一种高效率的大流提取方法

随着网络带宽的不断提高,在线识别大流对于拥塞控制、异常检测等网络应用具有重要意义.提出了一种提取大流的算法FEFS(flow extracting with frequency&size),能够通过在线识别和淘汰小流,把大流信息保存在有限的高速存储空间中,从而快速提取大流.该算法利用LRU (least recently used)定位更新频率低的流,并进一步用流尺寸因子s和自适应调节因子M标记其中相对较小的流,最后用新到达的流将其替换.FEFS把LRU策略和尺寸因子s相结合,同时考虑了流的近期更新频率和累积报文数量,因此能够准确在线识别大流.LRU策略和尺寸因子都利用了流大小的重尾分布特征,因此FEFS能以很低的存储代价保存和更新大流信息.模拟实验表明,在限定存储条件下,FEFS的平均相对误差率明显低于经典的multi-stage filter算法,而平均报文处理时间也短于multi-stage filter算法.     

基于遗传算法智能组卷的去重题方法

针对遗传算法智能组卷过程中出现的重题问题进行研究,提出一种重题优化策略,包括重题甄别和重题替换2个部分。该策略能快速甄别并替换试卷中的重题,同时最大限度地保留整张试卷的优势。实验数据表明,采用该策略的组卷算法能有效缩短组卷时间,同时提高生成试卷的满意度。     

基于流抽样和LRU的高速网络大流检测算法

在高速主干网络中,随着网络链路速率的不断提高和网络流数量的增加,如何及时、准确地检测出网络中的大流信息,成为目前网络流测量的热点问题。根据传统LRU算法由于突发性大量小流导致淘汰大流的测量缺陷和网络重尾分布的特点,提出一种新的识别大流的算法——基于流抽样和LRU的大流检测算法。算法通过流抽样技术过滤大部分的小流,并通过LRU算法识别大流信息,将过滤和识别过程分离,减少小流错误淘汰大流的可能性,提高算法测量准确性。分析算法的复杂度和漏检率,并通过实际试验数据分析了算法参数配置对于大流测量的准确性的影响。理论分析和仿真结果表明,与标准LRU算法和LRU_BF算法相比,在使用相同的存储空间下,新算法具有更高的测量准确性和实用性。     

基于流量调度的SDN数据中心网络拥塞控制算法

针对采用软件定义网络(SDN)的数据中心网络拥塞的问题,提出一种基于流量调度的数据中心网络拥塞控制算法。当链路发生拥塞时,该算法首先判别拥塞链路中 链路上关键度最大的大流,然后对大流进行重路由计算,选择调度开销最小的流,并进行调度代价计算,最后对调度代价最小的流进行调度。实验结果表明,所提算法能够有效缓解网络拥塞,降低丢包率,提高链路利用率,使得网络性能更为稳定。     

飞机空速校准用静压测量装置轮廓结构绕流影响分析

介绍了针对一种面向飞机空速校准的外置式静压测量方法,为了减小测量装置轮廓结构绕流对静压测量的影响,从而提高静压测量精度,应用FLUENT对装置轮廓结构进行绕流影响分析,得到绕流影响最小的轮廓结构类型,并采用正交试验方法对收缩角度β、过渡长度L、最大直径ΦD、最小直径Φd共4个参数进行优化;仿真结果表明,测量装置轮廓采用圆弧型收缩过渡结构绕流影响最小,轮廓最大直径和过渡长度对静压测量绕流影响较为显著;最优参数组合为:β=33°,L=40mm,ΦD=50mm,Φd=22mm,优化后的结构对静压管的绕流影响减小了37.5%,提高了静压测量精度。     

基于ISVM的软测量建模及其在PX生产中的应用研究

针对软测量模型存在的失效问题．提出一种基于增量支持向量机的建模方法．随着时问的推移．每次在模型中增加一个样本进行增量学习的同时,采用启发式策略去掉工作集中一个老的样本,从而可以在软测量模型中不断增加能够代表新工况信息样本的同时控制工作样本集的规模．将所提出的软测量建模方法用于二甲苯（PX）吸附分离过程纯度的预测．结果表明所提出的建模方法以及样本替换策略可以有效地增强软测量模型适应工况变化的能力,提高其预测的精度．     

大业务流识别方法研究综述*

大业务流识别（简称大流识别）方法是网络流量测量与分析中必不可少的一种方法和手段,在学术界和工业界都引起了广泛的关注。针对大流识别问题展开研究,对适用于网络监控和管理需求的大流识别的方法、成果和相关问题进行综述,分类分析和总结了典型的大流识别方法,并指出这些方法存在的局限性和不足,对下一步研究趋势进行了预测。     

高速网络中基于流速测度的动态超时策略

基于流特性的测量在网络行为分析中发挥着越来越重要的作用.超时策略作为流识别的主要标志之一,对流特性测量的正确性和性能具有重要的影响.通过对现有流超时策略进行比较和分析,指出这些超时策略的适用范围和存在的问题.在详细分析网络中流长分布和速度测度各项指标的基础上,针对短流占总体流量很大比例的特点,提出了一种动态超时策略(dynamical timeout strategy,简称DToS).该策略通过实时综合分析网络使用状况,针对不同特性的流采用不同的超时方式,从而增加网络测量性能,提高测量系统的资源利用率;并可以有效地感知可能存在的网络异常,启动应急措施,保证测量系统的安全;然后通过理论分析的方法验证该策略的可行性和鲁棒性;最后通过实验论证该超时策略在实际测量中的性能,并进一步分析其适用范围.     

基于流调度选择的DCN动态负载均衡算法

针对数据中心网络(data center network,DCN)动态调度导致的负载不均衡问题,提出了基于流调度选择的动态负载均衡(dynamic load balancing based on flow scheduling selection,DLBFSS)算法。该算法首先计算拥塞链路上各条大流的等价最短路径,并删除不满足流带宽需求的路径;然后计算剩余路径的可用吞吐量,选择可用吞吐量最大的路径作为最优调度路径;最后根据大流的带宽和最优路径的负载定义调度的拥塞概率,将拥塞概率作为大流调度选择的依据。实验结果表明,与传统ECMP（equal-cost multi-path）路由和现有大流调度算法相比,DLBFSS能够减小网络时延,提高流的带宽利用率,保证了更好的负载均衡。     

一种基于权重的数据网格副本替换策略

针对数据网格中存储站点的容量限制,提出了一种基于权重的数据副本替换策略(WBRR).在网格模拟环境OptorSim上进行的模拟实验结果表明:基于权重的策略相比于传统的副本替换策略,在降低网络利用率的同时缩短了系统的响应时间,达到了提高系统性能的目的.     

基于全局光流特征的微表情识别*

以改善微表情识别效果为目标,研究基于梯度的全局光流特征提取算法.针对精细图像间大位移问题,引入多分辨率策略对图像分层,通过迭代重加权最小二乘法逐层优化目标函数,求解最优光流,保证运动跟踪的准确性.为了体现人脸关键部位的动作差异,提出分区的特征统计方法,将光流图像划分为若干矩形区域,在局部区域内归纳各点光流运动情况,增强特征的有效性.实验表明,文中方法提升整体识别率和各类情感区分的准确度.     

流量仪表技术发展与趋势

文章分发展概况和发展趋势二部分，发展概况简述流量仪表功用、仪表种类及主要问题；发展趋势重点介绍解决现场准确度的问题，拓展多相流流量测量的方法和意义，指出流量仪表正走在高科技发展路子上。     

高速网络监控中大流量对象的提取

在高速网络环境下,由于受计算及存储资源的限制,及时、准确地提取大流量对象对于检测大规模网络安全事件具有重要意义.结合LRU淘汰机制和LEAST淘汰机制,建立了基于二级淘汰机制的网络大流量对象提取算法(LRU&LEAST replacement,简称LLR),两种淘汰机制相互弥补不足,较大地提高了算法的准确性.由于算法占用存储空间较少,从而可以在有限的SRAM空间中更快地处理流量信息.该算法在网络数据量增加的情况下不必增加存储空间,具有很好的可扩展性.     

油田监测与分析系统核心算法修正

随着油田智能化发展的需要,传统的故障诊断、动液面、产量计量算法已不能满足油井问题在实时性和准确性方面的要求。针对目前国内外油井监测与分析系统中存在的问题,本文对系统核心算法故障诊断、动液面、产量计量进行修正。其中,故障诊断采用基于关联度函数修正的方法,并给出一种专家知识库实时更新完善策略。动液面算法采用物元分析的方法,通过建立物元模型确定油井的最优多相流算法。产量计算算法采用均值滤波的方法,通过消除示功图中复杂的频率部分精确求取示功图有效冲程。并对以上修正算法进行了仿真,提高了油井问题诊断的准确性和诊断效率,为智能油田提供理论基础。     

Scalable algorithms for estimating flow length distributions from sampled data

With the rapid growth of link speed, obtaining detailed traffic statistics becomes much more difficult. In order to reduce the resource consumption of measurement systems, more and more passive traffic measurement employs sampling at the packet level. Packet sampling has become an attractive and scalable method to measure flow data on high-speed links. However, knowing the length distributions of traffic flows passing through a network link is very useful for network operation and management. In this paper, we consider the problem of estimating flow length distributions based on sampled flow data. This paper introduces two algorithms for estimating flow length distributions, fitting estimation and factoring estimation. The fitting estimation uses piecewise Pareto distribution to fit the original traffic for a small sampling period. The factoring estimation is used for a large sampling period. It first factorizes the large sampling period into a product of some smaller integer factors, then iteratively invokes fitting estimation or other algorithms such as ${\textit{EM}}$ in the arranged order of the factors. Evaluations of the proposed algorithms on large Internet traces obtained from several sources demonstrate that they have high measurement accuracy with low computation overhead. The algorithms allow us to recover the complete flow length distributions.     

滑油泵试验器流量修正参数确定方法研究

为提高低压大流量滑油泵试验器流量计量的准确性,针对计量过程中流量影响因素恒定控制难的问题,分析了流量计量过程的特性,确定了影响流量计量精度的主要因素:滑油泵出口压力、滑油温度和滑油泵转速~([1])。为消除这三种因素对计量的影响,提出了带回归系数的流量补偿方法。为确定回归参数,采用多元线性回归算法~([2]),建立多元线性回归模型,并结合大量的实验数据,利用Madab对回归模型求解,最终求得流量回归系数并应用到控制系统中。实践证明,该方法提高了试验器的计量精度,减少了实验次数,对两种标准泵计量20余次,计量误差均在±0.3 L之內,满足使用条件。     

基于几何覆盖率算法的传感器覆盖优化策略

区域覆盖率是传感器网络节点调度过程中的一项重要指标。现有的栅格统计法会因为栅格大小划分而导致计算精度与计算速度的矛盾,不利于大面积传感器网络的规划调度。针对栅格统计法的不足,提出了一种基于圆弧并面积算法的几何覆盖率算法,这种算法使用简单的几何运算代替栅格统计法中大量的循环统计,是一种快速且精确的算法。结合遗传算法,并利用几何覆盖率算法设计判冗余机制,形成了传感器网络覆盖优化策略,仿真结果表明利用几何覆盖率算法的优化策略能有效提高规划效率和计算精度。     

命名数据网中基于流行度的网内缓存替换策略

针对命名数据网络中如何高效地对节点内的数据进行替换的问题,对节点内已经缓存的数据块,根据被请求的频率、请求时间间隔,准确判断数据块在当前时间的流行度,提出了一种基于流行度的替换策略Po-Rep。从命中节点返回的数据决定要存储在相应节点时,把节点内流行度低的数据进行剔除替换。该策略使节点的内容保持最大价值,满足后续的用户请求。仿真结果表明,该策略有效提高了网内节点存储的命中率,降低了服务器的负载,提高了网络的整体性能。     

小波变换在电磁流量信号处理中的应用

为有效抑制电磁流量计测量过程中产生的干扰,提高测量的精确度和稳定性,提出了基于Haar小波的软件滤波方法。该方法基于小波消噪原理,对强噪声干扰下的电磁流量信号进行了分析,并应用Matlab中的小波工具箱对所提出的Haar小波滤波方法进行了仿真研究。试验结果表明,这种方法能较好地抑制电磁流量信号中的各种噪声干扰,从而提高电磁流量计的测量精度。     

基于集成聚类的流量分类架构

流量分类是优化网络服务质量的基础与关键.机器学习算法利用数据流统计特征分类流量,对于识别加密私有协议流量具有重要意义.然而,特征偏置和类别不平衡是基于机器学习的流量分类研究所面临的两大挑战.特征偏置是指一些数据流统计特征在提高部分应用识别准确率的同时也降低了另外一部分应用识别的准确率.类别不平衡是指机器学习流量分类器对样本数较少的应用识别的准确率较低.为解决上述问题,提出了基于集成聚类的流量分类架构（traffic classification framework based on ensemble clustering,简称TCFEC）.TCFEC由多个基于不同特征子空间聚类的基分类器和一个最优决策部件构成,能够提高流量分类的准确率.具体而言,与传统的机器学习流量分类器相比,TCFEC的平均流准确率最高提升5%,字节准确率最高提升6%.