面向协议一致性测试的测试序列生成方法研究

考虑到协议一致性测试中基于扩展有限状态自动机( EFSM)模型的测试序列生成仍然是一个尚无理想方法解决的开放性问题,提出了一种面向协议一致性测试的基于EFSM模型的测试序列生成方法.此方法将EFSM模型转换成确定化的EFSM (DEFSM)模型,并在转换过程中对EFSM模型中的条件和操作冲突进行检测并加以消除,此外,通过测试序列生成附加模块的协助,可将变量及其条件判定从DEFSM模型中分离出来,使得处理后的DEFSM模型等同于有限状态自动机(FSM)模型,从而将EFSM的描述优势和基于FSM模型的测试序列生成优势进行有效的结合.理论和实验分析结果显示了此方法的有效性.     

适应详细注册地址信息查询的RPSL扩展*

提出了一种层次化的、支持本地语言的、互通的详细IP注册地址数据交换模型及其查询机制,并对RPSL语言进行了相应扩展,解决了现有机制的一些不足之处。     

组播路由协议HBH的分析与研究

组播路由协议HBH具有良好的可扩展性且内存需求低,但其对路由路径变化的适应能力及本地组播效率有待改进。该文分析了HBH协议产生上述问题的原因,提出新的组播转发树构建方式,通过模拟试验对其进行验证。结果表明,改进的HBH协议对路由路径变化具有良好的适应能力,并在本地具备较好的组播效果。     

CAT-RFE:点击欺诈的集成检测框架

点击欺诈是近年来最常见的网络犯罪手段之一,互联网广告行业每年都会因点击欺诈而遭受巨大损失。为了能够在海量点击中有效地检测欺诈点击,构建了多种充分结合广告点击与时间属性关系的特征,并提出了一种点击欺诈检测的集成学习框架——CAT-RFE集成学习框架。CAT-RFE集成学习框架包含3个部分:基分类器、递归特征消除(RFE,recursive feature elimination)和voting集成学习。其中,将适用于类别特征的梯度提升模型——CatBoost(categorical boosting)作为基分类器;RFE是基于贪心策略的特征选择方法,可在多组特征中选出较好的特征组合;Voting集成学习是采用投票的方式将多个基分类器的结果进行组合的学习方法。该框架通过CatBoost和RFE在特征空间中获取多组较优的特征组合,再在这些特征组合下的训练结果通过voting进行集成,获得集成的点击欺诈检测结果。该框架采用了相同的基分类器和集成学习方法,不仅克服了差异较大的分类器相互制约而导致集成结果不理想的问题,也克服了RFE在选择特征时容易陷入局部最优解的问题,具备更好的检测能力。在实际互联网点击欺诈数据集上的性能评估和对比实验结果显示,CAT-RFE集成学习框架的点击欺诈检测能力超过了CatBoost模型、CatBoost和RFE组合的模型以及其他机器学习模型,证明该框架具备良好的竞争力。该框架为互联网广告点击欺诈检测提供一种可行的解决方案。     

GIS-T中途经多地点后返回的最短路径搜索算法

在交通运输过程中，用户经常需要搜索经过多个无序地点后返回起点的最短路径。为此，首先在GIS-T中原有空间数据的基础上，动态地建立了一个两点间最短路径信息库；然后，给出了一个不依赖搜索图、结合路线特点的算法，实现了对所需的最短路径的搜索。     

NS仿真实时事件调度的性能分析

分析NS的仿真（NSE）实现所采用的实时事件调度方法,把NSE的同步过程对离散事件的处理看作一个修改的排队系统,建立实时事件调度的排队模型。把同步时间点处的等待事件看作嵌入Markov过程,得到等待事件的分布,进而得到任意时刻等待事件的分布。通过求得离散事件等待期间完成的服务数与在离散事件到达的前一同步时刻到达的其他离散事件数的等待时间的条件概率分布,得到离散事件的等待时间的分布。     

基于SPIN的模块化模型检测方法研究

该文针对模型检测过程中所存在的状态爆炸问题,提出了一种基于模型检测工具SPIN的模块化模型检测方法。所提出的方法能够将指定的抽象模型分解成若干的模块,并对这些验证复杂度相对低的模块执行模型检测,以替代对原模型的模型检测。所提方法所用的分解过程保留了原模型所有的语义,同时不增加额外的语义,从而使得验证所有模块等同于验证原模型。理论和实验分析结果显示了所提方法的有效性。     

一种可靠组播的报文修复机制

反馈重发是实现可靠组播的一种有效方式,在利用该方式的一些可靠组播协议中,报文修复机制存在的某些不足影响了可靠组播的效率,其中主要的影响因素是修复报文的发送次数和扩散程度.分析了一些典型可靠组播协议中的报文修复机制,提出了一种新的报文修复机制,该机制利用反馈消息判断出需要修复的大体区域,然后采取措施将修复报文约束在该区域内,最后对该机制的特性进行了分析,并与其它修复机制做了一定的比较.     

采用SPIN的自动柜员机业务逻辑模型检测方法

由于自动柜员机需要提供可靠的服务,确保其业务逻辑的正确性具有非常重要的意义.然而,传统的测试方法不能对其正确性进行验证.以相关业务逻辑为具体实例,给出一种基于Spin( Simple Promela Interpreter,一种典型的模型检测工具)的自动柜员机的模型检测方法.介绍如何对自动柜员机业务逻辑进行建模、如何对其主要属性进行描述和验证.实验结果表明了所提方法的可行性.     

一种拓扑感知的应用层组播方案

提出了一种具有拓扑感知能力的拓扑簇模型TCM(topology-aware clustering model),并在此基础上提出了一种有效的应用层组播方案TCMM(TCM-based multicast).TCMM能够将一些相近的节点组织在一个拓扑簇中,从而在一定程度上实现了数据包的本地传输,并能缓解不同加入顺序对转发树的不利影响.分析和实验结果表明,TCMM能够实现有效的聚簇,能够在不同的加入顺序下构造性能大体一致的转发树,并能在不同程度上改善其他一些组播性能指标.