逆P-集合

利用P-集合(Packet sets),提出逆P-集合(Inverse packet sets),给出逆P-集合的结构;逆P-集合记作P-1-集合。P-1-集合是P-集合的对偶形式。P-1-集合是由内P-1-集合X珔F(Internal inverse packet set X珔F)与外P-1-集合X珔F珔(Outer inverse packet set X珔F珔)构成的集合对;或者(X珔F,X珔F珔)是P-1-集合;P-1-集合具有动态特征。给出P-1-集合的分离定理与P-1-集合的动态等价类特性,给出P-1-集合在动态信息系统中的应用。     

逆P-集合

利用P-集合（Packet sets）,提出逆P-集合（Inverse packet sets）,给出逆P-集合的结构;逆P-集合记作P-1-集合。P-1-集合是P-集合的对偶形式。P-1-集合是由内P-1-集合X珔F（Internal inverse packet set X珔F）与外P-1-集合X珔F珔（Outer inverse packet set X珔F珔）构成的集合对;或者（X珔F,X珔F珔）是P-1-集合;P-1-集合具有动态特征。给出P-1-集合的分离定理与P-1-集合的动态等价类特性,给出P-1-集合在动态信息系统中的应用。     

内P-信息融合与它的属性合取特征

P-集合是由内P-集合XF珔与外P-集合XF构成的元素集合对,或者(XF珔,XF)是P-集合,P-集合具有动态特征。利用内P-集合给出内P-信息融合生成、内P-信息融合剩余生成与内P-信息融合度量概念,得到内P-信息融合生成定理、依赖定理、还原定理,还给出内P-信息融合的属性合取定理与属性合取扩展定理和属性合取扩展-内P-信息融合发现原理。最后利用这些结果给出应用。     

逆P-等价类的逆P-推理分离-还原

 逆P-集合是把动态特性引入到有限普通集合X内(Cantor set X),改进有限普通集合X被提出的。逆P-集合是由内逆P-集合F与外逆P-集合构成的集合对;或者,(F,)是逆P-集合。逆P-集合具有动态特性。逆P-推理是逆P-集合生成的一个动态推理,它是由内逆P-推理与外逆P-推理共同构成的。利用逆P-集合和逆P-推理, 给出逆P-等价类、内逆P-等价类和外逆P-等价类概念,逆P-等价类与普通等价类的关系,逆P-等价类的逆P-推理分离-还原与分离-还原定理。在静态-动态条件下,普通等价类是逆P-等价类的特例,逆P-等价类是普通等价类的一般形式。     

内 P-信息融合与它的属性合取特征

P-集合是由内P-集合XF珔与外P-集合XF 构成的元素集合对,或者（ XF珔,XF ）是P-集合,P-集合具有动态特征。利用内P-集合给出内P-信息融合生成、内P-信息融合剩余生成与内P-信息融合度量概念,得到内P-信息融合生成定理、依赖定理、还原定理,还给出内P-信息融合的属性合取定理与属性合取扩展定理和属性合取扩展-内P-信息融合发现原理。最后利用这些结果给出应用。     

P-信息的属性合取扩展-收缩特征与P-信息的智能发现

利用P-集合与P-推理,给出P-信息的属性合取扩展-属性合取收缩概念、特征、定理;属性合取扩展-属性合取收缩是P-集合的一个重要应用特性。利用内P-推理与属性合取扩展,给出内P-信息智能发现定理;利用外P-推理与属性合取收缩,给出外P-信息智能发现定理和准则。最后给出具有属性合取扩展特征的内P-信息智能发现在信息辨识中的应用。     

函数逆P-集合与信息规律融合

利用逆P-集合,提出函数逆P-集合。函数逆P-集合是把函数概念引入到逆P-集合内,改进逆P-集合得到的。函数逆P-集合具有动态特征和规律(函数)特征。函数逆P-集合是由函数内逆P-集合S珔F与函数外逆P-集合S珔F珔构成的函数集合对;或者,(S珔F,珔SF珔)是函数逆P-集合。在一定条件下,函数逆P-集合(S珔F,S珔F珔)被还原成有限普通函数集合S。逆P-集合是把动态特征引入到有限普通集合X内(Cantor set X),改进有限普通集合X被提出的。函数逆P-集合具有与函数P-集合相反的动态特征、规律(函数)特征。本文给出函数逆P-集合的结构、还原和它的函数等价类特征。利用数据拆分-合成原理,给出逆P-信息规律融合与它的生成;给出逆P-信息规律融合的属性特征与属性定理。利用这些结果,给出逆P-信息规律融合生成的隐形信息图像与它的应用。函数逆P-集合与函数P-集合是两个独立的、特征不同的新模型。     

外 P-推理信息恢复与属性潜藏特征

利用外P-集合与外P-推理,给出外P-信息恢复概念与外P-信息恢复特征,给出外P-信息恢复的外P-推理生成与它的属性潜藏,给出外P-信息恢复的信息元删除定理和依赖性定理,给出外P-推理信息恢复的属性潜藏定理与潜藏属性发现定理。     

逆P-集合与信息智能融合挖掘-发现

逆P-集合是一个新的动态数学模型, 它是把动态特性引入到有限普通集合X内, 改进有限普通集合X被提出的。逆P-集合是由内逆P-集合F与外逆P-集合构成的元素集合对。或者, (F,)是逆P-集合, 逆P-集合具有动态特性。在一定的条件下, 逆P-集合被还原成有限普通集合。逆P-集合具有P-集合相反的动态特性。逆P-推理是逆P-集合生成的一个动态推理。利用逆P-集合, 逆P-推理, 本文给出信息智能融合生成, 信息智能融合度概念, 给出信息智能融合挖掘-发现与信息智能融合挖掘-发现定理, 给出挖掘-发现准则。最后,利用这些结果给出信息智能融合挖掘-发现的应用。     

信息伪装与真-伪信息筛选

P-集合是由内P-集合XF（internal packet set XF）与外P-集合XF（outer packet set XF）构成的集合对,或者（XF,XF）是P-集合。P-集合具有动态特征。利用内P-集合的结构与动态特征,给出F珔-信息伪装的概念、F珔-信息伪装的结构与特征,给出F珔-信息伪装模与真-伪信息筛选定理和真-伪信息筛选的应用。P-集合生成的F珔-信息伪装是P-集合的重要研究分支之一,是信息系统研究中一个新的研究方向。     

EPON系统注册过程

注册是指新连接的或离线的ONU加入到EPON系统的过程,是EPON系统正常运行的前提.该文首先详细分析了注册过程和产生注册冲突的原因,并比较了两种解决注册冲突的方案.然后对IEEE802.3ahDraft3.0采纳的冲突退避方案进行了仿真,并对注册过程中的两个重要参数———注册窗口的大小和周期进行了讨论,得出了优化值.     

EPON的注册技术分析及冲突解决方案

分析了EPON系统中自动发现与注册过程,以及产生注册冲突的原因,并对解决注册冲突的随机跳窗方案和窗内随机延迟方案进行了比较;对注册过程中的重要参数注册窗口的大小和注册周期的恰当选取进行了分析。     

GMPLS控制面中的邻居发现和拓扑发现机制的改进研究

针对GMPLS控制面中邻居发现和拓扑发现机制的缺陷，尝试从2个方面对其加以改进。一方面，现有 LMP（链路管理协议）实现邻居发现机制时，会出现端口不一致的现象，导致不能绑定链路，通过增加消息使之可以 顺利进行链路绑定，从而减少了链路维护的开销；另一方面，使用OSPF协议进行拓扑发现时，由于现有的LSA（链 路状态公告信息）缺少对LSA更新时间、链路消耗等的支持，造成网络的链路拥塞、带宽利用率不高、节点对故障 敏感性差等问题，通过扩展sub—TLV类型!增加了对LSA更新时间、链路消耗、风险共享和层次属性的规定，从 而可以提高链路利用率，减少网络拥塞。     

GMPLS控制面中的邻居发现和拓扑发现机制的改进研究

针对GMPLS控制面中邻居发现和拓扑发现机制的缺陷,尝试从2个方面对其加以改进。一方面,现有LMP(链路管理协议)实现邻居发现机制时,会出现端口不一致的现象,导致不能绑定链路,通过增加消息使之可以顺利进行链路绑定,从而减少了链路维护的开销;另一方面,使用OSPF协议进行拓扑发现时,由于现有的LSA(链路状态公告信息)缺少对LSA更新时间、链路消耗等的支持,造成网络的链路拥塞、带宽利用率不高、节点对故障敏感性差等问题,通过扩展sub-TLV的类型,增加了对LSA更新时间、链路消耗、风险共享和层次属性的规定,从而可以提高链路利用率,减少网络拥塞。     

服务资源一体化发现原型系统

资源和服务的获取是当前互联网最主要的两种应用,几乎所有的网络活动都需要两者的支持.现有的服务或资源发现系统均是单独存在的,它们很少考虑服务与资源两者之间的关系.为了给用户提供更便利、一体的服务与资源查询处理机制,并能减少服务和资源两套处理系统带来的网络资源浪费,本文充分利用服务与资源两者之间的关系,发掘出两者之间的联系,提出并设计了基于语义的服务资源一体化发现原型系统.实验结果表明,服务资源一体化发现方法与传统的发现方法相比,提高了用户的满意度.     

一种基于SNMP的网络拓扑发现算法

网络拓扑发现是网络管理中一项非常重要的技术;网络拓扑发现的算法和实现技术是衡量网络管理系统性能的一个重要方面,基于 SNMP 的网络拓扑发现技术速度最快,使用范围也最广泛,网络层的拓扑发现算法有效地解决了路由器的多 IP 地址问题;在此研究多层网络拓扑自动发现,提出了一种基于sNMP 协议的全新的网络拓扑发现的实现算法,使得算法更简单、效率更高.     

知识发现系统原型构架的研究

简述了知识发现的处理过程,在此基础上对知识发现系统的原型构架进行了研究并分析了其工作原理,最后探讨了知识发现系统存在的主要问题。     

基于证明分析的机器发现系统的实现与应用

为了实现基于文献（１）的机器发现系统，本文介绍了基于证明分析的机器发现系统的实现技术，并且给出了该系统做出的一些数学再发现例子，从而得一实用的机器发现系统。     

一种改进的知识发现算法及其应用

针对基于留数分析和递归切割的模式发现算法的不足,提出了一种改良的模式发现算法。算法不仅能处理具有特殊分布的样本集,针对不同属性对知识发现的贡献不同而区别对待,同时计及切割产生的子空间数量对模式判别准则的影响。在人造数据集和电力系统安全稳定评估的应用验证了算法的有效性。与原算法相比,知识发现的效率更高、应用范围更广泛。     

基于traceroute的多特征子网发现与分析

互联网测量的研究促进了路由器级拓扑发现的发展，而网络层的子网能为其提供更详细的中间互补视图.针对子网边界条件以及完整性考虑不足引起的准确率较低问题，提出了一种多特征结合子网发现算法.研究了同一子网IP的traceroute路径特征，将多个特征结合设计更精准的子网边界判定条件.通过筛选子网的完整性，缩小候选子网的搜索空间，启发式求解子网发现问题.实验结果表明，本文算法与现有其他算法相比，能更准确地发现子网，有效地减少子网误报情况，同时效率有所提高.最后，对六个地理上分散的ISP进行子网推断，并分析了这些ISP之间常见的各种子网特征.