基于深度残差胶囊网络与注意力机制的加密流量识别方法

随着用户安全意识的提高和加密技术的发展,加密流量已经成为网络流量中的重要部分,识别加密流量成为网络流量监管的重要部分。基于传统深度学习模型的加密流量识别方法存在效果差、模型训练时间长等问题。针对上述问题,提出了一种基于深度残差胶囊网络模型（DRCN,deep residual capsule network）的加密流量识别方法。原始胶囊网络通过全连接形式堆叠导致模型耦合系数变小,无法搭建深层网络模型。针对上述问题,DRCN模型采用三维卷积算法（3DCNN）动态路由算法代替全连接动态路由算法,减少了每个胶囊层之间传递的参数,降低了运算复杂度,进而构建深层胶囊网络,提高识别的准确率和效率;引入通道注意力机制为不同的特征赋予不同的权重,减少无用特征对识别结果的影响,进一步增强模型特征提取能力;将残差网络引入胶囊网络层,搭建残差胶囊网络模块缓解了深度胶囊网络的梯度消失问题。在数据预处理方面,截取的数据包前784byte,将截取的字节转化成图像输入到DRCN模型中,该方法避免了人工特征提取,减少了加密流量识别的人工成本。在ISCXVPN2016数据集上的实验结果表明,与效果最好的BLSTM模型相比,DRCN模型的准确率提高了5.54%,模型的训练时间缩短了232s。此外,在小数据集上,DRCN模型准确率达到了94.3%。上述实验结果证明,所提出的识别方案具有较高的识别率、良好的性能和适用性。     

云存储技术理论研究

根据分析调研机构IDC发布的研究报告《从混沌中提取价值》表明:2011年全球被创建和复制的数据总量为1.8ZB(1ZB=2^30GB),和2010年同期相比上涨超过了1ZB并且企业数据正逐年以55%的速度增长,而且这些数据大部分是非结构化数据。存储对象也由曾经单一的存储设备转变成以云存储的解决形式。     

燃气旋流和湍流强度对转静盘腔入侵及流动特性影响的数值研究

为了探究主流旋流和湍流对转静盘腔燃气入侵规律及机理的影响,在封严冷气量固定的条件下,针对主流旋流角、湍流强度以及二者共同作用对燃气入侵规律的影响开展数值模拟研究。研究结果揭示：当仅存在旋流时,腔内Batchelor流动核心的分布位置和规模直接受主流旋流角的影响,同时,该核心的流动特性引起了封严效率的显著变化;此外,旋流角通过影响封严出口上游的压力分布,进一步影响了下游的燃气入侵程度。当无旋流角、改变主流湍流强度时,在极端湍流强度I=20%的工况下,静盘侧Batchelor核心几乎完全消失,盘腔受到严重燃气入侵。当主流湍流强度I固定为20%,旋流角与其共同作用时,入侵状况相较于无旋流角时有所改善,但旋流角SA=15°的工况封严效率反而略低于SA=30°的工况,这主要是因为封严出口上游压力分布在湍流和旋流耦合作用下呈现出不同的波动特征。     

地铁盾构施工测量内容和方法概述

地铁盾构区间施工测量不同于传统的施工测量方法,其有自己独特的测量内容和手段,主要涉及联系测量、始发测量、地下控制网测量、管片姿态测量等测量内容。