仿真研究无线多跳网络跨层协议设计的优劣

为了改善无线多跳网络的性能，很多研究表明跨层协议设计比OSI模型更适合无线网络。本文分析了无线多跳网络的特征及对各协议层的影响，给出了跨层协议设计对网络性能的改善以及它可能带来的问题，并针对速率自适应MAC协议和网络层路由协议之间的相互影响给出了仿真实例，结果证明跨层协议设计要充分考虑不同协议之间的相互影响，合理规划、谨慎实施，否则网络的性能不升反降。     

基于集成学习的物联网设备异常流量检测算法

随着物联网设备数量的快速增长,被劫持的物联网设备组成的僵尸网络发起非法攻击的频率大大增加,物联网设备的安全性已经成为一个严峻的问题。为了检测物联网设备发起的异常流量,提出一种集成学习的个体学习器选择算法（individual learner selection algorithm,IISA）,IISA是一种基于相关系数度量的选择方法,利用相关系数将相似度差异大的个体学习器集成起来并采用投票的方式进行判决,在减少个体学习器的同时,提高检测的准确度和检测效率。实验结果表明,和八种半监督机器学习检测算法相比,其查全率最大降低9.12%,准确率最大提高4.69%,检测效率最大提高70.72%。     

基于主动缓存的云边端协同卸载策略

为避免移动边缘计算中任务的重复计算,进一步提升系统性能,缩减应用程序完成时间,提出基于主动缓存的云边端协同卸载策略(CEECO).在边缘服务器和云端主动缓存计算任务的执行结果,在此基础上基于线性回归模型进行任务预测,得到不同的云边端卸载执行策略.仿真结果表明,该算法相对传统卸载策略总完成时间更少,能够满足不同任务情况下对时延的要求.     

基于动态资源选择策略的微服务工作流调度算法

为解决现有云中工作流调度算法在面对大量微服务任务组成的工作流时出现整体调度成本偏高的问题,提出一种基于动态资源选择策略(dynamic resource selection strategy, DRSS)的微服务工作流调度算法——DRSS调度算法。利用任务在工作流中的位置确定任务的子截止期以及调度优先级,采用动态资源选择策略对任务进行调度,获得任务执行的最优资源,在此基础上更新任务状态以及虚拟机实例的资源向量。实验结果表明,该算法在调度成功率与成本方面上较同类算法更优。     

基于两层调度的RAN切片资源分配策略

为在高负载场景下兼顾隔离和资源效率,提出一种适用于实际系统的高效、灵活、低复杂度的两层无线资源调度算法。根据切片的流量负载、优先级和设定的隔离级别将资源分配给3类(e MBB、u RLLC和m MTC)切片,在切片内针对每一类用户需求采用不同的资源管理策略进行分配。仿真结果表明,该算法相较现有RAN切片算法在高负载下可以满足e MBB用户对吞吐量的需求和u RLLC用户对时延的需求。该算法复杂度低,灵活性高,可以根据不同的场景和需要,设置不同的隔离级别和优先级。     

Windows下实时图像捕获的两种方法

本文介绍了在Ｗｉｎｄｏｗｓ操作环境中编写捕获和显示动态实时图像应用 两种方法,一种是使用图像采休卡附带的开发工具箱（ＳＤＫ）中的函数进行开发,其中各种功能函数的介绍对／所有图像采集卡应用程序编程都有借鉴都有借鉴意义,另一种是利用Ｗｉｎｄｏｗｓ９８附带的视频开发工具编程,了解此开发工具的各方面后,不用知道硬件特性也能轻松编程,文中的程序用ＣｉｓｕａｌＣ＋＋６．０编写并编译通过,附图就是由此捕获得到的     

WiMAX频谱规划问题探析

WiMAX作为一种新型的宽带无线接入技术，一直是业界关注的热点。但作为无线技术，其频谱的使用与规范目前尚未解决。本文着重分析了影响WiMAX频谱选择的因素，讨论了目前WiMAX几个主要操作频段的分配腈况和优劣，为未来WiMAX频谱的分配以及部署提供了一些参考意见。     

PCML的定义及其在远程教育中的应用研究

本文分析了定义在线课件标准的必要性和可行性 ,在剖析了教学活动中物理课件研制的特殊性的前提下 ,详细介绍了 "物理课件标记语言 " PCML的定义 ,提出了基于 PCML的物理在线多媒体课件系统模型并论述了其实现方案     

基于意图的物联网服务描述与发现

在物联网服务发现过程中,用户通常用自己的意图表达需求,而服务描述是对服务功能的说明,因此两者的不匹配会影响服务发现的准确率。同时随着服务的种类不断增多,服务发现的准确率不断降低。为了解决上述问题,提出在物联网服务描述中引入意图服务本体的方法,并在意图服务本体中扩展服务上下文和QoS。扩展后的意图服务本体存储在语义化服务描述OWL-S文件中,能够以意图的方式表达服务功能,丰富物联网服务描述的语义,提高服务发现的准确率。仿真结果表明,所提服务描述方法以及相应的服务发现算法相对于传统服务发现方法能提升6.7%的准确率。     

基于特征选择的VNF资源需求预测方法

针对在网络切片场景下以往的VNF(虚拟网络功能)资源分配策略无法满足动态的资源需求,很容易导致资源分配不足或过度分配的问题,提出了一种基于两阶段算法(two-stage algorithm,TSA)的VNF资源需求预测方法.该方法首先基于数据特征筛选出与预测目标高度相关的候选特征集,然后利用贪婪式前向搜索策略对候选特征集进一步筛选获得最优特征集,最终训练出不同类型的预测模型.仿真结果表明,基于该方法所训练的模型可以获得更好的预测性能,同时该方法的可扩展性较好,训练好的模型可以直接集成到现有的VNF部署算法中应用.