大角度离子注入机控制系统软件设计

大角度离子注入机的控制系统具有控制部件和控制算法复杂、支持SEMI自动化软件标准等特点,通过优化软件结构和关键控制算法,成功实现控制系统设计和GEM标准组件设计,测试证明软件自动化程度高、稳定、可靠。     

基于SOA的软件体系架构测评研究

现在,众多运营商或IT厂商都越来越关注面向服务的体系结构的应用。本文以研究SOA测评为目标,从架构及技术层面明确和阐述SOA的结构,将评测指标对应并落实到具体的系统功能及性能等质量特性,使SOA从结构级别向下延伸为可测量的一套评估模型,以协助企业了解并实施应用SOA。     

UMTS性能增强技术研究

指出开发UMTS性能增强技术的关键驱动因素,介绍了扩容天线、多用户检测和软件无线电技术的基本原理与功能,并提出了一种面向分组的体系结构。     

第三方软件动态测试模型的研究

基于敏捷方法的测试模型大多都是发生在软件研发过程中,这种测试模型虽然客观上适用于快速迭代的软件测试过程,实际上却还是有一定的局限性,比如代码具有传递性。本文基于敏捷方法测试模型提出了一种新的动态测试模型,这种测试模型不仅节省了大量的时间以及成本,同时还为后续设备投入使用提供了有力的保证。     

机载适航标准DO-178B/C软件计划过程研究

介绍了DO-178B/C标准的发展历程,结合对DO-178B/C标准软件生命周期过程的研究,从活动、子过程转段及顺序、生命周期环境、其它因素、开发标准、计划满足DO-178B/C要求以及计划的开发与修正等7个方面对软件计划过程进行了研究,并对关注点进行了分析,最后展望了DO-178B/C标准的未来研究方向.     

软件工程技术在系统软件开发中的应用

目前,在长期的社会发展过程中,我国的互联网应用率越来越高.在新的时代背景下,系统软件的开发与运用,也逐渐成为了促进互联网发展的一个主要力量,并逐渐成为目前人们社会生活与工作中的一个重要工具.基于此,为了可以从根本上来提高系统软件的开发水平,以此来实现更加专业化与多样化的使用需求,就要求我们必须要充分重视软件开发过程当中,软件工程技术所发挥的重要作用.并以此来促进软件开发效率的提升,提高系统软件开发的信息化与个性化.因此,在目前的技术条件下,怎样才能通过软件工程技术的强化,来进行系统软件的开发,是一个非常重要的研究问题.     

用单片机控制的LED数码显示屏

介绍用８０３１系列单片机控制的ＬＥＤ数码显示屏的系统结构,工作原理,驱动,显示电路以及编程方法。     

一种新型软件无线电重构加载方法研究

介绍了一种基于软件无线电平台的重构加载方法,通过研究可重构软件无线电硬件体系结构,FPGA可执行设备重构加载原理、协议及Davinci系列处理器高速并行外部存储器接口(EMIF),提出了一种基于DSP+ FPGA的重构加载方案,实现了FPGA设备驱动和重构加载软件设计.实验结果表明,软件无线电重构加载方案可高速、准确、可靠地完成波形文件重构加载及不同通信模式的无缝切换.     

软件定义网络中快速和一致的流更新策略

在软件定义网络中,为了实现各种网络性能优化目标,控制面需要频繁的对数据面进行更新.然而,由于数据面的异步性,不合理的更新将严重降低网络性能.针对此问题,该文提出一种快速和一致的流更新策略(FCFU).该策略通过流分段减弱其原有的强依赖关系,使能并行更新,通过分析子流段与多个资源间的依赖关系得到总更新轮数较少的更新安排,...     

Detection and defense of DDoS attack–based on deep learning in OpenFlow‐based SDN

Distributed denial of service (DDoS) is a special form of denial of service attack. In this paper, a DDoS detection model and defense system based on deep learning in Software‐Defined Network (SDN) environment are introduced. The model can learn patterns from sequences of network traffic and trace network attack activities in a historical manner. By using the defense system based on the model, the DDoS attack traffic can be effectively cleaned in Software‐Defined Network. The experimental results demonstrate the much better performance of our model compared with conventional machine learning ways. It also reduces the degree of dependence on environment, simplifies the real‐time update of detection system, and decreases the difficulty of upgrading or changing detection strategy.