核域多重分形谱感知的流识别与分类

关于流识别与分类,目前主流的技术是基于统计学方法,核心环节是提取有效的特征属性集。这种方法的假设条件是,特征互不相关,数据也互不相关。正因为这种假设的不合理性,使得分类效果和识别性能有限。虽然已经有很多研究在集中解决特征相关性问题,但数据相关性却难以突破。因此引入以数据相关性为核心的多重分形理论,在此基础上形成流的分形估计谱,并用相关理论检验其正确性,然后在定义的核域内基于灰色关联度进行谱分析,继而脱离特征提取过程实现流的分类识别,最后通过系列实验体现该方法在未知流分类、在线分类等方面的实际效果。     

基于偏好逻辑的网络流QoS类动态聚集方法

现有的网络业务流到QoS(Quality of Service)类的聚集一般采用定量的聚集方式,这类方法需要业务流给出确定的QoS参数值,并且QoS参数之间的权重系数是精确的,系统设置的QoS类也是固定不变的;而现实中,这些因素往往是不确定、不精确的.于是本文引入定性的偏好逻辑理论、并结合QoE(Quality of Experience)建模业务流的偏好需求,再基于霍尔逻辑对冲突的偏好需求进行有效的检测和消除,继而借助非单调推理在动态变化的候选集QoS类中进行选择,最终实现一种以偏好为内容的QoS类动态聚集方法 PLM(Preference Logic Model for flows aggregation).实验结果表明,本文提出的聚集方法,可有效建模业务流不确定、不精确的QoS需求;在高可变的动态环境中,当业务流QoS需求发生变化,或QoS类发生变化,都能对业务流进行有效的聚集调节以充分利用系统资源.因此,与其他聚集方法相比,在延时、丢包率、吞吐量等各个方面表现优良.     

基于M值概率分布的网络视频流分类

为了改善网络视频流的细粒度分类效果,该文分析视频流传输过程中的特征变化与流分类之间的关系。根据不同类型的视频流具有不同的下行传输速率变化模式,提出一种新的基于下行速率传输的视频流分类特征--M值概率分布,并使用支持向量机(SVM)实现网络视频流的分类。实验结果表明,M值概率分布相比较于已有的常见流特征,可以更好地实现6种典型的网络视频流分类。     

基于MAXQ方法的分层强化学习

强化学习是机器学习领域的一个重要分支,但在强化学习系统中,学习的数量会随着状态变量的个数成指数级增长,从而形成"维数灾".为此提出了一种基于MAXQ的分层强化学习方法,通过引入抽象机制将强化学习任务分解到不同层次上来分别实现,使得每层上的学习任务仅需在较小的空间中进行,从而大大减少了学习的数量和规模.并给出具体算法--MAXQ-RLA.     

基于TLA的正确性验证方法

随着面向服务的体系结构的发展,有效地组合单个分布的web服务以提供更有价值的服务成为新的热点问题.然而,在这一研究领域还存在诸多问题,比如web服务用哪种方式组合,能否实现自动组合,对组合服务进行正确性验证等等.文中主要是针对组合服务的正确性验证问题,引入时序逻辑TLA.通过把组合服务的BPEL描述转换为TLA可以理解的自动机的形式,这种方法可以很好地验证组合逻辑的正确性以及快速发现死锁等问题.     

分段Hurst指数感知的流级别分类

关于流识别与分类,目前主流的技术是基于统计学方法,核心环节是提取有效的特征属性集。这种方法的假设条件是,特征不相关,数据不相关。正因为这种假设的不合理性,使得分类效果有限。虽然已经有很多研究在集中解决特征相关性问题,但数据相关性却难以突破。因此引入流量分形理论,该理论建立在数据相关性基础之上。通过对原有理论进行必要的修改、调整以适用于流的分类识别,并用理论证明验证其有效性,最后通过系列实验体现该方法在粗粒度分类、未知流分类等方面的实际效果。     

基于层次约束满足的产品选择算法

将产品的选择看作一种层次约束满足问题,从而提出一种基于层次约束满足的多属性决策算法HCSMDA,该算法基于约束逻辑编程,可解决实际的产品选择问题,使得用户得到所需的产品.     

基于粒关系矩阵的流量在线分类

随着各种网络应用爆发式增长,流量的在线分类陷入困境之中.传统的基于包统计特征的机器学习方法适用于稳定的网络环境,当网络拥塞出现严重的时延和丢包时将产生较大误差.因而本文提出基于粒计算模型的分类方法.粒计算属于人工智能计算的分支,当数据缺失、信息不完全或是有噪数据仍拥有较高的分辨能力.为此本文将网络流量定义成粒子并构造粒...     

基于粗糙K均值的服务质量相关弹性流聚集

面对多变的网络环境,现有的网络服务质量(QoS)映射中流聚集方法缺乏灵活性。针对现有聚集方法的缺陷,该文提出一种动态聚集方法。使用增强粗糙K均值算法(ERKM),按照网络流的QoS属性将网络流进行合理聚集,并且在网络处于高负载状况时,通过隶属度弹性聚集网络流,从而适应网络的变化,使得网络流聚集具有灵活性。最后进行了网络流聚集实验和调度实验。实验表明,相比于现有的方法,该方法能够更加弹性地应对不同网络状态,并且更好地保障网络流的QoS指标。此外,还进一步验证了该文方法在不同网络环境下的QoS类聚集的一致性。     

基于强化学习的Web服务组合

单个Web服务的能力有限,如何使企业内或企业间的诸多业务服务有机地集成,提供更有价值的服务,是目前基于Web服务的应用集成的核心问题。Web服务组合就是将已有服务按照一定的逻辑顺序组织起来构成新的服务,从而实现更强大的功能。这里提出一种基于强化学习的服务组合方法,它在于能够实现动态的Web服务组合。