基于混合流量预测的虚拟网络拓扑重构方法

目前在构建虚拟网络时, 为满足用户动态变化的带宽需求, 虚拟网络控制平台通常把虚拟链路带宽设置为流量最大值, 一定程度上造成了资源浪费。针对这一问题, 提出一种基于混合流量预测的虚拟网络拓扑重构方法, 利用基于参数优化选择的混合流量预测算法对下一周期的网络流量进行预测, 根据流量预测结果进行拓扑重构, 在避免出现乒乓效应的同时节省更多带宽资源。为了提高流量预测算法的精度与效率, 首先采用小波分解方法将流量数据分解为高频的细节时间序列和低频的近似时间序列, 然后利用基于粒子群优化的相空间重构方法, 对该时间序列进行特征提取构建训练样本。之后分别采用混沌模型对细节时间序列进行训练预测, 采用极限学习机(extreme learning machine, ELM)神经网络对近似时间序列进行训练预测。仿真结果表明, 所提的流量预测算法在保证预测精度的同时, 运行时间更短, 预测效率更高, 进而保证了拓扑重构方法可以节省更多的带宽资源。     

一种新的基于混合策略的动态组密钥管理方案

针对大型动态组通信,提出一种基于Iolus LKH SKDC混合策略的组密钥管理方案。该方案中全局组控制器通过密钥树来管理各个子组控制器,每个子组内采用改进的LKH SKDC方案管理子组成员;子组管理器根据成员ID值,利用单向散列函数计算成员所在路径上各节点密钥值。该方案具有分组管理和集中管理的优点以及良好的可伸缩性,它使LKH方案中的单点失效问题限制在子组范围内,不会对全局产生影响。理论分析和数值结果表明,该方案中子组管理器的密钥存储和动态更新开销大大减少,且用户在加入和退出子组时不会随机产生更新密钥,具有较好的综合性能。     

多目标粒子群优化的复合型组播拥塞控制

摘要： 为提高异构环境下大规模动态组播的吞吐量并减小速率抖动,提出一种复合型组播拥塞控制机制(composite multicast congestion control, CMCC). 该机制在基层和增强层使用不同的速率调节方案：基层使用单速率机制控制发送速率,防止接收能力较弱的接收端被“排挤”出组;增强层使用最优化的方法分配速率以提高组播吞吐量并平滑发送速率. CMCC以最大化全局满意度和最小化速率抖动为目标将增强层速率的分配归纳为多目标优化问题,并选用收敛速度快、参数少且计算量小的多目标粒子群优化算法搜索最优解. 仿真结果表明,CMCC能有效提高组播吞吐量,平滑发送速率,且计算量小,实时性高,适用于具有异质接收端的大规模组播.     

基于最优样本子集的在线模糊LSSVM混沌时间序列预测

提出一种基于最优样本子集的在线模糊最小二乘支持向量机(least squares support vector machine,LSSVM) 混沌时间序列预测方法. 算法选择与预测样本时间上以及欧氏距离最近的样本点构成最优样本子集,并采用" 不敏感函数对其进行模糊化处理,通过模糊LSSVM 训练获得预测模型. 随着时间窗口的滑动,最优样本子
集和预测模型实时更新,模型更新采用分块矩阵方法降低运算复杂度. 实验中对时变Ikeda 序列进行预测,表明所提出的方法与离线和在线LSSVM 相比,训练速度更快,预测精度更高.     

MPLS流量工程中基于约束的路由选择技术研究

在介绍MPLS流量工程基本概念的基础上，对流量工程的核心技术——基于约束的路由选择进行了系统的研究，并重点对基于约束路由研究的难点、计算方式、度量参数的选择作了深入的探讨，结合存在的问题，提出了今后基于约束路由可能的发展方向。     

MOS器件失配对开关电流滤波器的影响

提出了一种ＭＯＳ器件失配时开关电流镜的简单模型，对开关电流（ＳＩ）非理想通用积分器进行了时域分析，以及积分器转移函数误差、Ｑ值及灵敏度的计算，并与开关电容（ＳＣ）原型做比较，文中还以ＳＩ非理想通用积分器模型为基块，导出了器件失配时双二次滤波电路的直流失调电流和转移函数表达式，为研究器件失配对ＳＩ滤波器的影响提供了一条有效的途径。     

基于电流反馈放大器的全集成连续时间双二次滤波器

本文提出了基于电流反馈放大器(CFA)的MOSFET-C基本积木块——无损和有损积分器及加权求和器,阐述了采用这些积木块生成全集成连续时间滤波器的方法.以Tow- Thomas(TT)经典有源RC电路为原型,导出了一种新的全集成双二次结构,并采用前馈技术得到了一般双二次全集成实现.这些MOSFET-C滤波电路,结构简单,所有电容均接地,适合于用CMOS工艺集成.     

萤火虫群算法优化高斯过程的网络安全态势预测

针对共轭梯度法获取高斯过程超参数存在迭代次数难以确定及预测不精准等问题,提出一种萤火虫群算法优化高斯过程的预测方法,并将其应用于网络安全态势预测研究。采用萤火虫群优化算法对高斯过程超参数进行智能寻优,建立基于高斯过程回归的网络安全态势预测模型。实验结果表明新方法的平均相对预测误差较共轭梯度法、粒子群优化算法和人工蜂群优化算法分别降低了近29.46%、10.37%和4.22%,且新方法收敛较快。另外,分析对比了3种单一类型和2种复合类型的协方差函数对高斯过程预测的影响,实验结果表明采用神经网络与有理二次的复合协方差函数(neural network and rational quadratic composite covariance function, NN-RQ)的平均相对预测误差较其他4类协方差函数降低了1.65%~7.51%。     

基于复合边权重的加权复杂网络级联抗毁性优化

针对加权网络级联抗毁性问题,融合对级联失效动力学过程有重要影响的节点度和介数两种指标,提出一种节点度和介数相关的边权重模型,该模型通过定义调整两种指标占边权比重的参数,以及调整网络异质度的权重参数,使得边对故障引起的额外负载的承载能力更强。理论分析与仿真结果表明,存在某一权重参数以及比重系数取值使得BA无标度网络和NW小世界网络鲁棒性达到最强;相比单一指标边权方法,提出的模型能够更加有效地提升网络级联抗毁性能。     

基于组合赋权的网络可生存性模糊综合评估

针对网络系统可生存性的有效评估问题,对指标体系的构建,指标赋权及综合评估方法进行了研究。提出了一种机制关联的网络可生存性指标体系构建方法,从可生存性的4个重要属性角度构建了层次化的指标体系,依据该指标体系提出了一种新的组合赋权方法,由层次分析法计算主观权重,粗糙熵方法计算客观权重,并给出了关联权重的概念和计算方法,构建离差最小化目标优化函数将3种权重联合得到组合权重,建立了基于隶属云的模糊综合评估模型,将隶属云替代原来的确定性隶属度函数。仿真结果表明,该评估方法可对网络系统可生存性进行准确有效的评估。