无线传感器网络路由协议研究进展

无线传感器网络具有与传统网络不同的特点,且与应用高度相关.传统路由协议不能有效地用于无线传感器网络,因而人们研究了众多的无线传感器网络路由协议.在介绍无线传感器网络的特点后,提出了路由协议的分类方法,然后着重分析了当前一些较为重要的路由协议的核心路由机制,并采用比较方式指出了这些路由协议的类别、特点和主要应用范围.最后总结了好的路由协议应具有的特点以及未来的研究策略与发展趋势.  

复杂网络聚类方法

网络簇结构是复杂网络最普遍和最重要的拓扑属性之一,具有同簇节点相互连接密集、异簇节点相互连接稀疏的特点.揭示网络簇结构的复杂网络聚类方法对分析复杂网络拓扑结构、理解其功能、发现其隐含模式、预测其行为都具有十分重要的理论意义,在社会网、生物网和万维网中具有广泛应用.综述了复杂网络聚类方法的研究背景、研究意义、国内外研究现状以及目前所面临的主要问题,试图为这个新兴的研究方向勾画出一个较为全面和清晰的概貌,为复杂网络分析、数据挖掘、智能Web、生物信息学等相关领域的研究者提供有益的参考.  

软件体系结构建模研究

提出了软件体系结构工程的概念，建立了软件体系结构的生命周期模型并对软件体系结构进行了分类和建模，介绍了几种典型的软件体系结构语言，提出了一个基于时序逻辑的形式化体系结构语言－ＸＹＺ／ＳＡＥ．该语言可作为系列化时序逻辑语言族ＸＹＺ／Ｅ的子语言，支持对软件体系结构可的构件，连接件和配置的描述，并可在统一的框架下描述软件体系的结构静态行为和动态行为。  

服务质量感知的网格工作流调度

在网格工作流中引入服务质量,可以使网格中的资源更好地围绕用户的要求进行组织和分配,服务质量为工作流执行过程中选择成员服务提供了依据.工作流服务质量的估算和服务质量感知的工作流调度是实现服务质量感知的网格工作流的两个关键问题.基于一种网格工作流模型讨论了网格工作流的服务质量参数体系,提出了工作流服务质量的估算算法和网格工作流调度数学模型,并提出了基于遗传算法的调度方法.仿真实验表明,该调度算法具有较好的收敛性.  

自动信任协商及其发展趋势

属性证书交换是一种在不同安全域里共享资源或进行商业事务交易的陌生人之间建立双方信任关系的重要手段.自动信任协商则通过使用访问控制策略提供了一种方法来规范敏感证书的交换,从而保护了用户的敏感证书信息、敏感访问控制策略与个人隐私,以及提高协商效率和协商成功率.对自动信任协商的研究动态进行了调研,对该领域的相关技术进行了归类及介绍.在认真分析现有技术的基础上,总结了当前自动信任协商的不足,并指出了自动信任协商继续发展应遵守的原则以及自动信任协商的未来发展趋势.  

基于免疫的网络监控模型

传统计算机免疫系统检测器训练效率低下，自体／非自体定义缺乏动态的演化机制，适应性较差，不能满足真实网络环境下网络监控的需求．有鉴于此，该文提出了一种新型的基于免疫的网络监控模型（AINM），给出了自体、非自体、抗原、检测器以及证据的形式定义，建立了自体、抗原、动态取证、免疫耐受、检测器的生命周期以及免疫记忆的动态模型及相应的递推方程，并对模型进行了仿真．实验表明这种新型的网络监控模型具有良好的多样性、实时性和自适应能力．  

基于回溯树的Web服务自动组合

在服务规则库的基础上,介绍了回溯树与完备回溯树的概念,并证明了其重要性质.提出了基于回溯树的Web服务自动组合方法.该方法采用分步分治的思想进行服务的自动组合:1) 针对用户请求的输出对象生成完备回溯树;2) 在完备回溯树中选取最佳生成源(生成路径);3) 将生成路径合成为可执行的流程服务.与已有的基于图搜索的自动Web服务组合方法相比,该方法极大地减小了搜索空间,避免了循环搜索,能够满足单目标和多目标的用户请求.仿真实验结果表明,该方法能够在大规模的服务规则库中进行快速的服务组合,从而满足用户请求.  

XML应用的基石:XML解析技术

XML解析器是XML应用的基础，选择合适的XML解析技术对应用系统的性能有着较大的影响。通过对XML解析中3种主要解析技术的对比，分析和总结了XML解析器应用中的若干问题，归纳了应用系统设计中XML解析技术的选取原则，并提出了基于性能优化考虑的解析器设计思路。  

实时内存数据库的装入

实时数据库(real-time database,简称RTDB)要求以内存数据库(main memory database，简称MMDB)作为其底层支持.内存数据库的脆弱性使得数据库的装入(包括初装和重装)极为频繁,对系统性能影响极大,而传统的装入算法对实时内存数据库不适用.为此给出影响数据装入的实时数据及事务特征,并提出一种数据装入策略与算法.  

Incremental Multi-Step Q-Learning

This paper presents a novel incremental algorithm that combines Q-learning, a well-known dynamic-programming based reinforcement learning method, with the TD() return estimation process, which is typically used in actor-critic learning, another well-known dynamic-programming based reinforcement learning method. The parameter is used to distribute credit throughout sequences of actions, leading to faster learning and also helping to alleviate the non-Markovian effect of coarse state-space quantization. The resulting algorithm, Q()-learning, thus combines some of the best features of the Q-learning and actor-critic learning paradigms. The behavior of this algorithm has been demonstrated through computer simulations.