基于小波技术的网络流量分析与刻画

大量研究结果表明实际网络流量具有明显的尺度特性，在大尺度上表现出自相似，在小尺度上表现出多重分形。多重分形为刻画流量在小尺度上的奇异性提供了良好的数学框架，而小波变换对具有长程依赖性的流量起到了去相关的作用，因此有必要利用小波技术来研究多重分形。为了能全面有效地刻画现代网络特征，利用小波技术对实际流量进行分析，首先判断流量的全局特性与局部特性，然后对流量进行不同分组，分别采取组内打乱和组间打乱顺序的方法，深入探讨影响多重分形的因素，最后发现均值和方差对多重分形有较大影响。     

近似自相似性在信息分类中的评估作用

根据构建概念格过程中概念聚类的特性,本文引出了概念格图形的近似自相似性这一特征作为信息分类的评估系数。结论证明,以一个子概念格为基块的概念格图形的近似自相似性越高,那么这个子概念格中的信息在当前信息分类中越重要。以此为依据,可以评估信息分类中某类信息是否满足分类目的。     

移动Ad Hoc网络自相似业务排队性能分析

对实际网络业务大量的测量表明,网络中的业务量存在着自相似特性,移动Ad Hoc网络中的业务同样具有该特性.目前对于移动Ad Hoc网络方面的研究只限于实测和简单的定性分析.采用更接近实际情况的队列长度有限G/D/1排队模型对移动Ad Hoc网络性能进行了分析和仿真,结果表明自相似业务导致排队性能变差,缓存匮乏,时延和分组丢失概率恶化.为此提出了基于网络规划模型的适用于自相似业务的路由算法.该算法利用多路径备份路由,当链路失效时可以迅速地寻找到新的替代路由,减小缓存中排队时延和丢包率,并对网络的发射功率进行优化提高信道空间的复用度.仿真结果表明,该算法可以改善分组丢失概率,提高网络吞吐量,降低时延.     

面向VNDN的兴趣包洪泛攻击检测

在车载命名数据网络(VNDN)中, 兴趣包洪泛攻击(IFA)通过发送大量恶意兴趣包占用甚至耗尽网络资源, 导致合法用户的请求无法被满足, 严重危害了车联网的运行安全. 针对上述问题, 本文提出了一种基于流量监测的IFA检测方法. 首先构建基于RSU的分布式网络流量监测层, 每个RSU监测其通讯范围内的网络流量, RSU之间通信互联形成RSU网络流量监测层. 其次, 设定固定时间窗口, 对每个窗口内的网络流量通过信息熵、网络自相似性和奇异点3个维度进行分析. 其中, 为了利用信息熵反映兴趣包来源的分布, 在兴趣包中添加了新的字段. 最后, 综合上述3个指标, 判断兴趣包洪泛攻击的存在. 仿真实验结果表明, 本文提出的方法有效地提升了兴趣包洪泛攻击检测的准确率, 降低了误判率.     

基于非局部自相似性和低秩矩阵逼近的补全算法

针对传统矩阵补全算法在图像重建方面的不足,提出了一种基于非局部自相似性和低秩矩阵逼近（NL-LRMA）的补全算法。首先,通过相似性度量找到图像中局部块所对应的非局部相似块,并将相应灰度信息进行向量化,从而构建出非局部相似块矩阵;然后,针对所得相似矩阵的低秩性,对其进行低秩补全操作（LRMA）;最后,对补全结果进行重新组合,以达到恢复原始图像的目的。在灰度图像以及RGB图像上进行重建实验,结果表明：在经典数据集上,NL-LRMA算法要比原LRMA算法在平均峰值信噪比（PSNR）上高出4~7 dB;同时,新算法在视觉效果与PSNR值方面也明显优于迭代重加权核范数（IRNN）、加权核范数（WNNM）、LRMA等传统算法。总之,所提算法对传统算法在自然图像重建方面的不足进行了有效弥补,从而为图像重建提供了一种行之有效的解决方案。     

基于自适应低秩去噪的磁共振图像重构

本文提出了一种基于自适应低秩去噪的磁共振图像重构算法.该方法使用去噪近似消息传递算法重构磁共振图像,将自适应加权Schatten-p范数最小化方法（Weighted Schatten p-Norm Minimization,WSNM）作为其降噪模型,研究图像的重构性能.根据算法迭代过程中估计的噪声标准差自适应的设定WSNM的图像块大小及相似块个数.实验表明,与近几年提出的磁共振图像重构算法比较,本文提出的算法可以获得更高的峰值信噪比（Peak Signal to Noise Ratio,PSNR）和更低的相对${L_2}$范数误差（Relative${L_2}$Norm Error,RLNE）,得到更好的重建效果.     

微信流量特性分析与建模

微信是现代互联网的主要应用之一,到目前为止有关微信流量特性分析与建模的研究较少.本文以微信流量为研究对象,分析验证微信流量同时具有自相似性和突发性.针对这两种特性进行微信流量建模,采用线性分形稳定噪声模型刻画微信流量特性,完成了模型的参数估算和效果分析.本文的研究成果是后续的网络性能分析、网络流量监管等的基础.     

三维点云模型特征张量描述符的构造及自相似性分析

三维模型局部自相似性是物体形状分析中的一个基本问题,其中,局部形状描述符的构建对自相似性分析的最终结果至关重要.针对此问题,提出了一种基于张量融合特征描述符的自相似性分析方法.首先利用相关面和反向点对点云模型进行形状直径函数(shapediameterfunction,SDF)的近似计算;然后利用谱聚类对模型进行过分割成模型子块,由K近邻(K-nearest neighbor, KNN)邻域点的SDF、形状指数(shape index, SI)和高斯曲率(Gauss curvature,GS)矩阵构造三维特征张量;最后利用张量范数构造映射得到形状描述符,并定义相似性度量分析模型子块之间的自相似性.对几种最新的方法(包括部分匹配和显著性检测)进行了实验,无论是直观视觉效果,还是相似性测度和相对误差上的评价指标,结果均表明,该方法可有效地对形状进行描述,提高了点云模型相似子块的识别精度.     

基于矩阵运算的超网络构建方法研究及特性分析

基于邻接矩阵Khatri-Rao积运算及Khatri-Rao和运算,研究了构建超网络的方法,并通过边际节点度及联合节点度来研究超网络的内在机理。将Khatri-Rao积运算迭代地应用于一个初始图序列组成超网络的邻接矩阵,得到一个分形维数不超过3的自相似超网络。若所有初始图均是连通非二分图,则得到的超网络同时具有小世界特性,其直径不超过所有初始图直径和的两倍。此外,将Khatri-Rao和运算顺次应用于多个初始图序列组成超网络的邻接矩阵,得到一个边际节点度呈一维高斯分布而联合节点度呈高维高斯分布的随机超网络。最后,给出了基于矩阵运算的超网络构建方法的若干性质。     

基于非局部自相似性的遥感图像稀疏去噪算法

基于非局部自相似性的遥感图像稀疏去噪方法研究,在为后续的图像分析、识别以及较高层次的处理提供保证方面具有重要意义。针对遥感图像中存在非局部自相似性和稀疏性,在分析传统稀疏去噪模型的基础上,将具有相似结构的非局部块构建成组,用组作为稀疏表示单元,利用基于组正则化稀疏模型进行图像去噪。此外,针对采用整幅图像进行字典学习具有高计算复杂度,分析组特点,为每个组自适应学习一个字典。最后,为获得有效的去噪结果,利用迭代收缩阈值算法解决L0最小化问题。以"资源三号"遥感图像为数据进行实验,结果表明,该算法能较好地去除遥感图像的噪声,提高图像的峰值信噪比,保持图像结构信息。基于非局部自相似性的遥感图像稀疏去噪算法能够充分利用图像块信息有效的去除图像中的噪声,提高图像质量。