一种自适应群组交互的网络带宽管理机制

本文在分析现有的基于集中式MCU实现群组交互的基础上，提出了一种能够自适应群组交互规模变化和QoS要求的网络带宽动态管理和分配机制，给出了实现算法，并在实际中得到测试和应用，取得良好的效果。     

TrueType字形技术及其在应用程序中的使用

本文在简要地阐述了ＴｒｕｅＴｙｐｅ字形描述技术基本概念的基础上，介绍了ＴｒｕｅＴｙｐｅ字体的构造技术和指令集，着重说明了Ｗｉｎｄｏｗｓ应用程序设计中使用ＴｒｕｅＴｙｐｅ字体的具体方法。     

一种面向非平衡数据的邻居词特征选择方法

在非平衡数据情况下,由于传统特征选择方法,如信息增益(Information Gain,IG)和相关系数(Correlation Coefficient,CC),或者不考虑负特征对分类的作用,或者不能显式地均衡正负特征比例,导致特征选择的结果下降.本文提出一种新的特征选择方法(Positive-Negative feature selection,PN),用于邻居词的选择,实现了文本中术语的自动抽取.本文提出的PN特征选择方法和CC特征选择方法相比,考虑了负特征;和IG特征选择方法相比,从特征t出现在正(负)训练文本的文本数占所有出现特征t的训练文本数比例的角度,分别显式地均衡了正特征和负特征的比例.通过计算特征t后面所跟的不同(非)领域概念个数占总(非)领域概念个数比值分别考察正、负特征t的重要性,解决了IG特征选择方法正特征偏置问题.实验结果表明,本文提出的PN特征选择方法优越于IG特征选择方法和CC特征选择.     

一种基于柔性化数据处理模型的数据中心动环个性化运维解决方案

随着数据中心的规模日益庞大,面对海量的运维数据,维护人员个性化的数据处理及对系统功能敏捷化的开发需求愈加迫切,为此提出了柔性化数据处理模型,并以其为基础设立用户自配置功能区、用户自定义报表区和用户自编辑逻辑矩阵三个应用功能区,解决了现有动环监控系统数据处理不灵活、功能固定且开发部署周期长的问题,可快速满足数据中心（或核心机楼）动环运维人员多样化的数据分析需求。     

一种基于生语料的领域词典生成方法

为了实现准确分词，实用的汉语信息处理系统都需有其专用的领域词典．针对现有词典构造方法存在的不足，本文提出了一种领域词典的构造方法；利用通用词典对领域生语料进行分词处理，并提出了基于切分单元的最大匹配算法，从而得到候选词串集，然后利用规则对其进行优化，最终生成领域词典．词典的生成过程基本上是自动完成的，人工干预少，易于更新；目前．本方法生成的领域词典已经应用于我们自主开发的“基于Web的智能答疑系统”中，并取得了较好的效果．     

面向网络舆情数据的异常行为识别

社交网络的日益普及和移动设备快捷的网络接入,使得网络舆情的传播十分迅捷,民众对热点话题的关注度和参与度得到很大的提升.网络舆情具有自由性、交互性、多元性、偏差性、突发性等特点,能够左右民众的情感和判断,能推动和改变事件的发展和走向,容易被反对分子利用,已经成为影响社会稳定的重要因素.因此,及时检测、控制并引导舆情的发展具有十分重要的意义.研究关注网络中传播的蕴含有“破坏”、“危险”、“损失”等涉及公共安全或涉及司法公正的行为.根据课题的需要,定义4种关注的异常行为类型:攻击行为、受伤行为、死亡行为、拘捕行为.从数据挖掘和信息抽取的角度研究识别异常行为的方法,首先通过分类器和触发词从海量的数据中过滤出包含异常行为的句子,然后抽取异常行为句中包含的命名实体,最后利用抽取的实体构建异常行为共现网络,为分析人员提供可视化的网络舆情分析方法.     

一种基于传感器与用户行为数据分析的移动学习场景感知分类方法

随着智能手机和移动互联网的普及,使用智能移动终端进行学习的用户也逐渐增多,移动学习在数字教育领域占据着越来越重要的地位.移动学习的有效性体现在情境感知的能力,即能够感知不同学习情境并提供相应合理的学习内容.因而,移动学习中的情境感知技术已经成为一个研究热点.学习场景的感知是移动学习情境感知的重点,但是由于移动学习的动态性和复杂性,准确的场景感知具有一定的难度.基于实际的移动学习环境,提出了一种根据传感器与学习操作行为对学习场景进行感知分类的方法,处理并分析了由移动学习客户端采集到的传感器数据和学习操作行为日志数据,对比了以传感器数据特征值与学习操作行为特征值共同作为输入特征值的多种场景感知分类算法.结果表明：对比仅使用传感器数据作为分类算法输入特征值的结果,结合学习操作行为日志和传感器数据一起作为学习场景分类感知的依据,可以显著提高移动学习场景的感知分类效果.     

2016应用驱动的大数据计算与分析技术专题前言

自2008年《Nature》发表大数据专辑以来,大数据技术已在医疗健康、电子政务、数字教育、消费电子、电子商务、社交媒体、物联网等各个行业得到迅猛研究和发展,在推动经济社会发展、应用服务升级、用户体验提升等方面都取得了显著成果。然而,随着计算、存储、通信技术的快速发展,体现了“应用驱动、问题导向的大数据理论与技术研究发展”态势,既反映了学术界和工业界对大数据的各自关切和兴趣所在,又体现出一个共同的认识：大数据只有与具体行业和应用结合,才能产生真正的价值。为面对挑战、交流研究体会,《计算机研究与发展》推出了应用驱动的大数据计算与分析技术研究专题,针对典型行业和应用的数据和需求特征,集中讨论应用驱动的大数据采集、存储、汇聚、计算、关联、融合、可视化等计算与服务中的关键技术,报导大数据分析相关技术在行业中的实际案例,交流学术思想和研究成果,促进问题驱动、目标导向的大数据技术研究与发展。本期专题得到同行的广泛关注,通过公开征文收到54篇高质量投稿稿件,这些论文在多个研究方向上阐述了本领域中具有重要意义的研究成果,展示了面向各类典型应用场景的大数据计算与分析技术。本专题的审稿严格按照期刊审稿的要求进行,特邀编委先后邀请了十余位相关领域的专家参与评审,历经初审、复审、终审等阶段,最终遴选出10篇高质量的论文入选本专题。内容涵盖了大数据技术在医疗、城市交通、金融、在线学习、体育、软件分析等领域应用,在一定程度上反映了当前国内学者在大数据技术方面的代表性研究方向。     

一种面向4G-LTE网络的丢包区分算法

无线网络中的丢包,一般认为是由拥塞或无线信道衰落造成的.在4G-LTE移动网络中,其传输特征的变化使得已有丢包区分算法并不适用.对此,提出了一种针对4G-LTE移动网络的丢包区分算法LDA-LTE.首先,基于LTE基站仿真器构建了真实可控的4G-LTE移动网络仿真测试平台;然后分别采集并分析了4G-LTE移动网络在拥塞和无线信道衰落条件下的传输特征;最后根据以上传输特征,提出了LDA-LTE丢包区分算法,实现了4G-LTE移动网络在拥塞和无线信道衰落同时发生场景中的丢包区分.实验结果证明,在4G-LTE移动网络中,由于网络传输特性与丢包特征的变化,使得传统的丢包区分算法并不适用,所提方法的区分结果准确度更高.     

一种基于交互式知识发现的入侵事件关联方法研究

分析了入侵检测系统的现存问题,总结了入侵事件关联系统的最新进展和缺陷,提出一个基于人机交互式知识发现的入侵事件关联系统．该系统离线部分在入侵事件关联领域首次引入FP-Tree和WINEPI算法进行交互式知识发现,并将发现的频繁模式和序列模式转化成人侵事件关联规则;在线部分利用先验知识和交互式知识发现的关联知识,以嵌入式CLIPS推理组件作为推理引擎,对多个入侵检测器上报的事件进行高效关联和归并．在集成化网络安全监控及防卫系统Net-Keeper中的实际应用表明本系统是一个开放、高效的入侵事件关联平台．