基于CBF流抽样的网络安全

现有网络中常存在DDOS、恶意端口及IP扫描、蠕虫等异常产生大量的只包含1个数据包的流量.针对高速网络流量特点及网络异常导致的流量突然上升,提出了一种改进的基于CBF的流抽样算法.该算法对定长时间内到达的数据包进行固定数量的抽样,使抽样率能适应于流量变化,并可控制资源的消耗,尤其当泛洪攻击、DDOS攻击等导致大规模异常网络流量出现时,能有效保护路由器的处理器和内存资源以及传输流记录所需的带宽资源,同时又不失简单性和准确性.     

基于Bloom Filters的流抽样算法研究

本文提出了基于Bloom Filters的流抽样算法,对测量间隔内到达的报文进行抽样,并采用Bloom Filters哈希结构映射到流信息表来创建和维护流信息。该方法具有灵活性、简单性,在误差允许的情况下,有效地减少了流测量所需的存储空间。     

网络流量测量的自适应抽样方法研究

由于高速网络技术的发展,直接对网络流量进行全分组测量相当困难,为了解决这一问题,流量抽样测量研究已经成为高速网络环境下进行流量测量的一个热点.在对目前的抽样测量技术研究的基础上,分析了一种自适应抽样测量技术.结果表明:该方法能充分利用现有资源提高抽样测量的准确性,为研究其他的自适应抽样方法提供一定的参考.     

基于掩码匹配的报文双抽样方法

基于掩码匹配的报文抽样算法是一种实用性较强的分布式流量抽样算法,但是该算法在测量报文到达时间间隔的分布这一重要网络流量特征时性能较差。首先根据误差理论分析了产生这一问题的原因,为了降低测量的系统误差,在原算法中引入了双抽样的改进方案。考虑到改进后的算法会给测量系统带来额外的负担,提出了增加了抽样掩码位数的解决办法,并且论证了其可行性。最后基于实际的网络流量数据进行了实验验证,结果表明：改进后的算法测得的报文到达时间间隔的分布符合真实的分布情况,并且对其它网络性能指标的测量精度影响较小。     

高速网络分布式抽样中的统计随机性分析

针对当前分布式抽样方法不能较好地解决抽取样本的随机性和估计无偏性的问题,采取对被抽样的数据包头中没有实际意义的Flag预留位做标记的方法,以保证各测量点抽取样本的一致性;在入口点处采取泊松抽样保证样本的随机性和估计无偏性.理论推导和实验验证均表明:所提方法实现简单、准确性高,抽取样本能较为准确地估计出流量总体特征,并且部署灵活,适合于工程应用.     

减少频谱泄漏的自适应同步抽样算法

叙述了DFT在连续信号谱分析中的频谱泄漏现象，分析了造成频谱泄漏的原因，讨论了一种自适应同步抽样算法。该算法利用频率跟踪技术实现采样频率的自适应调整。实验结果表明，该算法能够有效地减少频谱泄漏，在以交流电信号测量为基础的系统中具有较好的应用价值。     

测量设备抽样检定方案研究

探讨了我国现行抽样检定理论存在的缺陷，指出对于相同质量水平的测量设备，随着批量的不断增大，按现行抽检方案得到的抽检合格率将逐渐下降，它不能正确反映企业测量设备的实际质量状况。提出一个较为合理的抽样检定方案，并对该方案进行了论证。     

拟南芥CBF基因的克隆

CBFs是拟南芥中能与低温响应元件CCGAC结合的转录因子，通过诱导冷调节基因(COR)的表达从而增强植物的耐冻性。CBFs由一个小的基因家族编码，包括3个成员：CBF1、CBF2和CBF3，在序列上高度相似。我们根据其编码基因的启动子和终止子中的一致序列，设计了一对PCR引物，用一次反应即同时获得了这3个基因的克隆。     

基于Mallat算法的抽样值和直接算法

本文在Mallat算法的基础上,通过抽样值计算得到近似小波系数,并给出相应的分解算法和重构算法公式.     

基于抽样原理的计算机化自适应测验选题策略

沿用曝光控制因子的同时,基于抽样原理,引入区分度分布因子,按区分度的分布情况来选取测验中的项目.以lna～N(0,1)为例,Monte Carlo模拟结果表明:该方法在估计精度、效率和安全性等指标上表现得比较优异.     

浅谈CBF转录激活因子

利用植物分子生物技术来提高植物的抗寒、抗旱和耐盐能力是近几年研究的热点。而导入能调节许多抗寒相关基因COR的转录激活因子基因,则是一个新的思路。     

基于Java的IP网络数据包抽样采集研究

阐述了数据包抽样的基本方法及特点，论述了IP网络数据包抽样采集系统的体系结构，最后用Java实现了基于Poisson的数据包抽样。     

基于密度偏差抽样的聚类算法研究

随着网络的普及和信息量的急剧增加，从海量数据中提取有用的数据信息已迫在眉睫。在对已有的基于密度偏差抽样算法改进的基础上，提出了一种基于密度偏差抽样的聚类算法。实验表明，随着信息量.数据维数的增加，该算法聚类的正确率以及对数据的处理速度都要较传统的聚类算法有所提高。     

抽样定理的验证

通过实验观测了抽样信号fs(t)的频谱，研究了频谱的特点。为了能够从抽样信号fs(t)中无失真地重建原信号f(t)而不致于产生混叠现象，采用了提高抽样频率的方法，使得滤波器的输出端只有所需要的信号频谱F(ω)，从而进一步验证了著名的“抽样定理”。     

网络流量抽样测量技术综述

随着高速网络技术的发展,使得实时在线的流测量非常困难,基于抽样的流量测量方法作为一种可扩展的技术已经成为人们经常采用的一种有效的流测量技术。本文简要介绍了抽样测量的基本理论,对当前抽样测量技术的研究现状进行了综述,并对该技术的可能发展趋势做了简要的探讨。     

基于主成分分析法的两步子抽样算法及应用研究

针对大数据中高维变量多重共线性问题,结合Logistic模型提出两种基于主成分分析法的两步子抽样算法,分别为基于A-最优准则的最小均方误差(minimum Mean Square Error, mMSE)抽样和基于L-最优准则的最小方差协方差(minimum Variance covariance, mVc)抽样。实证结果表明,相较于随机抽样,mMSE抽样和mVc抽样能大幅降低模型参数估计的均方误差,提升模型的查准率、召回率、F1分数、特异度等分类评价指标。     

一种求解TSP问题的均匀设计抽样混合遗传算法

旅行商问题是经典的NP-hard组合优化问题,在许多领域有着重要应用。近年来,传统遗传算法等各种智能优化方法被引入到该问题的求解中来,但效果不理想。基于理想浓度模型的机理分析,利用均匀设计抽样的理论和方法,对遗传算法中的交叉操作进行了重新设计,并在旅行商问题特点的基础上,结合2-opt局部搜索策略,给出了一个解决旅行商问题的新的遗传算法。通过将该算法与简单遗传算法和佳点集遗传算法进行实例仿真比较,可以看出新算法在求解旅行商问题上提高了求解的质量、速度和精度,而且避免了其它方法常有的早期收敛现象。     

基于单元间距离估计的不等概率抽样算法及应用

现有大数据的不等概率抽样方法大多基于数据分布,泛化能力较差。为此,利用多层感知机、XGBoost和Kriging模型估计总体单元间的相对距离,提出针对海量数据的不等概率抽样算法。此类算法既不需要考虑总体的分布,又能够保证样本的代表性。实证分析结果表明,基于此算法抽取样本构建的模型与简单随机抽样方法相比,模型参数估计的均方误差更低,效果更稳定。     

MapReduce框架下基于抽样的分布式K-Means聚类算法

提出一种MapReduce框架下基于抽样的分布式K-Means聚类算法,解决海量数据环境下并行执行K-Means算法时,时间开销较大的问题.该算法使用抽样方法,在保证数据分布不变的前提下,对数据集的规模进行约减,并在MapReduce框架下对聚类算法进行优化.实验结果表明,该算法在保持良好聚类效果的同时,能有效缩短聚类时间,对大规模数据集具有较高的执行效率和较好的可扩展性.     

一种等价于PPS抽样的二阶混合抽样

在PPS抽样中，为了满足对K个组(一级抽样单位)以(P1,…，Px)为组入样概率进行抽样的要求，往往采用有放回抽样，或每次抽样后调整下一次再抽样时的组的入样概率．前者会产生重复抽样，后者比较复杂，在实际应用中有时甚是不可能实现的．本文根据PPS抽样中，对抽组的入样概率的要求，提出一种二阶混合抽样，可以克服上述问题，并简单易行．