基于深度无监督学习的多小区蜂窝网资源分配方法

针对多小区蜂窝网络资源分配所要求的低能耗、高速率和低延时问题,提出一种基于深度无监督学习的多小区蜂窝网络资源分配方法.首先,构建基于无监督学习的深度功率控制神经网络,通过约束处理输出优化的信道功率控制方案以最大化能量效率的期望;然后,构建基于无监督学习的深度信道分配神经网络,通过约束处理输出优化的信道分配方案,并联合前期训练好的深度功率控制神经网络拟合输出优化的信道功率,进一步优化能量效率的期望.仿真结果表明,所提出的方法在保证低计算时延的同时可获得优于其他算法的能量效率和传输速率.     

基于深度学习的网络入侵检测与应对策略研究

文章针对网络安全领域中日益复杂的攻击手段和难以检测的入侵行为,提出基于深度学习的网络入侵检测与应对策略。实验结果表明,长短期记忆网络（Long Short-Term Memory Network,LSTM）在处理复杂的网络流量数据时表现最优,优于卷积神经网络（Convolutional Neural Network,CNN）、循环神经网络（Recurrent Neural Network,RNN）。     

基于自注意力机制的网络局域安全态势融合方法研究

针对传统网络安全态势感知方法无法高效整合多节点数据、获取全局网络安全态势的问题,文章提出了一种基于自注意力机制（Self-Attention Mechanism）、径向基函数（Radial Basis Function,RBF）神经网络与卷积神经网络（Convolutional Neural Network,CNN）的网络局域安全态势融合方法 SA-RBF-CNN(Self-Attention-RBFCNN)。通过自注意力机制,模型能有效识别并强调关键节点,增强对全局安全态势的认识。同时,改进的RBF结构与CNN结合能进一步提炼特征,增强模型对复杂数据模式的捕捉能力。实验结果显示,SA-RBF-CNN在识别网络安全态势预测的关键指标上优于其他类似方法,与传统态势感知方法相比,其提升了计算速度,减少了通信开销,证明该模型具有一定的实际应用价值。     

深度卷积神经网络在医学图像分割中的应用研究

在临床医学影像诊断中,仅靠医生个人经验和传统技术手段难以精准识别医学图像结果,而依托计算机技术对医学图像处理,不仅能提高医生对医学图像的诊断效率,而且能减少医生的主观性判断,有利于提升医学诊断质量。在计算机领域卷积神经网络（Convolutional Neural Network,CNN）对图像分析具有显著优势。基于此,文章分析深度卷积神经网络在医学图像分割中的应用。     

基于车辆构成和特征提取的交通状态预估模型

准确的交通状态预估有利于车辆选择合理交通路线,缓解交通拥堵状态。针对传统方法特征提取不充分、预估准确度依赖于监测器精度等问题,提出了一种基于车辆构成和特征提取的交通状态预估模型。该模型以速度、流量、占用率和大型车辆比重为输入,将交通状态分成畅通、拥挤和拥堵三种状态,结合时间空间维度来预估交通状态。通过卷积神经网络（Convolutional Neural Network,CNN）提取交通拥堵特征,得到的特征输入支持向量机（Support Vector Machine,SVM）进行交通状态预估。实验表明,考虑车辆构成比忽略车辆构成准确率提高112%,CNN-SVM模型预估准确度比CNN模型提升225%,是一种有效的交通状态预估模型。     

基于CNN的λ域帧内码控最佳码率分配算法

在λ域帧内码控中，提出一种基于卷积神经网络（Convolutional Neural Network,CNN）的帧内码控最佳码率分配算法。首先利用双曲线函数拟合编码树单元（Coding Tree Unit,CTU）的率失真（Rate Distortion, RD）特性。设计双分支卷积神经网络（Dual-Branch Convolutional Neural Network,DBCNN）预测率失真关键参数。然后根据帧级率失真优化（Rate Distortion Optimization,RDO），建立帧级目标码率与CTU码率分配等式关系，推导帧级拉格朗日参数λ。最后反演出最佳CTU码率分配。实验表明，该算法能够显著提高帧内码控编码性能，并具有较高码控精度。     

基于BiLRCN和注意力机制的脉搏波血压测量

为了提高无创血压测量的精度,提出了基于双向长期递归卷积网络(Bidirectional Long-term Recurrent Convolutional Network,BiLRCN)和注意力机制的脉搏波血压测量方法。通过2个卷积神经网络(Convolutional Neural Network,CNN)层提取出光电容积脉搏信号的高维度特征,将其作为双向长短期记忆（Bidirectional Long Short-Term Memory,BiLSTM）网络的输入,通过BiLSTM提取输入序列前后向的特征信息进行预测;根据注意力机制自动分配权重的特征,给予重要时刻脉搏特征数据较大的权重,并通过2个全连接层得到血压的测量值。将所提出的方法与CNN、长短期记忆 (Long Short-Term Memory,LSTM）网络、BiLSTM网络、长期递归卷积神经网络（Long-term Recurrent Convolutional Network,LRCN）方法进行了收敛速度和血压测量的对比实验。实验结果表明,所提出的方法较LRCN均方误差降低了21.63%,平均绝对误差降低了67.5%,确定性相关系数提高了0.42%。所提出的方法的收敛速度更快、血压测量精度更高。     

新型LeNet-FC卷积神经网络模型算法的研究

针对已有的卷积神经网络（Convolutional Neural Network，CNN）在人脸识别训练中出现过拟合、收敛速度慢以及识别准确率不高的问题，提出了新型的LeNet-FC卷积神经网络模型。通过增加网络层、缩小卷积核等结构改进以及采用优化的对数-修正线性单元（Logarithmic Rectified Linear Unit，L_ReLU）激活函数，该模型在人脸识别训练的准确率达到了99.85%。同时基于LeNet-FC卷积神经网络模型设计了一个人脸识别系统。该系统在ORL人脸库的仿真测试实验中识别准确率达到了96%。     

基于CNN-XGBoost混合模型的短时交通流预测

准确、高效的交通流预测是实现交通诱导和交通控制的前提和关键。针对传统机器学习方法需要人工构造特征、无法充分提取交通流的时空特征等问题,提出一种混合预测模型,该模型结合卷积神经网络（Convolutional Neural Network,CNN）和XGBoost（Extreme Gradient Boosting）各自的优势,在网络底层使用CNN对交通流数据进行特征的自动提取和选择,并将得到的高维特征向量输入到XGBoost模型中进行预测。为验证模型有效性,取高速路段的交通流数据对CNN模型、XGBoost模型和CNN-XGBoost模型进行实验对比,结果表明,在预测精度上,CNN-XGBoost模型比CNN模型和XGBoost模型分别提高了约6%和7%,是一种有效的短时交通流预测模型。     

GPU异构计算在深度学习训练加速中的应用

基于统一计算设备架构（Compute Unified Device Architecture,CUDA）框架实现的主流深度学习框架能够直接利用图形处理器（Graphics Processing Unit,GPU）的硬件优势,并通过集成优化库如CUDA深度神经网络加速库（CUDA Deep Neural Network library,cuDNN）对卷积、循环等不同类型层进行针对性加速。文章首先介绍GPU架构及CUDA框架的工作原理,概述主流深度学习框架的GPU支持,重点分析CNN卷积层、循环神经网络（Recurrent Neural Networks,RNN）循环层等在GPU上的具体实现与优化手段。     

一种深度强化学习的C-RAN动态资源分配方法

移动边缘计算(MEC)技术已成为云无线接入网(C-RAN)提供近距离服务的一个很有前途的例子,从而减少了服务延迟,节约了能源消耗.本文考虑一个多用户MEC系统,解决了计算卸载策略和资源分配策略问题.我们将延迟总成本和能耗作为优化目标,在一个动态的环境中获得一个最优的策略.提出了一个基于深度强化学习的优化框架来解决资源分配问题,利用深度神经网络(DNN)对批评者的价值函数进行估计,从当前状态直接提取信息,不需要获取准确的信道状态.从而降低了优化目标的状态空间复杂度.参与者使用另一个DNN来表示参数随机策略,并在批评者的帮助下改进策略.仿真结果表明,与其它方案相比,该方案显著降低了总功耗.     

NFV中单节点启发式资源分配方法

从网络包转发性能角度出发,通过实验深入分析DPDK对虚拟网络功能的加速效果及CPU资源消耗情况,并对单节点资源分配问题进行研究,证明了该问题是NP难类型,提出了基于贪心算法的启发式VNF资源分配算法。在此基础上,针对网络负载的潮汐现象,提出了一种基于网络负载的虚拟网络功能实例自动切换方案。实验结果显示,相较传统方式,该方案在高负载情况下VNF性能提升了20%。     

基于残差网络和GRU的XSS攻击检测方法

传统的XSS攻击及其漏洞检测方法在面对多样化的攻击payload时其效果难以令人满意,需要大量人工参与,具有较大的主观性;而如CNN、RNN等深度学习方法只能单一地学习数据样本的空间特征或时序特征.提出一种基于残差网络和GRU的XSS攻击检测方法,在CNN基础上引入残差框架并与GRU相结合来学习数据的时空特征,且通过利...     

无线传感器网络中的Sybil攻击检测方案

Sybil攻击是一种对无线传感器网络(WSN)危害巨大的攻击方式,它破坏WSN中的数据融合、公平资源分配等机制。为此,提出一种基于HCRL的Sybil攻击检测方案。该方案基本思想是Sybil节点创建的多个身份只拥有同一个物理位置,通过对HCRL算法的优化检测出Sybil节点。Sybil攻击对网络性能影响严重,而加入检测方案后网络性能有较大提升。通过仿真实验和性能分析证明了该方案的有效性和低系统开销。     

基于DQN的超密集网络能效资源管理

小基站的密集随机部署会产生严重干扰和较高能耗问题,为降低网络干扰、保证用户网络服务质量（QoS）并提高网络能效,构建一种基于深度强化学习（DRL）的资源分配和功率控制联合优化框架。综合考虑超密集异构网络中的同层干扰和跨层干扰,提出对频谱与功率资源联合控制能效以及用户QoS的联合优化问题。针对该联合优化问题的NP-Hard特性,提出基于DRL框架的资源分配和功率控制联合优化算法,并定义联合频谱和功率分配的状态、动作以及回报函数。利用强化学习、在线学习和深度神经网络线下训练对网络资源进行控制,从而找到最佳资源和功率控制策略。仿真结果表明,与枚举算法、Q-学习算法和两阶段算法相比,该算法可在保证用户QoS的同时有效提升网络能效。     

基于资源拆分的虚拟网络功能服务链映射算法

针对网络虚拟化环境下虚拟网络功能服务链的资源分配以及部署问题,提出了基于资源拆分的虚拟网络功能服务链部署策略。通过对租户的资源需求进行主动拆分,利用更小的资源分配粒度达到提高物理资源利用率的目的。利用最优化理论将虚拟网络功能服务链的资源分配问题建模成具有链式拓扑结构的虚拟网络映射问题,并通过设计高效的启发式算法以有效地解决这一问题。实验结果表明,该算法与其它虚拟网络映射算法相比,能有效提高物理资源的利用率以及租户请求的接收率。     

基于无效卷积核权值回退的神经网络优化方法

在神经网络模型训练过程中,存在部分卷积核退化为无效卷积核,在神经网络推理过程失去作用的问题。针对该问题,提出了一种仅使用单个模型就能在训练过程中激活无效卷积核,提高模型性能的方法。首先将初始模型训练至收敛时刻;然后通过L1正则和卷积核相关性两种方式衡量卷积核的有效性;最后将无效卷积核的权值回退到模型训练的初期阶段并对模型进行重训练。在CIFAR-10、CIFAR-100等图像分类的数据集上的实验结果表明,无论是在残差网络还是在轻量级网络上,提出的方法都能有效地恢复无效卷积核,提高神经网络模型精度。相比之前的方法,该方法在低代价下达到了最佳效果,在图像分类任务上平均提高了0.93%的准确率。     

WSN中层次型拓扑控制与网络资源配置联合设计方法

综合考虑异构无线传感器网络中节点速率分配、簇的划分规则和链路层网络频带资源占用情况, 提出一种基于拓扑控制与资源优化分配的层次型路由算法. 在网络层, 该算法根据成员节点和簇首节点的速率分配机制建立节点流量平衡模型. 在链路层, 分析无线传感器网络频谱共享行为, 研究邻近用户间访问冲突的规避抑制模型, 重构网络频带资源. 通过引入带宽比例因子将可用频带划分成若干子带, 提高网络频带资源的利用效率. 本文基于跨层联合设计思路, 建立一个混合整数非线性规划问题,对异构无线传感器网络中拓扑控制和网络资源分配问题联合设计, 得到最优的分簇结果和资源分配方案. 最后, 在设定网络拓扑中评估性能, 仿真结果证实该算法在网络频带资源充分利用的同时, 可实现最优的簇首匹配和路由建立结果.     

结合概率图模型与DNN的DDoS攻击检测方法

从传统网络到物联网,分布式拒绝服务攻击一直是网络安全的隐患。为提高分布式拒绝服务攻击的检测率,提出基于概率图模型与深度神经网络的DDoS攻击检测方案。该检测方案由数据预处理阶段和攻击检测阶段组成,在数据预处理阶段,研究了正常数据包与攻击包的区别,分别从TCP、UDP以及IP数据包包头信息提取出较高维的统计特征,根据随机森林计算的特征重要性因子,保留了前22个特征用于流量检测。22个统计特征通过概率图模型的隐马尔科夫算法进行聚类,然后将聚类结果通过检测阶段的深度神经网络对网络数据进行进一步的检测。在CICDoS数据集上进行验证性实验,结果表明,该检测方法的准确率最高可达99.35%,最低检测误报率和漏警率分别可达0.51%和0.12%。     

面向卷积神经网络的硬件加速器设计方法

为满足实际应用对卷积神经网络（CNN）推理的低时延、小体积和高吞吐率等要求，设计了一个采用如下优化方法的加速器：针对外存访问带宽限制，基于设计空间探索确定循环分块因子以最大化数据重用；针对CNN计算密度高，采用循环展开技术充分挖掘四种计算并行度；内存池、乒乓缓存和动态数据量化等技术用于管理片内外存储资源。将生成加速器流程封装为CNN加速框架；采用生成的加速器实现了AlexNet网络，仿真结果表明，该设计最高可达1?493.4?Gops的计算峰值，是被比较工作的多达24.2倍，DSP效率也超过了其他设计方法，最低为1.2倍，实现了CNN快速部署，开发效率高，加速性能优异。