训对Word, Excel以及PowerPoint 的常用功能达到熟练掌握的目的。

2．实训任务

2.1计算机应用能力实训—Word

根据指定的内容，在Microsoft Word 上按要求编辑排版。所选定内容必须包括以下项目：

（1）文字;

（２）图形;

（３）表格;

（４）数学公式等。

2.2计算机应用能力实训—Excel

对给定的某班一次期末考试成绩数据文件，要求

（１）对全班的总成绩进行排名；

（２）给出某三门课程的前十名，后十名的学生的代号和成绩，且给出该三

门课程的全班平均成绩；

（３）对该三门课程成绩在同一图中分段给出各段成绩相应人数的柱状图；

（４）考察物理考试成绩与物理试验考试成绩之间的关系：横轴为物理考试成绩的分数段，纵轴为对应的每段上相应学生的物理实验平均成绩。

上述的“段”定义为：20-25-30-35-…-95-100，采用“二舍三进”的原则，例如：51应该为段“50”上的成绩，53应该为段“55”上的成绩。..

2.3计算机应用能力实训—PowerPoint

对上述Word，Excel所做的内容表现成幻灯片(ppt)的格式。要求美观，色彩搭配合理，字体及字号恰当，适当动画等。

3．实训的内容

3.1. 计算机应用能力实训—Word

3.1.1基于重尾分布和ON/OFF模型的业务生成法

重尾分布和ON/OFF模型能比较好地解释自相似业务流的产生原因，可以把网络上的业务分解为多个活动(active)主机对之间的业务流，称之为源一目的对(source-destination pairs)。ON/OFF模型假设数源在发送数据和不发送数据的两种状态之间交替更迭，发送数据期间称为ON期间，不发送数据期间称为OFF期间，在ON期间数据源以固定速率发送数据，也可以把这个过程称为交替更新(alterna- ting renewal process)。一般地，认为连续的ON期间和OFF期间都是独立同分布(independent and identically distributed)，它们之间的分布也是互不相关的，这样要描述ON/OFF数据源的随机元素(stochasticelement)只需要控制ON和OFF期间长度的分布就足够了。ON和OFF期间长度分布的方差既可以是有限的(例如:指数分布)也可以无限的(例如:重尾分布)。

重尾分布可以用来描述诸如分组到达间隔时间和突发长度等业务量过程的概率密度。随机变量X的分布称为重尾分布，如果

()1

a a k f x k x +??

= ?

当x →∞，0≤a （1-1）

一般来说，具有重尾分布的随机变量具有较大甚至是无穷大的方差。服从重尾分布的随机变量的特点是:大量的小抽样取值和少量的大抽样取值并存，而且对抽样的均值和方差起决定作用的是那些少量的大抽样取值，可见这些少量的大抽样取值是不可忽略的。最简单的重尾分布是具有参数k 和a( k,a <0)的Paret 。分布，其密度和分布函数如下:

()()0f x F x == ()x k ≤ （1-2）

()1

a a k f x k x +??

= ?

()1a

k F x x ??

=- ???

(x ≥k; >)0a ? （1-3）

其均值为：()1

a E x a =+k ()1a ? （1-4）

参数k 确定这一随机变量可以取得最小值。参数a 确定这一随机变量的均值和方差:如果a ≤2,则这一分布具有无穷大的方差，而如果a ≤l,它就具有无穷大的均值和方差。

可以这样直观地理解重尾分布:用x 表示一个数据源以恒定速率发送数据的持续时间(或者文件的长度)，即ON 期间的长度，那么这个持续时间理论上是可以无穷大的，由于数据源发送数据总是以一个最小单位发送，例如packet,cell 等，所以这个持续时间就会有一个下界k(一个单位的发送时间)。重尾分布使得持续时间都是以短时间为主要成分，但是对统计特性起决定作用的是那些长时间成分，在这一点上与指数分布有很大的不同。

如图1.5所示，对Paret 和指数密度函数在对数一线性坐标尺度上进行了比较。主要在这一尺度上指数密度函数是一条直线，反映了这一分布的指数衰减特性。Paret 分布的尾部则比指数分布的尾部衰减缓慢得多，这也是“重尾”两字的意义所在，有的资料也称为“拖尾”分布。

图1-5 Paret 分布与指数分布的概率密度函数 Fig.1-5 The probability density function of Pareto distribution and exponential distribution

基于重尾分布和ON/OFF 模型的业务生成法主要有流叠加法和M/G/∞。排队系统。流叠加法是指对n 个交替更新过程R(t)进行复接，当R( t)的ON , OFF 时间分布为“重尾”分布(如Paret 分布)，且二趋于无穷时，以S(n)表示于t 时处于ON 状态的R(t)数，则S(n)是一渐近自相似过程[1]。还可考察一个M/G /∞。排队模型，其到达服从泊松分布，服务时间为具有无穷方差的“重尾”分布,当n 趋于无穷时，t 时刻系统中等待服务的顾客个数Xt 为近似自相似分布的。

以重尾分布的更新过程叠加或者以重尾分布的服务时间的排队模型来产生的自相似序列，这两种方法具有很强的物理含义，但存在精度与运算量间的矛盾，即当要求精度高时，则n 必须很大，使得运算量加大，实际使用时需要在精度和运算量之间折衷处理。此外，这两种方法还存在无法有效控制Hurst 系数的缺点。 3.1.2自相似复用流的短期突发性

用自相似业务生成器SST_G enerator(m,a,H)分别合成自相似业务流A1-A5,输入参数见表1-6，然后按相同的m,a 参数分别合成H=0.5 的非自相似业务流Bl-B 5，见表1-7。表中的V ar 代表对应序列的均方差，最后一行A_agg 和B_agg ，分别表示A1-A5以及B1-B5的复用流。

100

10-4

10-3

10-2 10-1 100 10-5

第四章中可知，Var=Var大致相等。5.1.1节中已讨论了业务流的合成过程中方差大小对复用后业务流的H参数重要性，业务流的方

差越大(m、a的乘积越大)，将对合成的自相似特性贡献越大。表1-6中A1流的方

差最大，因此复用流走A-agg的自相似程度与A1的自相似程度最接近，这一结果

与前面的讨论相符。

表1-6 复用流的短期突发性〔有自相似性)

Tables-6 The short-range Burst of the aggregated Traffic

(with Self-Similarity)

H m A V ar

A1 0.77 3000 100 571

A2 0.93 1000 60 285

A3 0.84 500 20 109

A4 0.68 300 5 38

A5 0.72 2000 60 350

A_agg 0.80 6857 - 1333

值得关注的是A_agg和B_agg的Var二分别为1333和737，由5个均值和方差都

相等的流复用后导致差异如此大的结果，而且方差大的业务流说明业务的短时突

发性强。这一结果充分说明了具有自相似性的业务流其复用业务的短期突发性将

更突出而不是减少，我们不可能通过业务流复用将它们平滑掉，这点在网络设计

中必须重视

表1-7 复用流的短期突发性(无自相似性)

Tables-7 The short-range Burst of the aggregated Traffic

(without Self-Similarity)

H m A V ar

B1 0.5 3000 100 570 B2 0.5 1000 60 286 B3 0.5 500 20 109 B4 0.5 300 5 38 B5 0.5 2000 60 350 B_agg 0.5051 6857 - 737

值得关注的是A_agg和B_agg的Var二分别为1333和737，由5个均值和方差都

相等的流复用后导致差异如此大的结果，而且方差大的业务流说明业务的短时突

发性强。这一结果充分说明了具有自相似性的业务流其复用业务的短期突发性将

更突出而不是减少，我们不可能通过业务流复用将它们平滑掉，这点在网络设计

中必须重视。

3.1.3 自相似业务流的交织特性

为了研究业务流量之间的相关性对网络性能的影响，可以对合成的(或实际网络上获得的)业务流进行处理，去掉它们之间的相关性，再对它们进行仿真，让得到的结果与原来业务流的结果对比，就能定量地测出相关性对网络性能的影响[2]用生成器合成没有相关性的业务流有两种方法，第一就是直接向业务流生成器输入H=0.5那么得到的就是一个近似无相关性的业务流，但是前面已经提到，用RMD 算法生成的自相似业务在H<0.75 时偏大;第二就是把生成器得到的业务流进行

打乱(shuffle)，即随机地排列X(n)的先后次序，这样能消除业务流之间的相关性，这样的打乱算法(在文献[30]中有相关的讨论)可以看作是一种交织算法。

打乱算法大致有两种,一种是外部打乱算法(external shuffle),另一种是内部

打乱算法(internal shuffle)。我们将数据序列划分成大小等于M的子数据块(block)，即如果序列时间长度为T,则一共有T/M个子数据块。如果将数据块的先后顺序随机打乱，同时保持块内的数据顺序不变，即为“外部打乱”(external shuffle),假如M在10~100之间，能保留数据的短期相关性同时削弱其长期相关性;如果仅将每个数据块内的数据随机化打乱而保持数据块间的相对顺序不变，即为“内部打乱”(internal shuffle)，内部打乱可以破坏序列的短期相关性同时保留其长期相关性。显然，在外部打乱的情况下，太大的M对数据序列的影响不明显，因为大型子数据块间的相关性本来就非常微弱。同样，在内部打乱的情况下，因为业务量密度更倾向于在短时间间隔内相关，而且它不会因为局部的到达时间的变化而改变，所以过小的M对数据序列的影响也是不明显的。M的数值对两种打乱算法的影响可以参看表1-6和表1-7。原始序列的参数为H=0.986,T=16384，子数据块大小M在对数坐标系[1~16384]上取均匀分布的15个点，分别进行外部打乱和内部打乱，得到的结果如表1-6和表1-7。

在表1-6中，当M值比较小的时候，可以充分破坏数据序列的长期相关性，而M比较大时对数据序列的影响不明显。对内部打乱，在表1-7中，当M值比较小的时候对数据序列的影响不明显，而M比较大时可以大大破坏数据序列的差都相等的流复用后导致差异如此大的结果，而且方差大的业务流说明业务的短时突发性强。这一结果充分说明了具有自相似性的业务流其复用业务的短期突发性将更突出而不是减少，我们不可能通过业务流复用将它们平滑掉，这点在网络设计中必

须重视。

3.1.4单服务器系统模型

在图2-1中显示了最简单的排队系统模型框图。这是一个单服务器系统，中心元素是一个服务机构，它负责为到来的顾客提供某种服务。从某种顾客总体中来到的顾客到达这个系统要求服务。若服务器是空闲的，顾客就立即得到服务。否则到达的顾客就加入队列排队等候。当服务器服务完一个顾客时这个顾客就离开系统。如果队列上还有顾客，那么立即根据协商好的排队规则(如FIFO等)选择相应的顾客进入服务器进行处理。在网络业务模型研究中，到达的顾客示例可以包括到达路由器的分组或数据包，以及到达电话交换机的呼叫;服务器可以视为交换机或路由器等网络设备。

在图2-1中还给出了一些排队模型的重要参数，符号说明如下:

λ——顾客的平均到达速率(每秒到达的顾客数);

T w——顾客需要等待的平均时间:

T s——服务器的平均服务时间;

T r——顾客在系统中的平均滞留时间，T r=T w十T s;

μ——服务器的单位时间的平均服务率，μ=1/T;

W——系统中平均等待顾客数;

S——在服务中的顾客数;

R——系统中的平均顾客数，包括正在被服务的和等待的顾客，即r=w+s; ρ——服务器的利用率，是服务器忙碌的时间比例;

A j——第j个顾客的到达时刻;

D i——第i个顾客的服务结束并离开系统的时刻;

T Rj——第j个顾客在系统中花费的时间，T Rj=D j-A j;

T Sj——第j个顾客的实际服务时间。

顾客以某个平均速率λ到达系统。在任何一个给定的时刻，一定数量的顾客(零或多个)将在队列中等待:平均等待顾客数是w，而一个顾客需要等待的平均时间是T w,T r ,是对于所有到来的顾客取得的平均值，这包括那些根本没有排队的顾客。服务器以平均服务时间T s的速率处理到来的顾客，这段时间就是一个顾客进入服务器与该顾客从服务器处离开之间的时间间隔。利用率ρ是在某一段时间上测量到的。最后，有两个参数适用于整个系统。系统中的平均顾客数T和平均滞留时

间T r (mean residence time )。

图 2-1 单服务器排队模型的结构框图

Fig.2-1 The Structure Diagram of Single-Server Queue Model

3.2. 计算机应用能力实训—Excel

3.2.1对全班的总成绩进行排名如下表3.1所示

W=等待的顾客 T W =等待的时间

S=服务中的顾客 T S =服务时间 ρ=利用率

T r =滞留时间

表3.1 全班的总成绩排名

3.2.2 给出某三门课程的前十名，后十名的学生的代号和成绩

如下表3.2所示

表3.2 全班某三门课程的前十名，后十名的学生的代号和成绩