基于高阶图卷积自编码器的网络流量预测

网络流量预测是有效保障用户QoS措施之一。当前深度学习为基础的网络算法预测中没有充分利用网络拓扑信息。为此,提出了基于高阶图卷积自编码器的网络流量预测模型。该流量预测模型基于软件定义网络(SDN)架构,利用高阶图卷积网络(GCN)获取网络拓扑中的多跳邻域之间的流量相互影响关系,采用门控递归单元(GRU)获取网络的时间相关性信息,利用自编码模型来实现无监督学习和预测。在Abilene网络上采用真实数据进行了仿真对比分析试验,结果表明,提出的方法在网络流量检测方面的MAPE值为41.56%,低于其它深度学习的方法,同时预测准确率方面也达到最优。     

一种有效改善系统性能的非正交传输方案

本文主要解决当前功率域单胞元非正交多址接入结构应用层面存在的问题.具体说,针对现有单胞元结构因多用户时频同传形成强干扰而导致边缘用户服务质量差的问题,利用资源正交化的组网策略构建中心用户频带独立正交、边缘用户与其频带合作共享的并行多胞元结构,并进一步利用中心用户可获取边缘用户先验知识的特征将全双工的协作通信机制引入其中,从而有效解决现有单胞元结构在译码复杂度以及用户公平性等方面存在的不足.仿真结果证实了所提方案的有效性.     

电力通信综合数据网市县互联优化方案

针对某市综合数据网市县互联链路现状,文章分析了目前市县互联链路存在的问题,阐述了优化原则,重点探讨并制定了市县骨干综合数据网互联优化方案。在实际应用中证明了这一方案的可行性。