SDON中基于贝叶斯模型的流量预测机制

SDON(软件定义光网络)是光网络发展的最新趋势。为了进一步提高 SDON 的智能化和对业务的动态支持,利用短期的业务流量特性预测较为长期的流量显得日益重要。文章提出了一种基于贝叶斯模型的流量预测机制,该机制充分利用贝叶斯模型对 SDON的业务流量进行长期预测。仿真结果验证了该机制的准确性和有效性。     

格兰杰因果关系在神经科学领域的发展及缺陷

针对格兰杰因果关系在神经科学领域的应用,查阅国内外格兰杰应用的相关文献资料,选取有效信息进行归纳整理。介绍了格兰杰因果关系在神经科学领域的发展,包括时频域格兰杰因果关系、非线性格兰杰因果关系的应用。根据格兰杰因果关系的定义,指出该关系存在仅使用线性回归模型的部分信息等缺陷,并对其在神经科学领域的发展进行了展望,且提出对格兰杰因果关系不断改进的必要性。     

无线局域网帧数据流量研究

无线局域网中的信道要比有线局域网信道复杂的多,运载其上的流量研究成为评估和了解无线局域网行为模式的关键。比较了有线和无线局域网在体系结构和协议机制上的差异,进而分析了由于这种差异所导致的IP层数据包流量和MAC层帧数据流量不同之处,提出了无线局域网流量研究中存在的问题,探讨了无线局域网帧数据流量的研究内容和方向。     

基于贝叶斯网络的无线传感网高效数据传输方法

无线环境复杂经常导致高误码率的出现,该文结合无线传感网对传输能耗有较高要求的特点,针对分组协议字段错误修复问题提出基于贝叶斯网络的最大后验修复方法MAP-BN。该方法使得传感网节点在无需任何编码的情况下可以得到向前纠错的能力。MAP-BN算法利用贝叶斯网络对分组协议字段的先验信息进行建模,并在此基础上利用动态规划算法进行最大后验概率推理,成功降低了最大后验修复的计算复杂度。仿真和分析结果表明,MAP-BN算法具有良好的数据差错控制能力,并可以很大程度上提升网络节点传输数据的能效性。     

大规模校园无线局域网性能优化技术研究

文章通过研究大规模校园无线局域网自身特点和面临的问题,为系统性的无线局域网性能优化提供了研究基础。文章通过对基于用户流量的比例公平网络优化算法的研究,在不改变现有IEEE 802.11协议的前提下,充分利用贫瘠的无线频谱资源,提升网络性能。     

基于深度置信网络的互联网流量预测方法

随着我国互联网数据的飞速发展,数据流量已经出现一定的增长趋势,但随之也给电信网络企业带来巨大的压力,尤其是目前互联网通信的大部分流量源仍然是数据流量。对于当前人们对于互联网的需求逐渐增加,如何将更多流量迁移到TD网络,实现网络的有效承载是一个关键问题,也是当前需要解决的问题。基于此,本文主要运用深度置信网络的方式进行分析,通过对互联网流量数据进行相应的预测,能够有效介绍基于深度置信网络的结构,然后构建不同网络架构下的深度置信网络结构。     

基于数据流的无线局域网优化分析

随着目前移动通讯的高速发展,网络里的用户数据越来越多,同时对网络的质量要求也越来越高。一个网络吸引用户最有效的直接手段便是它的质量;而对于网络质量的关注度方面,逐步转变为以用户感知度来评估整个网络质量的好坏,即用户在使用网络的过程中感觉良好,网络质量才能称之为好。现有的传统计算机网络已不能满足用户不断增长的业务要求,网络需要从有线向无线,固定向移动,单一业务向多媒体业务发展,因此,无线局域网便产生了,并受到了大众的认可和关注,同时也得到了飞速发展。本文主要针对无线局域网的优化手段进行分析,主要介绍基于数据流的网络优化。     

无线局域网的智能网络优化技术

近年来基于IEEE802.11标准系列的无线局域网技术发展速度迅猛。但随着接入点AP（Access Point)数目的不断增多，AP之间距离的不断减小，同频段的干扰问题将会严重影响到无线局域网的总容量。传统蜂窝小区的网络优化方法对于无线局域网已经不再适用，这是因为无线局域网AP数目多，且结构可能并不稳定，即AP可能根据业务需要增加、减少甚至移动。智能网络优化技术是指通过在AP之间动态地分配频率、功率、用户以及业务流量使得整个无线网络的容量最大，性能最佳。它将是未来无线局域网应用的关键技术之一。本介绍了智能网络优化技术的内容、发展现状以及发展方向。     

异构网络中的基站休眠——基于流量预测的方法

针对传统的基站休眠方法基于确定的流量模型设计,无法适应实际中基站负载流量动态变化的缺点,本文首先利用改进的小波神经网络(Modified Wavelet neural network,MWNN)模型对基站的负载流量进行动态预测,然后根据预测的结果选择在网络非高峰期时,利用微基站(Pico Base Stations,PBSs)代替宏基站(Macro Base Station,MBS)为用户提供服务。尽管微基站的覆盖范围小于宏基站,但是当用户数量处于非高峰期时,微基站的覆盖范围可以保证对用户较高的服务质量。由于微基站的发射功率要远小于宏基站的发射功率,因此该方法可以节省网络能耗,达到绿色通信的目的。     

基于红外技术的无线局域网

分析了红外无线通信发展状况,探讨了基于红外线的光无线局域网的IrDA协议、组网方式。给出了 一种基于RS232接口的计算机无线光组网的设计实例.并将红外接入技术与篮牙技术进行了比较.     

组合神经网络的网络流量预测研究

提出一种组合神经网络的网络流量预测模型.首先采用SMOF网络对网络流量数据进行聚类,然后采用Elman网络对聚类后的流量数据进行训练并预测,同时采用遗传算法对Elman网络的网络结构进行优化,提高网络流量预测精度.仿真结果表明,组合神经网络加快了网络流量预测速度,提高了网络流量预测精度,克服了单一预测模型不足,为网络流量预测提供了新的思路,具有很好的应用前景.     

基于用户感知的WLAN网络优化

侧重于用户感知的WLAN网络优化,其目的是弥补当前网络优化仅从网络覆盖面及射频角度出发,而忽略真实环境网络质量,用户体验也存在漏洞。方法是首先在经过分析WLAN传统优化指标的基础上,提出影响用户体验感知的因素,然后通过利用Veriwave进行仿真实验,模拟用户对网络的真实效果,验证出影响因素的效果并且确定网络优化指标,最终提出基于用户感知的WLAN网络优化方案。     

基于ARMA模型的网络流量预测

针对海量网络数据的特性,基于数据分割,用分段ARMA模型建立了网络流量的时间预测模型。以向后1 h的流量预测确定了ARMA(3,2)模型的预测参数,仿真分析与NetFlow实测数据对比表明,该预测模型的预测精度高、误差小,能够较好的进行网络流量的短期预测。     

小波分析与神经网络的网络流量预测模型

网络流量具有长相关、非平稳性与多时间尺度特性。提出了一种基于小波分析与AR(p)人工神经网络相结合的网络流量预测模型,即WPBP算法。该算法采用小波分析得到网络流量在不同尺度下的近似信号和细节信号,并运用AR(p)的相关性理论确定近似信号序列和细节信号序列的相关程度(p值),与神经网络进行耦合,以p+1划分数据,前p项作为输入,后一项作为输出对网络进行训练,从而使得神经网络的输入与输出的选择更加合理,预测的结果也更加准确。用小波重构得到最终的流量预测值,用实际网络流量对该模型进行验证。仿真结果表明,该模型的预测效果较好。     

基于MCC的网络流量预测方法

This paper proposes a method for improving the precision of Network Traffic Prediction based on the Maximum Correntropy Criterion (NTPMCC), where the nonlinear characteristics of network traffic are consid-ered. This method utilizes the MCC as a new error evaluation criterion or named the cost function (CF) to train neural networks (NN). MCC is based on a new similarity function (Generalized correlation entropy function, Correntropy), which has as its foundation the Parzen window evaluation and Renyi entropy of error probability density function. At the same time, by combining the MCC with the Mean Square Error (MSE), a mixed evaluation criterion with MCC and MSE is proposed as a cost function of NN training. According to the traffic network characteristics including the nonlinear, non-Gaussian, and mutation, the Elman neural network is trained by MCC and MCC-MSE, and then the trained neural net-work is used as the model for predicting net-work traffic. The simulation results based on the evaluation by Mean Absolute Error (MAE), MSE, and Sum Squared Error (SSE) show that the accuracy of the prediction based on MCC is superior to the results of the Elman neural network with MSE. The overall performance is improved by about 0.0131.     

基于贝叶斯博弈的WLAN节能机制研究

针对无线局域网（Wireless Local Area Networks,WLAN）中密集部署无线接入点（Access Point,AP）导致的能耗和同频干扰问题,提出了一种基于贝叶斯博弈的节能机制（BaYesian Game based Energy Saving scheme,BYG-ES）.首先,对通用AP设备的能耗进行测量与分析,构建AP发射功率-负载-能耗的关系模型;然后,基于该关系模型及软件定义网络控制器实时收集的网络状态信息,设计基于贝叶斯博弈的能耗优化模型;最后,利用社会选择函数求解能耗优化模型,获得干扰限制下最优的休眠AP集合和发射功率配置规则,完成用户流量卸载和AP发射功率的调整,同时保证AP参与博弈的诚实性.实验结果表明,BYG-ES节能机制能在减小系统能耗的同时提高网络性能.     

基于分层贝叶斯网络预测话题和单词复杂情感

In this paper, we provide a Word Emotion Topic (WET) model to predict the complex word emotion information from text, and discover the distribution of emotions among different topics. A complex emotion is defined as the combination of one or more singular emotions from following 8 basic emotion categories: joy, love, expectation, surprise, anxiety, sorrow, anger and hate. We use a hierarchical Bayesian network to model the emotions and topics in the text. Both the complex emotions and topics are drawn from raw texts, without considering any complicated language features. Our experiment shows promising results of word emotion prediction, which outperforms the traditional parsing methods such as the Hidden Markov Model and the Conditional Random Fields(CRFs) on raw text. We also explore the topic distribution by examining the emotion topic variation in an emotion topic diagram.     

基于BP神经网络的城市交通流预测研究

交通流预测在城市交通管理和控制中起着十分重要的作用。在分析城市交通流复杂非线性特性的基础上引入BP神经网络模型,从人工智能的角度对交通流预测进行了研究,同时给出了一种基于BP神经网络模型的交通流预测方法,通过对预测数据与实测数据的比较分析,证实了该方法的有效性。     

电信级WLAN网络面临的问题研究

随着智能终端的不断普及以及运营商的大力推动,WLAN对于分流无线数据流量起到了越来越重要的作用,WLAN成为运营商无线宽带业务中不可或缺的组成部分。作为一种无线接入技术,WLAN以其灵活性、移动性的特点越来越为广大公众接受。然而,在各大运营商加紧推进WLAN建设的同时,WLAN网络在建设以及使用过程中也出现了各种各样的问题。文章结合国内三大运营商,通过分析当前电信级WLAN网络现状,从用户认证不简介、AP之间干扰严重、故障排查定位困难这三个方面进行了详细的分析,是WLAN网络的规划与优化的基础。     

基于小波多尺度分析的网络流量组合预测方法研究

基于小波多尺度的分解和重构思想,将网络流量通过小波分解成不同尺度下的逼近信号和细节信号,然后分别单支重构成低频序列和高频序列。根据低频序列和高频序列的不同特性,分别采用自回归模型(AR)和线性最小均方误差估计(LMMSE)对未来网络流量进行预测,最后重新组合生成预测流量,通过对真实网络流量的仿真实验,结果显示该方法能比较准确地预测未来的网络流量。