匿名路由器对抽样网络拓扑的影响分析

针对网络拓扑测量中存在的匿名路由器问题,依据Internet网络的主要特征建立一个匿名路由器网络模型,采用类似traceroute的探测机制抽样该网络模型中的路径信息,根据匿名路由器的处理程度分别构造不同的抽样拓扑图,通过研究这些抽样拓扑中的不同属性量化分析匿名路由器问题的影响,其中,拓扑属性包括网络大小、节点度分布、网络路径长度和介数等。     

流量抽样关键技术研究

网络管理和监控是网管系统和流量工程的重要组成部分.随着网络的高速发展,实时有效的流量抽样技术对网管系统和网络监控系统越来越重要.传统的网络流量测量是对链路上通过的所有报文进行都捕获和统计的方式进行的.随着网络技术的发展,传统的流量测量方法会对测量设备产生很大的开销,因而变得不再实用.为了解决上述问题文章对现有网络流量监测技术进行研究,首先对流量测量方法和流特征进行介绍,然后介绍了现有抽样技术的种类以及现有抽样技术的研究现状,最后介绍了三种具体的自适应抽样技术.     

启发式局域网拓扑探测算法的研究

由于SNMP协议的安全性和兼容性存在缺陷，导致基于SNMP的网络拓扑探测技术在复杂网络环境中存在较大局限性．在研究启发式子网猜测、IP地址猜测和路由器别名探测技术的基础上，提出了基于ICMP的启发式局域网拓扑探测算法，并对算法复杂性进行了分析和性能测试．分析和测试结果表明，该算法采用的启发策略可以有效降低算法的网络开销，提高网络拓扑探测的准确性和完整性，对于不同规模的局域网具有较强的适应性．     

局域网物理拓扑探测算法研究

本文通过研究已有拓扑推断理论和算法,提出直接相连和通过哑设备直接相连两种交换机互连关系的判定规则,并在此基础上设计和实现了局域网物理拓扑探测算法.算法的主要特点是在交换机地址转发表不完整的情况下,有效地实现正确的拓扑推理.测试表明,算法在效率方面性能显著,能够满足大型局域网拓扑探测的要求.     

基于统计分析的高速网络分布式抽样测量模型

分布式被动测量是研究网络行为的一个重要手段，其面临的主要问题是难以实现高速网络流量测量，因此需要使用抽样技术．分布式抽样测量技术需要解决两个关键问题：分布式测量点测量报文的一致性和抽样样本的统计随机性．为此，抽样测量的核心是选择合适的抽样掩码匹配位串，以保证抽样样本的随机性，且实现分布式测量点的信息一致性．文章对CERNET主干网络流量IP报头各字段的随机性进行分析，结果表明标识字段16bits满足抽样掩码匹配位串要求，并对抽样样本的随机性和统计属性进行分析．实验验证抽样样本既能用于网络行为研究也能用于流量行为研究．     

计数抽样方案仿真研究

研究了计数抽样方案群的结构,仿真环境模型,随机数模型,产品批模型及仿真软件结构.     

网络拓扑探测中匿名路由器识别问题研究综述

匿名路由器识别问题是traceroute拓扑发现固有的问题,在全面概括了国内外关于该问题的研究现状之后,分析了关键技术的优点和缺陷,最后,针对当前研究现状,指出了需要研究和突破的三个问题并提出了初步解决思路.     

基于准随机序列的测试性试验抽样方案

针对测试性试验和维修性试验中评估结果的分散性问题,分析了标准抽样方法存在的问题,研究提出了测试性试验对抽样的要求和基于准随机序列的抽样方案.工程试验和仿真表明,基于准随机序列的抽样方案可以显著改进抽样精度和覆盖性,降低分散性,具有很好的工程应用价值.     

双机协作的抽样测量与多次抽样技术研究

阐述了掩码匹配抽样的基本原理,给出了抽样获取Intranet出口流量的基本方法和拓扑结构;为实现长时间的连续抽样测量,设计并用Java 语言实现了两台测量主机之间的协作算法;为逐步而平滑地减少部分数据而不造成原始流量性质失真,提出了基于掩码匹配的多次抽样方法,通过对流量数据的分析表明,多次抽样前后报文的长度分布及协议分布一致。     

Internet拓扑建模综述

Internet拓扑建模是在更高层次上开发、利用Internet的基础.Internet拓扑模型研究经历了从随机型到层次型,再到无尺度(scale-free)网络的过程.对包括幂率(power law)在内的多种Internet拓扑特征及其相应度量进行了分析,对现有的拓扑模型、拓扑生成算法以及拓扑生成器进行了全面的综述.最后论述了目前研究中遇到新的问题与挑战,并对今后技术路线进行了总结.     

复合型路由器级拓扑模型

针对HOT模型的路由器级拓扑在大规模节点下的不足,通过结合自治域级拓扑和路由器级拓扑两种方法,实现了一种复合型Internet路由器级拓扑模型A2R。A2R模型仅依靠路由器规模完成网络拓扑图,解决了自治域拓扑间商业关系推测依靠BGP表的问题,以及自治域间路由连接的问题。实验证明A2R拓扑模型在大规模节点下比其他路由器级拓扑模型拥有更好的性能。     

一种启发式Internet路由器级拓扑建模方法

针对Internet网络拓扑研究现状,总结了当前Internet所具有的一系列重要属性特征,并对现有基于度分布的网络拓扑模型进行了分析,指出了这些模型在表述Internet路由器级网络时存在的局限性。从实际路由器网络制约因素出发,引入了构建松散网络核心的限制条件和保留节点度属性的重连机制,在增长—优先连接机制的基础上提出了一种启发式非线性优先连接（HNLPA）拓扑建模算法。实验表明,本算法构造的拓扑能够较好地描述Internet路由器级网络特征。     

因特网拓扑特征之间的关联性研究

研究拓扑特征之间的关联性对于简化拓扑建模具有重要的意义。dK特征序列理论上能够计算得到所有的网络拓扑特征,因此可以用来进行拓扑特征的关联性研究。在分析dK序列定义的基础上,推导出一些重要的网络拓扑特征与dK序列之间的关系,这些关系可以用来简化拓扑图特征比较,因此有助于减少因特网拓扑建模研究的模型验证部分的工作量。     

Internet网络拓扑建模方法综述

针对Internet网络拓扑的重要属性特征,对当前基于度分布的网络拓扑建模方法进行了综述,指出了不同建模方法存在的局限性,并分析了当前网络模型在表述Internet网络时面临的问题,最后给出了进一步的研究方向。     

基于卷积神经网络的小样本图像识别方法

为提高仅包含少量训练样本的图像识别准确率,利用卷积神经网络作为图像的特征提取器,提出一种基于卷积神经网络的小样本图像识别方法。在原始小数据集中引入数据增强变换,扩充数据样本的范围;在此基础上将大规模数据集上的源预训练模型在目标小数据集上进行迁移训练,提取除最后全连接层之外的模型权重和图像特征;结合源预训练模型提取的特征,采用层冻结方法,微调目标小规模数据集上的卷积模型,得到最终分类识别结果。实验结果表明,该方法在小规模图像数据集的识别问题中具有较高的准确率和鲁棒性。     

基于信息关联拓扑的互联网社交关系挖掘

针对目前基于监督学习的关系抽取方法需要标注大量训练数据和预先定义关系类型,提出了一种基于词语共现信息构建关联网络并在关联网络上进行图聚类分析的人物关系提取方法。首先,从新闻标题数据获得关联度较高的500个人物对用于关系抽取研究;然后,抓取关联人物对所在新闻数据,对其进行预处理,并利用词频-逆向文档频率（TF-IDF）得到人物对共现句子中的关键词;其次,基于词语共现信息得到词语之间的关联,进而建立关键词关联网络;最后,利用对关联网络进行图聚类分析以获得人物关系。在关系抽取的实验中,与传统基于词语共现和模式匹配的中文实体关系提取方法相比,所提方法在准确率、召回率和平衡F分数（F-score）上分别提升了5.5,3.7和4.4个百分点。实验结果表明,所提算法能够在没有标注训练数据的条件下,有效地从新闻数据中抽取丰富且高质量的人物关系数据。     

基于线性注意力机制的单样本生成对抗网络研究

目前,使用单样本训练生成对抗网络已经成为研究人员关注的重点。但是,网络模型不容易收敛,生成的图像结构易崩塌,训练速度慢等问题依旧亟待解决。研究人员提出在生成对抗网络中使用自注意力模型用以获取样本更大范围的结构,提高生成图像的质量。但是,传统的卷积自注意力模型由于注意力图谱中的信息冗余,容易造成计算资源浪费。提出了一种新的线性注意力模型,在该模型中使用了双重归一化方法来缓解注意力模型对输入特征敏感的问题,并且基于该模型搭建了一种新的单样本生成对抗网络模型。此外,模型还使用了残差网络和光谱归一化方法用于稳定训练,降低了发生崩塌的风险。实验结果表明,相较于使用已有的网络结构,该模型具有训练速度快,生成图像的分辨率高且评价指标改善明显等特点。     

面向互联网拓扑的非单调半程增长模型

互联网拓扑模型的构造,是网络进一步应用和发展的重要研究基础。在现有建模方法中,构成拓扑的节点和连接均为单调增长,显然无法体现网络的真实演化。通过分析长时间跨度的网络实测数据,提取出网络拓扑中节点和连接的消亡与新生规律。在此基础上,进一步修正了拓扑增长的优先倾向概率,并给出一种新的非单调增长的互联网拓扑模型。实验结果说明,在多项重要拓扑特征量方面,该模型均可以很好地体现互联网的动态演化过程。     

网络拓扑可视化研究综述

深入分析了网络拓扑可视化问题,回顾了目前主要的研究成果,并从网络拓扑模型、绘图和信息可视化三方面对比了它们之间的异同,指出了当前研究中存在的不足和后期的研究重点。     

基于偏向信息学习的双层强化学习算法

传统的强化学习存在收敛速度慢等问题,结合先验知识预置某些偏向可以加快学习速度.但是当先验知识不正确时又可能导致学习过程不收敛.对此,提出基于偏向信息学习的双层强化学习模型.该模型将强化学习过程和偏向信息学习过程结合起来：偏向信息指导强化学习的行为选择策略,同时强化学习指导偏向信息学习过程.该方法在有效利用先验知识的同时能够消除不正确先验知识的影响.针对迷宫问题的实验表明,该方法能够稳定收敛到最优策略;并且能够有效利用先验知识提高学习效率,加快学习过程的收敛.