一种网络话题的内容焦点迁移识别方法

随着网络信息技术的迅速发展,互联网已经成为人们获取和发布信息的最重要平台之一.在互联网的信息传播过程中,话题相关文本不断更新,而其内容焦点也随着话题发展发生着迁移.识别话题内容焦点有助于有效地挖掘与分析网络信息,是网络舆情分析领域的重要研究问题.文中针对网络流文本,提出了一种网络话题内容焦点的识别方法,首先对话题焦点特征在流文本中的分布情况进行分析,基于分析结果介绍了焦点识别方法3个主要步骤的算法模型,分别是基于时间属性的焦点特征词提取、内容焦点特征词的合并和内容焦点的表示.文本基于来自于真实网络的实际数据,对所提方法进行了实验验证,实验结果表明文中所提方法可有效获取话题发展过程中的内容焦点,并能以关键词集和语句集的形式对内容焦点进行表示.     

浅谈高校基于网络的公文流转系统的设计

该文简要介绍了高校公文流转的内容,分析了基于网络的公文流转优势,并对基于网络的公文流转系统的设计提出了思路。     

一种新型非代理网络运行监测系统的设计与实现

网络运行监测是网络管理中的一项重要内容,针对传统基于SNMP代理网络运行监测的不足,实现了一种非代理机制的网络运行监测系统。文章先分析了现有基于代理运行监测系统的不足,提出了基于非代理监测的实现思想,随后描述了系统的实现模型和功能,最后分析了系统的实现。     

高速网络内容监控系统的设计与实现

基于CCDGP体系结构,本文提出了一个新颖的基于会话连接的并能预测分析机处理能力的负载均衡算法,该算法综合考虑了分析机的可用性、处理能力、高速网络信息的实时处理及针对应用连接进行内容分析的不可分割性等因素,并结合Wu-Manber快速关键字匹配算法来实现高速网络环境下的网络内容实时监控.实验测试表明该系统能较好地解决高速网络环境下的网络内容监控问题.     

探析基于SNMP网络性能管理的研究与实现

基于SNMP网络性能管理是增强网络运行安全性、稳定性的基本条件,并且也是最大程度上发挥网络资源利用效果的重要前提.结合网络管理具体问题展开分析,分析了网络搜索的设备辨别与临界区使用等内容,进一步提出了SNMP网络性能管理系统设计内容及网络管理模型.     

基于网络流量自相似的网络性能测量技术研究

网络性能测量是网络行为分析的基础.本文对基于网络流量自相似的特性对网络性能测量的相关内容以及网络性能指标的测量与分析进行了系统的介绍,并对网络性能测量的下一步发展进行了展望.     

基于网络流量自相似的网络性能测量技术研究

网络性能测量是网络行为分析的基础。本文对基于网络流量自相似的特性对网络性能测量的相关内容以及网络性能指标的测量与分析进行了系统的介绍,并对网络性能测量的下一步发展进行了展望。     

适用于内容分发网络的动态负载均衡策略

本文阐述了内容分发网络和网络负载均衡技术的基本原理、算法，分析了现有负载均衡算法及BP神经网络的优缺点，在此基础上，将神经网络理论应用于网络负载均衡于，提出了基于改进BP算法并适用于内容分发网络的负载均衡算法和实现方法。     

基于内容的图像检索技术研究

随着多媒体技术和网络技术的迅速发展,基于内容的图像检索已成为一个研究热点。文章首先概括介绍了基于内容图像检索的产生、发展,然后介绍了特征提取及其相似性度量、相关反馈等技术,最后对基于内容的图像检索发展方向进行了分析。     

基于内容的网络集群负载平衡算法模型

在论述网络集群负载平衡算法的基础上,基于内容分类的方法,给出基于内容的网络集群负载平衡算法三元组模型。请求分类有利于提高缓存命中率,调度机制说明如何适当地转发请求,动态反馈避免将请求分配到重载的服务器,进而分析了调度机制的八种调度策略和六种基于内容的调度转发技术。该模型利用缓存内容来提高集群的吞吐量和响应时间,可部署多种服务类型。     

基于HP滤波的ARMA-ABCSVR-GABP网络流量预测

针对当前网络流量无法根据流量变化的特征进行预测,且通过单一或者组合模型依然得不到较高准确率的问题,提出一种基于HP(High-Pass Fliter)滤波的流量预测模型。基于高铁站流量数据日高夜低的周期特性以及流量波动增长的长期趋势,依据HP滤波将网络流量分解成周期序列及趋势序列。利用自回归-滑动平均模型(ARMA)对平稳序列预测的优势来进行周期变化的预测;使用人工蜂群算法(ABC)优化后的支持向量回归机(SVR)对趋势序列进行预测;将二者预测的结果叠加,使用遗传算法优化的BP神经网络(GABP)进行结合预测,进一步提高准确率。结果显示,该预测方法可靠,较其他方法具有优越性。     

综合颜色和形状的圆形交通标志检测方法

快速、可靠的交通标志检测是对其进行准确识别的前提,以颜色分割为基础,提出了一种基于曲线拟合的圆形交通标志检测算法。首先利用交通标志的颜色特征预分割出潜在的交通标志区域,然后针对圆形交通标志轮廓具有圆形这一关键特征,通过边缘检测并采用非线性最小二乘技术准确的确定出图像中的圆形交通标志区域。实验结果表明了算法的有效性。     

基于小波变换的网络流量组合预测模型

为了提高网络流量的预测精度,利用小波变换、差分自回归移动平均模型和最小二乘支持向量机等优点,提出一种基于小波变换的网络流量预测模型(WA-ARIMA-LSSVM)。针对网络流量多尺度特性,首先对网络流量时间序列进行小波分解,然后分别采用差分自回归移动平均模型和最小二乘支持向量机对网络流量的高频和低频进行建模与预测,最后小波重构高频和低频的预测结果,并采用仿真实验对模型性能进行分析。结果表明,WA-ARIMA-LSSVM提高了网络流量的预测精度,可以更加准确地描述网络流量的非平稳变化趋势。     

基于模拟退火的流量矩阵估计

OD(Origin-Destination)流量估计用以获得网络流量在各个OD对间的分布情况,在网络优化、管理和网络异常的检测与识别等方面具有重要意义。模拟退火算法是一种全局的最优化技术,运行效率高,将其应用于OD流估计中,有助于降低求解的复杂性,并取得较高精度。提出了一种基于模拟退火的流量矩阵估计方法,首先采用IPF算法(Iterative Proportional Fitting algorithm)校正后的历史均值作为模拟退火初始值;在模拟退火过程中,利用链路流量信息来缩小模拟退火解的搜索空间,以达到提高算法的估计精度及实时性的目的。采用Abilene网络实际数据的仿真结果表明,该文方法能够取得较高的OD流估计精度,且计算效率明显优于现有的广义重力模型方法。     

考虑前车动态效应的高速跟驰交通流研究

为描述交通中存在的“高速跟驰”现象,在NaSch模型的基础上,考虑了前车的运动特性,并结合驾驶员的驾驶行为差异,建立了考虑前车动态效应的高速跟驰交通流模型（DPM）。通过数值模拟得到了高速跟驰规律,当道路车流密度为0.18时,车道上的高速跟驰率为4.93%;同时,通过分析车辆运动的时空特性,模拟出交通流中自由流、同步流以及宽幅运动阻塞现象;还得出了不同驾驶员占比下的速度-流量-密度的关系;并分析了车辆随时间变化的速度及车头间距波动情况,较NaSch模型有更高的交通稳定性。通过NGSIM数据集及国内实测数据验证了DPM模型的有效性和实用性。     

基于矢量空间重构的网络流量预测算法

客户机与服务器之间存在数据存储隐通道,对该通道的网络流量进行准确预测可避免网络拥堵,提高网络流量的调度和管理能力。传统方法采用线性时间序列分析方法进行网络流量预测,没有准确反映流量序列的非线性特征信息,预测精度不高。提出一种基于非线性时间序列分析和矢量空间重构的网络流量预测算法。进行相位随机化处理,使得网络流量数据离散解析化,把网络流量时间序列解析模型分解为含有多个非线性成分的统计量。采用自相关函数法求得矢量空间重构的时间延迟,采用互信息最小嵌入维算法求得网络流量序列的矢量空间嵌入维,实现流量序列的矢量空间重构。在高维矢量空间中,提取网络流量的高阶谱特征,实现网络流量的准确预测。仿真结果表明,采用该算法能有效拟合流量序列的非线性状态特征,对流量状态变化的动态跟踪性能较好,其预测误差比传统方法的低。     

ATM网络中全动态视频源的二次建模

通过对ATM网络视频业务传输性能及其建模分析,针对高运动性（即全动态）视频源的建模,给出基于块的MPEG运动估计算法,提出一种非线性模型。基于自回归在GOP层对MPEG视频流进行二次建模。仿真表明,该文提出的NAR模型能准确预测具有适度运动性的实际MPEG流,对具有高运动性的流在不同的负荷和缓冲器的条件下提供可接受的预测。     

交通流量经验模态分解与神经网络短时预测方法

基于经验模态分解（EMD）和神经网络,提出了一种短时交通流量预测方法。通过EMD分解把交通流量分解成不同的模态,利用神经网络对分解后的各分量进行预测,再将预测值累加得到最终的预测结果。利用EMD与神经网络模型对I-800数据库实测交通流量数据进行预测,结果表明该方法具有很高的预测精度,明显优于直接采用神经网络的预测结果。     

基于CEEMDAN分解的短时交通流组合预测

短时交通流预测是实现交通流诱导与控制的重要保障,鉴于交通流的随机性和复杂性,提出基于自适应噪声完全集合经验模态分解（CEEMDAN）的短时交通流组合预测模型。利用CEEMDAN算法对非线性序列具有自适应分解的特性,将交通流时间序列通过CEEMDAN分解为频率不同、复杂度不同的多个时间序列分量;利用PE算法分析各个分量的随机特性,根据时间序列分量的不同随机特性分为高频序列分量、中频序列分量和低频序列分量,根据高频、中频和低频序列分量的随机特性分别建立GWO-BP模型、GWO-LSSVM模型和ARIMA模型进行预测;叠加高频、中频和低频各个分量的预测结果,得到短时交通流最终预测值。仿真分析结果表明,与其他预测模型相比,基于CEEMDAN分解的短时交通流组合预测模型提升了预测精度。     

Designing an Internet Traffic Predictive Model by Applying a Signal Processing Method

Detection of abnormal internet traffic has become a significant area of research in network security. Due to its importance, many predictive models are designed by utilizing machine learning algorithms. The models are well designed to show high performances in detecting abnormal internet traffic behaviors. However, they may not guarantee reliable detection performances for new incoming abnormal internet traffic because they are designed using raw features from imbalanced internet traffic data. Since internet traffic is non-stationary time-series data, it is difficult to identify abnormal internet traffic with the raw features. In this study, we propose a new approach to detecting abnormal internet traffic. Our approach begins with extracting hidden, but important, features by utilizing discrete wavelet transformation. Then, statistical analysis is performed to filter out irrelevant and less important features. Only statistically significant features are used to design a reliable predictive model with logistic regression. A comparative analysis is conducted to determine the importance of our approach by measuring accuracy, sensitivity, and the Area Under the receiver operating characteristic Curve. From the analysis, we found that our model detects abnormal internet traffic successfully with high accuracy.