【摘 要】
:
流量分类是网络服务质量(Quality of Service,Qo S)控制机制、流量异常检测的第一步,是拥塞控制和网络安全等方面的一个重要研究分支。在复杂网络分析时,基于机器学习流量分类方案往往需要获取大量正确标注的样本,这需要大量的人工操作。因此低标识率下实现更高精度的流量分类仍然是一个棘手的事情。其次,自动驾驶场景需要毫秒级的实时响应时间,这导致了对高速和低延迟的传输网络的研究。本论文第二个
论文部分内容阅读
流量分类是网络服务质量(Quality of Service,Qo S)控制机制、流量异常检测的第一步,是拥塞控制和网络安全等方面的一个重要研究分支。在复杂网络分析时,基于机器学习流量分类方案往往需要获取大量正确标注的样本,这需要大量的人工操作。因此低标识率下实现更高精度的流量分类仍然是一个棘手的事情。其次,自动驾驶场景需要毫秒级的实时响应时间,这导致了对高速和低延迟的传输网络的研究。本论文第二个研究内容涉及一种软件定义网格拓扑的传输网络,它的功能如集中控制、基于软件的流量分析和动态更新转发规则。我们具体研究了智能路由编排和相关的流量分类方法。论文的主要工作如下所示:(1)研究了智能网络流量分类的实现。本文尝试了两种基于图卷积网络(Graph Convolutional Network,GCN)的网络表示方法,以避免大量标注的样本问题。所研究方法便于将基于图结构网络的表征学习与网络流量问题相结合,在比较少的标记样本下获取一定的网络流量分类精度。初步的实验结果表明,所研究的方法在小网络规模下取得了较好的性能,分类准确率达到97.35%。(2)研究了网格拓扑的、传输网络中的路由编排、流量分布与流量分类。该传输网络设计是一种联合路由预测和转发的范例,其中训练阶段的输入数据来自一种最短路径的路由方案,并且我们使用离线训练来获取有关的模型。其次,利用当前网络状态数据(如业务请求值和队列长度)和已经训练好的模型,预测器将输出路由序列的向量。这里的主要挑战是需要从有限的训练样本数据集中训练合适的模型,该模型将根据当前和历史的网络数据来动态更新转发规则。通过引入不同的流量分类模型,如逻辑回归和并行神经网络,该范例实现了一种智能的路线安排。在不同流量模式下的实验结果验证了该设计的可行性。
其他文献
当今社会,交通拥堵的问题随着经济的快速发展与城市化进程的加快愈演愈烈。因此针对智能交通信号协调控制的研究已成为当前优化交通路网运行效率的重要方式。由于城市交通路网结构与路网中交通流往往十分复杂,本文针对已有区域交通路网子区划分方法的不足,提出一种实时合理的动态划分方法,并依据所划分的控制子区,建立一种改进的信号配时策略,最后为了优化不同子区间的协调控制,构建了一种区域交通路网整体协调双层规划模型,
目标跟踪是计算机视觉的重要发展方向之一,在无人驾驶、智慧交通、智能监控以及军事侦察等方面有着很大的应用价值。近年来目标跟踪技术有了很大的进展,但在实际生活场景中由于环境的复杂性和其他因素的干扰,目标跟踪技术仍然面临不小的挑战。本文在孪生网络框架的基础上,针对目标跟踪过程中存在背景杂波、目标形变以及目标尺度变化等问题展开了深入的研究与探索。本文的主要工作内容和成果如下:(1)研究了一种基于全局上下文
单目深度预测是近年来计算机视觉领域的研究热点问题。从单目图像中获取深度信息是理解场景几何关系的重要方法,也是三维重建和视点合成的关键性技术。相对于双目以及多视点图像深度预测的多因素监督,单目深度预测更具有挑战性。为了提高深度预测的准确性和泛化性能,利用卷积深度学习网络开展了三个方面的研究工作:(1)针对预测深度图像中几何形状不准确以及边缘模糊的问题,提出了基于多尺度结构相似度和梯度匹配的单目深度预
近年来,卫星互联网,尤其是低轨卫星网,因其覆盖广阔、成本相对较低和组网灵活等特点,得到了迅速发展。但低轨卫星的快速运动对星际网络的路由提出了全新挑战。现有基于虚拟拓扑或虚拟节点技术,存在两大问题:其一,拓扑快照(snapshot)的频繁切换易致长延时及抖动现象;其二,大部分技术未考虑卫星故障的网络容错性。本文结合低轨卫星的星座运动和星间拓扑特性,研究航点路由技术的扩展应用。首先,论文分析了卫星互联
随着高新技术领域的高速发展,在电子设备进行规模巨大的数据信息交互与处理的过程中要求SRAM模块具备低功耗,高稳定性等优点。在强化SRAM各项优点的过程中许多新的故障被引入,对所有测试SRAM故障的算法进行研究调查后发现算法具有很强局限性的特点,即单一的算法不能覆盖层出不穷的新故障。为了解决该问题,本文提出一种低电压SRAM自适应BIST测试技术。本文基于SRAM在不同PVT条件下发生的各类故障和有
《义务教育数学课程标准(2011版)》中“图形与几何”是非常重要的板块。当知识变成教材呈现时,是分割好的散点内容。就现状看,在学习“图形与几何”时,面对冗多、分散的知识点,学生很少将其互相关联构成知识结构,他们空间观念较差,转化、迁移学习的能力较弱,教师也很难就分散的知识来培养学生可持续学习的能力。经调查大部分的学生,在熟记概念、性质、公式这一基础上,能力一般。高达63%的学生不能有效解释说明“图
广义有限差分法是近些年兴起的一种区域型无网格方法。该算法利用多元函数泰勒级数展开和最小二乘拟合技术,将计算域内任意节点处函数的导数值转化为相邻节点函数值加权和的形式,克服了传统有限差分法对网格的依赖。论文主要研究了以下几个方面:第一、本文推导了广义有限差分法求解非线性偏微分方程时的数值离散过程,分析了影响该算法精度的三个重要因素,并对该算法中“点簇”的构建提出了改进。然后将广义有限差分法求解静态电
多智能体系统作为研究分布式人工智能的一个重要分支,主要是期望通过多个简单智能体之间的协调合作,来代替单个复杂的系统完成任务以解决复杂的现实问题。与传统的集中式控制方法有所不同,分布式控制方法旨在没有中央协调的情况下,仅利用局部通信来实现全局共同目标,具有所用通信信息量少、协作方式灵活和可扩展性强等诸多优点。多智能体系统分布式控制的研究被广泛应用于编队控制、聚集控制、蜂拥控制、同步以及协调决策控制等
由于物联网技术和各种无线通信技术的飞速发展,现如今人们对于定位服务的需求也越来越高,这使得位置服务尤其是室内位置服务的需求在不断增加且要求也在不断提升。由于Wi Fi技术的发展和普及,使用Wi Fi实现定位技术一直是定位领域的研究热点。相比于传统的信号强度,Wi Fi信道状态信息(Channel State Information,CSI)由于具有更多的细粒度信息、更好的稳定性和更多的数据,因而成