排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
在高速骨干网环境中,由于受到计算和存储资源的限制,准确、及时地识别大流量对象对于检测大规模网络安全事件具有重要意义.文中使用相对流量大小定义大流,即对于一个给定的阈值φ(0<φ<1),将所有与链路实际传输总流量的比值超过φ的流定义为大流.在该定义下,大流量对象的识别问题等价于带权值数据流中的频繁项挖掘问题.由于骨干网链路速度快,对单个数据包的处理必须在纳秒级完成,因此对算法的实时性要求更高.在带权值数据流的频繁项挖掘中,目前没有对单数据项最坏处理时间为O(1)的算法.文中提出一个新的带权值数据流频繁项挖掘算法WLC,能够提供单数据项最坏处理时间为O(1)的处理速度.WLC采用一个部分排序的数据结构POSS,能够在保证处理速度的同时,尽量降低算法的存储开销.通过实际的互联网数据进行对比实验,结果表明:与现有的算法相比,WLC具有更快的处理速度,同时算法的实际存储开销远小于其理论上界. 相似文献
2.
在充分阐明风险传播研究意义的基础上，给出了网络风险传播问题的定义，证明了该问题是NP难题，并提出了一个基于邻近传播和最小入度的近似算法——APMI算法，该算法最坏时间复杂度为O（n^3），最差近似比为D（n）．最后通过模拟实验分析了网络规模、网络密度和风险源密度等3方面因素对APMI算法和现有精确算法RH的性能或准确性的影响．实验结果表明：RH算法的性能受网络密度影响很大（呈指数增长），受网络规模和风险源密度的影响较小；APMI算法将RH算法在网络较稠密时的指数时间复杂度降低为多项式时间，而其准确性指标Coefficient仍保持在0．995以上． 相似文献
1