Web预取模型分析

WWW的快速增长导致网络拥塞和服务器超载。缓存技术被认为是减轻服务器负载、减少网络拥塞、降低客户访问延迟的有效途径之一，但作用有限。为进一步提高WWW性能，引入了预取技术。文中首先介绍了Web预取技术的基本思想及其研究可行性，然后分析了现有Web预取模型，最后给出了一个Web预取模型应具有的关键属性。     

复杂自适应系统的描述及其分布仿真框架

复杂自适应系统是当前一个研究热点，建立一个通用的分布仿真平台对于领域专家来说具有重要的辅助，首先对复杂自适应系统进行了深入的论述，并且对它的结构特征进行了形式化的定义，建立了复杂自适应系统的对象元、自适应Agent元，消息、继承和聚集等概念，在此基础上，提出了一个支持分布并行环境和组件式仿真框架，特别对其中的公共服务Agent和自适应Agent进行了详细的叙述，并且在此框架的指导下实现了分布仿真平台，和其它复杂自适应系统仿真平台结构相比具有一定的优势。     

基于区域预测的HLA／RTI时间推进优化策略

本文首先分析了当前HLA／RTI规范中计算LBTS时“过于保守”的缺陷，然后基于大规模分布式仿真中存在的“局部性”原理，分析了邦元间时间推进中的制约关系，进而提出了基于区域预测的时间推进优化策略：通过扩展区域，预测未来某段时间内邦元间的制约关系，让无关邦元不参与LBTS的计算，使得Time-constrained flag为真的邦元能更大胆地推进，同时结合乐观机制来克服小概率的时间失序。性能分析表明，该策略能增加并发度和加速比，提高仿真效率。     

数据挖掘技术在网络型误用入侵检测系统中的应用

重点描述了数据挖掘技术在网络型误用入侵检测中的应用，实现了从网络审计数据中挖掘关联规则和序列模式，选择和构建临时统计特征，最后使用RIPPER分类器建立了误用检测模型。     

基于跳跃因子模型的不规则分布蓝色任务法

跳跃因子模型是处理系统超载的一种有效方法．它能够降低系统负载，并使系统缓慢降级．Deeply-Red算法是一种简单的基于跳跃因子模型的任务请求丢弃方法，然而由于Deeply—Red算法未考虑任务特性和CPU资源利用率，其性能较差．为了克服Deeply—Red的缺点，提出不规则分布蓝色任务法：静态不规则分布蓝色任务法(SUDB)和动态不规则分布蓝色任务法(DUDB)．SUDB和DUDB算法都是通过降低高优先级任务对低优先级任务的干扰时间，来提高任务集的可调度性．模拟结果表明，SUDB和DUDB算法性能要优于Deeply-Red算法．     

数据挖掘技术在入侵检测分类中的应用

数据挖掘技术可以从多个角度应用于入侵检测系统，通过合理地分类对比，可找出基于数据挖掘技术的优势，发现存在的问题，提出新思路，完善和发展入侵检测系统；首先介绍了应用于入侵检测的数据挖掘算法；然后提出了基于数据挖掘的入侵检测系统的分类，并分别对每种分类方法的实现进行了描述；最后提出了基于日志挖掘的入侵检测系统，并对可行性进行了简单论证。     

一个可变的先行控制器

先行控制技术现在已广泛地运用在国内外的高速计算机中,它是提高计算机速度的有效措施之一。151-3/4型计算机的实践证明:先行控制提高了机器速度40～60％,但另一方面,先行控制却带来了复杂性——指令流相关和转移,明显地影响了机器的可靠性。     

基于序列模式挖掘的误用入侵检测系统框架研究

本文提出一种基于序列模式挖掘的误用入侵检测系统框架，克服了Wenke Lee在网络层使用频繁片断算法对入侵行为进行统计分析的局限性。该系统针对应用层攻击，能够识别攻击行为的先后次序，是一种在协议分析基础上的行为分析技术。实验表明，该系统能更准确地描述攻击，可以检测出只包含一次特征的攻击。     

一种改进的基于排序的区域匹配算法

兴趣匹配是分布仿真中兴趣管理的关键环节，其速度和精度影响着兴趣管理的性能。基于排序的区域匹配算法是针对HLA／DDM的有效算法，但它只是利用了对范围界点排序而带来的空间关系启发信息，其匹配效率还有值得改进的地方。本文首先分析了匹配算法的实质，然后研究了实际分布仿真系统中实体运行时的局部性，并利用这种局部性对匹
匹配算法进行改进，给出了改进算法，进而对改进算法和原算法进行了比较测试，最后给出了结论和进一步的工作展望。     

一种基于大项集重用的序列模式挖掘算法

在重新定义序列模式的长度、增加了序列模式的挖掘粒度的基础上，提出一种基于大项集重用的序列模式挖掘算法HVSM．该算法采用垂直位图法表示数据库，先横向扩展项集，将挖掘出的所有大项集组成一大序列项集，再纵向扩展序列，将每个一大序列项集作为“集成块”，在挖掘k大序列时重用大项集．并以兄弟节点为种子生成候选大序列，利用1st—TID对支持度进行计数．实验表明，对于大规模事务数据库，该算法有效地提高了挖掘效率．