基于模糊控制的自适应瓶颈带宽测量与定位采样方法

主动测量中探测包的发送方式即采样方法直接影响了测量的准确性。介绍常见的采样方法并对它们进行了分析。针对目前现有采样方法存在的不足,重点研究瓶颈带宽测量与定位中的采样方法,使用消融包列作为探测包,提出一种基于模糊控制的自适应采样方法。该方法能够根据网络流量的变化自适应地调整探测包的发送时间间隔。通过模拟试验对该方法进行了验证,并与其他方法进行了比较,结果表明该方法在降低测量噪声、提高测量准确性方面有较大优势。     

一种基于包排队方式的网络路径可用带宽探测方法

对IP网络路径带宽的探测是目前网络研究领域的一个热点。本文提出了一种针对端到端的网络、基于包排队方式的双向双步长网络路径可用带宽的探测方法。该探测方法由时延监视和UDP发送两个进程组成，基于包的排队时延来获取路径的可用带宽，并通过采用双向双步长的方法来递增或递减UDP包的发送速率。所提出的探测方法可以明显减少探测次数和运行时间，从而降低探测带来的开销。实验结果显示，所设计的方法和技术是可行的和有效的。     

基于包对测量的路径容量估计方法改进

测量样本的统计分析是基于包对技术的路径容量估计的关键.提出一种路径容量包对估计方法改进,将端到端路径视为离散控制过程的系统,以路径容量描述其状态.首先以包对探测方式连续发送一定数量的背靠背包对序列,获取足够的路径容量测量样本;再采用卡尔曼过滤算法对测量样本进行统计分析,以准确估计路径容量.建立了路径容量估计的滤波方程,给出了路径容量估计过程.实验表明,与pathrate算法相比,提高了估计的准确性并降低了测量探测量和测量时间.     

自适应网络往返时延采样方法

在讨论周期性数据采样算法弊端的基础上,提出自适应往返时延（RTT）的采样算法。该算法以时延变化率作为动态控制采样频率的主要依据,根据网络时延变化的缓急自动调整采样时间间隔。通过实验分析证明,该算法实现简单,可有效地跟踪网络RTT变化情况,从总体上减少采样工作量,减轻因网络测量而给网络带来的额外负载。     

基于端到端的单播层析网络时延分布

推断网络内部各链路的特性,已成为管理和评估大型电信网络的重要条件.通过某个特定路径直接监测每个链路是不现实的,所以一般通过发送端到端的探测包,利用网络的终端节点来收集网络链路的特征信息.通过单播探测包方法来推断链路的时延特性.针对网络内部链路时延累积量生成函数(CGF),提出一种基于端到端的单播探测包时延测量的偏差校正...     

端到端的可用带宽测量方法

目前绝大多数带宽测量方法都是基于网络瓶颈分隔原理的,在此基础上形成了基于包对/包队列的各种容量/可用带宽探测方法.但是,这类方法的测量结果不能超过源节点的最大发送速率,因此无法在高带宽环境中使用.另外,目前的可用带宽测量理论均没有考虑背景流的不同路由对测量方法所产生的影响.全面分析了背景流的路由对可用带宽测量的影响.在此基础上,基于蒙特卡洛(Monte Carlo)随机抽样的思想,提出了一种与现有测量方法截然不同的探测理论.该方法用随机发送单个小探测报文取代了目前的探测理论所依赖的包对/包队列,其测量范围不受源节点最大发送速率的限制.分析及实验表明,该方法不仅可以计算整条路径的可用带宽,也可以计算各段链路的容量和空闲率,进而分析得到各路由节点上的流量变化,以及各链路上对应的不同类型的背景流的分布.     

SYN探测主机状态和分组时延的设计与实现

介绍了几种常用探测主机状态和分组时延的方法。SYN探测借鉴了TCP端口扫描原理，通过发送SYN包来测试主机、TCP端口状态；利用TCP包的发送序号与确认序号嵌入时间戳，计算分组时延。最后采用Windows网络编程和多线程技术实现了SYN探测方法。     

基于信任域的环形网络介质访问时延控制仿真

针对当前网络时延控制相关方法存在控制效果不理想、网络负载均衡性能较差的问题,提出基于信任域的环形网络介质访问时延控制方法。基于OpenFlow引入时间戳对网络介质访问时延进行测量,将获取时间戳由控制器转换至OpenFlow交换机,通过控制器动态获取随机两个交换机间存在的多条路径,仅需传输一个探测分组即可得到多条路径中的时延。依据时延测量结果,以信任域为根本,将传染病目标函数和反馈路径法融合,利用在同一个信任域组范围判断数据调度的目标构建数据共享组,即数据调度方案。控制在传染病目标函数中任意选取的目标节点数目,以降低数据冗余率与信道占用率,从而降低访问时延。仿真结果显示,与传统方法相比,所提方法时延更低,且网络负载均衡度更高。     

基于包对算法改进的一种测量有效带宽的方法

包对算法是目前普遍应用的测量网络有效带宽的方法，但也有较明显的缺陷，比如在测量链路上不可避免地存在干扰业务，会影响测量结果的准确性。通常情况下，它要发送大量包对，再用很复杂的过滤算法对测量数据进行处理，才能得出一个相对准确的结果。基于以上原因，文章对包对算法做了改进，即发送的不是一个包对，而是两个大包对和两个小包对间隔发送，使得包对算法能在测量过程中主动探测干扰业务，从而简化和加快实验数据的处理过程。实验结果表明，该方法特别适合于工程上的实时应用。     

网络控制系统的时延和负载分析

针对运动体机械和大型制造装备多机电子系统协调运动控制所涉及的控制网络的特殊性，分别从控制和网络两方面给出了回路时延和网络时延的界定，并从目的、性质和获取方法等角度进行了比较．通过对网络时延的特性和评价指标的理论分析和数学描述，指出在系统运行过程中网络负载和负载波动是产生时延和时延抖动的直接原因，进一步讨论了控制网络中的负载构成和具体的估计方法．仿真结果验证了理论分析方法的有效性．     

基于随机神经网络的多步网络时延预测模型

网络时延的动态变化反映了网络路径的负载特征,对时延的精确预测是实施网络拥塞控制、路由选择的重要依据,建立了基于随机神经网络的时延预测模型,该模型克服了传统时间序列预测方法受随机干扰因素影响大、模型结构辨识过程繁琐,以及传统神经网络预测方法易于陷入局部极值、偏离全局最优的缺点.仿真实验表明,在提前单步和多步的预测中该模型比AR模型、RBF神经网络预测算法的准确度更高.     

基于仿真分析的端到端最小包时延测量方法

端到端最小包时延作为反映端到端路径拓扑特征的基本指标得到广泛应用，但目前缺少对最小时延测量方法的研究。以仿真为手段定量分析了在不同路径长度下最小时延的可测性，并建立了反映探测包数量与路径长度关系的线性方程。以此为基础，提出一种基于仿真分析的最小时延测量方法。在互联网的实际测量表明该方法能以较小的测量开销获得较准确的最小时延测量结果。     

无线传感器网络数据传输延时分配算法

为了提高箭载无线传感网络对火箭温度、冲击、热流等物理参数的处理能力,需对所采集的数据进行自适应延时分配,因此设计一种基于时隙窗口间隔均衡控制的无线传感器网络数据传输延时分配算法。构建火箭温度、振动、冲击等参数的数据采集模型,采用分布式网格均衡配置方法对无线传感器网络中的节点进行均衡部署；结合最短路径寻优方法使数据采集过程中的信道分配达到均衡,构建数据采集最短路径寻优控制模型,采用输出比特序列重组方法进行数据采集过程中的传输延迟配置；结合码元调节技术对数据传输进行自适应扩频调节,利用时隙窗口间隔均衡控制方法实现无线传感器网络数据传输延时分配。实验结果表明,采用该方法进行无线传感器网络数据传输延时分配的自适应性较好,输出稳定性较强、分配输出错误率低,有效性更强。     

公用IPv6网络承载服务SLA监测研究

分析了NGI中网络承载服务sIA(NSLA)的应用需求,针时NSLA可能的应用场合及IPv6特点定义了适用于NSLA的QoS参数:IP分组传送延迟(IPTD)、IP分组延迟变化(IPDV)、IP分组传送失败率(IPFR)和IP分组吞吐能力(IPTC),其中IPTC能有效刻画公用IP网段集维持业务流量模式的能力.分组识别和时钟同步是IPv6网络NSLA监测的两个关键问题.文中给出了分组识别的解决思路;为降低对同步的要求、支持较低成本的NSLA监测,除IFFD外其余参数均可容忍出入测量点之间存在有限的时钟不同步.此外,综合应用特点、用户感知、IPv6协议等因素,讨论了面向应用NSLA的QoS参数设定.最后设计了一个包括采集器、前端机、分析机、原始数据库和结果库等部件的NSLA监测系统,采用ON-OFF系统抽样方式被动监听自然流量,在各部件的协作下可实现各QoS参数的测量.     

机会网络中多使者交叉区域摆渡路由协议

针对传统摆渡路由中使者调度和协作的问题,设计一种交叉区域的多使者摆渡路由协议.将网络划分成若干横向区域和纵向区域,每个区域内存在一个使者轮询节点.通过单个使者或一个横向区域使者与一个纵向区域使者的协作实现数据的传递.从理论上分析了提出协议的期望延时,并从延时和容错性两个方面对协议进行了改善.仿真评估结果表明,交叉区域摆渡路由在平衡网络负载和端到端的延时的同时,具有单一使者的容错能力,是一种合理有效的多使者调度方法.     

基于异构包对序列的网络瓶颈测试方法

提出了基于异构包对序列的网络瓶颈测试方法,定义子路径瓶颈带宽的测试条件,设计了子路径和路径瓶颈测试算法,并通过仿真实验,证实了上述算法的有效性,使用异构包对序列方法,能够在短时间内测试出瓶颈带宽和发现瓶颈链路。     

双路融合的深度估计神经网络方法研究

从单目视觉中恢复深度信息是计算机视觉领域的经典问题,结合传统算法的深度学习方法是近年来的研究热点,但在神经网络的算法融合、参照物标定和应用场景上还有限制。提出了一种双路融合深度估计神经网络结构,分别基于深度与深度梯度的语义信息进行网络训练,对特征融合后再次训练得到最终的细节特征,并通过单次标定的方法解决真实参照物标定工作量大的问题。该网络结构能根据单张RGB图片推测出富有细节的深度信息,网络模型基于KITTI的深度图数据集训练,实验包括KITTI测试集和部分实际场景图集,结果表明该方法在深度信息细节的重建上优于对比深度估计方案,在大视场场景下的鲁棒性优良。     

基于全网攻击模型的攻击策略挖掘与危险评估

针对复杂网络攻击建模的不足,提出一种基于对象Petri网的全网攻击模型。通过对精确路径和粗糙路径的定义,提出了全网攻击模型的自动生成和路径挖掘算法。攻击路径集综合反映了不完备信息下主机间的确定攻击关系和可能攻击关系,结合攻击效能和路径粗糙度指标给出了定量的网络危险评估方法。     

Generative Adversarial Network Based Heuristics for Sampling-Based Path Planning

Sampling-based path planning is a popular methodology for robot path planning. With a uniform sampling strategy to explore the state space, a feasible path can be found without the complex geometric modeling of the configuration space. However, the quality of the initial solution is not guaranteed, and the convergence speed to the optimal solution is slow. In this paper, we present a novel image-based path planning algorithm to overcome these limitations. Specifically, a generative adversarial network (GAN) is designed to take the environment map (denoted as RGB image) as the input without other preprocessing works. The output is also an RGB image where the promising region (where a feasible path probably exists) is segmented. This promising region is utilized as a heuristic to achieve non-uniform sampling for the path planner. We conduct a number of simulation experiments to validate the effectiveness of the proposed method, and the results demonstrate that our method performs much better in terms of the quality of the initial solution and the convergence speed to the optimal solution. Furthermore, apart from the environments similar to the training set, our method also works well on the environments which are very different from the training set.