校园网流量监测系统的研究与实现

为了便于网络管理、并为网络升级和故障分析提供可靠的依据,基于实时监测网络流量情况构造一个网络流量监测软件系统。该系统采用关系数据库对流量数据进行存储;并利用Jbuilder 2005设计出便捷的用户操作管理界面,实现处理保存流量数据的校园网流量监测。通过在某大学校园网上的示范应用表明,该软件不仅提供图形化的用户接口、将收集的历史数据和实时数据在其中以图形的方式直观地显示出来,还能为用户提供可视化的监控操作与管理、方便用户使用。这种方法简便易行、性能指标较好地满足网络流量实时监测的需求。     

数据融合在瓦斯安检系统中的应用

从提高监测精度的角度阐述了数据融合技术在瓦斯气体安全监测系统中的应用.介绍了数据融合的基本知识和一般的融合方法,对直接取平均值的加权融合方法进行了改进,并通过仿真实验证明了改进的加权融合方法比直接取平均值融合方法更接近于实际值.     

基于改进特征选择法的移动通信网络流量异常监测系统

由于传统系统受到网络时延和信号干扰的影响,导致系统监测效果较差,提出了基于改进特征选择法的移动通信网络流量异常监测系统.利用报警装置对异常数据进行警示,并通过显示模块显示监测结果,解析全部网络流量特征.根据特征选择流程,获取网络流量异常特征,实现对异常网络流量的实时监测.提取异常流量并展开分析,采用改进特征选择法对异常流量进行选择,由此实现移动通信网络流量异常监测系统的设计.实验结果显示,该系统最高监测准确率可达88%,保证移动通信网络能在安全稳定条件下运行.     

基于多模型在线辨识的滑模变结构控制

为了改善复杂非线性系统中传统滑模变结构控制系统的控制效果,提出了一种将多模型在线建模与滑模变结构控制结合的方案.首先,根据输入输出数据利用在线数据聚类的方法建立多个局部模型,实时对局部模型进行更新,并通过加权综合获得非线性系统的在线辨识模型;然后,针对系统的辨识模型设计基于趋近律的滑模变结构控制器.仿真结果表明,控制方案对系统模型的不确定性具有良好的鲁棒性.     

高阶间隔估计算法在网络流量监测中的应用研究

当前的网络流量监测方法比如报文抽样和时间间隔抽样,存在资源消耗大和精度低2个方面的问题,本文提出了一种高带宽及高传输速率情况下的流量监测方法,即以均匀分组采样方法为理论的高阶间隔估计算法﹒首先根据网络流量的动态变化,实时调整采样次数;再利用低阶采样数据及优化算法进行高阶估计;最后采用相对熵进行采样性能分析与估计﹒仿真结果表明,随着高阶间隔的逐渐增大,流量监测的精度相比报文采样和时间间隔采样得到逐步提高,而资源消耗却显著减少﹒     

校园网络流量监测系统的设计与分析

随着计算机网络应用的迅猛发展,大量种类繁多的设备使得网络结构变得越来越复杂。如何管理这些设备并有效检测网络流量,对于网络安全稳定运行非常重要。本文对目前主要的流量检测技术进行分析,研究如何采集网络设备中的实时流量数据、流量数据的高效存储和利用方法。最后,详细阐述了校园网络流量监测系统的设计和实现过程。     

实时数字滤波技术在火电厂数据监测中的应用研究

对火电厂数据的实时监测是精确分析火电厂运行热经济性、准确的重构机组运行状态的基础。由于噪声干扰不可避免,要想从火电厂运行数据中得到准确的机组和设备信息,需要对实时监测数据进行滤波。而实时滤波算法不能用未来的数据来修正当前数据,与传统滤波算法相比有很大限制。一阶滞后滤波法和加权递推平均滤波法可用于实时滤波,本文详细分析了这两种滤波方法的特点,并应用其对正旋仿真数据和火电厂运行数据进行实时处理。通过分析发现,加权递推平均滤波法在应用于仿真及电厂数据实时滤波时,均取得更好的效果。     

步伐姿态在虚拟机舱中的识别

以虚拟现实三维机舱训练系统为基础,针对目前光学跟踪器灵敏度低、实训者活动范围小以及头戴式显示设备的交互安全性无法保证等问题,设计了一套能够识别步伐姿态并在虚拟现实机舱中具有实时交互的可穿戴设备。通过实训者穿戴的传感器设备,对操作者步伐信息进行采集并解算,通过无线终端发送至虚拟现实服务器完成实时交互。首先,通过空间状态数据采集实现传感器数据融合、欧拉角姿态矩阵更新;其次,采用嵌入式开发技术设计步伐识别硬件系统,通过上位机编写交互脚本,并通过实验验证过程的可行性;最后,针对设计的方法,通过分析实验,通过二分法在下位机程序中调节权重,找到合适的滤波加权平均值,实现步伐信息的融合处理。实验表明算法合理、数据更新及时、设备运行可靠,能够有效地提高实训者的沉浸感与交互体验。     

基于自适应加权的多传感器实时数据特征值提取

为实现监测数据的特征值提取，对传感器数据的预处理、时间维及空间维融合方法开展了研究。建立了实时数据融合模型，提出了基于3σ-grubbs检验的异常数据预处理方法，兼顾了异常数据剔除的速度与精度，能很好地消除疏失误差;对单个传感器数据采用分批估计原理进行融合，得到了特征估计值，实现了数据在时间维上的融合;通过对多个传感器的特征估计值采用自适应加权方法进行赋权，实现了数据在空间上的融合，并提出了考虑传感器精度的算法修正。实例计算表明，数据经3σ-grubbs方法处理后方差减小了20%~54%，与传统的算术平均滤波方法相比，分批估计自适应加权融合算法的数据融合方差明显更小，考虑传感器精度后的融合结果更接近高精度传感器值，特征值提取结果更加准确、可靠。     

多传感器数据融合技术在锅炉热效率计算中应用研究

实现锅炉热效率实时计算对优化锅炉燃烧经济性具有重要意义,其难点在于飞灰含碳量的在线测量,目前广泛采用微波飞灰测碳仪进行在线监测.然而在实际中烟气密度和流速对仪器的测量精度有重要影响,使测量结果产生较大波动.本文设计了对烟气密度和流速的测量方法,并构造了基于多传感器数据融合技术的测量系统,利用BP神经网络对多传感器信息进行有效融合,在一定程度上提高了飞灰含碳量的测量精度.进而通过采集排烟温度、氧量等运行参数,依据反平衡方法给出锅炉效率的在线计算模型.     

网络协议流不平衡环境下基于机器学习算法的在线流量分类方法研究

随着时间的推移,网络协议流将出现不平衡的现象,经常出现不可预知的在线流量种类,传统在线流量分类模型无法对未知的流量种类进行分类,导致整体分类精度低,适应能力差。为此提出一种新的基于机器学习算法的在线流量分类方法,针对不同类别的在线流量样本流集合筛取出若干最近邻样本流,求出各个样本流特征权重,确定各个特征与类别的相关性,将相关性大的特征当成在线流量特征。依据得到的特征选取部分标识在线流量数据,确定K中值聚类的起始中心,构造映射关系,获取未知的在线流量种类。实验结果表明,所提方法有很高的分类精度,且扩展性和适应能力较强。     

多跳D2D组网下基于数据驱动的配电网在线异常检测

随着配电网数据信息的急剧增长,为了保证配电网供电可靠性,在配电网和基站间建立多跳D2D网络进行数据传输,提出多跳D2D组网下基于数据驱动的配电网在线异常检测方法。因配电网中每个时刻都会产生新的测量数据,提出一种基于一类支持向量机的配电网运行状态在线检测算法,该算法可根据每个时间周期智能电表上报的用电数据更新模型参数,实时推测配电网当前的运行状态。为了保证用电数据的正常传输,提出基于双边主成分分析的在线流量监测方法监督多跳D2D组网的流量状态。通过仿真实例验证,证明了提出的基于数据驱动的配电网在线异常检测算法可在提高检测速率和精确度的同时节约大量的计算时间和存储空间。     

基于分形理论的网络流量异常检测技术

传统网络流量异常检测技术不能适应网络流量的复杂性,异常检测精度低,不能保证实时性,为此,提出一种新的基于分形理论的网络流量异常检测技术。通过FIR滤波方法对流量的时间序列进行预处理。采用Schwarz信息准则对网络流量异常检测问题进行处理,估测网络流量异常点数量与位置。采用R/S分析法求出自相似指数Hurst值,依据Hurst值对网络流量时间序列的分形特征进行分析。引入滑动窗口完成多网络流量异常点的检测,在检测异常点处对流量进行分形处理,依据自相似指数计算过程获取异常点间的流量自相似指数值,保存异常点之后的流量,为下一个流量异常点的检测提供依据。实验结果表明,所提技术实现过程简单,网络流量异常检测精度高,保证了实时性。     

海量数据环境下大型ISP网络流量卸载方法研究

海量数据环境下大型ISP网络流量爆炸性增长造成网络阻塞。当前网络流量卸载方法通过预测确定待卸载网络流量,卸载准确率较低,服务质量差。为此,提出一种新的海量数据环境下大型ISP网络流量卸载方法,通过最大熵法,依据采集流量中的语义信息对流量类型进行识别。依据海量数据环境下大型ISP网络流量源节点的位置关系,通过图论法确定最佳传输路线,实现对大型ISP网络流量的卸载。依据中继节点数量与总卸载时间最少原则,通过Dijkstra方法对海量数据环境下大型ISP网络流量最佳卸载路线进行求解。实验结果表明,采用所提方法对大型ISP网络流量进行卸载,不仅流量类型识别精度高,而且卸载率高,服务质量高。     

基于整体加权的多源数据融合研究

针对无线传感器网络中数据融合问题,分析了基于融合算法下数据压缩和节能的关系,在归纳和研究现行的融合算法后,对独立于应用的数据融合,提出了先单个传感器加权再整体加全权的融合算法,通过两次加权,使算法性能达到最优。通过软件层面设置加权参数实现数据压缩和传输,有效地提高决策准确性和节约能量。同时,根据无线传感器的数据冗余方式,结合路由传输机制,可以实现在传输层的数据整合,减少数据无效发送,延长无线传感器网络的周期。     

基于时空融合深度学习的工业互联网异常流量检测方法

基于流量异常发现网络中的攻击行为具有普适性优势,而传统的异常流量检测方法难以适应大量复杂的工业互联网流量特征提取,针对此问题提出一种基于时空融合深度学习的工业互联网异常流量检测方法。对类别不平衡的流量数据进行预处理操作,以形成样本分布较为均衡的流量数据集;使用融合聚合残差变换网络和门控循环单元的深度学习模型从空间和时间维度上提取流量数据特征,实现时空融合的流量数据特征的综合提取;通过Softmax分类器对流量数据进行分类。实验测试结果表明,所提方法具有较高的准确率和F1值,分别可达到94.7%和95.47%。与传统的异常流量检测方法相比,所提方法提高了对工业互联网异常流量数据的检测指标,且模型的运行时间相对较短。     

基于微电网的DV-hop改进算法

针对微电网监控系统中海量信息数据处理时,大量数据的传输可能会导致无线传感器网络崩溃与数据丢失等问题,提出了一种基于微电网的无线传感器网络的改进DV-hop算法。首先,将边缘计算技术应用于微电网,改进微电网监控系统结构;其次,在改进微电网监控系统基础上,将基于平均加权方法与跳数加权方法的DV-hop算法有机结合,得到新的改进算法,使得无线传感器节点定位误差缩小至0.60。仿真结果表明:基于平均加权方法与跳数加权方法提高了传感器节点定位精度。     

基于远距离无线电和窄带物联网的杆塔姿态监测系统

针对现有高压输电杆塔姿态监测系统存在监测方式单一、监测精度低、无法实时监测和提前预警等缺点的问题,提出了一种基于远距离无线电和窄带物联网的杆塔姿态监测系统。系统采用STM32F103C8T6嵌入式单片机搭配微机电系统(micro-electro-mechanical system, MEMS)陀螺仪倾角传感器实时采集杆塔姿态数据,使用远距离无线电(long range radio, LoRa)局域网通信技术完成杆塔监测区域内多节点的数据交互与汇总,并通过窄带物联网专网将汇总后的数据上报至OneNET云平台以实现在线监测杆塔倾斜状态。同时为提高倾角传感器的测量精度及稳定性,针对零偏不稳定性、速率斜坡和角度随机游走白噪声建立随机漂移误差模型,通过引入Softmax函数完成自适应调节反馈功能,动态调整测量噪声协方差矩阵和过程噪声协方差矩阵来优化卡尔曼滤波算法,以提升在角速率变化较快的情况下卡尔曼滤波器的跟踪性能。杆塔姿态监测系统经过测试,具有输出数据精度高、功耗低的优点,工作稳定可靠,能够实时监测高压输电杆塔的姿态和完成预警等功能,对预防高压输电杆塔倾斜、倒塌,维持电力系统的安全运行有一定的...