基于统计预测算法的新型网络性能预警系统

随着计算机网络的迅速发展,网络的规模越来越大和复杂,相应对网络有效管理的要求也越来越高.通过对CHINANET上某个端口网络流量数据的统计分析,提出了一种针对网络流量状态某一时刻的历史信息,利用统计预测相关算法对网络性能进行预警的新方法.能根据不同网络运行状态更及时更准确地预测出网络不同时间段的各种异常情况,有效分析网络运行效率并及时发现瓶颈,为优化网络性能提供了有力依据.     

基于物联网技术的新能源电网运行状态监测方法

提出了基于物联网技术的新能源电网运行状态监测方法。利用物联网技术选取ZigBee通信网络中的网状网络以及树形网络，来收集新能源电网运行状态数据，并通过无线网络对监测区域中的参数进行智能检测；根据监测到的运行状态数据搭建新能源电网运行状态监测模型；利用电流监测原理对运行状完成监测。在实验中，通过监测器的布置进行运行状态的监控，并对提出的方法进行验证，经实验结果分析证明，发现采用基于物联网技术的新能源电网运行状态监测方法监测到的运行异常次数的误差较小，可以将误差控制在20%以内。此方法可以有效地对新能源电网的状态运行进行监测，可以更精准地对新能源电网的运行状态进行观察和研究，提高了电网运行的安全程度。     

主动网运行机制探究

主动网是一种可根据应用和服务的需求对网络进行编程的网络。它使得网络设备具有计算能力，使网络应用具有可定制性。本文探讨了一种新的主动网运行机制，它结合了离散式和集中式主动网络的优点，根据网络应用情况的不同．自动调用不同的处理。该运行机制能减少不同网络传输环境给代码运行机制的配置带来的不便，使主动网络能更适应于各种务件的运行环境。     

网络流量的神经网络直接自适应控制

设计了在线学习的网络流量神经网络直接自适应控制器，其适应能力及高速并行处理能力能很好地满足了网络控制所必需的适应性、鲁棒性和实时性的要求。从而使信源的发送速率能快速响应网络状态的变化，保证了网络处于良好的运行状态。其理论分析得到了仿真计算结果的验证。     

面向业务的网络性能管理系统模型的研究

传统的网络性能管理是以网络中的设备作为主要被管理的对象,但是网络设备的正常运行并不意味着网络业务的正常运行。在网络的使用中,用户更关心网络上运行的业务的状态与效率。本文将面向业务与主动网技术引入网络性能管理中,提出了一种基于主动代码的面向业务的网络性能管理体系结构模型,使用户可以直观的了解到网络业务的运行状态。     

基于周期抽样的通信网性能测量方法

通信网性能测量技术能够通过采集有限的网络性能数据反映网络运行状态的主要特征。该文提出了一种基于周期抽样的通信网性能测量方法，该方法能够根据网络运行状态的变化特征自适应地调整抽样周期，并根据抽样结果重建网络运行状态。经实验验证，采用该方法的测量结果可以描述网络运行状态的变化过程。     

一种SDN网络路径异常监控方法

在SDN网络中,及时掌握网络中数据传输路径的运行状态对于控制器进行网络安全监控和流量的负载均衡至关重要。利用SDN网络架构的特点,提出了一种主动测量与被动测量相结合的路径异常监控方法,以对网络路径的运行状态进行异常监控。从路径的延迟和可用带宽两个方面分析网络路径的运行情况,并对出现异常的路径进行检测和报警,保障网络的正常运行。实验结果表明,在不同的网络条件下,所提方法都能有效测量网络路径的延迟和可用带宽,并且能够及时发现网络中出现的路径异常情况。     

退避算法多负载状况下的退避窗口最优设定

为了实现无线传感器网络节点在不同忙碌状态(忙碌状态:节点一段时间内的忙碌状态时间与对应时间段的比值)的区域中均达到网络吞吐量的最优,对退避算法中退避窗口大小取值做了一定工作。基于节点忙碌状态的讨论,依据节点的吞吐量模型,通过分析不同网络负载区域影响节点吞吐量的因素,为使网络中节点的吞吐量更接近理论最大值,给出了基于不同忙碌状态的退避窗口设定算法MNLBA(multi-node-loading back-off algorithm,多节点负载条件下退避机制)。在最后的仿真结果中可以看出,与不考虑区域网络负载不同的SBA协议相比,MNLBA算法针对不同的区域状态设定退避窗口值,约能提升网络吞吐量5%~10%,起到了均衡负载、提升网络性能的作用。     

基于马尔可夫链与服务质量的网络可用性

针对网络可用性在不同网络业务中的服务质量（QoS）存在差异,且与性能花费相互制约的问题,引入了马尔可夫链理论,在定义了基于业务开销最小的服务能力匹配度的基础上构建了基于马尔可夫链和QoS指标的网络可用性（MCQNA）评价模型。首先,从最能反映网络可用特征的QoS指标出发,兼顾性能开销,同时定义了代价函数,并且给出了状态转移矩阵;然后,通过平稳状态与网络可用性关系的分析,求解出平稳分布并作为QoS运行开销的动态权重,实现了以业务运行代价最小为特点的网络可用性评判。仿真结果表明,所提模型构建的遍历性转移矩阵存在平稳分布,对网络可用性评判是可行的。该模型能针对不同业务的QoS标准,且有效针对具体业务衡量网络的可用性。     

基于瞬时转变率模型的脑网络状态观测算法

针对K-means等聚类方法在脑网络状态观测中稳定性和鲁棒性较差的缺点,提出了一种基于瞬时转变率模型的脑网络状态观测算法。通过对状态转换临界点进行分组统计和分析,计算每一个临界时间点的状态瞬时转变率,在此基础上构建脑网络状态观测算法,并使用区间估计方法对状态转换的观测效果进行估计和验证。在脑网络数据库样本中的实验结果显示,与K-means等脑网络状态聚类观测算法相比,该算法在不同条件下的聚类稳定性更好,对样本差异的适应性更强,受参数选择的影响更小,能直观地观测到脑网络状态转换趋势。     

非结构化P2P网络中的副本管理策略

为利用一种动态的副本管理机制,改善P2P网络中数据的可用性和可靠性,提出一种基于趋势预测的动态副本管理机制,通过引入经济学中的时间序列平滑算法预测热点文件,并使用3种不同的策略分别对副本的放置、删除、替换等操作进行动态管理。模拟实验和对相关数据的分析证明,该项研究能有效提高P2P网络中资源搜索的命中率,降低整个网络的开销,使网络中的各个节点达到负载平衡。     

基于均值函数新息加权的神经网络趋势预测的方法研究

当前旋转机组状态预测神经网络的应用中，存在着对新数据强调不足的缺陷，为了弥补原有的神经网络存在的缺陷，提出了一种新的神经网络预测方法，即基于均值函数新息加权的神经网络预测方法。依据时间序列数据的新旧程度对预测值贡献的大小，通过均值函数赋给输人数据不同的权值系数，提高了神经网络的预测精度。在旋转机组状态预测中能取得较为理想的预测效果。     

基于时间序列的校园网流量预测研究

网络流量预测能有效地提高网络管理的工作效率和网络带宽的利用率。本文在校园网实际应用环境中,利用时间序列模型对收集到的实际网络流量数据进行预测,并通过实验证明该预测方法具有一定实用性。     

混合预测模型在网络性能预测中的应用

分析比较不同预测模型的特点及应用条件,基于一次指数平滑模型、二次指数平滑模型和灰色系统模型GM（1,1）,提出并设计能适应网络性能数据序列的混合预测模型。实际应用证明,该模型预测效果良好,能够较好地实现一段时间内的网络性能预测任务。     

气象预报评分系统的设计与实现

为了提高预报部门的精细化管理,在现有预报手段的基础上,开发了一种预报评分系统。通过读取数据库中的预报员每天录入的预报资料,基于评分权重及预报阀值的选取等方式,快速准确地算出预报员的天气及气温的预报准确率。同时,为了提高预报员数据录入的准确性,以及考核的严谨性,采用了网络授时的管理机制。本文着重介绍了系统的主要特点以及各模块的设计和实现。实际应用表明,该系统安全稳定可靠。     

基于CNN和MC的水文时间序列预测组合模型

对于水位精准的预测是预防洪涝灾害的有效措施。在深度学习不断发展的背景下,提出基于卷积神经网络和马尔科夫链的水文时间序列预测组合模型,该模型解决了现有算法未考虑站点之间空间的相关性、多维输入的时候会提高特征提取中数据重建的复杂度,以及单一模型只考虑水位时间序列线性部分而未考虑非线性部分所导致的预测精度低的问题。该组合模型首先运用卷积神经网络训练水位时间序列和降雨量时间序列对未来水位进行预测,并结合原始时间序列计算得到残差序列,再将使用马尔科夫链训练残差序列得到的残差预测结果和卷积神经网络预测的值相加得到最终的结果。实验表明,该方法与现有算法相比,在预报准确率上能够取得更好的效果。     

基于仿真的地域通信网实时规划与管理系统设计

本文提出了一种基于仿真的实时规划与管理方式,将仿真系统与地域通信网中的一些节点构成半实物仿真,根据网络的当前状态,快速仿真网络运行,预测网络未来的性能,并持续地对网络进行优化,以此来提高地域通信网性能,改善服务质量。     

基于神经网络集成学习算法的金融时间序列预测

本文在传统神经网络(NN)、循环神经网络(RNN)、长短时记忆网络(LSTM)与门控循环单元(GRU)等神经网络时间预测模型基础上, 进一步构建集成学习(EL)时间序列预测模型, 研究神经网络类模型、集成学习模型和传统时间序列模型在股票指数预测上的表现. 本文以16只A股和国际股票市场指数为样本, 比较模型在不同预测期间和不同国家和地区股票市场上的表现.本文主要结论如下: 第一, 神经网络类时间序列预测模型和神经网络集成学习时间序列预测模型在表现上显著稳健优于传统金融时间序列预测模型, 预测性能提高大约35%; 第二, 神经网络类模型和神经网络集成学习模型在中国和美国股票市场上的表现优于其他发达国家和地区的股票市场.     

一种新的基于GCS．SVM的网络流量预测模型

针对网络流量预测模型存在预测稳定性不好、精度较低等问题,提出一种改进布谷鸟搜索算法优化支持向量机的网络流量预测模型（GCS．SVM）。将网络流量时间序列进行重构,采用改进布谷鸟搜索算法优化支持向量机参数,使用这组最优参数建立网络流量预测模型。仿真结果表明,GCS—SVM模型对网络流量预测是有效可行的。