TenrepNN：集成学习的新范式在企业自律性评价中的实践

为了应对互联网环境中企业自律性低、违规事件频发、政府监管困难的现状,提出一种针对企业自律性评价的双层集成残差预测神经网络（TenrepNN）模型,并融合Stacking和Bagging集成学习的思想提出一种集成学习的新范式Adjusting。TenrepNN模型具有两层结构：第1层使用3种基学习器初步预测企业评分;第2层采用残差修正的思想,提出残差预测神经网络以预测每个基学习器的输出偏差。最后,将偏差与基学习器评分相加得到最终输出。在企业自律性评价数据集上,相较于传统的神经网络,TenrepNN模型的均方根误差（RMSE）降低了2.7%,企业自律性等级分类准确率达到了94.51%。实验结果表明,TenrepNN模型集成不同的基学习器降低预测方差,并使用残差预测神经网络显式地降低偏差,从而能够准确评价企业自律性以实现差异化的动态监管。     

高速长距离网络传输性能优化

从传输协议和网络节点两方面分析高速长距离网络传输性能的影响因素,介绍中间节点拥塞避免、减少主机负载以及改进传输协议等各种性能优化方法,并结合仿真和实际网络实验验证,指出各种技术的优缺点。对传输性能优化技术进行总结并给出设计终端性能自适应的传输协议。     

基于UDP的高速网络传输协议研究

分析了基于UDP的改进高速网络传输协议的基本原理, 详细阐述了近年来提出的一些典型的基于UDP改进传输协议的主要设计思想。通过建立端到端的高速网络试验床, 评价了RTT及丢包率对RUBDP、Tsunami、 UDT、PA-UDP四种传输协议吞吐率的影响, 实验结果表明丢包率对于四种传输协议的吞吐率影响比较大。