网络计费

为了统计计算网络用户所应承担的费用，监控网络的数据流量，分析网络的使用情况及性能，发现网络的瓶颈，故障点，某些异常和可疑的迹象等，开发网计费系统，论述了网络管理中计费系统的开发方法，探讨了使用简单网络管理协议（SNMP）和终端服务器访问控制协议（TACACS）进行IP用户网上流量和PPP用户网上时间的数据采集，以及IP数据的采集的步骤，并用ASP实现对计费数据的处理，比较了几种并确定实现方案，建立用户管理与系统管理模块。     

基于SNMP的校园网计费系统

计费管理作为网络管理的五大功能之一,对大型乃至中小型网络来说很重要的.计费管理系统不仅可以计算上网用户所应承担的费用,还可监控网络的数据流量,分析网络的使用情况及性能.本文介绍了基于SNMP的校园网计费系统的设计和实现,并详细论述了利用SNMP协议定时对路由器上的MIB数据库数据进行采集部分.该系统采用JAVA语言实现,具有良好的可移植性.     

一种基于IP流量数据的计费系统的实现

对基于IP流量数据的网络计量系统进行了分析,讨论了一个具体的模型其实现办法,提出了应用SNMP协议来进行IP流量数据的采集,并利用JAVA语言进行计费系统关键部分实现的方案。     

宽带IP流量计费系统设计

计费系统对宽带IP网络的运营来说是致关重要的。一套好的计费系统能够解决宽带IP网络运营所面临用户身份认证、宽带控制、多IP服务的管理与计费等问题，并支持多种计费策略。按流量计费主要的优点在于能够有效解决在宽带接入网中的采集、处理、认证与控制等计费问题。     

网络计费

为了统计计算网络用户所应承担的费用 ,监控网络的数据流量 ,分析网络的使用情况及性能 ,发现网络的瓶颈、故障点、某些异常和可疑的迹象等 ,开发网络计费系统。论述了网络管理中计费系统的开发方法 ,探讨了使用简单网络管理协议 (SNMP)和终端服务器访问控制协议 (TACACS)进行IP用户网上流量和PPP用户网上时间的数据采集 ,以及IP数据的采集的步骤 ,并用ASP实现对计费数据的处理 ,比较了几种并确定实现方案 ,建立用户管理与系统管理模块     

NT网络打印服务计费管理

Microsoft NT Server4.0内置有打印服务功能，但对打印服务没有提供计费功能，在许多情况下，对网络打印服务进行计费是必要的，有利于资源的合理使用，NT网络打印计费管理系统，采用ADSI提供的编程接口，实时采集打印队列信息，进行打印计费，并根据用户帐号余额，修改用户所属组，实现预收费管理，系统由创建帐号、打印信息采集、收费管理、打印费用查询等模块组成，试用表明该系统能准确地对NT网络中的打印服务进行计费管理。     

校园网IP流量计费的数据格式及处理

校园网IP流量计费是校园网计费的三个部分之一，它对局域网中每个IP地址的流量进行统计和费用管理。本文介绍了校园网计费管理的基本概念，同时论述了校园网IP流量计费系统中数据格式和数据处理功能的实现原理及编程思路。     

基于SNMP的内部网计费系统的设计及实现

讨论了网络计费系统的原理，比较了基于TELNET的计费方式和基于SNMP的计费方式的不同，论述了SNMP协议在网络计费系统中的实现。在此基础上设计了一个具体的计费系统模型，该计费系统具有数据采集、数据处理、计费信息查询、计费规则设置和报表生成等功能。     

基于SNMP的网络流量统计分析系统

介绍了一个基于SNMP（简单网络管理协议）的网络流量统计分析系统。它是利用SNMP，将路由器里记录的流量数据加以采集，后对这些数据进行统计分析，实现企事业单位上网流量的管理，此系统还具有计费功能。     

基于IP地址的网络流量与计费系统的实现

SNMP MIB的数据信息采集方法是使用SNMP基本命令轮询遍历MIB数据库的方式，完成对路由器内流量信息的收集和存储，以实现对网络流量的监测和统计。此方式对硬件环境要求低、维护性能好，是基于IP地址的网络流量和计费方式的最佳选择。     

基于Linux和高速网络环境的网络监控系统设计

目前,基于Linux的网络监控系统不多,大多数传统的网络监控系统在高速网络环境下经常出现丢包现象。为此,结合分层软件设计和协议分析技术,设计了一个基于Linux和高速网络环境的网络监控系统。在系统的关键部位引入缓冲队列集,并利用同步信号量机制来同步数据包截获和分析在速度上的差异,同时使用延迟写方式来降低磁盘的读写开销,进一步优化了系统的性能。该网络监控系统有效地解决了高速网络环境下的数据包截获和分析的问题,可以较好地完成目前高速网络环境下的网络监控任务。     

基于WinPcap监听系统的设计与实现

从网络数据包及数据包捕获的基本概念出发,给出了利用WinPcap进行网络数据包捕获的基本过程,提出了在包捕获过程中解决丢包问题的双线程办法,设计并实现了一款实用的基于WinPcap的面向中小企业的网络监听系统,重点阐述了系统主要模块一捕包模块的基本工作原理。测试结果表明,所开发的监听系统能有效地对网络的数据进行实时抓捕,并能对数据的协议类型、数据内容、数据流量等主要参数进行分析和显示。     

基于Winpcap的数据包发生器的设计与实现

数据包发生器被广泛地应用在多种网络环境下,对于网络测试和网络分析有着重要的作用。Winpcap是功能强大的数据包捕获和网络分析构架。针对这个构架,文章着重分析了数据包构造和数据包发送方法,设计实现了基于Winpcap的数据包发生器。     

Research and improvement on packet capture mechanism in linux for high-speed network

With the increasing enlargement of network scale and the rapid development of network techniques, large numbers of the network applications begin to appear. Packet capture plays an important role as one basic technique used in each field of the network applications. In a high-speed network, the heavy traffic of network transmission challenges the packet capture techniques. This paper does an in-depth analysis on the traditional packet capture mechanisms in Linux, and then measures the performance bottleneck in the process of packet capture. The methods for improving the packet capture performance are presented and an optimized packet capture scheme is also designed and implemented. The test demonstrates that the new packet capture mechanism （Libpacket） can greatly improve the packet capture performance of the network application systems in a highspeed network.     

一种网络分析测试设备的设计

传统的网络测试分析方法是使用计算机上安装的网络测试分析软件,对数据包进行抓取和解析,并实现一些测试工具。这种模式不利于现场故障的快速诊断,很多常用的测试功能也需要工程师根据经验判断。采用嵌入式计算技术,多接口的物理连接方式而设计的网络测试分析设备,可以实现数据包的抓取分析,以及对各种网络故障进行诊断,并完成网络性能的评估和判断。     

基于CNN-ResNet-LSTM模型的城市短时交通流量预测算法

针对交通流量特性和外部因素对交通流量预测结果的影响,提出了一种对城市短时交通流量预测的模型CNN-ResNet-LSTM,将卷积神经网络（CNN）、残差神经单元（ResNet）和长短期记忆循环神经网络（LSTM）集成到一个端到端的网络框架.利用卷积神经网络来捕获城市区域间交通流量的局部空间特征,并在卷积神经网络中加入多个残差神经单元来加深网络深度,可提高预测的准确性;利用长短期记忆循环神经网络来捕获交通流量数据的时间特征;利用相应的权重将2个网络的输出结果融合,得到通过轨迹数据预测的结果;最后与外部因素融合,得到城市区域的交通流量预测值.用北京市轨迹交通数据对该模型进行验证,CNN-ResNet-LSTM模型不仅在准确率方面比传统模型高,而且在保证预测准确率的情况下,模型使用的参数也少.     

基于VB6.0的网络数据包的捕获技术与协议分析

介绍数据包捕获的基本原理，对VB6．0的捕获工具PacketVB的属性、事件和方法进行了说明，给出利用该工具进行网络数据包的捕获，并对捕获到的数据进行数据链路层协议的分析。     

融合残差块注意力机制和生成对抗网络的海马体分割

研究一种基于改进的生成对抗网络的深度学习方法对海马体进行分割。提出不同的卷积配置,以捕获由分割网络获得的信息。提出以Pixel2Pixel为基本架构的生成对抗网络模型,生成模型结合残差网络以及注意力机制的编解码结构以捕获更多细节信息。判别网络采用卷积神经网络对生成模型的分割结果和专家分割结果进行判别。经过生成模型和对抗模型不断地传递其损失,使生成模型达到分割海马体的最优状态。使用来自ADNI数据集130名健康受试者的T1加权MRI扫描和相关海马标签作为训练和测试数据,以相似度系数作为评价指标,准确率达到89.46%。试验结果表明,该网络模型可以实现高效地自动分割海马体,对于阿尔茨海默症等疾病的正确诊断具有重要的现实意义。     

融合残差块注意力机制和生成对抗网络的海马体分割

研究一种基于改进的生成对抗网络的深度学习方法对海马体进行分割。提出不同的卷积配置,以捕获由分割网络获得的信息。提出以Pixel2Pixel为基本架构的生成对抗网络模型,生成模型结合残差网络以及注意力机制的编解码结构以捕获更多细节信息。判别网络采用卷积神经网络对生成模型的分割结果和专家分割结果进行判别。经过生成模型和对抗模型不断地传递其损失,使生成模型达到分割海马体的最优状态。使用来自ADNI数据集130名健康受试者的T1加权MRI扫描和相关海马标签作为训练和测试数据,以相似度系数作为评价指标,准确率达到89.46%。试验结果表明,该网络模型可以实现高效地自动分割海马体,对于阿尔茨海默症等疾病的正确诊断具有重要的现实意义。