基于CPN的pub/sub系统中事件订阅的分析

提出了一种基于着色petri网（CPN）理论的pub／sub系统协议分析方法,并就一种p2p网络之上的pub／sub系统协议,用CPN对系统中的订阅事件的消息处理进行形式化描述和建模。用CPN Tools对模型进行模拟仿真,通过对模型的可达图进行分析,证明了协议具有活性、可达性和有界性等,验证了协议的可用性。     

一种考虑用户兴趣转移特征的协同预测模型

大多数预测模型使用用户属性或社交关系信息来优化预测结果,然而真实系统中用户的属性或社交关系信息往往很难获得,或者取得的是虚假信息,从而导致用户行为表达不准确或模型不具有普适性.另外,几乎所有使用用户特征的模型仅考虑用户兴趣本身的度量,而忽视兴趣的变化这一重要特征.因此,本文提出一种考虑用户兴趣转移特征的协同预测模型.该模型根据用户连续行为序列构建用户兴趣转移特征和用户行为演变网络,利用用户兴趣转移特征计算用户相似性,进而搜索最近邻集合,利用用户行为演变网络筛选候选集,最后设计最频繁项提取算法来产生预测结果,从而构建用户行为的预测模型.在真实的新闻浏览日志、交互式网络电视视频访问日志和微软服务器日志上的实验表明该预测模型是有效的.     

贝叶斯预测模型在气温变化预测中的应用

贝叶斯预测模型是运用贝叶斯统计方法进行的一种预测,贝叶斯统计不同于一般统计方法,其不仅利用模型信息和数据信息,而且充分利用了样品的先验信息.根据贝叶斯预测模型的特点,介绍了几个贝叶斯预测模型的预测过程和计算步骤,并对南宁地区自1970年以来19年间的气温变化进行了预测.根据计算结果,分析了不同贝叶斯预测模型的预测特点,并给出了几点结论.     

贝叶斯预测模型在矿物含量预测中的应用

矿物含量预测是资源评价中经常遇到的问题,贝叶斯预测模型是运用贝叶斯统计方法进行的一种预测.贝叶斯统计不同于一般的统计方法,其不仅利用模型信息和数据信息,而且充分利用先验信息.根据贝叶斯预测模型的特点,介绍了几个贝叶斯观测模型的预测过程和计算步骤,并对白鹿塬水家嘴剖面的mg2+含量进行了观测,根据计算结果,分析了不同贝叶斯预测模型的预测特点,并给出了几点结论.     

贝叶斯预测模型在气温变化预测中的应用

贝叶斯预测模型是运用贝叶斯统计方法进行的一种预测，贝叶斯统计不同于一般统计方法，其不仅利用模型信息和数据信息，而且充分利用了样品的先验信息。根据贝叶斯预测模型的特点，介绍了几个贝叶斯预测模型的预测过程和计算步骤，并对南宁地区自1970年以来19年间的气温变化进行了预测。根据计算结果，分析了不同贝叶斯预测模型的预测特点，并给出了几点结论。     

贝叶斯预测模型在矿物含量预测中的应用

矿物含量预测是资源评价中经常遇到的问题，贝叶斯预测模型是运用贝叶斯统计方法进行的一种预测。贝叶斯统计不同于一般的统计方法，其不仅利用模型信息和数据信息，而且充分利用先验信息。根据贝叶斯预测模型的特点，介绍了几个贝叶斯观测模型的预测过程和计算步骤，并对白鹿塬水家嘴剖面的mg^2 含量进行了观测，根据计算结果，分析了不同贝叶斯预测模型的预测特点，并给出了几点结论。     

基于马尔科夫模型和贝叶斯定理的Web用户浏览行为预测模型

对用户的Web浏览行为进行分析,既可以使用户减少等待时间,同时也能减轻网络负载.依据Web网站的层次结构特点,首先设计了基于Hash表的反向索引结构来提高数据的预处理速度;在此基础上,利用分层思想构建了基于马尔科夫模型和贝叶斯定理的Web用户浏览行为预测模型.给出了模型的设计思想、相关定义、模型框架以及模型中所涉及的关键构建方法等.最后,对模型进行了实验分析,结果表明在适当的预测准确率前提下,模型能够有效减少在预测时所需的候选网页数量,并大幅提升预测效率.     

基于社区信息的链接分析与预测研究

社区结构是社交网络最重要的拓扑特性之一,有助于理解用户分布和用户行为,提高链接预测的精确度。通过分析社区结构,结合贝叶斯理论,提出了一种新的基于社区信息的链接预测方法,并应用于真实的社交网络数据中对未来链接进行分析与预测。实验演示了该方法的优点和有效性,取得了很好的预测效果。     

基于序列特征的点击率预测模型

点击率预测模型是主流推荐系统中十分重要的部分.根据点击率预测的打分来调整商品的展示策略,对提高业务的转化率、改进用户体验等有着重要的意义.传统的点击率预测模型是利用用户特征和商品特征,对点击率进行预测.然而,用户行为序列的结构特征,如周期性规律、趋势等也能一定程度地体现用户行为的倾向.针对部分信息利用上的空缺,使用时间序列分析单元,将提取用户行为序列的特征作为用户特征的扩展,结合因子分解机结构将其与用户、商品特征进行交叉,能够有效提高特征质量,优化点击率预测模型的性能.实验表明,结合用户行为序列特征进行交叉优化的方法能够对点击率预测模型的表现带来很大提升,提高点击率预测的精度.     

基于数据挖掘的社交网络信息推荐与预测方法研究

针对现有推荐与预测方法中存在的不足,提出了一种基于数据挖掘的社交网络信息推荐与预测方法.该方法在传统预测模型的基础上构建了双向社交网络推荐与预测框架,并在框架内整合了用户类别、行为和内容相似性特征构建广义的拓扑特征集合,通过协同过滤算法对用户的权重特征进行聚类分析,提升模型的预测效果.实验结果表明,该方法有效提升了静态数据环境下的挖掘精度.     

基于小波分析和集成学习的短时交通流预测

针对短时交通流具有随机性和不确定性等特征,本文提出一种基于小波分析和集成学习的组合预测模型。首先对原始交通流数据的平均行程时间序列应用Mallat算法进行多尺度小波分解,且对各尺度上分量进行单支重构;然后对于各重构的单支序列分别使用极端梯度提升模型（extreme gradient boosting, XGBoost）进行预测得到多个子模型,同时利用贝叶斯优化算法进行子模型的最佳参数选择;最后把所有子模型的预测值代数求和,得到总体交通流的预测结果。采用美国纽约布鲁克林地区某路段实际交通流数据进行预测,并对预测结果与其他模型进行比较分析。研究结果表明：小波分析和XGBoost组合模型预测效果优于传统线性模型及单一XGBoost模型,从而更好地为交通管理提供指导意见。     

社交网络中的用户转发行为预测

以新浪微博为研究对象,基于微博主题及用户特征,提出社交网络中的用户转发行为预测算法.首先,基于互信息理论,从已发生转发行为的用户的微博内容中提取特征,通过分析给定用户的微博内容与特征之间的相关程度,预测用户是否会对给定主题的微博发生转发行为;然后通过研究用户性别、粉丝数、关注数、微博数与用户转发行为的关系,选取合适的用户特征描述,并基于贝叶斯模型预测给定用户对微博的转发概率.最后,结合以上2种算法的预测结果,得到给定用户对某主题微博的转发行为预测.该预测算法对研究网络舆情传播及微博营销具有重要意义.     

Anomaly-based model for detecting HTTP-tunnel traffic using network behavior analysis

Increasing time-spent online has amplified users＇ exposure to tile tilreat oI miormanon leakage. Although existing security systems （such as firewalls and intrusion detection systems） can satisfy most of the security requirements of network administrators, they are not suitable for detecting the activities of applying the HTTP-tunnel technique to steal users＇ private information. This paper focuses on a network behavior-based method to address the limitations of the existing protection systems. At first, it analyzes the normal network behavior pattern over HTI＇P traffic and select four features. Then, it pres- ents an anomaly-based detection model that applies a hierarchical clustering technique and a scoring mechanism. It also uses real-world data to validate that the selected features are useful. The experiments have demonstrated that the model could achieve over 93% hit-rate with only about 3% false- positive rate. It is regarded confidently that the approach is a complementary technique to the existing security systems.     

An Authentication Method of Distinguishing Proxy＇s Secure Accident Responsibility

The publish/subscribe （pub/sub） paradigm has asynchronous, loosely-coupled and many-to-many communication properties and is widely used in the application of large-scale distributed computing environment. There is the problem that is mutual trustable between network proxies in terms of pub/sub systems and the problem which is hardly to distinguish accident responsibility while the accident happens in Kerberos based on symmetrical encryption algorithm. A proxy identity authentication algorithm based on RSA encryption is proposed to solve the problem of mutual trust between proxies, and the security of the messages is guaranteed through certificate delegation. The algorithm can distinguish accident responsibility. The feasibility analysis, security analysis and efficiency analysis of the algorithm are carried out.     

贝叶斯框架的LS-SVM回归在民机液压系统预测中的应用

 为实现民机液压系统的健康预测,将贝叶斯框架应用于LS-SVM参数的选优.选用径向基核函数,选择了预测回归模型的算法和区间预测公式.用训练样本建立了液压系统的健康预测模型,用测试样本验证了公式的有效性;对液压数据参数进行预测,将预测值带入健康评估模型中得到预测结果.结果表明,基于贝叶斯框架下的LS-SVM回归模型可以很好地用于民机液压系统的健康预测.     

基于隐马尔科夫模型的浏览路径预测

基于马尔科夫模型的浏览路径预测，仅仅从用户的浏览会话本身出发来预测用户下一步的链接，并不能捕获用户的真正兴趣所在。运用隐马尔科夫模型来分析用户浏览网页的内容，可进一步捕获用户的浏览兴趣，并作下一步的链接预测。当浏览序列长度逐渐增加，系统捕获的用户浏览信息越来越多，此时能够折射出用户的兴趣所在，预测准确率也逐步增加。当浏览序列长度大于或等于8时，预测准确率已经到达80％，提高了预测准确率。     

基于深度时空卷积网络的民航需求预测

在线机票预订网站上的用户查询量变化是真实的民航市场需求变化的反映.通过对机票查询数据进行分析,可以准确地预测航班需求,以利于民航业做出快速的市场反应.提出了一种基于深度时空卷积神经网络的民航需求预测模型(DSTCN-FRP),将用户查询量时间序列数据转换成航线网格图,设计多层卷积神经网络来捕捉用户需求与查询数据之间的时间和空间依赖,同时加入节假日等外部因素,最后得到未来一段时间内的民航需求量.在某在线订票网站的真实查询数据集上进行了实验,结果表明:DSTCN-FRP模型优于其他现有的预测方法,其MAE比其他方法降低了15%~50%,RMSE降低了12%~28%.     

基于小波神经网络的工业以太网延时预测控制

随着网络控制研究的兴起,对工业以太网延时进行补偿成为研究的重点方向.针对网络延时给网络控制系统带来的问题,提出用小波神经网络对工业以太网延时进行预测,根据输入的过去时间延迟序列预测输出下一采样时刻的网络延时值.预测模型的参数通过训练算法实时更新,以保证预测输出的准确性.对实际工业以太网延时数据样本的预测分析表明,该预测模型能够有效预测延时.为进一步说明延时预测效果,将延时预测模型应用于网络控制系统进行延时的预测与补偿,系统仿真结果证明了预测模型预测的准确性及补偿的有效性.     

基于双分支结构的融合多特征微博传播行为预测算法

随着如今微博平台的高速发展，微博转发行为预测已经成为舆情分析领域中一个热门的研究主题。针对该任务，提出一种添加多层间接粉丝用户权威度信息，基于双分支网络结构模型的微博转发行为预测算法。该方法通过对原始微博进行分析，运用LDA算法提取内容特征、构建用户关系网络提取间接关注用户权威度特征等多元特征，构建基于双分支结构神经网络模型预测微博传播行为。实验结果表明预测模型相比于其他算法在RMSE,MAE评估指标上都有较好的提高，验证了算法的有效性。     

变分贝叶斯Kriging模型预测混沌时间序列

基于变分贝叶斯及Kriging数学思想,提出了一种含噪混沌时间序列的相空间域预测模型。在相空间域中利用变分贝叶斯推断方法估计模型中的回归系数,采用Kriging数学方法估计模型中的随机部分,将该模型对含加性高斯噪声的Lorenz及Mackey-Glass混沌时间序列进行了预测研究;结果表明该文方法能够有效地预测含噪混沌时间序列,且具有较强的抗噪能力以及有效地克服了过拟和现象;同时预测精度对重构相空间的嵌入维数和时间延迟的变化不敏感。