自组织网络的元指标体系

自组织网络逐渐成为网络技术发展的重要方向之一。自组织网络原来只是特指无线自组织网络;随着P2P等具有自组织特性网络的出现,自组织网络的概念逐渐宽泛化。把一切具有自发现、自管理、自配置、自组织等自组织特性的网络统称为广义自组织网络。现有的性能指标无法满足自组织网络性能刻画的需求。本文结合元数据体系的思想,提出了元指标体系的概念,并把这一概念应用到Ad hoc网络中。     

基于云平台的计算机实践教学系统研究

分析当前计算机实践教学中存在的问题,提出基于云平台构建计算机实践教学系统。     

粗粒度网络流量的灰色模型预测

在实际网络流量上研究了新陈代谢灰色模型(MGM)预测流量. 预测结果表明,灰色模型建模长度远小于流量序列主周期长度时,预测精度较高. 灰色模型预测流量宜采用小量数据建模,此时残差修正对提高预测精度影响很小,预测不需采用残差灰色模型(RGM). 对比了灰色模型与自回归综合滑动平均模型（ARIMA）和Elman神经网络（ENN）模型的预测结果,灰色模型远优于ARIMA,与ENN相当. 灰色模型的优点是能自适应网络流量的变化.     

一种基于云计算的网络流量分析系统结构

基于云计算平台Hadoop提出一种新的分布式网络流量分析系统结构。在关键监测点附近部署小型本地云,采集的流量发送到本地云进行存储和分析,本地云规模可根据监测点流量大小按需配置;分析结果传输到协调节点,存入关系数据库供查询;协调节点调度分析任务在各本地云上运行。新结构具有统一的并行处理编程框架,且能减小大量数据传输对被监测网络性能的影响。在小型云平台上用实际流量数据验证用Map-Reduce程序对分组进行统计分析的性能,相对于顺序程序处理,执行速度可提高90%以上,表明用小型云实现快速海量流量分析的方案是有效的。     

一种基于云计算的无线传感网体系结构

提出了一种基于云计算的无线传感网体系结构。整个传感网被划分为若干个分区; 云作为虚拟汇聚节点, 有多个汇聚触点, 每个触点负责一个分区中传感器的数据收集; 每个分区中的传感器组成本地传感网, 所有本地传感网通过云连接成一个整体; 数据在云中分布存储、并行处理。模拟实验表明, 新结构传感网的数据传输性能明显提升。该结构适用于以数据为中心的无线传感网。     

一种基于卷积神经网络的哈欠检测算法

哈欠检测可以用于对驾驶员的疲劳驾驶行为发出警告,从而减少交通事故的发生。提出了一种基于卷积神经网络的哈欠检测算法,可以把驾驶员的面部图片直接作为神经网络的输入,避免对面部图片进行复杂的显式特征提取。利用Softmax分类器对神经网络提取的特征进行分类,判断是否为打哈欠行为。该算法在YawDD数据集上取得了92.4%的哈欠检测准确率。与现有多个算法相比,所提算法具有检测准确率高、实现简单等优点。     

一种基于P2P的统一身份服务网络模型

针对统一身份服务中的服务发现与定位问题,提出了一种新的基于P2P网络的服务网络模型。该模型包含服务查询网络和身份查询网络两个逻辑独立的P2P网络,都由身份服务提供商组成。前者用于按服务关键词查询支持以统一身份访问的各种服务的统一身份;后者用于按统一身份查找服务提供商的详细信息,用户按查找到的信息选择和访问服务。给出了统一身份注册、发布(及服务发布)的流程,普通用户通过统一身份访问应用服务的流程。采用该模型的统一身份服务网络组织结构简单,具有良好的扩展性和顽健性。     

智慧园区建设探讨

园区是我国经济建设中的一种重要形态,智慧化是今后园区建设发展的必然方向。给出了智慧园区信息服务平台的体系结构,分为感知层、网络层、平台层和(智慧)应用层4个层次,基于该体系结构讨论了园区各个层的建设内容。感知层收集园区数据信息,是智慧的基础;数据互联是智慧的核心,网络层和平台层提供数据互联的基础设施,应用层挖掘数据间的关联,提供各类应用服务,是智慧的体现。分析了智慧园区建设中涉及的若干关键技术,包括物联网、云计算、面向服务的架构(SOA)和安全。智慧园区可看作一组物联网应用,云计算是实现平台层的理性技术,而SOA支持智慧服务的快速开发和部署。最后针对园区建设内容多、周期长等特点,讨论了园区建设规划问题。     

基于模式识别的自适应时钟重置检测算法

为解决网络测量中因测量主机的时钟重置导致单向时延测量误差的问题,根据时钟重置发生的不定时性和发生次数未知的特征,提出了一种基于模式识别的自适应时钟重置检测算法（PRBA）。该算法基于模式识别中的最大最小距离聚类算法对单向时延测量值进行聚类,同时利用时间序列技术中的一种低通滤波器过滤出噪声区间,从而有效识别网络行为特征,自适应地检测时钟值瞬时调整方式的时钟重置。实验结果表明,与现有同类算法相比,该算法具有较高准确性和自适应性。     

基于群体智能的自组织重叠社团结构分析算法

社团结构分析是复杂网络研究的一项重要内容。基于群体智能思想提出了一种自组织的重叠社团结构分析算法SO^2CSA^2。基本思想是：把网络视为一个群体,网络节点是其中的一个个具有简单智能的个体,每个个体依据定义的社团连接分数自主决定要加入的社团（可同时加入多个社团）。首先在网络中寻找一组K-派系作为初始社团结构;在此基础上,所有个体迭代地选择其社团归属,最终整个网络的社团结构将逐渐生长出来;最后对获得的社团结构进行后处理,即调整少量节点的社团归属,以提高其质量。在一组合成网络和现实世界网络上的实验表明,SO^2CSA^2发现的社团结构的质量比两种对比算法（SLPA和OSLOM）更好,尤其是在网络中重叠节点较多或节点重叠度较大的情况下,社团结构质量的提升更为明显。