P2P环境下的基于多种用户共享行为的防污染方案

P2P环境下的文件污染问题威胁着系统的安全性和可用性,甚至可能导致系统消亡.当前的信誉机制和基于文件特征等防污染方案存在未考虑多种用户共享行为、难以获得大量原始数据和版本发布初期恶意欺骗等问题.本文首次发现用户共享习惯差异性、用户特别长时间保留个别文件等多种用户共享行为,并分析其对防污染方案的影响.提出了基于多种用户共享行为的防污染模型,减弱了多种用户共享行为干扰和版本发布初期恶意欺骗等问题.设计了结构化P2P网络下低开销的实现机制,自动收集大量用户共享文件信息,解决了难以获取大量原始数据的问题.文中还给出了系统参数配置方案.基于真实系统运行日志的模拟实验证明该方案能够准确、快速地区分出虚假文件,降低虚假文件下载次数,保证接近100%的真实文件下载比例,有效抵抗文件污染的攻击.     

企业社会责任感知对员工组织公民行为作用机制研究

通过对182名企业员工的问卷调查,实证研究企业社会责任感知对员工组织公民行为的影响,并从社会认同理论和工作嵌入视角探讨了组织认同的中介作用以及工作嵌入的调节效应.结果表明:企业社会责任感知对员工组织公民行为具有正向预测作用;工作嵌入程度越高,组织认同与组织公民行为的正相关越强.文章最后总结了研究结果的理论和实践意义,并指出了未来的研究方向.     

一般复杂动力网络的优化牵制控制

本文研究了一般复杂动力网络的优化牵制问题.基于线性反馈方法,提出了通过牵制控制将一般复杂动力网络在目标态达到全局指数稳定的策略.特别地,回答了这样一个基本的问题:如何在牵制节点数目和反馈增益之间选取一个优化组合?最后用3个例子来说明该方法的有效性.     

网络态势感知系统的告警阈值确定方法研究

在网络态势感知系统中需要对影响网络性能的各项指标设置阈值,通过设置阚值和阚值检查可以在网络出现性能问题时及时向管理人员告警.本文提出了一种利用BP神经网络来确定告警阚值的方法:在采集到的大量性能数据中选取典型值作为训练样本训练BP神经网络.输出该值隶属于各模糊区问的隶属度,最后利用检验样本找到各区间的分界点即为阈值.文章还利用MATLAB对BP神经网络进行了仿真实验,验证了该方法的有效性.     

一种基于时序感知的社会网络节点集情境聚合方法

情境聚合是社会感知计算的主要研究工作之一,目前主要采用基于特征提取的方法,对社会的交流方式进行量化分析.但是大多数的研究中忽略了情境信息的时序性,针对社会感知计算中时序情境信息的聚合问题,首先对时序情境和计算情境的聚合过程进行探讨,提出基于时序扩展的计算情境元素,用于情境对象的聚合,并给出一种时序感知的社会网络节点集情境聚合方法.实验表明,该方法能够根据时间情境和计算情境元素的特点,把聚合对象划分为相对情境聚合对象和绝对情境对象,有效地对社会环境中的时序信息进行情境聚合.     

海量Web搜索引擎系统中用户行为的分布特征及其启示

统计分析了大规模搜索引擎系统的用户行为的分布特征.结果表明,用户查询内容和URL点击表现出明显的局部性;用户查询的分布符合幂函数的特征并具有良好的自相似性.基于上述规律,设计了查询cache,比较了FIFO,LRU及带衰减的LFU等3种cache替换策略.然后,基于用户行为考察了海量网页信息的分布特征,并利用URL的入度、镜像度、目录深度等网页参数与用户行为反馈后的相关度的方差分析,阐明了其对优化搜索引擎系统定序算法（ranking algorithm）的启示.     

基于复杂网络理论的水网节点重要性评价研究

复杂水网节点的重要性排序在工程应用中有重要实践意义,对于水网调度、安全管理有重要借鉴意义.为此,本文在复杂网络理论基础上,以山西大水网节点重要性排序问题为背景,对水网节点重要性评价进行研究.首先从整体角度出发,不考虑水网方向和干支斗毛级别差异,基于水网全局网络拓扑结构,从局部属性、全局属性、传播属性和网络位置四个方面定义了节点重要性评价指标.其次,分别根据这四个指标,对水网节点重要性进行排序分析,结合分析结果对网络位置指标进行了改进.然后,由于单指标评价结果不够全面且适用范围具有很大的局限性,给出了基于TOPSIS的多属性决策方法来综合评价节点的重要性.最后,考虑水网方向和级别差异,提出对水网进行干支斗毛级别划分,基于Page Rank算法对同一级别的有向赋权水网节点重要性评价进行研究.     

基于软件网络的软件系统演化规律验证和模拟

演化是计算机软件的固有特性.了解演化规律,可以改进软件演化过程,提高软件质量,降低维护成本.本文定义类依赖图,将软件系统描述为软件网络,基于网络度量验证软件演化规律,并讨论软件演化建模的可行性.首先针对Lehman的8项演化定律,设计3个方面的网络度量:网络规模、网络质量、以及结构控制.然后基于四个开源软件系统构建软件网络,统计网络度量;实证研究表明:支持Lehman的4项演化定律,否定另外3项,即复杂度提升、持续增长、以及质量折旧定律.最后分别采用E-R模型和模块依附模型模拟软件系统的演化过程,所生成的随机网络同软件网络的比较结果说明,软件演化存在客观规律,能够通过建模来重现甚至优化.     

体域网中基于特征组合的步态行为识别

物联网(internet of things,IOT)拥有无处不在的识别、传感和通信能力,体域网(body area network,BAN)属于物联网中和人体相关的领域,其应用广泛,可以在日常生活中对人们进行监测及提供帮助.行走是许多日常活动的基本环节,因而步态分析能为体域网应用提供重要的生理行为信息.现有的步态分析已取得一定的研究成果,但仍存在一些问题,例如大多数步态特征提取是对加速度信号进行6重以上的变换,使得特征达到了45维以上,最后需要通过降维或优化来简化特征,较为复杂.本文设计一种灵活便捷的数据采集系统,并利用小波变换、傅里叶变换和四分位差提取出加速度信号中比较简单、低维度但能反应运动特征的步态参数,之后通过模式识别算法进行步态行为识别验证.实验结果表明该系统使用方便,特征提取方法简单实用,识别精确度为97%,EER(equal error rate)最小可到0.9%.     

Long‐term streamflow forecasting using artificial neural network based on preprocessing technique

Artificial neural network (ANN) combined with signal decomposing methods is effective for long‐term streamflow time series forecasting. ANN is a kind of machine learning method utilized widely for streamflow time series, and which performs well in forecasting nonstationary time series without the need of physical analysis for complex and dynamic hydrological processes. Most studies take multiple factors determining the streamflow as inputs such as rainfall. In this study, a long‐term streamflow forecasting model depending only on the historical streamflow data is proposed. Various preprocessing techniques, including empirical mode decomposition (EMD), ensemble empirical mode decomposition (EEMD) and discrete wavelet transform (DWT), are first used to decompose the streamflow time series into simple components with different timescale characteristics, and the relation between these components and the original streamflow at the next time step is analyzed by ANN. Hybrid models EMD‐ANN, EEMD‐ANN and DWT‐ANN are developed in this study for long‐term daily streamflow forecasting, and performance measures root mean square error (RMSE), mean absolute percentage error (MAPE) and Nash–Sutcliffe efficiency (NSE) indicate that the proposed EEMD‐ANN method performs better than EMD‐ANN and DWT‐ANN models, especially in high flow forecasting.     

A generalized regression model based on hybrid empirical mode decomposition and support vector regression with back-propagation neural network for mid-short-term load forecasting

Since load forecasting plays a decisive role in the safe and stable operation of power systems, it is particularly important to explore forecasting methods accurately. In this article, the hybrid empirical mode decomposition (EMD) and support vector regression (SVR) with back-propagation neural network (BPNN), namely the EMDHR-SVR-BPNN model, is proposed. Information theory is mainly used to solve the data tendency problem, and the EMD method is used to solve the data volatility problem. There is no interaction between these two methods; thus these two models can complement each other through generalized regression of orthogonal decomposition. Taking the load data from the New South Wales (NSW, Australia) market as an example, the obtained simulation results are compared with other models. It is concluded that the proposed EMDHR-SVR-BPNN model not only improves the forecasting accuracy but also has good fitting ability. It can reflect the changing tendency of data in a timely manner, providing a strong basis for the electricity generation of the power sector in the future, thus reducing electricity waste. The proposed EMDHR-SVR-BPNN model has potential for employment in mid-short term load forecasting.