三维信息模型协同编辑技术及系统

对现有协同设计系统在协同编辑方面的工作进行研究，在分析它们研究对象和方法的基础上，结合MCAM对大型三维信息模型设计的需要，提出并开发了网络MCAM系统。利用基于“消息”的通信机制，将设计中对三维信息模型的编辑过程包装为网络传输的“消息”，大大减少了网络传输中的数据量，并较好的实现了三维信息模型的协同编辑技术。     

过程变革中的自相似性

本文试图按照社会技术系统的概念来描述企业，这一概念包括将企业作为一个自相似系统进行建模，这类系统能够不断变化和发展以便达到完成其任务的所有要求，为此目的，有必要对结构和过程的自相似性加以并行考虑，拥有各部门和工作小组的企业结构的自相似性与过程变革的自相似性。     

苏通长江大桥施工阶段结构稳定性研究

按照苏通长江大桥实际的施工过程及其施工荷载分布,考虑施工过程的影响,建立全桥空间组合结构计算模型,用有限元法研究了主桥斜拉桥自索塔施工开始直到全桥合龙的各施工阶段的结构稳定安全系数及其失稳模态,对主桥钢箱梁架设施工过程中的结构稳定行为给出了综合评价.     

基于扩展自相似过程的ATM业务模型

在扩展自相似过程的基础上提出了一种新的业务模型。该业务模型可以实现任意的边缘概率分布，并且可以实现众多形状的相关函数，较之现有的ＡＴＭ业务模型具有更广的适用范围。     

模型旋流燃烧室气体燃料火焰不稳定特性分析

燃机在贫燃工况下易出现燃烧不稳定,分析和预测不稳定燃烧特性对保证燃烧室正常工作具有重要意义。通过数值仿真得到燃烧室的火焰描述函数(flame describing function,FDF),并结合低阶热声网络模型预测了燃烧室的热声不稳定特性。首先,通过模型旋流燃烧室自激振荡实验,得到振荡燃烧发生时的工况和主频;其次,利用大涡模拟(large eddy simulation,LES),得到火焰燃烧热释放率对不同入口扰动的响应特征,通过拟合得到FDF;最后,建立了燃烧室低阶热声网络模型,并分析了燃烧室不稳定特性。结果表明：模型预测的振荡特性与实验数据相符,说明该模型能够从机理上预测燃烧不稳定特性。     

基于Petri网和语义网络的虚拟维修过程建模与应用

针对当前虚拟维修过程中模型庞大,维修流程不可反复,部件间关系描述混乱等问题,论文提出一种Petri网和语义网络结合的过程建模方法——TJ(Training Join)网。TJ网上层利用语义网络对部件进行层次结构分解和资源规范聚类,实现子部件间逻辑互联;下层运用Petri网的变迁和触发规则提炼出Petri网元素模型,提高模型的通用性和建模效率。同时模型中的状态收集模块可实现部件属性状态间信息共享。最后,以虚拟维修平台中飞机电子设备架的维护为例,验证了TJ网的有效性。     

露天矿运输系统网络模型的实现

对现实露天矿运输系统进行描述，在此基础上构建露天矿运输系统的网络模型，包括运输系统网络的组成和描述、节点的选取、权值的确定和运输网络的生成，并将网络模型实现。其中包括数据库的设计和网络数据的操作。     

网络传输层产生自相似业务的一个原因

网络传输层可以产生自相似性的发现，引发了对网络长相关性流量模型更进一步的研究，文章结合网络流量的研究进展，介绍现有网络传输层产生自相似业务的一个原因。     

螺杆冷水机组稳态仿真

为预测螺杆冷水机组在不同结构参数下的变工况特性，提出了标准螺杆冷水机组，带经济器一级节流螺杆冷水机组和带经济器二级节流螺杆冷水机组稳态仿真模型和算法。其中，压缩机压缩过程描述为多变过程；压缩机补气过程描述为等容、绝热混合过程；电子膨胀阀膨胀描述为等焓过程；壳管式冷凝器以及满液式蒸发器用对数平均温差方法计算。模型计算结果表明，仿真模型定性合理。     

下一代通信网络的技术发展趋势和应用展望

下一代网络Next Generation Networking（NGN），是基于已有的计算机结构和技术包含广泛的技术术语，总体上描述了数据和话音（PSTN）甚至多媒体例如视频和网络传输．ITU（世界电信联盟）对下一代网络（NGN）的定义是全业务的网络，包括电话和Internet接入业务、数据业务、视频流媒体业务、     

基于统计的网络流量模型及异常流量发现

基于从网络流量的大小和流量曲线的形状两个方面的研究,建立了一种基于统计的网络流量模型,提出了计算正常情况网络流量曲线的算法.通过对比正常网络流量曲线和异常网络流量曲线之间的差距,实现了对异常数据流的自动检测.实验表明,该模型不仅可以模拟与网络实测数据相似的网络流量,而且具有一定的异常流量发现能力.     

基于逻辑回归模型的流量异常检测方法研究

网络流量作为异常检测的基本数据源,其行为特征的准确描述,是网络异常行为实时检测的重要依据.本文针对流量异常检测问题,提出了一种基于逻辑回归模型的网络流量异常检测方法.通过分析源IP、目的 IP等多个网络流量基本特征,构造了网络异常行为和正常行为的训练机,并且在此基础上采用逻辑回归建立起网络异常流量挖掘模型.利用实验室所采集的真实网络流量对所构建的模型进行检测,以验证该模型的有效性.实验结果表明本文所建立的网络模型在异常流量挖掘方面准确度高、实时性好.     

自相似业务下光分组交换边缘节点排队方案性能分析

研究了自相似业务下光分组交换网中边缘节点的工作性能,建立了轮询机制下的排队模型,分析了平均组装／发送时延与最大汇聚分组长度等参数的关系。研究表明：平均时延与最大汇聚长度及边缘节点数目成线性关系,与发射速率成反比关系,随业务强度的增加而增大。所得结论具有轮询机制的共性,为进一步研究其他排队方案奠定了基础。     

面向宽带流媒体的接入汇聚路由器中缓冲区容量的选取研究

根据宽带流媒体的突发性和自相似特点及接入汇聚路由器（ACR）对预留宽带的严格控制,建立了用分形布朗运动（FBM）来表示输入流量模型的自相似模型,用其定量分析了ACR中缓冲区容量与分组丢失率的关系。分析结果表明,为支持其有良好服务质量的宽带流媒体业务,必须确保每路视频流的丢失率小于一个定值,在此条件下,所需缓冲压的容量与媒流体的自相似系数及链路平均利用率成正比,在实际工程实践中可以根据系统丢失率的要求计算需要预留的缓冲区容量,以此来保证视频传输的服务质量。     

ATM网中的MPEG标准VBR视频业务新模型

在分析ＭＰＥＧ－１标准下的可变比特率（ＶＢＲ）视频业务特性的基础上，对这类业务提出了一种新模型。仿真结果表明，该模型能够很好地逼近这类业务的统计特性。     

A Network Traffic Classification Model Based on Metric Learning

Attacks on websites and network servers are among the most critical threats in network security. Network behavior identification is one of the most effective ways to identify malicious network intrusions. Analyzing abnormal network traffic patterns and traffic classification based on labeled network traffic data are among the most effective approaches for network behavior identification. Traditional methods for network traffic classification utilize algorithms such as Naive Bayes, Decision Tree and XGBoost. However, network traffic classification, which is required for network behavior identification, generally suffers from the problem of low accuracy even with the recently proposed deep learning models. To improve network traffic classification accuracy thus improving network intrusion detection rate, this paper proposes a new network traffic classification model, called ArcMargin, which incorporates metric learning into a convolutional neural network (CNN) to make the CNN model more discriminative. ArcMargin maps network traffic samples from the same category more closely while samples from different categories are mapped as far apart as possible. The metric learning regularization feature is called additive angular margin loss, and it is embedded in the object function of traditional CNN models. The proposed ArcMargin model is validated with three datasets and is compared with several other related algorithms. According to a set of classification indicators, the ArcMargin model is proofed to have better performances in both network traffic classification tasks and open-set tasks. Moreover, in open-set tasks, the ArcMargin model can cluster unknown data classes that do not exist in the previous training dataset.     

Routing of Uncertain Traffic Demands

Due to the success of the Internet and the diversity of communication applications, it is becoming increasingly difficult to forecast traffic patterns. To capture the traffic variations, we introduce a flexible model where traffic belongs to a polytope. We assume that the traffic demands between nodes can be carried on many paths, with respect to network resources. Moreover, to guarantee the network stability and to make the routing easy to implement, the proportions of traffic flowing through each path have to be independent of the current traffic demands. We show that a minimum-cost routing satisfying the previous properties can be efficiently computed by column and constraint generations. We then present several strategies related to certain algorithmic details. Finally, theoretical and computational studies show that this new flexible model can be much more economical than a classical deterministic model based on a given traffic matrix. This paper can be considered as a mathematical framework for a new flexible virtual private network service offer. It also introduces a new concept: the routing of a polytope.This work was done in part while the authors were working at France Telecom Research and Development, Issy-les-Moulineaux, France.     

基于模糊神经网络的公差-成本模型研究

研究了面向制造环境的公差-成本模型。对制造环境中有关的加工因素进行分类及模糊化处理,构造了加工因素的成本模糊影响系数,并以此系数和零件公差作为输入,建立了基于模糊神经网络的公差-成本模型。此模型在表征加工成本、公差关系上的精度较高,更适应面向制造公差设计的要求。     

Improving network anomaly detection via selective flow-based sampling

Sampling has become an essential component of scalable Internet traffic monitoring and anomaly detection. A new flow-based sampling technique that focuses on the selection of small flows, which are usually the source of malicious traffic, is introduced and analysed. The proposed approach provides a flexible framework for preferential flow sampling that can effectively balance the tradeoff between the volume of the processed information and the anomaly detection accuracy. The performance evaluation of the impact of selective flow-based sampling on the anomaly detection process is achieved through the adoption and application of a sequential non-parametric change-point anomaly detection method on realistic data that have been collected from a real operational university campus network. The corresponding numerical results demonstrate that the proposed approach achieves to improve anomaly detection effectiveness and at the same time reduces the number of selected flows.