基于图神经网络的网络性能智能预测

传统网络性能预测技术存在网络状态获取不够全面及网络性能评估准确性欠佳等问题，利用图神经网络学习推理网络关系数据的特点，结合捕获的网络全局信息，提出了一种基于图神经网络的网络性能智能预测方法。通过网络系统抽象及网络性能建模，将复杂的网络信息转化为形式化的图数据进行描述，利用图空域卷积处理图网络节点的消息传递过程，实现网络信息之间的关系推理，研究了实现网络性能预测的图神经网络模型，提出了一种能处理流量矩阵、网络拓扑、路由策略、节点配置的图神经网络体系结构，最后通过实验论证了模型能更好地实现包括时延、抖动和丢包率的网络性能的准确预测。     

一种可扩展的ForCES路由器LFB管理及开发模型

网络交换设备的可重构性越来越受到人们关注,基于ForCES路由器体系架构,作为ForCES路由器软件的重要组成部分,文章提出了一种可扩展的LFB管理及开发模型。首先提出并叙述了ForCES路由器软件结构,在此基础上,详细介绍了可扩展的LFB管理及开发模型的结构,最后为验证该模型,给出了一个实现方法,并评估了该模型的相关性能。     

T-Kernel任务调度的实时性分析

T-Kernel由于其实时性及开源性，在全球微处理器操作系统市场中已占据了一半以上的份额。该文分析了T-Kernel的任务状态及任务调度机制，给出了其调度时机及调度算法，并从嵌入式实时操作系统的实时性出发，分析了该调度机制的主要优点。     

一种UML 软件架构性能预测方法及其自动化研究

软件性能需求作为软件质量需求的重要组成部分,已受到人们极大的重视.而只在软件开发周期后期才重点关注软件性能需求的传统软件开发方法,将给开发者带来高风险和高成本等后果.如果能在软件开发周期的早期对软件系统性能进行预测,可以提前发现软件系统架构存在的性能瓶颈,并找出可能的优化方案,对各种设计方案进行比较以得出最优的软件系统架构.研究了一种基于模型的UML 软件架构性能预测方法:该方法选取软件架构设计中的UML 用例图、活动图和构件图,并引入构造型和标记值,将它们扩展为UML SPT 模型;进而,通过转换算法将UML SPT 模型转换为排队网络模型,该算法可处理同时包含分支节点和汇合节点的UML 模型活动图;最后,利用频域分析理论求解排队网络模型,以得出性能参数及性能瓶颈.同时介绍了UML 软件架构性能自动化工具的设计方案,并给出了软件架构性能预测实例.     

基于拟态防御架构的服务功能链执行体动态调度方法

面对静态、滞后的传统防御技术无法有效应对新型网络攻击的问题,根据拟态安全防御理论,提出了一种建立在数据转发层面的拟态服务功能链(mimic service function chain,MSFC)防御架构,基于该架构进一步提出了一种基于判决反馈的执行体动态调度方法。该方法以判决器反馈的异常执行体信息、执行体的异构度以及系统的实际负载量作为调度影响因素,使调度方法可以根据网络实际变化进行自适应调整。此外,该调度方法利用判决反馈对调度时间进行调整,以达到系统花费与安全性的最佳平衡,降低了系统的资源开销。仿真结果表明,该调度方法可以在平衡系统花费与安全性的基础上,选出更符合当前网络需求的高异构度执行体集合,从而提升系统的安全性及可靠性。     

基于深度学习的软件定义网络应用策略冲突检测方法

在基于OpenFlow的软件定义网络（SDN）中,应用被部署时,相应的流表策略将被下发到OpenFlow交换机中,不同应用的流表项之间如果产生冲突,将会影响交换机的实际转发行为,进而扰乱特定应用的正确部署以及SDN的安全。随着SDN规模的扩大以及需要部署应用的数量的剧增,交换机中的流表数量呈现爆炸式增长。此时若采用传统的流表冲突检测算法,交换机将会耗费大量的系统计算时间。结合深度学习,首次提出了一种适合SDN中超大规模应用部署的智能流表冲突检测方法。实验结果表明,第一级深度学习模型的AUC达到97.04%,第二级模型的AUC达到99.97%,同时冲突检测时间与流表规模呈现线性增长关系。     

基于深度学习的实时DDoS攻击检测

分布式拒绝服务(DDoS)攻击是一种分布式、协作式的大规模网络攻击方式,提出了一种基于深度学习的DDoS攻击检测方法,该方法包含特征处理和模型检测两个阶段:特征处理阶段对输入的数据分组进行特征提取、格式转换和维度重构;模型检测阶段将处理后的特征输入深度学习网络模型进行检测,判断输入的数据分组是否为DDoS攻击分组.通过ISCX2012数据集训练模型,并通过实时的DDoS攻击对模型进行验证.结果表明,基于深度学习的DDoS攻击检测方法具有高检测精度、对软硬件设备依赖小、深度学习网络模型易于更新等优点.     

QL-STCT：一种SDN链路故障智能路由收敛方法

针对软件定义网络（SDN）链路故障发生时的路由收敛问题,提出了Q-Learning子拓扑收敛技术（QL-STCT）实现软件定义网络链路故障时的路由智能收敛。首先,选取网络中的部分节点作为枢纽节点,依据枢纽节点进行枢纽域的划分。然后,以枢纽域为单位构建区域特征,利用特征提出强化学习智能体探索策略来加快强化学习收敛。最后,通过强化学习构建子拓扑网络用于规划备用路径,并保证在周期窗口内备用路径的性能。实验仿真结果表明,所提方法能够有效提高链路故障网络的收敛速度与性能。     

时间敏感网络中基于EDWF-MTTF的启发式调度算法

随着工业控制和信息网络的快速融合发展,基于以太网的时间敏感网络受到了广泛关注。时间敏感网络采用时间触发通信调度来保证数据传输的确定性。然而,现有调度算法难以快速计算大规模周期性流量的调度表。因此,设计了基于带权重的最早截止时间-最大传输时间优先的启发式调度算法,通过灵活适配流量排序权重以及回溯增强等方法,可以在较短时间内解决工业自动化场景中大规模流量的调度问题。实验结果表明,相比经典整数线性规划方法,带权重的最早截止时间-最大传输时间优先的启发式调度算法能更快地计算出大规模周期性流量调度表的较优解。