通用分组无线业务中基于测量的接纳控制算法

GPRS(generalpacketradioservice)通过使用类似于ATM中采用的QoS管理算法来为用户提供预留服务。许多学者的研究表明：基于测量的链接接纳控制算法与其他链接接纳控制算法相比,对GPRS网络具有更好的适应性和更高的效率。利用优先级队列的最坏延迟计算模型、等效漏桶近似和延迟标准化,在充分分析GPRS特性的基础上,提出了一种适合于GPRS的基于测量的接纳控制算法。通过仿真发现,该算法能在满足GPRS的QoS要求的同时获得80％的资源利用率。     

基于分布式统计时间序列的网络流量分析

研究网络数据在分布式存储下的相关性,有利于入侵检测整体的学习和指导优化数据的存储.重点研究了网络传输过程中各种类型数据的流量的这种相关性,提出了一种基于分布式统计(DS)的时间序列分析方法:根据网络协议间的关系将数据包分组,分析数量关系并给出报警阈值.仿真实验结果表明,该方法能较好地发现各种网络攻击.     

车载自组网移动模型综述

车载自组网已经在学术界和工业界受到广泛重视,新型应用和协议在实际工况条件下的测试需要很多人力和物力,并且不易控制,因此通常采用软件模拟方式进行实验验证.准确的移动模型是提高车载自组网模拟结果置信度的关键技术之一.文中从对交通特征的刻画粒度、移动模型的依赖与限制条件和移动模型的建立方法3个方面对已有的移动模型进行综合分析,提出若干面向宏观行为的统计特征量,并选取典型移动模型对其设计原理、微观特征和宏观特征等进行详细对比分析.微观方面,分析了各移动模型车辆的单次移动时间、单次移动距离、单次暂停时间和单次连接时间等特征量,结果发现不同模型在上述特征量的补累积分布下具有相似特征,而对应特征量的概率分布则具有一定差别.宏观方面,分析了各移动模型单个车辆的平均速度、总移动距离、总移动时间、平均邻居数量和平均加速度等特征量,结果表明不同模型在上述特征量的补累积分布下也体现出近似的相变行为,但各自的相变点不同,各模型对应特征量的概率分布具有明显的泊松分布特征,但均值差异较大.另外,也分析了各移动模型所有车辆的瞬时平均速度、瞬时移动距离、瞬时移动车辆数目、瞬时平均邻居节点数和瞬时平均加速度等特征量,结果表明各移动模型瞬时特性曲线的抖动强度和抖动趋势均不同,各模型特征量的平均值对车辆数量变化的敏感度也不尽相同.     

基于客户端的网页预取模型

提出一种基于客户端的网页预取模型。此模型以WPC方法为理论核心,WPC方法以客户端用户访问日志数据为依据,从中挖掘出Web用户的访问模式再通过提出的模式匹配算法进行网页预测,还提出基于Agent的Web预取系统具体应用WPC方法进行网页预取决策。此模型避免或简化了一般的网页预取模型对Web日志进行的复杂的预处理的一些步骤,其中包括数据净化,用户识别,用户会话识别和事务识别等,从而提高了预取效率。实验结果表明该模型能够达到较为理想的预取效果,具有较高的实用价值。     

通用分组无线业务监管算法研究

构造通用分组无线业务（GPRS）中数据分组突发模型为Poisson到达过程，相邻分组间隔服从负指数分布，用ON／OFF表示分组的有／无，设计了令牌产生速率分别为R1和R2，且R1＞R2和令牌池深度为W的双速漏桶监管算法，讨论了基于G／D／1／N排除理论的分组平均等待时间，选用3种数据源和以Matlab作为工具，给出了单速漏桶算法和双速漏桶算法的仿真结果，表明新算法对于GPRS有更好的适应性和更高的执行效率。     

GPRS中QoS管理机制研究

通用无线分组业务 (GPRS)中服务质量 (Qo S)管理机制是当前 GPRS研究的热点 ,它包含四大部分 :业务源特性描述、整形与监管 (Shaping/Policing)、调度 (Scheduling)和接纳控制 (CAC) ,其中 CAC是核心 .本文对每一部分的机理和实现算法进行了描述 ,且给出了相应的试验方案 ,包括业务源选择和仿真语义、分组类型和比率的定义 .     

缩微智能车目标检测系统的设计与仿真

为实现对车辆前方目标检测,提出并模拟了一种对缩微智能车前方目标进行检测的方案。在交通沙盘中,搭载ARM9开发板的缩微智能车,通过多种传感器数据融合采集缩微智能车的前方目标信息,然后再对数据进行集中处理。处理过程包括对视觉数据进行行人识别、对雷达数据进行目标状态分析,以及对通信数据进行分包,最后将数据包发送到监控平台完成前方运动目标信息的实时显示。仿真结果表明：该系统实现了对缩微智能车前方目标信息的实时采集,其采集精度和系统稳定性优于传统的目标运动信息采集系统。     

基于分布式学习的大规模网络入侵检测算法

计算机网络的高速发展,使处理器的速度明显低于骨干网的传输速度,这使得传统的入侵检测方法无法应用于大规模网络的检测.目前,解决这一问题的有效办法是将海量数据分割成小块数据,由分布的处理节点并行处理.这种分布式并行处理的难点是分割机制,为了不破坏数据的完整性,只有采用复杂的分割算法,这同时也使分割模块成为检测系统新的瓶颈.为了克服这个问题,提出了分布式神经网络学习算法,并将其用于大规模网络入侵检测.该算法的优点是,大数据集可被随机分割后分发给独立的神经网络进行并行学习,在降低分割算法复杂度的同时,保证学习结果的完整性.对该算法的测试实验首先采用基准测试数据circle-in-the-square测试了其学习能力,并与ARTMAP(adaptive resonance theory supervised predictive mapping)和BP(back propagation)神经网络进行了比较;然后采用标准的入侵检测测试数据集KDD'99 Data Set测试了其对大规模入侵的检测性能.通过与其他方法在相同数据集上的测试结果的比较表明,分布式学习算法同样具有较高的检测效率和较低的误报率.     

移动环境下扩展的基于策略的网管(PBNM)模型的动态资源分配

针对传统静态策略中条件和动作都是确定的,不能很好地适应网络状态变化的问题,提出了一种基于扩展PBNM模型的移动环境下动态资源分配方案,增加了在运行期根据网络状态对策略进行更新的组件,并给出了动态资源分配的方法。通过实验,采用扩展PBNM模型及动态的策略形式对网络资源进行分配,降低了实时新业务的阻塞率和实时切换业务的掉线率,提高了网络资源的利用率,相对于传统资源分配方法更灵活。     

WSN中一种DV-Hop定位精度改进算法

提出了一种DV-Hop的改进算法(RHDV-Hop算法)。该算法引入接收信号强度指示器(RSSI)测距技术代替DV-Hop算法中到锚节点一跳距离测量并采用2-D Hyperbolic算法代替DV-Hop算法中三边测量法。通过NS2对RHDV-Hop算法和DV-Hop算法以及一些已经提出的对DV-Hop算法的改进算法进行了模拟实验对比,结果表明:RHDV-Hop算法定位精度要明显好于DV-Hop算法和其他改进的DV-Hop算法。