基于网络流量的安卓恶意软件识别

随着针对Android系统的恶意软件数量不断增加,对恶意软件进行检测的方法也不断迭代更新,但大多都是通过对软件结构的剖析和运行时的系统调用机制,忽略了恶意行为基本是依托网络流量这一必要条件,由此提出使用深度学习的基于网络流量检测方案。采用14 702个正常样本和9 802个恶意样本构成网络流量的结构化信息,根据一个数据包内的字节间关系和不同数据包的字节间关系的紧密程度的明显不同,2个相邻数据包往往是发送方和接收方之间的一次数据交互,它们之间的时序特征关系能独立提取,构造2层双向长短时记忆循环神经网络模型并将其用于基于流量的Android恶意软件识别。实验结果表明,恶意软件的检测效率和误报率都得到显著提升。     

基于MILP模型的光网络逻辑拓扑优化算法

网络逻辑拓扑的最优化是光网络的设计核心。针对分组业务的需要,要求光网络能够实时、动态调整网络的逻辑拓扑结构。对小规模的网络进行逻辑拓扑优化,可以用混合整数线性规划法(Mixed-Integer Linear Programming,MILP)解决。采用MILP算法对4节点网络进行逻辑拓扑优化设计仿真,首先设定约束条件并建立模型,以拥塞率最小化为目标函数做仿真实验,并对实验结果进行分析。     

大容量无源光网络流量异常变化特征提取模型构建

针对大容量无源光网络流量异常变化特征提取精度与时效性的提升问题,构建一种大容量无源光网络流量异常变化特征提取模型.运用模型内数据预处理模块处理大容量无源光网络流量特征数据集内各类型特征数据,获得规范化大容量无源光网络流量特征数据集,以此数据集内的网络流量包长序列与URL长度序列作为输入信号,通过模型内特征提取模块对其实...     

基于改进DQN强化学习算法的弹性光网络资源分配研究

针对光网络资源分配中频谱资源利用率不高的问题,提出了一种改进的深度Q网络（DQN）强化学习算法。该算法基于ε-greedy策略,根据动作价值函数和状态价值函数的差异来设定损失函数,并不断调整ε值,以改变代理的探索率。通过这种方式,实现了最优的动作值函数,并较好地解决了路由与频谱分配问题。此外,采用了不同的经验池取样方法,以提高迭代训练的收敛速度。仿真结果表明：改进DQN强化学习算法不仅能够使弹性光网络训练模型快速收敛,当业务量为300 Er l ang时,比DQN算法频谱资源利用率提高了10.09%,阻塞率降低了12.41%,平均访问时延减少了1.27 ms。     

基于最短路径敏感度的光网络关键链路识别

电力光网络的关键链路对业务质量的安全和可靠保障具有重要作用。关键链路识别方法的研究有助于提高识别过程的高效性和准确性。文章首先将最短路径敏感度作为网络效能测度,并通过计算网络节点间最短路径长度,研究链路状态恶化对网络效能的影响;然后,基于跳数最少、时延最短和可靠性最高等3种不同目标,对链路状态变化与最短路径敏感度关联关系进行统计分析,得到关键链路指标;最后,以实际的省级电力通信网为算例,验证方法的可行性和正确性。研究结论对电力光网络的规划设计和运行维护具有参考价值。     

基于权重均衡的光网络逻辑拓扑优化算法

对光网络的逻辑拓扑优化问题进行了研究,从2个重要的输入参量(业务量矩阵和时延矩阵)出发,通过定义2种新型的光网络权重,从权重均衡角度将光网络逻辑拓扑的2个主要优化目标(拥塞下限和时延)统一考虑,并基于这2种权重定义方法给出了一种光网络逻辑拓扑优化算法。算法仿真部分以NSFNET为网络模型,分别针对拥塞下限、拥塞概率、网络时延和负载均衡度4个指标,对提出的启发式算法与另外2种典型的优化算法进行了比较和分析。     

基于深度神经网络的光网络故障定位技术研究

为维护网络服务正常运行,保证业务数据能够可靠传输,光网络中的故障定位技术具有非常重要的研究价值。随着光网络规模的日趋庞大和结构的日趋复杂,赋予光网络中的故障定位问题更大的挑战。结合深度神经网络,提出了基于深度神经网络的光网络故障定位方法,挖掘告警数据中的深层信息,从而提高光网络中故障定位的准确性。首先分析了深度神经网络的原理,并使用预处理过的告警数据集训练不同参数的故障定位模型,选取最佳的参数,最后与现有的故障定位算法进行比较。经过试验,基于深度神经网络的光网络故障定位的准确率和时延更好,准确率达到95%以上,时延在0.30～0.40 ms之间。     

卫星光网络中基于DQN的匹配度感知波长路由算法

为了进一步降低卫星光网络的业务阻塞率,提出了一种基于深度Q网络(DQN)的匹配度感知波长路由算法.该算法首先设计了路径波长匹配度因子,用以反映当前路径与下一跳节点之间链路的共同空闲波长情况.随后,算法综合考虑了路径波长匹配度、相邻链路时延以及下一跳节点到目的节点的最短跳数等多个因素,以此为基础来构造奖励函数.在分配波长时,为了后续业务请求在相邻链路上有更多的空闲波长,设计了相邻链路波长匹配度指标,用于描述该路径与其相邻链路之间的空闲波长对齐情况.仿真结果表明,该算法可以降低网络阻塞率和时延,提高波长利用率.     

基于GMPLS的智能光网络流量工程研究

自动交换光网络已经成为下一代光网络的发展方向，而其控制平台的颁布式连接管理功能则是实现光网络智能性的关键。本文介绍了自动交换光网络的功能结构，在此基础上系统论述了分布式连接管理的功能要求，详细分析了分布式的呼叫和连接处理的实现过程，并给出了具体的参考流程和状态转移模型。     

基于改进型深度学习的流量预测

为了解决无线网络中流量的预测精度不高的问题,提出了一种自适应分组的栈式自编码( AG-SAEs)深度学习预测方法。在数据的预处理过程中,首先使用最大最小方式对数据进行归一化处理,并提出一种新型的自适应分组方法,把归一化后的链路数据进行关联性分组;然后,基于深度学习方法建立了一个多输入多输出的预测模型,并将分组后的数据输入到预测模型中,对该模型进行训练来建立输入和输出流量之间的映射关系;最后,为了进一步提高预测精度,在模型的训练过程中,使用改进型的牛顿法来进行权值参数更新。仿真实验以及和其他算法对比的结果证实了所提方案具有更小的预测相对误差。     

基于机器学习的无线网络流量预测与增长潜力评估

提出一个基于机器学习的无线网络流量预测及流量增长潜力评估方案。该方案分析蜂窝网络中的实际业务流量数据在时间维度上的变化规律,并借助高斯过程的机器学习方法来预测业务变化趋势,从短期角度为运营商的网络优化部署提供指导。基于极限梯度提升(XGBoost)机器学习框架,建立网络中其他运营数据与业务流量的多维映射关系,应用改进的量子粒子群算法进一步寻找蜂窝小区所能承载的流量上限,从长期角度为网络优化部署提供指导,提升网络流量水平、释放流量增长潜力。     

数据中心光互连网络拓扑可重构研究

针对传统数据中心电互连网络在应对业务动态流量时存在适应性差的问题,文章提出并验证了一种可以根据网络流量波动进行网络拓扑自优化重构的机制。文章所提机制通过网络仿真系统与深度强化学习模型的迭代交互,实现了对拓扑结构与业务流量分布关系的持续训练,进而在实际系统中,深度强化学习模型,根据软件定义网络控制器实时收集的业务流量分布信息,实现了网络拓扑的自动优化重构,进而提升了网络性能。实验结果表明,针对给定的流量强度,采用深度强化学习进行训练后的模型可以一步输出优化的网络拓扑结构,降低了平均网络延迟和丢包率。     

多尺度上下文融合的交通标志识别算法研究

针对自然场景中小型交通标志检测漏检和虚警问题,提出了一种多尺度上下文融合的交通标志检测算法.以YOLOv3为检测框架,将特征金字塔网络的深层特征信息融合进更浅层特征层,提高更浅层特征层中高级前景语义信息的利用率;在YOLOv3框架基础上加入上下文模块,重新分配交通标志特征图中的上下文信息权重,加强目标特征信息的复用;使...     

大数据时代网络学习环境的数据综合

在大数据时代的背景下,大数据在网络学习环境中的应用正在迅速膨胀并且快速发展,它不仅影响着教育行业未来的发展趋势、发展状况及发展模式,随着时间的推移,也会有越来越多的教育行业从业者将意识到数据对其发展的重要性.     

基于卷积神经网络的Android流量分类方法

深度学习就是机器学习研究的过程,主要通过模拟人脑分析学习的过程对数据进行分析。目前,深度学习技术已经在计算机视觉、语音识别、自然语言处理等领域获得了较大发展,并且随着该技术的不断发展,为网络流量分类和异常检测带来了新的发展方向。移动智能手机与大家的生活息息相关,但是其存在的安全问题也日益凸显。针对传统机器学习算法对于流量分类需要人工提取特征、计算量大的问题,提出了基于卷积神经网络模型的应用程序流量分类算法。首先,将网络流量数据集进行数据预处理,去除无关数据字段,并使数据满足卷积神经网络的输入特性。其次,设计了一种新的卷积神经网络模型,从网络结构、超参数空间以及参数优化方面入手,构造了最优分类模型。该模型通过卷积层自主学习数据特征,解决了传统基于机器学习的流量分类算法中的特征选择问题。最后,通过CICAndmal2017网络公开数据集进行模型测试,相比于传统的机器学习流量分类模型,设计的卷积神经网络模型的查准率和查全率分别提高了2.93%和11.87%,同时在类精度、召回率以及F1分数方面都有较好的提升。     

基于区域卷积神经网络和光流法的目标跟踪

为解决基于深度学习的在线目标跟踪算法速度慢的问题,设计并实现了一种基于区域卷积网络和光流法相结合的目标跟踪算法。该算法在T-1帧跟踪结果的基础上使用光流法计算跟踪目标的运动矢量计算出跟踪目标在T帧上的初选框,再将初选框区域作为区域卷积网络的输入,计算目标的精确跟踪结果。通过实验分析对比,算法对目标运动速度和形变具有很好的鲁棒性,并且跟踪速度可以达到50 frame/s。相较于在线跟踪算法,所提方法在满足较高的跟踪准确率的基础上大大提升了目标跟踪算法的速度。     

基于并行流量图和图神经网络的加密流量分类方法

针对传统加密流量分类方法受限于数据集类不平衡以及复杂网络环境下所用特征不可靠等问题,提出一种基于并行流量图和图神经网络的加密流量分类方法。首先,从数据包头部和有效负载2个角度分别构建流量图以突出二者的差异;其次,引入改进的图注意力网络提取并行流量图的有效信息;然后,利用特征交叉融合注意力模块将提取到的信息进行融合以获得更为鲁棒的特征表示;最后,通过全连接层和Softmax层进行分类。实验表明,所提方法在ISCX-VPN、ISCX-nonVPN、ISCX-Tor和ISCX-nonTor数据集上取得了较好的效果,准确率分别为96.88%、90.62%、99.24%和98.13%,有效提升了加密流量分类性能。