基于UML的学校管理系统建模

近年来,随着高校招生规模的不断扩大,学校管理的信息量也急剧增加,传统的管理方法已难以适应学校发展的需要。鉴于此,本文提出了学校管理系统的基本功能模块,并运用基于面向对象建模语言——统一建模语言(UML)对其进行了静态、动态的模型设计,最终形成系统总体的分析模型架构,为学校管理系统的开发提供了参考模型。     

多维逆M序列及其在多变量系统辨识中的应用

基于Ｍ序列和逆Ｍ序列,提出了多维逆Ｍ序列发生器的结构形式。多维逆Ｍ序列近似周期白噪声,无直流分量,各维序列之间互不相关。言语中研究了多维逆Ｍ序列的性质,给出了自相关函数的计算公式。通过使用多维逆Ｍ序列,将多变量系统参数辨识简化为各通道对应的单变量系统参数辨识。多维逆Ｍ序列具有很好的推广应用价值。     

车间作业计划管理系统的设计与应用

随着企业信息化工作的推进,现在制造业企业的信息化程度有了相当大的提高.但是,我们也要看到,目前在多数企业的信息化建设过程中,还是普遍存在如下一些问题:(1)信息共享程度低.很多企业的计算机辅助工具都是一些离散孤立的系统,由这些互不兼容的软件所产生的数据,很难统一由一个企业级的计算机软件系统来管理.特别是,如果将数据存储于不同的计算机系统中(有些企业甚至还未将这些计算机进行联网),那么这些数据就更加没有办法在设计、工艺和制造部门之间进行有效的共享与传递了.     

调频连续波高度表的计算机仿真

介绍了使用SPW软件对调频连续波高度表进行计算机仿真的情况,包括高度表的工作原理、数学模型的建立和和性能仿真等内容,并给出了定性和定量的仿真结果.仿真主要针对噪声信道和理想信道,在VHF/UHF波段及S波段进行了模拟测高,结果表明工作频率对高度表的测高精度影响不大,但宽带调频高度衷具有更好的测高精度和更强的抗干扰能力.     

基于虫洞路由的无HoL阻塞环形架构

提出一种基于虫洞路由的无HoL阻塞环形片上互联网络架构,实现了在不消耗太多资源的前提下,用一级流水线以类虚拟输出队列的方式完全消除队头阻塞和死锁。评估不同参数下该环形架构的性能,与CELL EIB等环形实现相比,该架构以单数据包仅11周期最小延时的性能明显优于其他环形架构,同时最大吞吐率达到25.6 Gb/s。     

浅谈Oracle ERP数据库的性能调整

目前,越来越多的公司都在使用Oracle ERP系统,但随着系统数据的不断增大,系统的性能就开始逐步下降.就使用Oracle的一些经验,介绍了提高性能的方法.     

事件序列上的频繁情节挖掘算法

事件序列上的频繁情节挖掘是时序数据挖掘领域的热点之一,基于非重叠发生的支持度定义,提出一个频繁情节挖掘算法NONEPI＋＋,该算法首先通过情节串接产生候选情节,然后通过预剪枝和计算情节发生的时间戳来产生频繁情节.算法只需扫描事件序列一次,大大提高了情节挖掘的效率.实验证明,NONEPI＋＋算法能有效地挖掘频繁情节.     

联合 LTP 和 LPQ 的人脸识别方法

提出一种联合局部三值模式（LTP）和局部相位量化（LPQ）的人脸识别方法,该方法首先对预处理后的人脸分别采用LTP算子、LPQ算子提取各自的直方图,然后,通过特征选择将两者联合为LTP＿LPQ直方图,最后通过最近邻分类器进行分类识别。在ORL和YALE标准人脸数据库上的实验表明,该方法能有效地提高人脸的识别率。     

基于双维序路由策略的低能耗NoC网络分配

在片上网络(NoC)的网络分配与任务映射相配合的路径分配中,单维序路由策略会限制可行解空间。为此,提出一种基于双维序路由策略的网络分配方法。在路径分配步骤中采用双维序路由法,设计以带宽、延时和无死锁为约束条件、以降低动态及静态能耗为优化目标的遗传算法。实验结果表明,该方法可以扩大任务映射的可行解空间,求解最小所需带宽比单维序法平均减少6.3%,且在各种带宽场合时均能求得更低能耗解。     

一种针对TomcatFilter型的MemShell检测技术研究

近些年来,随着计算机技术的不断发展和应用,Web应用技术也在快速更迭,与其一起发展的还有木马后门技术,但传统的木马后门技术已经不能满足攻击者的需求,因而基于内存攻击的方式不断涌现,包括powershell内存载入攻击、.NET assembly托管代码注入攻击以及内存马(Memory WebShell,MemShell)攻击等,这些攻击方式为现有的安全防御检测机制带来了极大的挑战。因而业界对面向解决基于内存的攻击尤其是内存马的攻击展现出了强烈的需求。但当前业内针对内存马的检测能力较弱,学术界也缺乏对该领域的研究工作,所以本文提出了一种针对Tomcat Filter型的内存马检测方法。通过研究发现,内存马其最核心技术便是无文件(Fileless)及不落地(Living off the Land),但尽管如此,内存马最终会在内存中展现其功能并执行命令,所以内存是所有威胁的交汇点,因此本文将Java虚拟机(Java Virtual Machine,JVM)作为起始点,首先利用JVM内存扫描技术遍历出JVM内存中加载的所有Filter类型对象,但需要注意的是这些对象并非都是有威胁的,并且每一个对象都具有一定的特征,所以可以对这些特征通过人工经验进行分类并且筛选出具有代表性的特征向量,然后获取每一个Filter类型对象的所有代表特征向量,并根据特征向量的值梳理出异常表现序列;最后,利用朴素贝叶斯算法将大量正常和异常的Filter对象的异常表现序列作为训练样本,计算出对应项的条件概率并形成贝叶斯分类器。利用训练出的贝叶斯分类器就可以构建出一个内存马检测模型,该模型能够有效得针对该类型的内存马进行检测。实验结果表明,本文提出的方法针对Tomcat Filter型内存马的检测,实现了零误报率和94.07%的召回率。