基于集成学习的P2P流量识别模型

将DTNB、OneR和BP神经网络算法集成用于P2P流量识别,构建了基于该集成学习算法的P2P流量识别模型。利用网络流量特征和机器学习中生成规则的集成分类算法将网络流量分为P2P流量和非P2P流量。所建立的P2P流量识别模型分为网络流量特征的获取、P2P流量特征选取以及建立流量分类模型三个步骤。采用十折交叉验证与测试集相结合的方法CTFCVWTS(combining T-fold cross validation with testing set)评估模型的合理性和提出方法的有效性。实验得出流量分类准确率平均为97.27%。结果表明,该模型具有较高的P2P流量识别准确率。     

DHT的分层结构多出口选择问题研究

为了提高系统可靠性和查询效率,提出了具有多管理节点(出口节点)的DHT分层模型,并给出了3种查询算法:最短路径选择算法、基于热土豆模型的最小化组内流量算法和出口节点负载均衡选择算法。通过仿真实验对3种算法在查询效率、流量分析和负载均衡3个维度进行了分析比较,基于热土豆模型的最小化组内流量算法具有最高的查询效率,但是负载均衡性能最差,出口节点负载均衡选择算法具有最好的负载平衡性,但查询效率最低,最短路径算法性能则介于上述两种算法之间。同时对传统分层结构所采用的随机查询算法与基于热土豆模型的最小化组内流量和最短路径查询算法进行了性能对比。     

基于参数变化粒子群算法的MAF传感器建模

在用Hammerstein模型描述热膜式空气质量流量(MAF)传感器时,应用多项式回归分析建立其静态非线性环节的模型,应用参数线性变化的粒子群优化(PSO)算法建立其动态线性环节的模型.文章给出PSO算法的适应度函数及算法流程,并说明了参数设置的方法.研究表明,与基本粒子群算法相比,参数线性变化粒子群算法的建模精度及收敛速度有很大提高.应用参数变化粒子群算法进行传感器动态建模是非常有效的.     

动态的 SDN 网络流量模式增量学习算法

针对基于人工神经网络的流量统计特征学习算法在动态适应性和可扩展性等方面尚显不足.提出了一种基于增长型自组织映射(GSOM)的增量学习算法,对软件定义网络(SDN)数据平面交换机的流表统计信息进行持续学习,动态获取网络流量的GSOM神经网络模型.基于DARPA99数据集的实验结果表明:所提出的算法能够通过学习确认安全的SDN流量,获得稳定、可塑的流量模式,对异常流量也有较高的敏感度.     

基于深度森林算法的分布式WSN入侵检测模型

针对现有的特征选择算法和分类算法在无线传感器网络(WSN)入侵检测系统中检测性能表现不佳、检测实时性差、模型复杂度高等问题,提出一种基于随机森林和深度森林算法的分布式WSN入侵检测模型.该模型首先对传感器节点流量数据进行预处理;然后将轻量级随机森林分类器部署到传感器节点和簇头节点,传感器节点和簇头节点合作对流量数据进行处理,并在基站上采用深度森林算法从大量流量数据中发现攻击行为;最后对WSN中的入侵行为进行实时分类入侵检测.使用无线传感器数据集WSN-DS和NSL-KDD数据集来评估所提出的模型性能.实验结果表明,该模型与现有的入侵检测模型相比,具有良好的检测性能,实时性较高,可避免模型过度拟合.     

改进的神经网络模型在水文模拟中的应用

将BP神经网络与K-最近邻(KNN)算法耦合起来,建立BK(BP-KNN)模型,该模型以前期模拟流量和相应影响要素作为BP神经网络的输入,出口断面流量作为网络输出,对产汇流过程进行模拟;采用K-最近邻算法,基于历史样本的模拟误差和相应影响要素对网络输出进行修正,实现了非实时校正模式下的连续模拟。根据BK模型的计算流程将其参数分为3个层次,各层次分别使用NSGA-Ⅱ多目标优化算法进行参数优选,提高了模拟精度、优化效率和网络泛化能力。分别将新安江模型的产流、产流分水源计算模块与BK模型相耦合,建立 XBK (Xinanjiang runoff production-BK) 和 XSBK (Xinanjiang runoff production and separation-BK)模型,在呈村等3个不同类型的流域应用新安江模型、BK模型、XBK模型和XSBK模型进行模拟精度比较,结果表明改进的模型模拟精度更高,较好地解决了神经网络模型在水文模拟中存在的问题。     

滴灌条件下土壤水分运移模型的辨识与优化

在滴灌条件下,滴头流量对土壤的水分运移影响很大,是影响作物生长的主要因素。基于滴灌条件下土壤水分运移的观测数据,建立滴头流量与水分运移距离的传递函数模型。利用粒子群优化(PSO)算法对模型的各个参数进行辨识与优化。在同一滴头流量下,比较不同土壤水分运移模型的动态变化,验证了传递函数模型在不同流量下的有效性,提出了实现实时调控滴头流量与运移距离的传递函数模型,为实现作物根系所需水分运移距离的反馈调节,有效地保证作物根系所需的水分,减小了水资源的浪费创造了条件。     

重尾分布的网络流量SVM分类

网络流量表现出突发和自相似等动态特性,使得网络应用很难进行准确分类。本文分析了流量动态特性产生的不平衡性及其重尾分布,提出了基于重尾分布的流量分类定量分析模型。基于该分析模型,研究分类算法中训练集采集位置和规模大小的选取。考虑到混合流量中的次要数据流通常是小样本,选用支持向量机(SVM)算法进行流量分类。实验结果表明:重尾分布的流量分类训练集可以选择最佳采集位置和规模,以获得较好的分类模型,该定量分析模型对流量分类及提高分类精度有指导意义。     

改进的交通分配起点用户均衡算法

对起点用户均衡算法的流量转移、起点限制子网(Bush)的更新、成本更新策略及计算流程等关键问题进行了分析改进.探讨了Bush的最长和最短路径对查找方法,提出了流量转移的步长搜索方法及加速算法收敛的Bush更新方法.该方法优化了适合多线程开发的算法流程,并用不同规模的城市交通网络模型对算法进行效率测试和与其他算法进行对比.结果表明,该算法效率有较大的提高,可满足大规模城市交通网络模型计算速度和精度的要求.     

一种改进的多路径负载分配均衡算法

分析了实现均衡路由的功能模型和算法,重点研究了LDM(多路径负载分配)算法。为了充分利用候选路径的信道容量,提出了一种改进的LDM算法。改进后的算法在多个候选路径之间根据比例系数均衡分配通信流量。通过算法性能分析表明:改进后的算法和最初的LDM算法具有相同的复杂度,但对于给定的通信流量能够提升网络性能。     

滴灌土壤水分水平运移模型的辨识

在滴灌条件下,滴头流量对土壤的水分运移影响很大,是影响作物生长的主要因素。依据滴灌条件下土壤水分水平运移的观测数据,建立滴头流量与水分水平运移距离的传递函数模型,利用粒子群优化(PSO)算法对模型的各个参数进行辨识与优化。在同一滴头流量下,比较不同土壤水分水平运移模型的动态变化,验证了传递函数模型在不同流量下的有效性,提出了实现实时调控滴头流量与水平运移距离的传递函数模型,为实现作物根系所需水分水平运移距离的反馈调节,有效地保证作物根系所需的水分,减小了水资源的浪费创造了条件。     

基于自相似流的星上虚拟信道调度算法研究

以高级在轨系统(Advanced Orbit Systems,AOS)空间数据链路协议为基础,建立了CCSDS AOS协议信源模型,对比分析了自相似流量模型下先来先服务(first-come-first-served,FCFS)和时间片轮询(round-robin,RR)虚拟信道调度算法的性能.根据网络流量具有自相似性的特点,采用时间间隔服从正态分布的分形布朗运动流量模型描述AOS虚拟信道中数据流的自相似特性,并使用快速傅立叶变换方法生成了不同自相似系数的分形布朗运动流量,获取了数据包的到达时间、到达时间间隔和数量;之后通过仿真实验对比了FCFS和RR两种虚拟信道(VC)调度算法的时延和积压性能.实验结果表明,当到达数据量较小时,两种调度算法性能相当;当到达数据量较大时,RR调度算法的时延和积压性能明显优于FCFS调度算法.研究结果可为AOS虚拟信道调度算法的研究和设计提供参考.     

基于网络层析成像技术的道路交通流预测算法

为了更有效地预测城市路网交通流量,本文提出了一种城市道路交通预测模型.该模型基于网络层析成像(Network Tomography, NT)技术建立生成树,采用期望最大 (Expectation Maximization, EM) 算法得到路网子网车流概率分布,再结合路网子网中流量守恒原则,对待预测路段流量进行推测.实验结果表明,该模型优于现常用的人工智能模型,对城市交通流量预测更为有效,且提高了预测精度.     

一种基于最优模型选择的流量预测方法

本文提出一种基于ARMA(Auto-Regressive and Moving Average Model)最优模型选择的流量预测方法。该方法建立流量序列对应的ARMA模型集,利用OPTICS和K-Means两种聚类算法对序列分类。通过对基于模型集的最佳预测结果和序列分类的分析,建立序列分类与模型之间的对应关系,并利用对应关系选择针对序列类型的最优模型预测。实验表明该方法预测结果具有良好的精确度和稳定性。     

一种基于SSNFF的DDOS入侵监测模型

针对分布式拒绝服务攻击(DDOS)网络攻击,提出了一种新的基于小波分析的空间相关性选择正常流算法(SSNFF)的入侵检测模型.该模型利用SSNFF算法进行DDOS信号的提取,对提取的DDOS信号利用基于极大曲线长度阈值的去噪算法与阶越点判定算法进行入侵发生点的检测,克服了原有利用模极大值检测入侵点算法中不同幅值突变大小对检测性能的影响,进而给出一个使用中的判定模型,并对实际采集到的网络流量和仿真攻击流量的混合流做了计算机模拟验证,最后给出试验结果并进行了分析.     

基于机器学习的网络流量分类算法分析研究

基于应用的流量分类在网络安全和管理中具有非常重要的作用.传统流量分类大部分是基于端口的预测方法和基于有效载荷的深度检测方法.由于当前网络环境中各种隐私问题以及基于动态端口和加密的应用,传统的网络流量分类策略的有效性已经逐步下降,目前主要集中在基于机器学习技术的流量分类模型进行研究.本文对各种基于机器学习算法的流量分类的比较,如贝叶斯网络(Bayes Net)、朴素贝叶斯(Naive Bayes)、基于RBF的SVM流量分类和基于遗传算法的SVM (GaSVM)流量分类等.这些算法分别使用了全特征选择和优化后的特征集合,实验结果表明基于遗传算法的SVM流量分类精度较高,并在使用主成分特征也可以达到很高的精度.     

面板堆石坝渗流量AMPSO-SVM组合监控模型

传统的面板堆石坝渗流量监控模型难以精确反映渗流量的非线性变化规律,结合支持向量机和改进的粒子群算法,提出了AMPSO-SVM面板堆石坝渗流量监控模型.针对粒子群算法在SVM参数寻优过程中的不足,提出新的自适应粒子群优化算法(AMPSO),采用平均粒子间距对惯性权重进行非线性调整,算法后期在速度更新公式中加入突变扰动,使粒子群保持良好的种群多样性,有效地避免陷入局部最优和过早收敛等问题.在某面板堆石坝的实际应用表明,该AMPSO-SVM监控模型具有简便、高效、拟合与预测精度高等优势,在渗流量监控中具有一定工程应用价值.     

无线局域网中入侵检测系统(IDS)的研究

本文分析了入侵检测系统(IDS)在不同拓朴结构无线局域网络中的应用,在此基础上,提出了一种称为BESS模式的IDS模型。     

自相似网络流量的处理和分析

为了解决自相似模型难以进行自相似网络流量趋势预测的问题,提出时间序列分析中短时相关模型(自适应自回归模型)的方法用于流量数据的估计;同时为了提高预测精度,提出改进的最小平方格型(modified least square lattice, MLSL)算法,使模型参数不断递推修正,收敛到最佳值.仿真试验结果验证了短时相关模型在网络流量预测应用中的可行性,实现了自相似网络流量的短期预测,该算法比最小平方(least square, LS)算法均方误差减少20%, 具有收敛快、预测精度高的优点,而该算法的计算量减少一半.     

TCP Reno/Vegas算法的进化博弈模型

为了精确研究 TCP(transmission control protocol)算法 ,指导其他端到端流量控制算法以及路由器中的分布式流量控制算法的设计和实现 ,该文从非合作博弈的角度出发 ,提出了一种基于进化博弈理论的 TCP算法模型。使用该模型 ,针对 Reno和 Vegas两个版本的 TCP算法进行了描述、仿真和比较。分析和仿真结果表明 :TCP Reno使用 3个策略进行流量控制 ,而 Vegas是一个 5策略的流量控制算法 ,因此 ,Vegas能够比 Reno更好地适应复杂的网络环境 ,获得更好的性能。另外 ,该文从进化博弈理论的角度提出了一些能够提高 TCP性能的方法和改进方向