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。     

基于语义扩展的多关键词可搜索加密算法

云存储中为保护数据所有者的数据安全性和隐私性,采用数据加密后再提供按需数据服务的方式,可搜索加密技术是解决加密数据接入的关键方法.但搜索时的多关键词不加区别和忽视索引之间的关联性会造成搜索时间长和准确率低等问题,提出一种基于语义扩展的多关键词可搜索加密算法.首先,基于依存句法区分多关键词的重要性进行语义扩展,并生成多关键词陷门;其次,基于凝聚层次聚类和关键词平衡二叉树,构建索引关联性的索引树结构;最后,引入剪枝参数和相关性得分阈值对索引树进行剪枝,在索引树中过滤掉索引无关的子树.基于真实数据集的理论和实验分析表明:所提算法能够抵抗规模分析攻击,并能提高搜索时间效率和搜索准确率.     

一种面向临床领域时序知识图谱的链接预测模型

知识图谱(knowledge graph)链接预测可以解决知识图谱中缺失信息的发现和还原,是目前知识图谱领域的研究热点.传统的知识图谱链接预测方法大多面向静态的数据,并不适用于具有动态变化特性的时序知识图谱.时序知识图谱广泛存在于不同领域中,以临床医学领域为例,糖尿病作为一种典型的慢性病,其病程是一个疾病缓慢发展演化的过程.因此,在临床医学时序知识图谱上进行临床意义的链接预测,比如预测糖尿病的并发症,则需要考虑糖尿病病程发展随时间变化的时序特性,这也为传统的知识图谱链接预测方法带来巨大挑战.为此,结合临床医学事实知识的时序特性,提出一种基于LSTM序列增量学习的临床领域时序知识图谱链接预测模型.该模型结合LSTM长短期记忆单元递归神经网络在序列学习上的优势,通过构建基于LSTM的序列增量学习层,以端到端的方式提取时序知识图谱中的三元组时序特征,从而实现对时序知识图谱的链接预测.通过在糖尿病时序知识图谱上的实验,验证了模型的高效性、可用性及稳定性.     

用于高速IPv6网络流量抽样测量的算法

为了解决高速IPv6网络流量测量,提出了一种基于数据包首部内容分析的流量抽样测量算法．算法将IPv6数据包首部内容进行关键字段的掩码匹配,通过Hash映射,利用判断Hash值是否属于抽样域来决定数据包的采集与否．其特点是利用信息熵理论,分析IPv6数据包首部,选择出熵值较大的字段,将其作为抽样算法掩码匹配的关键字段,这样就避免了对数据包首部内容的全抽样,在保证抽样样本随机性的前提下,有效地减少了运算量．实验结果表明,总体流量和抽样样本的数据包大小分布函数曲线十分吻合,验证了该算法的正确性．     

一种适用于IPv6的高效瓶颈带宽测量方法

提出了一种下一代网络的瓶颈带宽测量方法——IPv6-pckt-pr。该方法在OPNET仿真环境下,以自相似业务流为背景流量,给探测报文赋予相同的流标签,同时将其业务类别设置为最高级,通过发送不等长的探测包对测量端到端瓶颈带宽。分析与实验表明,该方法的测量结果准确度较好,分布比较集中,测量时间较短,并能有效减少测量带宽。     

基于Windows平台的数据包实时传输模拟

采用基于Windows平台的网络驱动程序接口规范技术,设计并实现一个基于协议过滤的高精度网络模拟器。该模拟器可实时模拟广域网传输链路的各种网络传输条件,包括网络带宽、数据包的丢包、传输延迟及传输错序等。性能测试结果表明,该网络模拟器达到了高精度、低负荷的设计要求。其实现有助于研究多媒体网络应用服务质量、进行网络协议分析以及验证各种网络流量控制算法。     

基于虚拟化技术的教学云平台构建与管理

对目前网络教学平台构建现状进行分析,提出使用虚拟化技术,对当前传统教学资源进行优化配置,构建教学云平台。重点阐述平台的构建步骤和基于CMS(Content Management System)开发部署的管理系统功能,并将其应用到教学平台的实际建设中。效果分析表明,使用云技术和CMS动态管理资源,教学平台的可用性和可扩展性得到了提高,满足网络教学平台多样性需求。     

一种新的提高互联网端到端时延精度的测量方法

由于端到端网络时延的测量中存在收发时钟不同步的问题,在测量中大多是通过测往返时延来间接求得端到端时延,测试结果误差较大.本文利用主动探测方法,在互联网上通过在一端发送带有时间戳的IP数据包,在另一端记录该测量分组的到达时间戳来获得端到端的时延测量值,然后利用线性规划的方法来消除了收发时钟的初始相位差和相对频差等影响,计算出网络的端到端时延真实值.通过实例测试,结果表明该方法消除了时钟不同步带来的误差,提高了测试结果的精确度.     

一种基于旋转森林的甲状腺疾病分类方法

甲状腺疾病是内分泌领域的常见疾病,准确识别不同类型的甲状腺疾病是临床医疗诊断中的首要问题。针对甲状腺检测指标数据,提出一种新的甲状腺疾病分类方法,该方法首先采用主成分分析法对数据集进行特征选择,降低数据维度,然后基于旋转森林集成分类算法实现分类。旋转森林算法使基分类器的差异性更加明显,进而提高分类器的精度,同时可以减少处理时间。实验中,同时分析了UCI标准数据集和真实临床医疗数据集,结果表明该方法的分类准确率分别可以达到96.28%和96.37%。