云计算环境中SBS应用动态资源分配方法

建立了一个SBS（基于服务的系统，service based system）应用端到端性能评价模型，并在该模型的基础上提出了SBS应用动态资源分配方法，该方法通过将静态的初始资源分配和动态的资源分配方案调整相结合，能够适应用户访问行为的动态变化，保证SBS应用端到端性能. 在SBS应用动态资源分配问题求解中，提出了服务吞吐量约束确定算法并在此基础上 给出了SBS应用动态资源分配算法，该算法根据SBS应用吞吐量约束确定服务资源需求量并在此基础上通过起始服务 到服务间的转移时间计算服务的资源分配时刻，从而能够在保证SBS应用端到端性能约束的同时提高资源利用率. 实验验证了所提出的基于SBS应用端到端性能评价模型的动态资源分配方法的有效性.     

基于DiffServ的UMTS端到端QoS保证机制研究

3G多媒体业务的发展给UMTS的QoS保证机制提出更高的要求.从QoS需求出发,描述了无线接入网的网络结构以及3G核心网的承载业务类型,分析了网络组件、业务类型与协议栈之间的对应关系,讨论了UMTS QoS管理机制在各组件中的功能实现,引入因特网的区分服务模型在核心网中构建基于DiffServ的网络模型为不同业务提供QoS保证,最后指出UMTS端到端QoS机制有待发展的研究方向.     

基于ADSL的端对端宽带业务结构

基于ADSL的端对端的宽带业务结构——PPP over ATM over ADSL可用来实现高速Intemet接入及视频点播等宽带业务，该业务结构具有可在现有ISP基础上实现简单升级、支持QoS、协议透明性、多种业务等级等特点。     

基于时空特征融合的端到端无人车控制

基于深度学习的端到端车辆控制器多是由二维卷积神经网络(2D convolutional neural netuark,2D CNN)训练得到的,因未考虑时间维度上的帧间运动信息,使得控制器的可解释性与泛化能力较差,而三维卷积神经网络(3D CNN)可以从连续视频帧中学习时空特征。深度确定性策略梯度强化学习(depth deterministic policy gradient,DDPG)常用于连续动作的控制优化,但DDPG算法仍存在采样方式不合理而导致的样本利用率低的问题。基于此,采用3D CNN与改进DDPG算法相结合的方法对车辆方向盘转角和速度进行预测。通过实车实验实现了车辆在所设置轨道上的自主驾驶,为基于深度学习和强化学习方法解决自动驾驶中的端到端控制问题提供了科学方法。     

基于车载视觉的端到端驾驶员疲劳检测模型

营运驾驶员长时间疲劳驾驶是导致事故发生的重要原因,为此,企业在营运车辆上安装相机采集驾驶员面部视频,基于模型和算法自动识别驾驶员的疲劳状态,通过语音提醒甚至启用远程护航进行疲劳干预,以此提高驾驶安全。现有的疲劳检测研究大多数都是基于面部关键点检测的算法,该类算法对面部视频的质量要求严格。在真实的营运行车环境中,夜晚光线过差,相机位置安装不理想,驾驶员面部遮挡等均会造成关键点检测失效,从而影响模型的准确性。基于卷积神经网络(CNN)和长短时记忆神经网络(LSTM)设计了一种端到端营运驾驶员疲劳检测模型,该模型以相机采集的驾驶员面部视频作为输入,使用CNN网络提取视频单帧特征,在此基础上将时序单帧特征作为LSTM网络的输入来最终识别驾驶员的疲劳状态,实验表明,模型的接收者操作特征曲线下面积(AUC)为0.9,远优于现有的面部关键点模型。此外,为了提高该模型在实际行车环境中的鲁棒性,基于光线变化及相机变化的模拟操作在训练数据上进行了数据增强,通过模型重训练进一步提高了模型的精度及鲁棒性。实验结果表明,改进前,营运车辆行车环境下模型的AUC相比实验室模型下降37.3%,而改进后AUC仅下降9....     

端到端推测网络路径上的数据包转发优先级

出于各种考虑,ISP会对不同类型的数据包设置不同的转发优先级. 这会造成不同网络应用出现网络性能上的差异,影响到网络测量结果的代表性,也会增加网络故障排查的难度. 通常情况下,ISP不公布此类信息. 为此提出了一种端到端测量方法,根据路径上不同类型包丢包率的差异来推断它们是否属于不同的转发优先级. 通过在PlanetLab上的测量实验,发现了位于某网络内部的一处优先级设置,结果得到了相关网管的确认.     

一种有效带宽模型化估计方法

网络路径的有效带宽是计算机网络性能评价与流量工程中QoS验证中重要的度量参数，可广泛应用于根据网络条件进行视频分层传输，区分服务中的带宽分配，服务器选址和拥塞控制中，但由于有效带宽不仅与路径的链路带宽有关，而且随背景流量改变而动态变化，这使得端到端有效带宽的测量相当困难，从Cruz流量模型出发，提出有效带宽的估计可以通过对流量进行延时分析实现，给出了有效带宽估计的边界，并分析了实际测量中可能遇到的问题和解决办法。     

一种链路丢包门限动态变化的网络拓扑推测算法

目前端到端逻辑拓扑推测方法主要有极大似然方法和分群方法。极大似然方法的计算量会随网络规模的增加而急剧增长,从而影响在实际网络中的应用。采用计算量较小的分群推测方法,针对GLT算法中采用固定丢包率判决门限ξ所导致的较大推测误差,提出了改进的任意拓扑推测算法IGLT。该算法利用每次迭代过程中得到的链路丢包率的估计值对ξ进行动态调整。仿真结果表明,IGLT算法将ξ与链路丢包率估计值相结合,有效地防止了采用GLT算法导致的拓扑推测准确率的严重恶化,提高了算法性能。     

分组的端到端延时上限

研究了分组交换网络中分组的端到端延时上限。证明了在节点处理速率恒定的情况下，一个流的最大分组在除首节点外的任意节点都不会遭遇队列延时，根据此结论得到了该流任意分组的端到端延时上限。将该结果推广到实际网络中，得到了当多个流共享同一条传输路径时任意流任意分组的端到端延时上限。模拟实验结果验证了理论推导公式的正确性。