一种不定时延与数据包丢失的统一建模方法

研究更接近于实际情况的不确定性时滞丢包模型,人为设置数据包不确定迟延转化固定迟延的时间标准,而不是以数据包最坏情况的迟延为标准。数据包迟延超过固定迟延的时间标准即认为数据包“丢失”,也包括了数据包确实丢失的情形,从而把时延和数据包丢失建模统一起来,并且利用迟到的数据对“丢失”的数据进行预估补偿,而不是丢弃不用。仿真结果表明所提到的方法是有效的。     

基于WinPcap的网络监听系统设计与实现

网络监听系统能对网络上的所有数据进行捕获,一方面对数据包进行分析,查找网络中潜在的危险,对网络故障精确定位,帮助管理员解决网络的故障和性能问题;另一方面它又是黑客窃听网络的工具,黑客利用数据包中携带的数据直接或间接获取的机密信息.所以实现网络监听技术具有重要的现实和理论意义.     

基于局域网的IP数据监控软件的设计与实现

分析了网络监听、局域网监听、数据包拦截和软件包捕获技术的原理,设计了一种基于局域网的IP数据监控软件。利用该监控软件可以对网络状态进行监视,对网络上传输的信息和数据流动情况实时检测,通过对数据包和软件包捕获对当前数据包进行分析和显示,从而达到网络安全监控的目的。     

用VB开发SERVER扫描程序

在中小企业网络信息系统的任何一台工作站上后台运行扫描程序.扫描程序跟踪指定网络工作站,并更新网络工作站数据保持数据一致,实现共享数据.本文以资费系统为例,用VB开发SERVER扫描程序SCAN.     

路径容量测量中包对行为的特性分析

在理论分析和实验数据的基础上深入研究了基于包对技术的端到端路径容量测量中背景流量、数据包异常和时钟精度等因素对测量结果的影响,并利用模拟和测量的方法对包对的行为特征进行了定量分析.为了克服上述因素的影响,制定和实现了基于数据包四元组的优化策略,从而提高了路径容量测量结果的准确性和稳定性.     

基于蚁群算法的无线多媒体传感器网络路由研究

通过对蚁群算法(ACO)的研究,设计了一种适合无线多媒体传感器网络的路由协议.该算法模拟自然界蚂蚁群体在寻找路径的方式,在节点发送数据包时,以该路径之前发送数据包的频率以及通过该路径的代价为参数,计算选择该节点为下一跳的转发概率.仿真结果表明,采用该算法时,节点的平均寿命要比采用传统的定向投递算法时的节点寿命高20%,数据包成功发送速度也远远高于传统算法.     

基于WinPcap的实时网络监测系统

实现了一个基于WinPcap的实时网络流量监测系统,完成了数据包级和流级的流量指标,包括2~7层协议分布,不同协议的流量速率,包大小分布,不同聚集程度的流分布,前N名的IP主机和主机对分布等;并提供网络运行状态的告警指标.实验结果表明,对于100 M以太网,基于WinPcap的软件捕获流量监测程序的处理上限为60 000 packet/s,完全可以胜任100 M以太网监测需求.     

物联网中时间驱动的ICN缓存机制研究

在物联网架构设计中采用信息中心网络(information centric networking,ICN)的思想将非常有利于提高信息与数据的传输效率,但现有的ICN缓存机制难以满足物联网用户对信息准确度的要求,尤其是在时间维度上的严格要求.针对这一问题,利用ICN基于内容名命名的方式和内置缓存的特性,提出了一种新的能应用于物联网的时间驱动的普适性缓存方案,创新地在兴趣包和数据包中添加用于精确匹配的时间戳字段.研究了一种时间匹配算法,目的是向消费者返回满足时间容忍阈值的内容,依据内容流行度和时间请求概率,对到达节点的数据包做出缓存决策,通过仿真验证所提方案的有效性.与用户驱动的信息新鲜度机制相比,时间驱动的普适性缓存方案有效地提高了缓存命中率和信息获取的准确率.     

Python批量解析UDP数据包在流媒体中的应用

流媒体应用过程中,网络原因或者服务器缺陷会造成播放启动慢或者画面停顿,甚至出现花屏现象.针对目前使用Wire Shark工具解析数据包截取文件速度慢等缺点,设计了基于Python批量解析UDP数据包的脚本程序,能快速、有效的方式确定流媒体是否有丢包和码率是否平稳,从而快速发现视频异常现象.实践证明,分析100、200、400、600、800 M和1 G的数据包所需时间相比Wireshark软件分别提高49倍、52倍、59倍、85倍和135倍,并且随着数据包的增大,分析时间结果越明显,还可实现批量处理数据包截取文件,用法简单.     

智能网络模块构建交换机新工作机理研究

传统的智能型网络交换机通过对单个数据包的分析进行数据转发及相关处理,在高带宽大数据应用时容易形成数据瓶颈,且硬件解决成本很高,为此,提出开发一款智能网络处理模块,用于交换机端口.该模块对网络端口通过的数据进行镜像取样,对取样的数据组进行分析,然后决定对不同类型数据包的处理,可对数据进行无扰性分析,同时降低了网络核心处理器负载.通过分析证明:基于网络应用的策略优于基于数据包的策略;基于端口的数据处理优于基于核心处理器集中处理的性能.这项技术如果成功地应用到网络设备中,将大幅度地提升网络的安全性和降低控制成本,是网络设备研制的一个新方向.     

基于E-LINK网络数据传输技术的远程机器人通信系统

介绍了由上位机、E-LINK网络数据传输器、机器人组成的远程机器人实时通信系统.以E-LINK网络数据传输器与机器人的双向通信为重点,介绍了应用VC++软件程序,使得控制指令从上位机通过局域网络下传到E-LINK网络数据传输器,再通过RS232下传到机器人的过程,实现了机器人前行、后退、避障、左转、右转、停止、视频监视等各种控制.     

基于SunSPOT无线传感器网络的水轮机组机械振动监测系统的研究

利用SunSPOT无线传感器网络硬软件平台开发了一套水轮机组机械振动监测系统。该系统能够对水轮机组转动部件的振动信息进行实时的采集、传输和存储。水电厂的控制中心对这些数据进行分析、处理并且作出判断决策,以确保水轮机组安全运行和适时检修,降低事故的发生概率。讨论了SunSPOT无线传感器网络硬件结构,6LoWPAN无线通信协议,基于Java语言的NetBeans软件开发平台以及SPOTWORLD虚拟机。介绍了终端节点的数据采集和传输,基站的数据接收和储存所用到的接口和类的代码。     

基于流中前 5 个包的在线流量分类特征

针对在线流量分类所面临的特征计算复杂和分类性能不稳定问题,利用流开始的前 5 个数据包（排除三次握手数据包）,计算数据包大小、负载大小和到达间隔时间等网络流量的统计特征,通过分析 3 种机器学习算法（C4. 5、BayesNet 和NBTree）分类的结果,研究可用于在线流量分类的特征以及这些特征应该满足的条件。实验结果表明,所提特征计算简单,能快速有效地区分不同的流量,对于不同的机器学习算法,均取得了较高的分类准确率（92%以上）,适用于在线流量分类。     

基于改进堆叠式循环神经网络的轴承故障诊断

提出基于改进堆叠式循环神经网络的轴承故障诊断模型.利用深层网络极强的非线性拟合能力以及循环神经网络特有的沿时间通道传播的特点,通过门控循环单元解决堆叠式循环神经网络梯度消失的问题,实现对轴承健康状况的分类识别.利用美国凯斯西储大学轴承数据集进行了轴承故障诊断试验,同时将支持向量机、粒子群优化的支持向量机、人工神经网络、卷积神经网络AlexNet以及循环神经网络作为对比以检验所提模型的分类性能.结果表明,提出的模型能够对轴承故障进行有效诊断,并且具有一定的可靠性与泛化能力.     

基于肘关节表面肌电信号的负载识别

针对大多数肌电信号只进行特定肢体动作识别而没有对肢体进行外加负载识别的问题,提出一种基于表面肌电信号(surface electromyography, s EMG)的负载识别方法。首先,采用4通道表面电极采集肘关节在不同负载下的s EMG信号;然后,利用时域、频域特征提取方法对s EMG信号进行特征提取构成特征向量;最后,利用支持向量机(support vector maching, SVM)、BP神经网络和RBF神经网络对特征向量进行分类识别。结果表明以时域特征值识别,SVM的识别效果最佳,准确率为96.2%;以频域特征值识别,BP神经网络的识别效果最佳,准确率为87.5%;以时、频域组合特征值识别,RBF神经网络的识别效果最佳,准确率为90.4%。可见通过s EMG信号进行负载识别具有一定的可行性,为s EMG信号的广泛应用奠定基础。     

基于代理的主动型网络取证系统

针对数字证据特点和网络取证要求，设计实现了一种基于代理的主动型网络取证系统。该系统从入侵检测系统和主机系统等多数据源主动收集数字证据，通过完整性算法保证数字证据传输和存贮过程中的完整性。取证分析时，系统根据网络攻击各阶段时间与空间相关性，数据流时间与空间特征融合，数据流与数据包特征融合等多种技术手段实现多阶段网络攻击过程分析和攻击源定位。使用及鉴定结果表明，系统能够满足网络取证要求，能够正确有效地实现网络取证的各项功能。     

基于神经网络的智能DSS研究

决策支持系统(DSS)是综合利用大量数据、有机组合众多模型、通过人机交互、辅助各级决策者实现科学决策的系统。神经网络是由大量类似于神经元的处理单元相互连接而成的非线性复杂网络系统。它的应用涉及到模式识别、自动控制、优化计算和联想记忆、军事应用以及决策支持系统,特别是神经网络和决策支持系统结合可以实现推理系统的自适应并行联想推理及数据开采的自动化。将专家系统引入神经网络智能决策支持系统中是DSS未来的发展方向。     

指数趋势预测的BP-LSTM模型

本文根据股指、股价等数据的时序特征将人工神经网络(ANN)与深度学习中的循环神经网络(RNN)引入股指预测,基于BP神经网络模型与长短期记忆(LSTM)神经网络模型构建了BP-LSTM模型.基于上证指数,本文进行了进行数值实验.结果表明BP-LSTM预测模型的准确率相比传统机器学习模型有明显提升,与普通LSTM模型相比也有较大提升.     

A classifier based on rough set and relevance vector machine for disease diagnosis

A new intelligent method for disease diagnosis based on rough set theory (RST) and the relevance vector machine (RVM) for classification is presented as the rough relevance vector machine (RRVM). The RRVM mixes rough set’s strong rule extraction ability with the excellent classification ability of the relevance vector machine through preprocessing initial information, reducing data, and training the relevance vector machine. Compared with traditional intelligence methods such as neural network (NN), support vector machine (SVM), and relevance vector machine (RVM), this method manages to identify disease samples objectively and effectively with less transcendental information. Biography: LI Dingfang (1965–), male, Professor, Ph. D., research direction: computational learning theory, computing in science and engineering.     

云环境中大数据挖掘的有效花费研究

为平衡云计算资源的租用量与云环境中数据挖掘的计算结果准确率,得到最优的性价比,以监督式学习的卷积神经网络(CNN)为例,探究了CNN迭代次数与准确率的演化规律。选择经典图像数据集MNIST和文本数据集IMDB作为代表展开实验,发现在不同类型的数据集中,当CNN迭代接近最优解时,每提高很小的准确率,耗费的机时陡增,称之为长尾现象。验证在真实云环境中,当大数据挖掘的长尾现象发生且满足企业准确率需求的情况下,选择提前结束取代最高精度时结束,均可以节省大量云资源成本。研究结果对于合理运用云计算资源,降低云服务租用成本,具有实用价值与现实意义。