基于维度分解的多核并行网包分类算法

为了实现高速网包分类,本文提出一种多核并行的包分类算法。该算法基于维度分解和位向量（Bit Vector, BV）的思想,将规则集分解为多个维度,在对网包进行分类时,采用包内并行方案,将多个维度的结果进行多核并行合并,缩短单个包的处理时间,提升系统吞吐能力,并且能保证输出顺序与包输入顺序一致。实验结果表明,并行算法在Cavium OCTEON CN6645多核网络处理器平台上能达到每秒92700条规则的预处理速度和5.37 Mpps的吞吐性能,当网包大于等于256 Byte时,能实现10 Gbps的线速处理,性能高于同等条件下的HiCut算法和PCIU算法。     

基于MapReduce的层叠分组并行SVM算法研究

随着训练集规模的不断增大,支持向量机学习成为了密集型计算的过程。针对计算过程中存在占用内存大、寻优速度慢等问题,通过大量实验对分组训练和层叠训练两种并行SVM算法进行性能分析,给出层叠分组SVM并行算法,并利用MapReduce并行框架实现,解决了层叠训练模型效率低的问题。实验结果表明,采用这种学习策略,在保持精度损失较小的情况下,一定程度上减少了训练时间,提高了分类速度。     

基于元组空间的位并行包分类算法

随着网络的发展,路由器需要完成数据包过滤、QOS、流量计费等额外服务,这要求路由器能够以线速(wirespeed)完成对数据包的分类处理。位并行算法是一种快速的包分类算法,但由于空间占用量过大,它不能扩展到大规模规则库。该文从位并行算法入手,通过引入元组空间的概念提出了一种新的算法,在时间复杂度与空间复杂度上都较位并行算法有很大改进,并具有很好的扩展性。     

聚类分片双支持向量域分类器

针对支持向量域分类器对大规模样本集的训练时间长且占用内存大的问题,构造聚类分片双支持向量域分类器。以均值聚类剖分原始空间,并选取密度指标大的样本作为初始聚类中心;对子空间构造双支持向量域分类器,根据样本与正负类最小包围超球的距离构造分段决策函数;定义样本的变尺度距离,以链接规则组合子空间的分类结果。数值实验表明,所提出算法的分类精度高且受参数变化的影响不大,分类时间短且随子空间数的增加而降低。     

位并行多维数据包分类算法研究

位并行算法是一种快速的包分类算法，由于空间占用量过大，不能扩展到大规模规则库。该文从位并行算法出发，比较分析了它的两种改进算法，通过引入位图映射及元组空间的概念，提出了一种新的改进算法，在时间复杂度与空间复杂度上都较位并行算法有很大提高并具有很好的扩展性。在模拟环境下对算法进行了评测，给出了试验数据的分析结果。     

样例约简支持向量机

支持向量机(support vector machine,SVM)仅利用靠近分类边界的支持向量构造最优分类超平面,但求解SVM需要整个训练集,当训练集的规模较大时,求解SVM需要占用大量的内存空间,寻优速度非常慢。针对这一问题,提出了一种称为样例约简的寻找候选支持向量的方法。在该方法中,支持向量大多靠近分类边界,可利用相容粗糙集技术选出边界域中的样例,作为候选支持向量,然后将选出的样例作为训练集来求解SVM。实验结果证实了该方法的有效性,特别是对大型数据库,该方法能有效减少存储空间和执行时间。     

基于独立规则集位提取的包分类压缩方法

针对当前互联网中多匹配域流表规模不断膨胀、匹配宽度不断增大，导致硬件存储压力过大的问题，提出了一种基于独立规则子集位提取（BEIS）的压缩方案。首先，根据多匹配域之间的逻辑关系进行匹配域合并，从而减少匹配域个数、减小流表位宽；其次，对合并后的规则集进行独立规则子集分割，将分割后的子集进行可区分的位提取，从而使用部分位完成匹配查找功能，进一步缩减所用的三态内容寻址寄存器（TCAM）空间；最后，提出了实现该方案的硬件查找架构。仿真结果表明，对于OpenFlow流表，该方案在一定的时间复杂度下，比匹配域裁剪（FT）方案减少了20%的存储空间；另外，对于实际应用中常见的访问控制列表、防火墙等包分类规则集，可实现20%到40%的压缩比率。     

基于粗糙集边界的v-支持向量机混合分类算法

针对v-支持向量机在样本集规模较大的情况下,需要占用大量训练时间的问题,提出基于粗糙集边界的v-支持向量机混合分类算法。该算法根据粗糙集理论边界区域的优点,生成分类数据的边界集,使其包括全部的支持向量,用此边界向量集替代原始样本作为训练集,减少训练集的数量,则可以在不影响分类精度和泛化性能的前提下显著缩短v-支持向量机的训练时间。仿真结果表明该算法的有效性。     

一种基于位向量交集运算的规则冲突检测算法

无论从报文分类算法自身还是从安全角度,规则冲突检测都是一个重要的研究课题.而目前常用的冲突检测算法效率较低.针对这一情况,在ASBV算法基础之上,提出了一种高效的冲突检测算法DBBV.同ASBV算法类似,DBBV算法也采用了分治思想和位向量技术.但与ASBV算法不同,在每一维规则分量处理过程中,DBBV算法只需要进行一次位向量交集运算,而ASBV算法需要进行多次位向量并集运算;DBBV算法支持以范围形式表示的规则集,而ASBV算法只支持以前缀形式表示的规则集.对DBBV算法的正确性进行了证明,测试表明其检测速度快于ASBV算法.     

基于SVM的并行网络流量分类方法

针对SVM (support vector machine)算法应用到大规模网络流量分类中存在计算复杂度高、训练速度慢等问题,提出一种基于云计算平台进行并行网络流量分类的SVM方法,以提高对大数据集的分类训练速度.该方法是一种采用云计算平台构建多级SVM和映射规约(MapReduce)模型的方法.它将训练数据集划分为多个子训练数据集,通过对所有子训练数据集进行并行训练,得到支持向量集,进而训练出流量分类模型.实验结果表明,与传统的SVM方法相比,并行SVM网络流量分类方法在保持较高分类精度的前提下,有效地减少了训练时间,提高了大规模网络流量分类的速度.     

基于HMM与SVM的语音活动检测

工程机械强噪音环境下的噪声源较多,导致电话语音通话无法进行,且强噪声造成无效数据占用带宽。为此,提出基于隐马尔科夫模型(HMM)和支持向量机(SVM)的语音活动检测算法。该算法将提取的美尔频率倒谱系数特征向量输入到HMM识别器中,并通过Viterbi算法得到N维最佳识别结果,将其转换为SVM特征向量输入到SVM分类器中进行分类判别,得到判决结果。实验结果表明,该算法在机械工作噪音的情况下,语音检测率较静态统计类算法平均提高9%,比小波支持向量机方法提高11%,在驾驶室噪音的情况下比小波SVM方法有较小幅度的提高,但其增长速度较快,且比传统的统计类算法提高9%。     

CPSO在配电网OFDM系统比特功率分配中的应用

自适应OFDM系统的比特功率分配是提高频谱利用率的关键技术,基于注水原理的注水迭代算法能够达到比特功率分配的理论上线,但实际系统中由于调制方式及传输比特整数规划的要求,不能达到比特功率分配的优化结果。鉴于此提出了云粒子群优化算法（Cloud Particle Swarm Optimization,CPSO）,利用云模型的不确定特性增加群体多样性,解决粒子群优化算法易于陷入局部极值的缺点。通过给出的云粒子群进化模式,实现搜索空间的全局搜索和局部搜索;采用进化过程中动态缩小搜索空间策略提高算法收敛速度,从而解决在低压配电网上系统发射总功率和误码率限定条件下的系统传输速率最大化比特功率分配问题。通过仿真实验表明所提算法的分配结果与位添加法相当,减少了运行时间,与注水迭代算法相比,在系统传输速率相同的情况下节省功率达4.7~14.8 dBm。     

面向脑电情感识别的改进多分类RVM模型研究

从相关向量机（RVM）和支持向量机（SVM）的相似性以及RVM的稀疏特性出发，将RVM应用于脑电信号（EEG）的情感识别中。针对一对一（OAO）和一对多（OAA）两种多分类方法各自的特点和不足，提出了一种全新的两层多分类模型（OAA-OAO），改进现有OAO算法中无效投票影响最终决策的现象。设计情感EEG信号识别对比实验，验证基于RVM的改进多分类算法在脑电信号情感识别中的应用。对于实验室采集的情感脑电信号，提取其非线性特征（功率谱熵、样本熵和Hurst指数）并采用主成分分析法进行降维。将OAA-OAO-RVM算法分别和OAO-SVM、OAO-RVM两种识别网络进行对比，分析RVM的识别性能以及OAA-OAO多分类算法的分类性能。结果表明，采用降维后的最优特征集合作为识别网络的输入向量得到的识别性能更高，且RVM表现出的性能优于SVM。同时，改进后的OAA-OAO算法较传统OAO模型的平均识别率提高了7.89%，证明OAA-OAO算法可有效去除一部分无效投票从而使分类精度得到显著提高，验证了此模型是一种有效的多分类模型。     

基于支持向量机与反K近邻的分类算法研究

针对支持向量机在对样本进行分类时,决策超平面附近的点较易错分的问题,首先将反K近邻法引入分类问题,提出了反K近邻分类算法;然后,将支持向量机（SVM）与反K近邻分类算法（RKNN）相结合,提出了基于支持向量机与反K近邻的分类算法（SVM-RKNN）;最后,为了避免单一分类器可能存在的片面性问题,提出了基于SVM-RKNN的多特征融合分类方法。实验结果表明：SVM-RKNN分类算法的分类准确率比SVM方法平均提高了2.13%,而基于SVM-RKNN的多特征融合分类算法的分类准确率分别比SVM和SVM-RKNN算法平均提高了2.54%和0.41%。     

基于服务力向量的发布/订阅自动发现算法

由于SDPBloom自动发现算法无法预先在参与者发现阶段对端点QoS策略的兼容性进行判断,使得各节点和网络中均出现大量QoS不兼容的端点信息,从而消耗过多的内存和网络资源。为解决该问题,提出一种基于服务力向量(SAV)的发布/订阅自动发现算法,利用布隆过滤器向量和SAV对端点主题名、主题类型以及QoS策略进行匹配,以减少不必要信息的传输和存储。实验结果表明,与SDP_ADA和SDPBloom算法相比,该算法具有更低的网络负载和内存消耗。     

基于SVM概率建模的硬件实现优化算法

在2种基于一对一分类策略的支持向量机(SVM)多类概率建模算法中,Pairwise Coupling概率建模算法不适合FPGA硬件实现,而投票概率建模算法分类性能较差。为此,提出一种基于Sigmoid函数的SVM概率建模的硬件实现优化算法,该算法基于合并计算及Log-add计算方法。理论分析结果表明,该算法可避免复杂的迭代计算和大量指数计算,减少运算量,并易于FPGA硬件实现。     

lαβ与组合位平面技术在信息隐藏算法中的应用

利用lαβ域对颜色的控制力和图像位平面的嵌入策略特点,按照提出的组合位平面规则l、α、β分量图进行改变。在l中嵌入鲁棒参数,以RAID4方式在α和β中嵌入隐藏信息。应用混沌映射和遗传算法提高信息与载体一致性,并以骑士巡游路线在各位平面上进行遍历。实验表明,不可见性与鲁棒性平均提高8.94%和9.88%。     

Hybrid weighted bit flipping low density parity check decoding

Low density parity check codes (LDPC) exhibit near capacity performance in terms of error correction. Large hardware costs, limited flexibility in terms of code length/code rate and considerable power consumption limit the use of belief-propagation algorithm based LDPC decoders in area and energy sensitive mobile environment. Serial bit flipping algorithms offer a trade-off between resource utilization and error correction performance at the expense of increased number of decoding iterations required for convergence. Parallel weighted bit flipping decoding and its variants aim at reducing the decoding iteration and time by flipping the potential erroneous bits in parallel. However, in most of the existing parallel decoding methods, the flipping threshold requires complex computations.In this paper, Hybrid Weighted Bit Flipping (HWBF) decoding is proposed to allow multiple bit flipping in each decoding iteration. To compute the number of bits that can be flipped in parallel, a criterion for determining the relationship between the erroneous bits in received code word is proposed. Using the proposed relation the proposed scheme can detect and correct a maximum of 3 erreneous hard decision bits in an iteration. The simulation results show that as compared to existing serial bit flipping decoding methods, the number of iterations required for convergence is reduced by 45% and the decoding time is reduced by 40%, by the use of proposed HWBF decoding. As compared to existing parallel bit flipping decoding methods, the proposed HWBF decoding can achieve similar bit error rate (BER) with same number of iterations and lesser computational complexity. Due to reduced number of decoding iterations, less computational complexity and reduced decoding time, the proposed HWBF decoding can be useful in energy sensitive mobile platforms.     

三种训练光滑支持向量分类器方法的比较

光滑支持向量分类机（SSVC）是支持向量分类机（SVC）的快速求解模型,本质上是求解数学规划中具有光滑性和强凸性的无约束最优化问题。BFGS-Armijo和Newton-Armijo算法被用来训练SSVC,相比而言后者拥有更快的训练速度;牛顿-预优共轭梯度法（Newton-PCG）适用于求解无约束的最优化问题,理论上快于一般的Newton类算法。使用Newton-Armijo、BFGS-Armijo和Newton-PCG三种算法来训练光滑支持向量分类机,根据数值实验结果进行分析比较,证明了Newton-PCG算法有更优的效果。