IPv6过渡机制讨论

本文在简要地介绍Ngtrans工作组提出的大多数过渡机制的基础上，尝试对它们进行区分、分类，并对每一种过渡机制的优缺点进行分析。另外．还对这些机制的布置以及一部分支持这些机制的产品平台进行讨论。     

信息孤岛手牵手——办公区分散型企业“连网”分析

目前,有这样一类企业,办公区分布广泛,不同办公室已各自建有局域网,各局域网存在着互联性差,同时带来了规范性不好、设备重复购买及安全性差等问题。对于这类企业,建设一个全面、规范、应用水平先进的办公自动化园区网已是必然。本文通过实例(以下简称A企业)分析,希望为这类企业构建办公自动化园区网提供参考。     

建筑制图标准中图形符号适宜性、区分性的研究

应用线段长短、间距大小视觉反应的量化规律，提出设计图形符号大小的原则——既更使其大小满足“长”“短”“大”“小”的心理要求，又要互相之间在大小上有区分性。根据图形组织的相似、接近、连续三原则提出设计图形符号形状的原则——图形符号之间尽量减少相似、接近、连续，以保证较好的区分性。通过分析发现，现行建筑制图标准中的图形符号绝大部分在大小和形状具有适宜性、区分性。     

移动数据通信讲座第三讲移动数据网的演进(下)第三代和第四代移动数据网

本文简要介绍服务质量(QoS)的基本概念、互联网QoS保障机制、第三代移动数据网的服务质量和第四代移动数据网.     

延迟区分战略有效性的测度分析

延迟区分战略是近年来提出的供应链管理方面的一个崭新战略，具有提高供应链的敏捷性，降低成本提高收益，准确快速反市场个性化需求等竞争优势。章以延迟区分战略的基本理论为基础，架构了延迟区分战略供应链模型和评价指标体系，并运用模糊综合评价方法对该战略实施效果进行评价，可供我国企业管理借鉴。     

DiffServ和MPLS相结合的流量工程机制

MPLSTE对传统的流量工程进行扩展,实现端到端的QoS保证,但是以流量中继为服务粒度。对流量缺乏区分服务的能力。DifIServ模型提供了区分服务,但是缺乏端到端的QoS有效路由策略。通过将MPLSTE的有效路由策略和DiffServ的区分服务相结合,引入区分服务感知的流量工程．运用带宽约束模型,在网络中实现端到端区分服务的QoS保证。     

FOX密码的中间相遇攻击

FOX是基于Mediacrypt公司的需求而设计的系列分组密码。为进一步评估FOX密码的安全性,主要研究FOX密码抗中间相遇攻击的能力,根据其加密算法的结构,给出FOX64的3轮和4轮中间相遇区分器,以及FOX128的3轮中间相遇区分器。通过分别在以上区分器后加适当的轮数,对4到8轮的FOX64和4、5轮的FOX128进行中间相遇攻击,并给出攻击结果。结果证明了8轮FOX64/256是不安全的。同时表明,5轮FOX64/128、7轮FOX64/192、8轮FOX64/256和5轮FOX128/256均不能抵抗中间相遇攻击。     

一种基于区分服务的嵌套队列调度算法

现有队列调度算法只能满足某一种特定类型业务流量的服务质量(QoS)需求,无法广泛支持多种类型业务流量。为此,提出一种基于区分服务的嵌套队列调度算法。将现有队列调度算法通过嵌套模型进行组合,并根据该嵌套模型进行队列调度,从而为多种类型业务流量提供均衡的QoS保障。仿真结果表明,该算法能够满足不同类型业务流量的QoS需求,其各项性能指标所达效果与最优效果的差距较小,并且在多种类型业务流量的支持方面比现有队列调度算法表现更好。     

基于区分Web QoS的负载均衡集群模型

随着电子商务的应用逐步深入,用户访问量的激增且服务请求多样．如何实现对所有请求的快速响应是当前解决的问题．针对此问题,本文提出采用基于区分WebQoS的负载均衡技术．建立了基于区分WebQoS的负载均衡的集群模型．根据请求类型和用户权限划分服务等级,高服务的请求具有高优先调度权,在集群当中通过动态反馈技术均衡调度到某个节点,从而达到区分WebQoS服务的目的,同时也保证集群服务器的负载均衡．该模型在网络环境及硬件环境相同的条件下,与常用的负载均衡技术进行了比较,实验结果证明本文提出的方法效果显著．     

可区分惩罚控制竞争学习算法

竞争学习在聚类分析中是一种重要的学习方式,次胜者惩罚竞争学习(RPCL)算法虽能自动选择合理的类别数,但其性能对学习率和惩罚率的取值较敏感,其变种惩罚控制竞争学习(RPCCL)算法将所有的竞争单元当成冗余单元进行惩罚也不合理.文中提出一种可区分惩罚控制竞争学习算法(DRPCCL).算法中获胜单元的学习率会在迭代过程中自适应调整.同时该算法使用一种可区分惩罚控制机制来区分竞争单元中的冗余单元和正确单元,给予冗余单元较重惩罚,正确单元轻微惩罚,使得算法能自动确定正确类别数和中心点位置.最后通过实验对比分析证明DRPCCL算法的聚类效果比RPCL算法和RPCCL算法更准确.