基于Dahlin控制算法的网络流量控制

在ATM网络的ABR通信中，基于速率反馈的流量控制是防止拥塞和保证高吞吐量的有效手段之一，然而网络的传播时延对其具有很大的不利影响．采用Dahlin控制算法设计流量控制器，克服了传播时延给控制的快速性和稳定性所带来的不利影响．理论分析表明，该算法的动态性能明显优于PID控制，能保证网络缓冲器的不溢出及带宽的公平分配和充分利用，从而有效地防止了拥塞的发生，使网络处于良好的运行状态．仿真结果验证了这一结论。     

基于决策树的网络流量分类方法

针对传统流量分类方法(基于端口和有效载荷)分类不可靠的问题,提出基于C4.5决策树算法,根据训练集中属性的信息增益比率构建分类模型,按属性对测试数据集进行预测,通过查找分类模型实现对网络流量的分类。在公开数据集和自己采集的数据集上进行实验,结果表明,采用C4.5决策树算法对网络流量分类,平均分类精度为93%,单类别分类精度均在90%以上,能有效地实现对网络流量应用类型的识别。     

基于机器学习的网络流量分类算法

互联网应用的蓬勃发展产生了种类多样的网络流量。在网络技术不断进化的过程中,新型流量和流量加密技术的出现,使基于端口和基于有效载荷的传统网络流量分类算法的应用受到限制。为了实现对新型网络流量的自动分类,提出了一种基于机器学习的网络流量分类算法。通过选择特征属性和构建决策树模型,能够实现对流量级别的网络数据进行自动分类。使用网络流量分类领域的公开数据集进行训练和测试,并将测试结果与开源的机器学习平台Weka运行结果相比较,实验结果表明:所构建模型性能优良,在流量分类准确度与Weka平台相近甚至更优的前提下,大幅降低了建模时间,提高了网络数据分类的效率。     

基于Linux的网络流量控制机制

提出了一种基于Linux的流量控制模型,此模型内嵌于Linux内核,利用队列算法分类不同QoS需求的网络流量,可满足不同服务水平的QoS需求.经过多次实验证实,采用流量控制模型后的网络性能明显优于传统网络模型,而且对于后继的网络需求也能充分适应.     

基于自学习模式下的网络流量控制研究

在对ATM网络中交换机内部输出缓冲区队列长度的影响因素进行分析的基础上，提出一种基于自学习方式的流量控制方法．运用自学习的理论调节速率达到流量控制的目的，并比较分析一些新型网络流量智能控制方法．仿真结果表明，该方法具有很好的稳定性、瞬态性以及稳态性能，而且在动态响应方面优于模糊控制．通过这种流量控制可避免和缓解拥塞，提高网络性能，有效利用网络资源．     

一种基于深度特征融合的网络流量分类方法

随着网络应用的持续发展,识别特定的流或者应用程序有着重要的作用。由于机器学习方法对特征选择较为苛刻,因而,具有自动特征提取的深度学习算法的优势就突显出来了。但现有深度学习方法大多是对网络流量的原始字节进行处理和分类,而原始字节包含较多的冗余和混淆信息。针对此,提出了一种基于深度特征融合的流量分类方法。该方法对原始的统计特征进行融合,并将融合后的特征转化为灰度图像,应用卷积神经网络对转换后的灰度图像进行分类,达到对加密流量进行分类的目的。在两个真实数据集上进行实验验证,分类准确率达到了92%～99.89%。与文献方法相比,在网络流量粗粒度和细粒度分类上都取得了更好的结果。     

基于能效和时延的多跳中继通信系统功率控制算法

在多跳中继通信系统中,以能效为优化对象的功率控制算法可以保证功率的有效性,但可能无法满足多跳通信传输时延的要求.为此,文中分析了中继节点发射功率对系统能效和传输时延的影响,提出以能效和传输时延为优化对象的多目标优化功率控制算法.以多跳通信系统节点的发射功率为变量,导出了中继通信系统的能效和传输时延表达式.在此基础上构建...     

一种基于深度学习的网络流量细粒度分类方法

随着网络视频服务持续增长,为了更好地区分不同质量的视频服务和管理网络资源,提出了一种基于深度学习的网络流量细粒度分类方法.该方法设计了一种扩展流特征信息的表达方式,将更丰富的特征信息以图片形式表示出来,应用卷积神经网络对图片代表的流数据实现细粒度分类,且省去了特征设计和选择环节.通过对视频数据进行实验,分类准确率达到了...     

基于多分形的网络流量建模

本书既提供了基于泊松流的流量MM1模型，又提供了基于自相似过程的模型，特别强调了长距离相关在宽带流量建模中的重要性。书中运用多分形层叠过程理论，提出了一种新的宽带网流量模型（Variance Gaussian Multiplier）。此模型覆盖了各种乘积分布模型的变种。作者运用信息论原理来解释网络流量的突发现象，还用易失性参数验证宽带流量预测的复杂性。     

基于可靠组播的实时性信息流传输控制算法

主要讨论实时信息流在可靠组播传输中的控制问题。针对这种信息流对可靠性要求相对较低，但对端到端传输延迟和网络抖动的要求很高，特引入适应这一要求的功能路由器(Power Router)。功能路由器的主要功能是对反馈信息进行汇聚、数据包丢弃的局部恢复，以及当网络拥塞时，选择性的进行丢包。分析结果表明，这种功能路由器的引入使得传输的时延和抖动性有所提高，而且对于网络的拥塞有一定的自动适应能力。     

一种新的非线性最小费用网络流算法

为求解非线性可分凸费用网络流问题,提出了一种原始对偶算法,并证明了算法的收敛性。该算法可从任意满足节点流量平衡条件但不一定可行的初始解处开始计算,且能方便地处理目标函数的一阶导数有第一类间断点凸规划问题。用７５０节点和５０１０条弧的网络对本算法作了测试,计算结果说明算法有较高的效率。本算法已被用于实际电网水火联合经济调度问题中,实践证明算法是正确和有效的。     

时滞网络预测PI控制算法鲁棒稳定性分析

针对网络中存在的时滞给主动队列管理算法性能带来的不利影响,将Smith预估补偿器与达林算法相结合,提出了一种预测PI控制算法,既利用Smith预估器克服了大时滞给系统性能带来的影响,也减少了控制器参数整定数量.利用控制理论分析了该算法中Smith预估模型与实际对象模型分别存在增益、时间常数和时延失配情况下系统的鲁棒稳定性,并分别给出了保持系统稳定的失配参数条件.理论分析表明,通过适当选择期望闭环传递函数时间常数和预估模型参数,可以使系统获得较强鲁棒性和较快响应速度.仿真试验验证了理论分析的正确性.     

一种基于位向量流分类算法的改进

在流分类算法中,聚合位向量(ABV)算法分类速度快、并行性好,但内存开销过大;位向量折叠(AFBV)算法对ABV算法进行了改进,降低了运行时内存的消耗,但其冗余计算增加了时间开销。针对上述不足,文章提出一种改进的位向量流分类算法,该算法无需进行位向量聚合,减少了内存开销,并按规则的源/目的IP地址前缀建立分组表,根据表中分组所包含IP地址数目降序排列,使得算法具有良好的时间性能。实验结果表明,本算法在大规模规则库下具有良好的时间和空间效率。     

基于神经网络的时变时滞系统自适应内模控制

将基于人工神经网络的时变时滞系统参数辨识算法与内模控制相结合 ,提出了时变时滞系统自适应内模控制算法 .理论分析及仿真结果表明 ,该算法能克服时滞及参数的变化 ,具有鲁棒性好、抗干扰能力强的特点     

基于异构网络环境中的接纳控制算法

接纳控制机制可以有效控制网络拥塞程度,为VoIP应用提供服务质量保证。RED算法可以为VoIP应用提供公平的队列管理机制,鉴于RED队列的优越性和普遍性,提出了RED队列的延迟分析计算方法,并基于该计算方法设计实现了基于RED的接纳控制算法,仿真结果表明该算法是有效的。     

基于网络流的无线传感网负载均衡问题算法

在大规模无线传感器网络中,普通节点与有较大能源和计算能力的网关节点相连,由网关融合成员节点的数据并实现数据的长距离路由转发.网关节点负载均衡问题是无线传感器网络路由中的关键问题,Low给出了负载均衡问题一个近似度为3/2的算法,我们举出反例证明此算法的近似度不可能为3/2,并设计了一种新的近似度为2的基于网络流的算法.实验仿真表明,在节点数较多的大规模传感网络中,新算法的近似度更低.     

节点环流网络中的最大流算法

为了求出节点有容量并有存储功能的网络中的最大流,提出使用改进的带有节点环流的网络模型。在改进的网络模型中,网络节点改由新的结构代替,即节点分为入点和出点,增加中转弧和节点环。提出了进出节点的配平算法,使用了改进的流量守恒约束,通过虚拟源、虚拟汇进行配平,使用最大流算法求出由节点环流调节过的最大流。在配平算法中,遇到入流容量小于出流容量,要判断节点环流量的大小;遇到入流容量大于出流容量,要判断节点环流的残容量大小。算法应用于流的分配或流的汇聚。     

基于网络流的无线传感网负载均衡问题算法

在大规模无线传感器网络中,普通节点与有较大能源和计算能力的网关节点相连,由网关融合成员节点的数据并实现数据的长距离路由转发．网关节点负载均衡问题是无线传感器网络路由中的关键问题,Low给出了负载均衡问题一个近似度为3／2的算法,我们举出反例证明此算法的近似度不可能为3／2,并设计了一种新的近似度为2的基于网络流的算法．实验仿真表明,在节点数较多的大规模传感网络中,新算法的近似度更低．     

TCP网络的拥塞预测控制策略研究

针对Internet网络系统的拥塞控制问题,提出了一种基于预测函数的拥塞控制策略。在离散化传输控制协议(TCP)动态拥塞窗口模型基础上,将IP网络转化为具有约束的预测控制,采用预测函数算法策略进行优化求解,使队列快速平稳地到达目标值。仿真结果表明该方法能够适应复杂的网络环境,控制品质优于RED算法和PID算法,具有较好的稳定性和鲁棒性,有效减少了网络不确定性带来的不利影响。     

基于控制流精化的反汇编方法

反汇编过程是整个逆向工程的基础和重要部分。为提高反汇编过程的效率及反汇编结果的准确度,通过对传统反汇编方法的探究,提出了一种基于控制流图精化的静态反汇编方法。该方法把二进制代码通过函数定位切分成单个函数,然后再对单个函数生成初始的过程内控制流图,使用图论的方法与汇编指令的特征匹配相结合,提炼出真实的控制流图。使用CoreUtils中的22个程序作为测试基准,使用2种线性扫描算法作为比较基准。实验结果表明:本文所提出的反汇编方法比Objdump快63.2%,并且可以高度精确地绘制出控制流图,因此具有准确度高、效率高的显著特性。