基于无侵犯模式的用户挖掘方法

提出了用于保护用户信息安全的无侵犯模式原则，并应用“双标识”策略实现了用户信息的重用；建立了用户网络行为的Markov模型，设计了模型的实现算法．模型中定义了用户行为的状态转移概率矩阵以及平均等待时间，自动学习用户行为模式．将该方法应用于实验网站上，较好地提高了网站的设计性能和服务质量．     

基于用户访问路径分析的网页预取模型

随着网络信息的飞速增长,互联网已成为人们获取信息的重要来源.但是,受限于网络带宽,用户往往需要忍受较长的访问延时.为了缓解这种情况,人们提出了网页预取技术,用于降低用户的访问延迟,提高Web服务器的服务质量.提出一种基于用户访问路径分析的服务器端网页预取模型.模型通过对用户访问序列进行语义分析,提取路径中蕴含的信息需求,依此进行网页预取决策.为了实现用户访问序列中潜在意图的挖掘,模型还引入了隐马尔可夫模型.性能测试实验的结果表明,该模型具有较好的整体性能.     

基于网络流量半马尔柯夫模型的流量预测

引入了半马尔柯夫模型描述网络流量特性，并在该模型的基础上分析推导了相应的流量预测方法。分别对广域网和局域网不同时间尺度统计的实际流量数据进行分析和短期、长期预测，所有数据的实际预测精确度均小于预先设定的置信度。说明引入的模型能真实反映网络流量特性，基于该模型的流量预测方法具有良好的预测性能且适用于不同长度的预测。     

应用元胞自动机模型对交通流混沌的研究

该文应用一维元胞自动机多车道模型分析研究交通流系统中出现的混沌现象。文中采用的三车道模型比以前的双车道的模型更具有实用价值。模型中用爱尔朗分布形成换道概率、加速、减速概率,使其能更逼真地再现贴近实际交通流的不确定性。在此基础上,用MATLAB进行了计算机仿真试验,试验中分别记录了车辆在自由运动和在有交通事故发生时的车间距,用非线性分析软件TISEAN计算出该车间距数据序列的lyapunov值,进而论证了交通流中混沌现象的存在性。     

基于时间特征的网络流量预测模型

本文设计一种基于时间特征的网络流量预测模型,并采用该流量模型预测网络流量。文章提出网络流量预测误差的数学定义,根据测试实验表明,我们的流量模型具有更高的可用性,并适用实际运行的网络环境。     

基于动态分类的Markov用户浏览预测模型

针对多Markov链用户浏览预测模型分类算法的时间复杂度过高问题,提出一种基于动态分类的Markov用户浏览预测模型。该模型通过学习提取用户浏览特征,利用这些特征对用户浏览路径进行分类,实现预测并动态更新用户浏览特征。实验结果表明,该模型可明显降低用户浏览路径预测的时间,并得到较为准确的预测结果。     

基于客户行为模式的Web文档预送

预送作为主动cache,是cache机制由时间局部性向空间局部性的拓展.文章提出服务器主动预送的两种模式.基于单个URL的模式利用客户请求的马尔可夫链特征获取文档的时序相关模型,可进行多级预送.基于会话的模式包括基于文档属性和会话整体语义的途径,重点研究基于文档属性的途径,给出基本的聚集算法,探讨了文档兴趣的定量表达,提出反映访问时序的属性向量距离算法.对于预送性能的度量,给出请求命中率、会话命中率、预送效率和预送代价等度量方法.同时,完成大量实验,对客户行为分析的这两种模式进行比较.文章提出的由服务器访     

一种基于贝叶斯网络模型的交通事故预测方法

大部分的交通事故都可以预测.有效的交通事故预测能从很大程度上减少人员伤亡和交通阻塞.贝叶斯网络是目前不确定知识和推理领域最有效的理论模型之一.该文提出了一种基于贝叶斯网络模型理论的交通事故预测方法.在综合考虑交通事故成因的基础上利用领域专家知识构建网络模型,在已有的事故数据的基础上提出基于贝叶斯法则的学习算法,并通过计算变量间的条件概率来计算事故发生的可能性,达到事故预测的目的.文章的最后,通过历史数据进行仿真实验,对仿真结果和该模型的适用范围进行了分析.     

基于Kalman优化的MPEG-4视频业务模型

提出了一种支持MPEG-4可比特率视频业务模型,用Kalman优化的方法,对未来帧进行线形预测,而不需要更多的先验信息,进行动态带宽分配,提高带宽的利用率,用这种方法,对MPEG-4业务进行建模,并利用该模型讨论了在不同带宽利用率的情况下丢包情况,实验仿真结果表明,该方法与实际视频业务在相同条件下的丢包率误差较小,适于实时视频业务的预测与资源预留。     

一种基于MPLS的流量工程系统管理模型

简述了网络MPLS流量工程的现状，提出了一种基于MPLS的流量工程系统管理模型。该模型的特点是：管理功能模块边缘化，运输功能模块平面化，在高速、简单的运载核心上运行一个可管理的流量承载平台。模型的有效性通过形式和仿真两个方面得到验证。     

基于小波变换与自回归模型的网络流量预测

本文提出一种基于小波变换与自回归模型的网络流量预测方法,将流量数据构成的原始序列进行小波分解,并将分解得到的近似部分和各细节部分分别单支重构到原级别上;对各个重构后的序列建立自回归模型,由所拟合的模型分别进行预测;结合各个重构后序列的预测结果,可以得到对原始序列的预测结果。实验结果表明,这种方法比传统的几种网络流量预测方法具有更高的预测准确度。     

基于Web流行度的选择Markov预取模型

Web预取技术是目前WWW中减少用户的访问延迟、提高服务质量的主要解决方案之一。该文利用Zipf第1定律和第2定律对Web对象访问流行度建模,并在此基础上,提出了基于Web流行度的选择Markov预取模型。实验表明,该预取模型不仅具有较高的命中率,而且在一定程度上还减少了对带宽的需求。     

基于概率模型检测的Web服务组合验证

Web服务组合验证对提高软件开发效率、实现服务增值具有重要意义。为了验证服务组合的有效性,提出了一种基于概率模型检测的Web服务组合验证方法。首先采用扩展的有限自动机模型建立Web服务组合模型,并将该模型转换为Markov模型,然后采用概率模型检测器PRISM验证服务组合的可靠性,最后通过实例进一步说明该方法的可行性。     

基于数据中心流量特征的端到端流量估计算法

数据中心是云计算等大型分布式计算服务的基础,有效地设计与管理数据中心需要遵循数据中心网络的端到端流量特征。然而直接地测量网络的端到端流量需要耗费巨大的软件成本和硬件成本,并且由于数据中心网络结构的特殊性,传统的计算机网络采用的流量估计方法也无法适用于现有的数据中心网络。为解决以上问题,首先依据数据中心的资源分配和链路利用率情况提取出网络的粗粒度流量特征,在此基础上提出一种基于重力模型和网络层析技术的数据中心端到端流量估计算法。与现有的流量推理算法Tomogravity和ELIA在NS3搭建的不同规模的数据中心网络中进行性能对比,实验结果表明,所提算法能有效地利用提取出的粗粒度流量特征,在保证计算效率的前提下将计算准确度大幅提升,可满足当前数据中心网络实时获取端到端流量数据的需求。     

基于隐马尔可夫模型的加密恶意流量检测

近年来,随着网络加密技术的普及,使用网络加密技术的恶意攻击事件也在逐年增长,依赖于数据包内容的传统检测方法如今已经无法有效地应对隐藏在加密流量中的恶意软件攻击.为了能够应对不同协议下的加密恶意流量检测,提出了基于ProfileHMM的加密恶意流量检测算法.该方法利用生物信息学上的基因序列比对分析,通过匹配关键基因子序列,实现识别加密攻击流量的能力.通过使用开源数据集在不同条件下进行实验,结果表明了算法的有效性.此外,设计了两种规避检测的方法,通过实验验证了算法具有较好的抗规避检测的能力.与已有研究相比,该工作具有应用场景广泛以及检测准确率较高的特点,为基于加密流量的恶意软件检测研究领域提供了一种较为有效的解决方案.     

一种基于流量识别技术的网络信息审计模型

网络信息审计作为对网络行为进行事后分析的一种技术手段,被广泛应用于网络安全领域。提出一种基于流量识别技术的网络信息审计模型,讨论其中的审计信息模型、功能模型以及各功能模块的主要功能和相互关系。模型通过多种流量识别方法的综合及快速流量分类算法,细分各种网络流量,按审计信息模型转储所需审计的流量。根据控制命令,审计分析模块完成审计数据的分析并输出结果。     

Web服务器区域访问流量预测模型设计

Web服务器上的日志文件记录了用户访问的许多有用的信息,分析和以它建立相应的预测模型,预测区域用户将来的访问行为,对提高Web服务器管理和服务质量,无疑是十分有价值的;Neuro-Fuzzy方法是将神经网络和模糊逻辑有机的结合,用于解决复杂的非线性问题;用它来进行Web服务器区域流量预测,是一种新的思路和方法。文章主要介绍了模型构造的基本思想、结构、算法,也介绍进化式聚类方法和预测过程;同时,给出了实验数据及分析。     

基于DCGRU-RF模型的路网短时交通流预测

随着城市化进程的加快,我国城市机动车数量快速增加,使得现有路网容量难以满足交通运输需求,交通拥堵、环境污染、交通事故等问题与日俱增。准确高效的交通流预测作为智能交通系统的核心,能够有效解决交通出行和管理方面的问题。现有的短时交通流预测研究往往基于浅层的模型方法,不能充分反映交通流特性。文中针对复杂的交通网络结构,提出了一种基于DCGRU-RF(Diffusion Convolutional Gated Recurrent Unit-Random Forest)模型的短时交通流预测方法。首先,使用DCGRU(Diffusion Convolutional Gated Recurrent Unit)网络刻画交通流时间序列数据中的时空相关性特征;在获取数据中的依赖关系和潜在特征后,选择RF(Random Forest)模型作为预测器,以抽取的特征为基础构建非线性预测模型,得出最终的预测结果。实验以两条城市道路中的38个检测器为实验对象,选取了5周工作日的交通流数据,并将所提方法与其他常见交通流量预测模型进行比较。结果表明,DCGRU-RF模型能够进一步提高预测精度,准确度可达95%。     

用户信息保护下的学习资源知识点自动提取

提出一种用户信息保护下的网络学习资源知识点内容自动提取方法,即在信息保护层中加入用户信息保护状态HMM模型,一旦判断保护状态无效,自动退出知识点内容提取流程,防止用户信息受到侵犯。使用用户信息保护HMM模型,对4家学习网站227名用户的查询浏览行为、用户链接、用户配置信息的真实数据集进行了实验,结果表明,进行500次随机消息测试时,模型对用户信息保护状态的判断正确率为94%,对虚假安全消息的误判率为0. 04。根据4家学习网站在12。天中的用户评分数据,系统使用后的平均分数较系统使用前平均增幅达23.23%。