一种改进的自适应流量采样方法

高速链路对实时网络流量监测提出挑战.由于流量采集分析设备性能的限制,采用精确、高效的采样方法进行流量监测分析已成为必然.最简单的固定概率采样能监测较大业务流,但往往忽略掉比例几乎超过80%的较小业务流.数据流算法可以实时高效采集高速链路数据,基于该算法的SGS(sketch guided sampling)采样技术可以实时准确估计流大小分布,但当采样速率增大到监测系统处理能力最大值时,该方法的准确性迅速降低.基于SGS方法,提出一种自适应实时网络流量的采样方法SRGS(sketch and resources guided sampling).该方法将监测系统处理能力作为采样概率调节的一个重要参数.实验结果显示,SRGS方法能够及时根据当前流大小和监测系统处理能力,调节数据包采样概率,准确性高于SGS方法.     

一种自适应确定性采样滤波方法

对确定性采样滤波方法进行了改进,提出了一种自适心确定性采样滤波方法.首先,分别推导得到了平稳噪声情况下递推形式的噪声统计参数估计算法,以及三种针对非平稳噪声统计参数的估计算法;然后,将所得到的噪声统计参数估计算法与确定性采样滤波方法相结合,得到自适应确定性采样滤波算法.仿真结果表明,当时变过程噪声统计参数未知时,利用本文所提出的自适应确定性采样滤波估计算法,仍然可以得到精度较高的估计结果.     

自适应网络往返时延采样方法

在讨论周期性数据采样算法弊端的基础上,提出自适应往返时延（RTT）的采样算法。该算法以时延变化率作为动态控制采样频率的主要依据,根据网络时延变化的缓急自动调整采样时间间隔。通过实验分析证明,该算法实现简单,可有效地跟踪网络RTT变化情况,从总体上减少采样工作量,减轻因网络测量而给网络带来的额外负载。     

一种基于网络业务流的流量监测分析算法

基于业务流的统计信息直接反映用户行为，最繁忙业务流获取与分析，对于网络流量分析和故障定位有指导作用。文章通过分析数据帧到来对哈希表的影响，借助一个记录表，对哈希表中的业务流进行排序，大大减少排序中的比较次数，提高监控系统处理性能．     

并行多维自适应采样

针对现有自适应采样方法绘制效果差和速度慢的问题,提出一种并行的多维自适应采样方法.首先对多维空间进行粗采样,将其自适应地分割为多个子空间;然后扩展各子空间边界,根据噪声评价值分配每个子空间所需的采样点数;在各子空间上构建KD树以并行地对其进行自适应采样;最后根据各采样点间的梯度值重构图像.实验结果表明,该方法能够以更少的样本绘制高质量的景深、运动模糊和软阴影效果,并控制绘制图像时的内存消耗,支持高分辨率的真实感图像生成.     

一种基于高斯过程回归的AUV自适应采样方法

针对区域海洋特征环境快速观测的需求,提出了一种基于高斯过程回归的小型自主水下机器人(AUV)自适应采样方法.首先,通过比较高斯过程回归(GPR)中使用不同的回归推理方法的估计准确度和计算效率,确定AUV的合适采样间隔时间;在此基础上,根据AUV实时观测的数据进行GPR分析,预测未观测区域环境数据,并通过计算预测区域梯度极值和预测不确定度引导AUV进行在线路径规划;最后使用该方法,对具有不同特征分布的区域环境观测过程进行仿真.结果显示,本方法与常规方法相比,能够更高效地获得观测区域的低误差特征分布估计,更快地获得观测区域热点区特征,更好地适应观测区域特征分布不同的情况.     

基于最优采样模式的自适应光线投射法

三维直接体显示算法是显示三维数据体的一种重要显示方法,已广泛应用在医学图象生成和科学可视化领域之中。光线投射法又是三维直接体显示算法中最基本的一种方法。然而由于光线投射法需要大量的计算而受到限制。该文从减少光线投射数目的角度出发,提出了一种基于最优采样模式的频率投射算法。它的优点是不仅可以利用人的简单的视觉模型和强大的傅立叶分析工具,而且在采样模式上也更能符合人类视觉特点,减少了假模式,从而使更多     

一种改进CARE业务流估计算法

主要研究了基于CR（capture-recapture）模型业务流估计算法CARE的过程和模型,分析了区分水平值、估计次数和数据列表长度对CARE业务流估计结果的影响,提出一种改进CARE业务流估计算法。新算法修改了CARE算法的估计过程,通过递归逐渐得到稳定的估计结果。实验分别采用计算机模拟数据和美国应用网络研究国家实验室NLANR的被动测量和分析工作组（PMA）的数据来对两种算法进行比较分析。结果表明改进的CARE算法业务流估计更准确。改进的CARE算法可以应用于网络中间设备实现业务流数目的估计,保证公平的带宽分配,具有很广泛的应用前景。     

一种基于自适应采样优化的WSN定位算法

针对蒙特卡罗定位算法采样效率低和采样次数多等缺陷,在SOMCL算法的基础上提出一种基于自适应采样优化的定位算法LAASO。该算法采用锚盒子与预测区域进一步优化采样区域,通过采样区域的大小自适应确定样本数目,利用SOMCL算法中的曲线拟合对样本权值进行优化。仿真测试表明,当速度变化率为25 m/s,且最大速度小于60 m/s时,相比MCL算法和SOMCL算法,LAASO算法定位精度分别提高了40%和36%,采样次数分别降低为20%和31.5%,且更适应于高速运行环境。     

基于KNN和自适应的过采样方法

针对少数类合成过采样技术（Synthetic Minority Oversampling Technique,SMOTE）及其改进算法在不平衡数据分类问题中分类效果不佳,提出了基于K最邻近算法（K-NearestNeighbor,KNN）和自适应的过采样方法（Oversampling Method Based on KNN and Adaptive,KAO）。首先,利用KNN去除噪声样本;其次,根据少数类样本K近邻样本中多数类样本数,自适应给少数类样本分配过采样权重;最后,利用新的插值方式生成新样本平衡数据集。在KEEL公开的数据集上进行实验,将提出的KAO算法与SMOTE及其改进算法进行对比,在F1值和g-mean上都有所提升。     

基于多波动尺度的两层包级自适应抽样

在高速Internet链路的流量测量中,包抽样技术能有效减少被测数据量以节省各种可用资源。文章关注如何提高流量突发和波动周期的抽样精度,提出了一种基于多波动尺度的两层包级自适应抽样方法。该方法能够根据当前流量的突发频度和波动性动态调节每包抽样概率,调节粒度精细。通过在真实流量跟踪下与静态随机抽样方法的对比,两层自适应抽样方法显示了较强的实时捕获流量速率的波动变化和改善抽样精度的能力。     

基于自相似特性的流量测量采样方法

针对大型网络流量测量中测量数据量巨大、不能有效地描述流量特征的问题,本文将近年来网络研究的热点自相似性运用在流量测量中。根据流量变化对自相似参数H的影响,提出了一种基于网络的自相似特性的流量测量采样方法。该方法降低了流量测量的采样频率,能够及时、准确地发现网络异常,并能使测量数据更准确地刻画流量特征。     

基于FARIMA模型的流量抽样测量方法

目前的流量抽样测量方法主要基于传统的数学理论,并没有考虑到实际网络流量的特征,基于此,提出基于FARIMA流量预测的抽样方法,根据流量预测值动态调整抽样率,既减轻了CPU的负载,又节省了存储空间。通过对比实际使用中的流量抽样测量方法取得的数据报文样本均值和Hurst参数,表明该方法能够正确体现原始数据的流量行为统计特征。     

基于模糊控制的自适应流量抽样方法

针对系统抽样中恒定报文采样概率方法异常检测的漏检率高和随机报文采样概率偏向于采集长流的缺陷,提出了一种模糊自适应流量抽样方法。该方法利用网络流量的相关性设定采样率,并实时自适应预测采样粒度,自动在允许误差范围内进行尽可能精确地测量,更好地捕捉到网络流量特征和网络行为特征。实验证明,所提方法不但能减少抽样数据对于异常检测的影响,而且可以高效地反映原始数据的异常情况。自适应模糊控制系统结构简单,易于实现,其控制策略达到了较高的工艺水平的要求,具有良好的预测性,并能提高流量检测的精确度,具有一定的推广价值。     

实时自适应交通信号倒计时显示控制方法

针对目前各城市的交通堵塞现象日益严重,传统的定配时交通控制方法因不够灵活而难以适应当前交通需求,提出了一种实时自适应交通信号倒计时显示控制方法,该方法能够将全程倒计时、无跳变、计时与实际时间相符合集中于一身,可根据各相位车流情况实时调整目标相位绿灯倒计时时间,不仅可使人们获知真实的倒计时时间,还能有效缓解交通拥堵,具有良好的实用性。     

校园网流量监控与异常处理

随着校园网规模的扩大,安全威胁越来越多,流量监控显得日益重要,重要。该文阐述了对校园网进行流量监控的方法,重点介绍了MRTG的使用．并对各种可能出现的流量异常进行了分析,并给出了解决办法。     

基于分层抽样算法的异常攻击流量检测

在高速互联网应用中,海量数据无法逐包检测分析,异常攻击流量也不易被识别。为解决该问题,利用泊松帕累托突发过程的经典流量模型对网络流量自相似特性进行分析,将网络流量分为长流与短流,并根据数据流到达时间的抽样比增量进行分层抽样,由此实现异常攻击流量的检测。在基于数据报文级检测的snort异常入侵检测系统上对该方法进行仿真实验,结果证明其能有效缩小异常攻击数据范围,快速准度地检测出攻击。