一、IP网络性能度量及测试方法简介（论文文献综述）
冯彦明[1]（2021）在《基于支持向量机和集成学习的大象流模型研究》文中认为随着互联网普及率的增加和网民规模的扩大,网络应用的种类和流量与日俱增,导致网络效率降低、带宽消耗加剧、用户体验变差。在这种情况下,如何有效的缓解网络数据拥塞是提升网络性能的重点。大象流作为影响网络性能的主要数据流量类型,数据量大,链路带宽消耗高,对大象流进行分析建模以便及时侦测是当前计算机网络和本研究的重点。当前大多数的数据中心采用基于阈值的简单模型描述大象流,进而实现大象流的侦测;一些大象流侦测模型虽然也采用传统的分类算法进行建模分析,但未充分考虑大象流在数据流量中与老鼠流相比占少带来的模型精度问题。本研究利用机器学习框架建立大象流模型,比较不同模型的效率,评估这些模型在不同数据集上的泛化精度和在实际应用可能出现的问题,并提出一系列可能的改进方案。具体的,本研究首先建立了网络数据导出器,抓取了桂林航天工业学院的数据中心的数据,并对数据进行特性的提取和分析;然后选择每个数据流中前k个数据包的累计数据量和包平均到达时间间隔作为模型特征输入;接着采用支持向量机（Suppose Vector Machine,SVM）和Easy Ensemble的机器学习算法对大象流进行分别建模;最后根据模型的侦测周期对模型的效率、泛化精度进行了评估,并对该模型在实际应用中可能存在的缺陷,如:提高泛化精度会导致侦测周期加大,从而影响模型效率的实际问题,提出了对原有模型进行参数优化的改进方案以及修改网络数据流时长重新建立模型的改进方案。最终采用本研究的模型可以使得相同数据中心类型的数据集约71%的大象流在4.03秒内准确侦测出来,同时通过提供的改进方案,模型侦测精度还可以继续提升。在建模中我们发现,数据流时长的设定会严重影响模型的性能。为了提高模型侦测精度,同时减少侦测时间,可以通过设置适当的网络数据流时长来实现。
刘伟发[2]（2021）在《面向智慧实验室的实验数据采集评估系统设计与实现》文中研究说明实验教学作为人才培养的重要一环,是帮助学生消化理解理论知识、培养动手能力和创新实践能力的重要教学手段。然而目前在传统实验教学模式下,学生人为操作观察监控多样化的实验仪器记录实验数据,容易出错且效率低下,导致普遍存在实验数据抄袭,造假来应付实验教学要求的现象;同时,教师需要花费大量时间在对学生实验结果数据的评估上,且评估过程易受到主观的判断和答案不唯一性的影响,影响评估结果,导致实验教学效率低下。本文改善传统实验教学模式,杜绝实验数据造假,减轻教师工作负担,提高实验教学效率的角度出发实现实验数据采集与评估。在广西工信厅信息化项目《基于人工智能的智慧实验教学平台及课程研发》支持下,开展了如下研究工作:（1）针对当前传统实验教学人为操作观察监控实验仪器记录实验数据,容易出错且效率低下,学生实验数据造假等问题,从数字化实验数据的角度出发,实现基于仪器交互的实验数据采集。该系统首先考虑采用学生与实验仪器之间编号对应,通过学生实验数据直接与实验仪器关联的方式从源头解决实验数据造假的问题,进一步,通过实验数据从仪器内部采集获取实验数据,减少了人为操作并观察监控实验仪器的获取数据的方式导致的误差且效率低下的问题。最后,考虑电路实验过程中需使用多种实验仪器,通过下位机实现了对示波器,万用表,信号发生器和电源四种实验测量仪器的统一管理。同时,由于学生实验是有时限要求的,实时性测试结果表明,对前述四种实验测量仪器分别可在6s,615ms,700ms,990ms内完成实验数据采集。（2）针对当前实验教学过程中由于实验多样且数据样本严重不足,难以通过传统深度学习的方法对实验报告中图像数据自动评估的问题。本文首先基于图像分类的思想,将实验图像按照响应的标准进行划分,形成涵盖了不同分段的数据集,为下一步实现智能分类评估提供数据支撑。进一步为选择合适的算法,研究了已存在的相关评估方法以及深度学习的工作原理和实现的关键点,选择使用基于小样本学习的关系网络作为智能分类评估模型,并针对关系网络在实验图像分类评估方面存在的不足进行了分析,对其进行相应的改进,提出了一种基于改进关系网络的实验图像小样本分类评估方法,实验结果表明,在5-way 1-shot,5-way 5-shot条件下,所提模型在miniImage Net数据集上提升了4.5%,1.91%的分类准确率,在CUB数据集上提升1.54%,1.03%的分类准确率。为进一步验证模型的有效性和可行性,所提模型基于桂林电子科技大学智慧实验室实验数据在5-way 1-shot,5-way 5-shot条件下,实现了61.01%,68.91%的分类评估准确率。
潘昭天[3]（2021）在《基于博弈论和多智能体强化学习的城市道路网络交通控制方法研究》文中认为信号交叉口交通流的受控过程对城市道路网络性能具有重要影响。然而,现有城市道路网络交通控制方案优化设计仍处于优化-性能改善-需求增加-性能恶化-再优化的循环困境。当经济、技术、城市建设程度迅速发展引发交通需求变化加速、交通流动态性增强,优化困境面临周期缩短的问题。交通控制方案频繁迭代优化将造成城市交通建设成本增加。抑制相应随机性诱发交通拥堵能力不足是现有交通控制方法面临的主要问题。因此,有必要针对城市道路网络交通流动态、随机性展开城市道路网络控制方法研究。此外,网络节点失效扩增交通拥堵蔓延引发路网性能下降也需要考虑。围绕城市道路网络交通控制方法研究:（1）在城市道路网络分布式的交通控制方法与交通分配、信号控制耦合方法之间,对交通信号控制领域理论体系中作进一步补充完善;（2）使交通信号控制系统具备自适应改进能力,能够随路网拓扑关系及交通需求共同演化,避免迭代优化的循环困境。论文从随机出行需求下的分布式动态交通分配、应对随机出行需求影响的分布式交通信号控制、应对网络节点失效的信号控制系统鲁棒性增强三个方面展开研究。（1）分布式动态交通分配方法,对随机出行需求分配,从根源抑制路网交通拥堵产生,为后续研究的关键基础。构建异构建议者多智能体团体,耦合异构建议者建议约束决策者动作空间,使其在有限动作空间内采用混合策略形式分配出行需求,提升多智能体强化学习在动态交通分配任务方面的运行效率;构建差异化回报函数机制,使智能体在学习中实现用户均衡原则;设计自适应学习率机制,提升方法对随机出行需求以及交通状态变化的敏感性,增强其再学习能力。经验证分析,分布式动态分配方法有效改善城市道路网络中个体出行者平均出行时间、提升网络整体吞吐量水平,且出行需求分配结果满足用户均衡原则。此外,研究也表明,与分布式交通信号控制方法相耦合,能够有效降低路网内出行延误水平。（2）分布式交通信号控制方法,从应对出行需求随机性影响出发维持城市道路网络性能稳定、进而缓解抑制交通拥堵发生、蔓延,是研究中的重要核心。引入博弈中混合策略纳什均衡概念,改进多智能体强化学习决策过程,使智能体隐式获取全局信息,增强其在不同随机出行需求状态下维持路网性能稳定的能力;在混合策略纳什均衡解基础上,引入Jensen-Shannon散度构建自适应学习率机制,增强信号控制智能体对局部交通流状态变化的敏感性,使其具备收敛后再学习能力。经验证分析,分布式交通信号控制方法在应对出行需求骤增、起讫点间出行需求分布骤变以及路网中出行需求分布不均衡、到达率随机引发随机性影响方面具有良好控制效果,将城市道路网络出行延误维持在较低水平。然而,验证也表明其仅适用于城市道路网络流量输入适中的情况下,是一种对城市道路网络时空资源深度挖掘的方法。（3）应对网络节点失效的信号控制鲁棒性增强方法,侧重于在路网结构受损时,强化信号控制方法维持路网性能的能力,是对重要核心的补充。立足于多智能体系统,构建对城市道路网络节点等级度量方法,实现对路网关键节点判别;引入路网节点交通状态,构建节点各向异性影响力传播机制,实现节点交互关系动态演化;根据节点交互结构差异,修正相应信号控制智能体混合策略纳什均衡求解决策过程及回报函数机制。经验证分析,在少量节点失效情况下,论文方法能够较好的将城市道路网络出行延误维持在较低水平,且在节点失效时间增加时有效抑制路网性能下降速度。然而,当路网拓扑结构严重受损、承载能力无法满足出行需求时,该鲁棒性增强机制难以提升信号控制方法性能。综上所述,论文构建动态交通分配方法出行需求分配从根源抑制交通拥堵的形成,该方法可独立执行交通分配任务,与分布式控制耦合使用可以有效抑制拥堵,还是信号控制鲁棒性增强机制的关键接口。针对随机出行需求影响构建的分布式交通信号控制方法,能够在局部交互过程中隐式地感知全局信息,有效缓解、抑制随机出行需求诱发的交通拥堵。而信号控制鲁棒性增强机制,构建节点间交互关系,实现信号控制方法网络节点失效鲁棒性提升。将分布式动态交通分配、分布式交通信号控制、信号控制鲁棒性增强机制相融合,使交通控制系统能够有效应对频繁的优化困境且具跟随城市道路网络共演化的能力。
孙倩倩[4]（2021）在《可信物联网数据采集平台的研究与实现》文中提出随着区块链技术的高速发展,与物联网等技术的结合逐渐成为一种趋势,与此同时,也带来了如何保障上传到区块链上的物联网数据可证可信的问题。本文将研究并实现一个可信的物联网数据采集平台,将物联网数据及数据所对应的证明信息上传至区块链端,达到数据可证可信的效果。该平台的研究主要包含可信平台的建立、可信物联网数据上链及可信物联网数据采集平台的实时监控三个方面,具体内容如下:（1）链下可信平台的建立。本文基于Intel提出的最新的可信计算技术 SGX（Software Guard Extensions）及可信平台模块 TPM（Trusted Platform Module）完成可信平台的搭建,通过对部署物联网数据采集程序的隔离的虚拟机环境进行完整性度量,以及远程身份认证,为采集程序提供安全可信的运行环境。利用SGX技术实现了关键代码和数据的动态保护,并通过与区块链之间的双向认证建立了信任链,为后续的安全通信提供前提条件;（2）可信物联网数据上链。本文基于Netfilter提供的linuxhook机制完成了对虚拟机中的物联网数据采集程序发送至网络上的数据信息的拦截与过滤,并在基于SGX技术构建的安全执行环境中完成对拦截数据的签名操作,然后将数据及相应的签名等信息上传至区块链端,进而保障数据的可证可信;（3）物联网数据采集平台的实时监控。本文为保障虚拟机环境的安全及其中物联网数据采集程序的稳定运行,基于内存取证和虚拟机自省技术实现了对虚拟机的实时监控,并根据监控结果自动执行相应策略,进而使采集程序能够长时间处于稳定运行的状态。
管米利[5]（2021）在《IP语音数据包的队列调度算法优化研究》文中提出随着网络技术的快速发展,各种网络应用不断出现,数据流量也呈现出了爆炸式的增长,而在链路带宽有限的条件下,基于“尽力而为”的互联网已经不能满足众多用户对网络传输质量的要求,尤其是实时性较强的网络应用如语音通话。网络承载的业务数量与种类的不断增加,使得数据分组极有可能在路由或交换节点处产生网络严重拥塞。一旦发生网络拥塞,若不及时进行有效的队列管理与调度,就会造成缓冲区溢出,进而导致数据丢失,业务的传输质量无法得到保障,因此,迫切需要对数据包队列调度算法进行优化。针对基于互联网的语音业务对实时性与丢包率要求较高的问题,对低延迟队列算法进行改进,提出一种改进的低延迟队列算法。通过研究低延迟队列算法,在该算法的基础上进行改进,即将优先级队列上的Police管制条件由单一的超出规定带宽则进行超出带宽数据包的丢弃行为,改为根据带宽和优先级队列中语音数据包的队列等待时间综合考虑,确定超出带宽的语音数据包的处理方法,进而减少语音数据包的丢包率。为了验证改进的低延迟队列算法对基于互联网的语音业务的有效性,利用GNS3网络模拟器和终端仿真软件搭建仿真环境,使用思科的服务等级协议技术模拟产生各种类型的业务流量,在网络拥塞的状况下,分别部署低延迟队列算法和改进的低延迟队列算法对数据包进行调度,并收集部署两种队列算法后各业务的性能质量,将之分别与网络正常状况下与网络拥塞状况下各业务的性能质量作对比,突出两种队列调度算法对网络拥塞调控的有效性和改进的低延迟队列算法对保证基于互联网的语音业务质量的有效性。模拟仿真对比结果表明,在网络发生拥塞的状况下,部署两种队列算法后,基于互联网的语音业务性能均有明显改善,使用改进的低延迟队列算法相比低延迟队列算法基于互联网的语音业务的最小计划损伤因数与最大计划损伤因数分别降低了 2和5,最低主观意见得分和最高主观意见得分分别提高了0.23和0.28。可见,该改进的低延迟队列算法有效地降低了语音数据包传输过程的损耗,提高了语音数据包的传输质量。
高宏娟[6]（2021）在《文物碎块精细分类与多碎块拼接方法研究》文中研究指明文物虚拟复原已成为近年来文物保护领域的一个研究热点。计算机辅助进行文物碎块的自动拼接能避免人工修复对文物带来的二次损坏,加快文物复原的速度。由于文物碎块复杂多样且存在受损情况,文物虚拟复原仍然面临一些挑战:第一,在数字化的过程中,采集的文物三维数据不可避免的会受噪声的干扰。噪声和文物表面的纹饰等信息都是高频分量,去除噪声的同时可能导致文物表面重要细节信息的丢失;第二,面对大量没有精细分类的文物碎块,现有的自动拼接方法面临着碎块邻接关系复杂、直接拼接时间复杂度高等困难;第三,文物碎块的断裂面因受损而存在一定的几何特征缺失,会导致碎块无法拼接或拼接错误。本文围绕文物虚拟复原流程中的三维模型表面噪声的去除、文物碎块的精细分类及文物碎块的拼接展开研究,主要工作和贡献如下:（1）提出一种基于图拉普拉斯正则化的文物点云去噪方法。引入块的自相似性对文物三维点云进行分块,构建具有马尔可夫性质的图模型。将图拉普拉斯正则化作为先验,基于最大后验准则最大程度减少文物三维模型表面的噪声。实验结果表明,无论是视觉效果,还是均方误差和信噪比两个指标,相比其他几种经典算法,所提方法去噪效果更优。（2）提出一种基于形状特征提取的三维文物碎块精细分类方法。将文物碎块按照文物的具体部位进行精细分类然后再拼接,可以极大的缩小碎块试拼接范围。基于尺度不变热核签名,引入词袋模型构造一个低维的形状描述子,然后提出一种基于聚类思想的无监督分类算法进行分类。实验结果表明,对于形状特征鲜明的文物碎块,分类精度达90%以上。该方法不仅分类准确率高,而且能够满足文物样本类别标签没有标注或者无法标注的分类需求。（3）提出一种基于深度学习的三维文物碎块精细分类方法。基于对抗生成策略设计深层次连接网络,在不断训练中动态生成更有利于分类结果的增强样本,有效解决现有端到端点云网络需要大量训练样本的问题。在分类网络损失函数的设计中,引入焦点损失函数,使网络在训练过程中更关注少量样本和难分样本,有效降低各类别样本数量不均衡带来的负面影响。公开数据集的实验结果表明,较之对比方法,该方法分类精度更高;秦俑碎块数据集的实验结果表明,该方法能够显着提高难分样本的分类精度。（4）提出一种基于关键点描述子的三维文物碎块拼接方法。利用保存完好的文物作为模板来指导碎块的拼接,检测文物模板和文物碎块原始面上的关键点,通过计算并比较关键点描述子之间的相似度来确定多个碎块之间的相邻关系,避免用穷举方式进行断裂面的粗匹配。在断裂面的精细匹配阶段,在碎块断裂面的特征点集上定义描述符曲线,同时将特征点及描述符曲线作为匹配特征,在断裂面几何特征较少的情况下,也能有效完成拼接。该方法综合利用文物碎块原始表面的形状特征和断裂面上的几何特征,较之对比方法,拼合误差更低。
张俞炜[7]（2021）在《基于机器学习的软件源代码缺陷自动确认技术研究》文中研究表明静态分析工具可以在不运行程序的情况下检查软件源代码,因此能够考虑到所有可能的程序执行。该类工具以缺陷检测效率高、故障定位准确而在软件开发过程中被广泛使用,已成为保证软件可靠性的有效手段之一。然而,在任何程序中查找到所有相关错误是不可判定问题。因此静态分析工具需要针对实际解决方案进行近似计算,在牺牲精度与性能之间进行权衡。从而导致开发人员不可避免地需要手动确认静态分析工具报告的大量疑似警报,以将其划分为真实缺陷和误报。近年来,国内外的研究人员开始应用机器学习技术来降低人工检查的成本,通过使用分类算法来自动确认传统静态分析方法难以发现的误报模式,从而在实践中提高静态分析工具的可用性。已有的研究方法通常会设计一组基于软件代码度量的手工特征,集中于分析源代码的统计特性,并假定这些特征能够有效区分真实缺陷和误报。但是,实证经验结果表明,这些手工设计的特征在表示警报的深层语义信息时缺乏准确性。同时,由于新项目中通常没有足够的历史数据来构建机器学习分类器,因此在提高项目间缺陷确认任务的准确性方面也存在重大挑战。如何有效克服现有方法的局限性以提高软件源代码缺陷确认自动化的精度和性能是亟待解决的难题。本课题将人工智能技术与程序静态分析相结合,针对软件源代码缺陷确认自动化的相关问题进行了较深入的研究,主要研究内容包括以下几个方面:1.针对利用源代码静态统计度量特征构建缺陷确认模型产生的精度缺失问题,本课题在特征提取阶段提出一种新的细粒度特征用于模型构建。该方法基于路径分析技术生成面向检查点目标的缺陷路径集,并利用切片技术剔除路径上与导致潜在缺陷的变量无关的路径节点。基于简化后的路径,提取包含变量定值-引用信息的特征向量用于训练缺陷确认模型。该方法的主要创新之处在于所提出的变量级特征能够更好地表示与缺陷相关代码的结构信息。实验结果表明所提出的细粒度特征能够有效提高缺陷确认模型的精度。2.随着深度学习技术的发展,研究人员开始利用神经网络从源代码的抽象语法树中自动生成语义特征,以代替传统的手工特征。然而,已有模型注重于提取代码结构信息而忽略了内嵌于源代码中的语义。同时,实证经验表明大规模的抽象语法树容易导致神经网络出现长期依赖问题。因此,与已有方法利用完整的源代码抽象语法树作为神经网络的输入不同,本课题提出一种新颖的基于控制流图路径的源代码表示方法。首先,利用研究内容1中生成的可达缺陷路径作为与缺陷相关代码的token表示对象,每一个路径节点可以对应到相关的抽象语法树节点并包含若干原子指令。然后利用基于路径的词嵌入算法将token向量编码为有意义的高维实值向量表示。构建基于注意力机制的深度神经网络模型从相关路径节点中捕获词汇和语法知识,并最终产生缺陷相关代码片段的语义向量表示用于模型构建。实验结果表明所提出的基于自注意力的神经网络架构在语义特征生成方面效果显着,提高了传统的神经网络架构在缺陷确认场景下的性能。此外,对比结果表明,使用基于路径的语义向量表示的模型表现要优于传统的基于抽象语法树的语义向量表示方法。3.由于训练数据缺失以及不同软件项目之间数据分布差异的原因,通常难以针对项目间缺陷确认场景构建高效准确的模型。为解决该问题,本课题提出一种基于特征的迁移学习方法来构建项目间缺陷确认模型。该方法包含以下三方面内容:1)提出一种基于特征排序-匹配的两阶段迁移学习框架;2)提出一种基于路径语义特征表示的项目间缺陷确认模型;3)通过结合研究内容1中的路径-变量特征和研究内容2中基于路径的代码语义特征,提出了一种基于融合特征的迁移学习框架。该方法的主要特点是引入迁移学习技术缓解项目间的数据差异问题,利用特征的映射变换将源项目的域知识迁移到目标项目中以提高项目间缺陷确认模型的性能。在开源项目数据集上进行大量实验表明所提出的三个方法框架在项目间缺陷确认任务中表现优越,与相关的基线方法对比均提高了传统方法在项目间缺陷确认场景下的性能。上述所提出的方法均在实际开源工程项目中通过大量实验进行性能分析,实验结果验证了所提出的方法的可行性和优越性,对于提高软件源代码缺陷确认的自动化过程提供了可参考的有效解决方案。
周琨[8]（2021）在《网络流量模型及异常检测技术研究》文中进行了进一步梳理网络流量海量化、复杂化已成为常态,如何识别、监测、分析网络流量已成为重要研究方向和热点。特别是基于深度学习的异常检测方法的研究,受到产学研界广泛关注,异常检测与机器学习、深度学习等人工智能技术领域相结合是网络安全领域研究的一个重要分支。作为检测高级威胁手段的流量分析技术结合人工智能、大数据等技术对流量建模,分析流量行为,识别检测异常流量,为网络规划、网络优化、网络监控等提供重要的技术支撑。本论文的研究内容是将传统的统计方法、深度学习及强化学习的方法用于网络流量建模和异常检测,流量模型是基于流量的异常检测的基础性研究工作,掌握流量特征是建设健壮、安全可靠网络的前提条件。可在流量模型上开展流量预测、分类,以及在此基础上进行异常检测研究。本文主要研究内容和贡献包括:（1）研究了移动平均自回归模型在以流量为代表的时间序列建模领域的应用,总结了一套建模流程,可用于指导模型设计、指标选择及模型评估;提出了一个ARIMA+SVR的混合模型,时间序列的预测准确度提高了10%以上。设计了一个加密视频流识别方案,提出了视频流最近邻、动态时间规整算法;基于加密后流量不确定性增加、熵值加大的特点,结合分类算法提出了一个加密流量识别方法,该方法与传统方法相比,识别准确率提高了10%以上。（2）在分析和实验长短期记忆网络性能存在的问题后,提出了基于注意力机制和自编解码融合的流量模型,训练时间与现有的模型相比缩短了约80%左右,在流量模型的基础上设计了异常评分机制,提出了基于注意力的异常检测模型,实验结果表明异常检测准确率达到或超过现有模型,模型训练时间效率提升明显。（3）通过将生成式对抗神经网络（GAN）应用于流量建模和异常检测的研究,提出了基于GAN的流量模型,该模型克服了GAN训练易出现不稳定等问题,生成了“高仿真度”的网络流量,在此基础上进一步设计了异常评分机制,进行流量异常检测。实验测试表明模型的有效性,其识别准确率达到或超过现有模型。（4）通过对异步强化学习（A3C）应用于网络流量的研究,提出了一个对网络攻击行为建模的异常检测模型,对四个基准数据集的实验测试表明,检测准确率、召回率及F1分数等评价指标达到或超过现有的模型。
赵江东[9]（2021）在《基于网络环境感知的无线自组网路由协议设计与实现》文中指出无线自组网（Wireless Ad Hoc Networks）,简称Ad Hoc网络或MANET,具有高度自治性,在军事和民用领域都有着广泛的应用前景。然而,该网络的高度动态性以及无线网络环境的复杂性对寻找信息转发的路径提出了严峻挑战。本文基于项目场景需求,结合考虑无线网络环境对网络性能的影响,对Ad Hoc网络路由协议展开研究,设计满足项目场景需求的路由协议。首先,本文针对节点在局部范围内有频繁的业务交互需求的项目场景,结合主动式路由协议和按需路由协议的优点,设计了一种基于跳数的混合式路由协议BHHRP。通过BH-HRP协议,任意节点可以和距离较近的邻居（二跳以内）完成信息的实时交互,较远的节点（二跳以上）采用按需路由的策略以降低信息传输开销。仿真结果表明,BH-HRP协议可以折中路由控制开销和端到端时延。考虑节点的移动性和端到端链路质量的差异性,本文引入网络环境感知,提出描述无线链路、网络拓扑和节点状态的网络环境指标,即链路质量、拓扑稳定性、节点负载和节点剩余能量。基于这些指标,改进了经典MPR选择算法。改进的MPR算法,优先选择链路质量优、局部拓扑稳定性好、节点剩余能量多、节点负载未超过负载阈值的节点作为MPR节点,更适用于无线网络场景。基于拓扑稳定性指标,设计了Hello周期自适应调整策略。在拓扑剧烈变化时,该策略使节点能够迅速发现拓扑变化并及时更新邻居关系,拓扑稳定时可以减少Hello机制的开销。在此基础上,对BH-HRP协议进行优化,设计了基于网络环境感知的混合式路由协议BN-HRP。BN-HRP协议将链路质量作为路由基本度量,增加路由学习机制和路由热发现机制,减少路由请求的等待时间。通过对网络环境的感知,使用改进的MPR算法,实现基于网络环境的多路径路由发现和动态路由选择,改善路由协议对复杂多变的无线网络环境的适应性。最后,在NS3仿真平台中对BN-HRP协议进行了仿真验证。仿真结果表明,BN-HRP协议提高了分组投递率,同时降低了数据的传输时延,开销性能也明显优于OLSR协议。特别地,在节点以中低速移动的场景下,节点能量消耗较为均衡。另外,针对项目大规模半实物仿真的需求,提出了一种将NS3中模块快速移植到实物节点上运行的方法,并描述了搭建分布式半实物仿真平台的方法,为项目后续实施大规模半实物仿真验证打下了良好的基础。
王世超[10]（2021）在《基于深度学习的图像块相似度研究及应用》文中提出图像块包含图像局部信息且处理过程计算量小,因此基于图像块相似度的方法在图像处理领域应用广泛。考虑到在大多数图像处理任务中图像块相似度度量过程未充分考虑图像块的结构信息,本文采用深度学习中的深度神经网络（Deep Neural Network,DNN）与卷积神经网络（Convolutional Neural Network,CNN）方法提取图像块中包含结构信息的特征,并研究如何构造更有效的图像块相似度度量方法。主要研究工作如下:（1）针对传统图像块相似度的度量过程未充分考虑图像特征信息的问题,本文提出了基于孪生差分自动编码网络（Siamese differential Auto-Encoder Network,Siam DAE）的图像块相似度度量算法。首先将自动编码网络（Auto-Encoder Network,AE-Net）的网络结构和代价函数进行更改,然后在非局部均值降噪算法（Non-Local Means,NLM）中应用网络生成的相似度。最后,实验结果表明:该算法不仅提高了结果的峰值信噪比（Peak Signal-to-Noise Ratio,PSNR）和结构相似性指标（Structural Similarity Index,SSIM）,而且能更好地保留图像的复杂纹理信息。（2）针对深度神经网络无法充分利用图像块的位置结构信息的问题,本文提出了基于特征拟合孪生卷积神经网络（Siamese convolutional neural networks,Siam CNN）的图像块相似度度量算法。首先使用卷积块对网络提取的特征进行相似度度量,用度量值代替欧氏距离,再将相似度度量值应用在NLM算法中,最后对降噪效果进行了评估分析。实验结果表明:该算法相比于基于Siam DAE的图像块相似度度量算法,结果具有更高的PSNR和SSIM,还有更好的视觉效果。
二、IP网络性能度量及测试方法简介（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、IP网络性能度量及测试方法简介（论文提纲范文）
（1）基于支持向量机和集成学习的大象流模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 课题的研究背景 |
| §1.2 课题的研究意义 |
| §1.3 国内外研究现状 |
| §1.3.1 大象流模型的研究现状 |
| §1.3.2 不平衡数据分类的研究现状 |
| §1.4 论文的主要工作和组织结构 |
| 第二章 基础理论和相关技术 |
| §2.1 网络数据导出器 |
| §2.2 支持向量机理论 |
| §2.2.1 支持向量机基础 |
| §2.2.2 核方法 |
| §2.2.3 不平衡数据问题 |
| §2.2.4 对偶理论优化 |
| §2.3 不平衡数据采样 |
| §2.3.1 欠采样 |
| §2.3.2 过采样 |
| §2.3.3 混合采样 |
| §2.4 集成学习 |
| §2.4.1 Bagging算法 |
| §2.4.2 Boosting算法 |
| 第三章 网络数据特性分析 |
| §3.1 网络数据导出器 |
| §3.1.1 数据包获取 |
| §3.1.2 数据包解析 |
| §3.1.3 数据流提取 |
| §3.1.4 流类型标记 |
| §3.2 数据特性分析 |
| §3.2.1 特性介绍 |
| §3.2.2 特性分析 |
| §3.3 模型性能度量指标 |
| 第四章 基于机器学习算法的大象流模型 |
| §4.1 概述 |
| §4.1.1 实验环境介绍 |
| §4.1.2 基于机器学习建模流程 |
| §4.2 模型建立前期准备 |
| §4.2.1 模型输入特征值选择 |
| §4.2.2 模型建立算法选择 |
| §4.2.3 性能度量指标选择 |
| §4.3 基于SVM算法的大象流模型 |
| §4.3.1 SVM算法原理 |
| §4.3.2 模型建立 |
| §4.3.3 模型结果 |
| §4.4基于Easy Ensemble的大象流模型 |
| §4.4.1 Easy Ensemble算法原理 |
| §4.4.2 模型建立 |
| §4.4.3 模型结果 |
| 第五章 大象流模型评估 |
| §5.1 模型评估数据集 |
| §5.1.1 MAWI数据集 |
| §5.1.2 UNIBS数据集 |
| §5.1.3 GUAT数据集 |
| §5.2 基于不同数据集的模型性能度量 |
| §5.2.1 基于SVM的大象流模型的性能度量 |
| §5.2.2 基于Easy Ensemble的大象流模型性能度量 |
| §5.2.3 实验结论 |
| §5.3 基于实际应用的模型评估 |
| §5.3.1 侦测周期的选取 |
| §5.3.2 基于侦测周期的模型评估 |
| §5.3.3 实验结果 |
| §5.3.4 实验结果分析 |
| 第六章 大象流模型改进 |
| §6.1 流设置方式的改进 |
| §6.1.1 流设置时长的改进方式 |
| §6.1.2 基于改进流设置时长的改进结果 |
| §6.2 算法建立改进 |
| §6.2.1 算法建立改进方式 |
| §6.2.2 基于改进算法的改进结果 |
| 第七章 总结与展望 |
| §7.1 工作总结 |
| §7.2 未来发展与展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士期间的主要研究成果 |
（2）面向智慧实验室的实验数据采集评估系统设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 课题的研究背景及意义 |
| §1.2 国内外研究现状 |
| §1.3 论文的研究内容及组织架构 |
| §1.3.1 论文的研究内容 |
| §1.3.1 论文的组织架构 |
| §1.4 本章小结 |
| 第二章 实验数据采集评估系统总体设计及关键技术 |
| §2.1 系统总体框架 |
| §2.2 系统关键技术概述 |
| §2.2.1 数据采集相关技术 |
| §2.2.2 智能评估技术 |
| §2.3 本章小结 |
| 第三章 基于仪器交互的实验报告数据采集 |
| §3.1 数据采集框架 |
| §3.2 数据采集系统的通信模块协议设计 |
| §3.2.1 局域网设备发现协议设计 |
| §3.2.2 数据封装通信协议设计 |
| §3.3 数据采集系统的终端设计 |
| §3.3.1 仪器交互控制终端主控模块选择 |
| §3.3.2 仪器交互控制终端主控模块系统平台搭建 |
| §3.3.3 仪器交互控制终端功能开发 |
| §3.3.4 用户交互终端功能开发 |
| §3.4 本章小结 |
| 第四章 基于改进关系网络的实验报告数据评估 |
| §4.1 实验报告数据评估模型 |
| §4.1.1 评估方案与标准 |
| §4.1.2 关系网络 |
| §4.2 融合注意力的改进关系网络 |
| §4.3 改进关系网络性能验证及分析 |
| §4.3.1 实验环境及参数简介 |
| §4.3.2 mini-ImageNet和CUB数据集简介 |
| §4.3.3 mini-ImageNet和CUB的实验结果及分析 |
| §4.4 本章小结 |
| 第五章 系统测试及功能验证 |
| §5.1 基于仪器交互的数据采集系统测试及功能验证 |
| §5.2 基于改进关系网络的实验报告数据评估功能验证及分析 |
| §5.2.1 实验波形数据集简介 |
| §5.2.2 实验波形数据集实验结果及分析 |
| §5.3 本章小结 |
| 第六章 总结与展望 |
| §6.1 总结 |
| §6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士期间的主要研究成果 |
（3）基于博弈论和多智能体强化学习的城市道路网络交通控制方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景 |
| 1.3 研究现状综述 |
| 1.3.1 城市道路网络交通控制 |
| 1.3.2 城市道路网络动态交通分配 |
| 1.3.3 城市道路网络中的多智能体强化学习 |
| 1.3.4 研究现存问题 |
| 1.4 研究目的及意义 |
| 1.5 研究内容框架 |
| 第2章 城市道路网络分布式动态交通分配方法 |
| 2.1 动态交通分配 |
| 2.1.1 动态交通分配问题 |
| 2.1.2 用户均衡和系统最优 |
| 2.1.3 动态交通分配的主要数学形式 |
| 2.1.4 动态交通分配模型的缺陷 |
| 2.2 多智能体强化学习 |
| 2.2.1 多智能体系统 |
| 2.2.2 强化学习机制 |
| 2.2.3 多智能体强化学习算法 |
| 2.3 动态交通分配决策者智能体架构 |
| 2.3.1 决策者智能体状态空间 |
| 2.3.2 决策者智能体动作空间 |
| 2.3.3 决策者智能体回报函数 |
| 2.3.4 决策者智能体的学习率机制 |
| 2.4 动态交通分配空间约束建议者智能体架构 |
| 2.4.1 建议者智能体的状态空间 |
| 2.4.2 建议者智能体的动作空间 |
| 2.4.3 建议者智能体的回报函数 |
| 2.4.4 建议者智能体的学习率机制 |
| 2.5 异构建议者多智能体强化学习 |
| 2.5.1 HAB-MARL 框架的应用 |
| 2.5.2 HAB-MARL 算法 |
| 2.6 本章小结 |
| 第3章 城市道路网络分布式交通信号控制方法 |
| 3.1 城市道路网络交通信号控制 |
| 3.1.1 URNTSC优化目标选取 |
| 3.1.2 URNTSC方法主要形式 |
| 3.1.3 多智能体强化学习在URNTSC中的应用 |
| 3.1.4 当前URNTSC方法可改进性 |
| 3.2 交通管控中的博弈论 |
| 3.2.1 博弈论形式及基本分类 |
| 3.2.2 博弈中的均衡解 |
| 3.2.3 博弈论在交通系统中的应用形式 |
| 3.3 分布式交通信号控制智能体架构 |
| 3.3.1 信号控制智能体状态空间 |
| 3.3.2 信号控制智能体动作空间 |
| 3.3.3 信号控制智能体决策过程 |
| 3.3.4 信号控制智能体回报函数 |
| 3.3.5 信号控制智能体的学习率机制 |
| 3.4 混合策略纳什均衡多智能体强化学习 |
| 3.4.1 MSNE-MARL 框架的应用 |
| 3.4.2 MSNE-MARL 算法 |
| 3.5 本章小结 |
| 第4章 城市道路网络交通信号控制鲁棒性增强方法 |
| 4.1 复杂网络关键节点判别技术 |
| 4.1.1 图论基础 |
| 4.1.2 复杂网络理论 |
| 4.1.3 关键节点判别技术 |
| 4.1.4 现有关键节点判别技术局限性 |
| 4.2 节点影响力传播机制 |
| 4.2.1 社会网络影响力传播机制 |
| 4.2.2 基于 MAS 的节点影响力传播机制 |
| 4.2.3 影响力传播机制改进关键点 |
| 4.3 MAS-AITM的URNTSC鲁棒性增强框架 |
| 4.3.1 MAS-AITM中节点等级度量及关键节点判别机制 |
| 4.3.2 MAS-AITM节点交互关系的分类 |
| 4.3.3 MAS-AITM节点交互关系的各向异性自择机制 |
| 4.3.4 MAS-AITM节点交互机制 |
| 4.3.5 URNTSC中鲁棒性增强构建的其他事项 |
| 4.4 本章小结 |
| 第5章 数值模拟框架及验证测试 |
| 5.1 城市道路网络数值模拟框架 |
| 5.1.1 元胞传输模型 |
| 5.1.2 基于CTM-DNL的数值模拟框架 |
| 5.1.3 城市道路网络交叉口转弯比动态构建方法 |
| 5.2 HAB-MARL分布式动态交通分配方法验证分析 |
| 5.2.1 出行成本函数选用 |
| 5.2.2 验证方法选用 |
| 5.2.3 验证网络选用 |
| 5.2.4 验证输入值设置 |
| 5.2.5 HAB-MARL验证分析 |
| 5.2.6 本节小结 |
| 5.3 MSNE-MARL分布式交通信号控制方法验证分析 |
| 5.3.1 验证指标选用 |
| 5.3.2 验证方法选用 |
| 5.3.3 验证网络选用 |
| 5.3.4 验证输入值设置 |
| 5.3.5 验证方法参数标定 |
| 5.3.6 MSNE-MARL验证分析 |
| 5.3.7 本节小结 |
| 5.4 MAS-AITM的URNTSC鲁棒性增强方法验证分析 |
| 5.4.1 验证方法选用 |
| 5.4.2 验证网络选用 |
| 5.4.3 验证输入值设置 |
| 5.4.4 MAS-AITM验证分析 |
| 5.4.5 本节小结 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 主要创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（4）可信物联网数据采集平台的研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究内容 |
| 1.3 论文结构 |
| 第二章 相关技术概述 |
| 2.1 可信计算技术 |
| 2.1.1 Intel SGX技术 |
| 2.1.2 基于TPM的完整性度量架构-IMA |
| 2.2 区块链 |
| 2.3 netfilter与netlink技术 |
| 2.3.1 netfilter框架 |
| 2.3.2 Netlink |
| 2.4 kafka消息队列-cppkafka |
| 2.5 内存取证 |
| 2.5.1 LibVMI虚拟机内存自省库 |
| 2.5.2 Volatility内存取证 |
| 2.6 本章总结 |
| 第三章 需求分析 |
| 3.1 功能性需求分析 |
| 3.1.1 链下可信平台的建立 |
| 3.1.2 可信物联网数据上链 |
| 3.1.3 物联网数据采集平台的实时监控 |
| 3.2 非功能性需求分析 |
| 3.2.1 高可靠性 |
| 3.2.2 高性能 |
| 3.3 本章总结 |
| 第四章 概要设计 |
| 4.1 系统概要设计 |
| 4.2 建立链下可信平台的方案设计 |
| 4.2.1 Enclave与区块链端的双向认证 |
| 4.2.2 SGX身份认证服务端 |
| 4.2.3 可信物联网数据采集平台的远程认证 |
| 4.3 可信物联网数据上链方案设计 |
| 4.3.1 数据拦截 |
| 4.3.2 数据过滤 |
| 4.3.3 数据上链 |
| 4.4 物联网数据采集平台的实时监控 |
| 4.4.1 监控信息获取 |
| 4.4.2 监控数据分析与策略执行 |
| 4.5 本章总结 |
| 第五章 系统详细设计与实现 |
| 5.1 系统架构实现 |
| 5.2 链下可信平台的实现 |
| 5.2.1 Enclave与区块链端的双向认证 |
| 5.2.2 可信物联网数据采集平台的远程认证 |
| 5.3 可信物联网数据上链功能的实现 |
| 5.3.1 数据拦截与过滤 |
| 5.3.2 数据上链 |
| 5.4 实时监控模块的实现 |
| 5.4.1 获取虚拟机内存信息 |
| 5.4.2 虚拟机内存信息分析 |
| 5.4.3 监控策略执行 |
| 5.5 本章总结 |
| 第六章 系统测试 |
| 6.1 测试目标 |
| 6.2 测试环境 |
| 6.3 功能测试 |
| 6.3.1 链下可信平台的建立 |
| 6.3.2 可信物联网数据上链 |
| 6.3.3 物联网数据采集平台实时监控 |
| 6.4 性能测试 |
| 6.5 本章总结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
（5）IP语音数据包的队列调度算法优化研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究思路和研究内容 |
| 1.3.1 研究思路 |
| 1.3.2 研究内容 |
| 1.4 论文章节安排 |
| 2 相关技术及理论 |
| 2.1 VoIP技术原理 |
| 2.2 QoS对IP网络的重要性 |
| 2.3 QoS服务类型 |
| 2.4 分类与标记 |
| 2.5 排队论 |
| 2.6 队列调度算法 |
| 2.7 流量整形与限速 |
| 2.8 本章小结 |
| 3 改进的低延迟队列算法 |
| 3.1 队列调度算法的应用背景 |
| 3.1.1 网络拥塞产生的原因 |
| 3.1.2 网络拥塞造成的影响 |
| 3.2 服务质量度量指标 |
| 3.3 多业务场景的需求 |
| 3.4 低延迟队列算法 |
| 3.4.1 LLQ基本原理 |
| 3.4.2 LLQ存在的问题 |
| 3.5 低延迟队列算法的改进 |
| 3.5.1 算法改进思路 |
| 3.5.2 语音数据包的排队模型 |
| 3.5.3 改进的低延迟队列算法基本原理 |
| 3.5.4 改进低延迟队列算法基本步骤 |
| 3.6 本章小结 |
| 4 实验仿真与分析 |
| 4.1 测试方案思路 |
| 4.2 网络QoS的测试方法 |
| 4.2.1 网络时延的测试方法 |
| 4.2.2 网络抖动测试方法 |
| 4.2.3 网络性能测试指标 |
| 4.3 仿真平台搭建 |
| 4.4 网络拓扑搭建 |
| 4.5 实验验证 |
| 4.5.1 利用SLA技术产生模拟流量 |
| 4.5.2 网络正常时各业务的网络指标 |
| 4.5.3 利用流量管理限制链路带宽制造网络拥塞 |
| 4.5.4 网络拥塞时各业务的网络指标 |
| 4.5.5 利用GNS3做PBR和 MQC的实验 |
| 4.5.6 LLQ和 I-LLQ的验证实验 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读硕士研究生期间发表的论文 |
| 攻读硕士研究生期间发表的专利 |
| 攻读硕士研究生期间参与的科研项目 |
| 攻读硕士研究生期间获得的奖项 |
| 缩略语对照表 |
（6）文物碎块精细分类与多碎块拼接方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究现状及主要问题 |
| 1.2.1 三维模型去噪的研究现状 |
| 1.2.2 文物碎块分类的研究现状 |
| 1.2.3 文物碎块拼接的研究现状 |
| 1.2.4 主要问题 |
| 1.3 本文主要研究内容与创新点 |
| 1.3.1 本文研究内容 |
| 1.3.2 创新点 |
| 1.4 本文结构安排 |
| 第二章 基于图拉普拉斯正则化的三维点云去噪方法 |
| 2.1 引言 |
| 2.2 文物点云去噪方法框架 |
| 2.3 基于图拉普拉斯正则化的先验分布 |
| 2.3.1 图和图拉普拉斯矩阵 |
| 2.3.2 图拉普拉斯正则化 |
| 2.4 基于马氏距离的图顶点特征度量 |
| 2.5 基于块自相似性的点云分块 |
| 2.6 马尔可夫图模型的建立 |
| 2.7 基于最大后验准则的点云去噪 |
| 2.7.1 噪声模型的选择 |
| 2.7.2 去噪算法 |
| 2.8 实验结果与分析 |
| 2.8.1 实验设置 |
| 2.8.2 实验数据集 |
| 2.8.3 评估标准 |
| 2.8.4 算法性能分析 |
| 2.8.5 和其他算法的视觉效果对比 |
| 2.8.6 和其他算法的定量分析对比 |
| 2.9 本章小结 |
| 第三章 基于形状特征提取的三维文物碎块精细分类方法 |
| 3.1 引言 |
| 3.2 三维文物碎块分类方法框架 |
| 3.3 低维形状特征描述子的构造 |
| 3.3.1 三维网格的简化 |
| 3.3.2 尺度不变热核特征的提取 |
| 3.3.3 视觉词典的生成 |
| 3.3.4 特征的量化 |
| 3.4 分类算法的设计 |
| 3.4.1 带影响因子的距离加权系数的引入 |
| 3.4.2 多核函数的引入 |
| 3.4.3 MKDSIF-FCM算法描述 |
| 3.5 实验结果与分析 |
| 3.5.1 实验设置 |
| 3.5.2 实验数据集 |
| 3.5.3 Si-HKS描述子的评估 |
| 3.5.4 模型简化的评估 |
| 3.5.5 Si HKS-Bo W描述子的评估 |
| 3.5.6 MKDSIF-FCM算法的评估 |
| 3.5.7 实验结果分析 |
| 3.5.8 与其他方法的对比 |
| 3.6 本章小结 |
| 第四章 基于深度学习的三维文物碎块精细分类方法 |
| 4.1 引言 |
| 4.2 网络框架 |
| 4.3 文物点云数据的采样 |
| 4.3.1 最远点采样算法 |
| 4.3.2 蒙特卡洛采样算法 |
| 4.4 数据增强网络的设计 |
| 4.5 分类网络的设计 |
| 4.5.1 点云刚性变化问题的解决 |
| 4.5.2 点云无序问题的解决 |
| 4.6 损失函数的设计 |
| 4.6.1 数据增强网络损失函数 |
| 4.6.2 分类网络损失函数 |
| 4.7 实验结果与分析 |
| 4.7.1 实验设置 |
| 4.7.2 实验数据集 |
| 4.7.3 实验结果分析 |
| 4.7.4 网络性能分析 |
| 4.7.5 与其他方法的对比 |
| 4.8 本章小结 |
| 第五章 基于关键点特征描述子的三维文物碎块拼接方法 |
| 5.1 引言 |
| 5.2 三维文物碎块拼接方法框架 |
| 5.3 确定文物碎块之间的相邻关系 |
| 5.3.1 关键点的检测 |
| 5.3.2 FPFH形状描述子的构建 |
| 5.3.3 碎块和模板对应关系的建立 |
| 5.3.4 误匹配的剔除 |
| 5.4 基于快速傅里叶变换的断裂面精细匹配 |
| 5.4.1 傅里叶级数和功率谱 |
| 5.4.2 碎块曲面的分割 |
| 5.4.3 潜在匹配面的搜索 |
| 5.4.4 最优匹配面的确定 |
| 5.5 实验结果与分析 |
| 5.5.1 实验设置 |
| 5.5.2 实验数据集 |
| 5.5.3 文物表面关键点的提取 |
| 5.5.4 误匹配的删除 |
| 5.5.5 断裂面的精细匹配 |
| 5.5.6 多碎块的拼接 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间取得的科研成果 |
| 作者简介 |
（7）基于机器学习的软件源代码缺陷自动确认技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 课题来源 |
| 1.3 本论文的主要研究工作 |
| 1.4 论文组织结构 |
| 第二章 软件源代码缺陷确认研究综述 |
| 2.1 软件缺陷自动确认技术 |
| 2.2 代码语义特征自动生成技术 |
| 2.3 项目间缺陷预测技术 |
| 第三章 基于路径分析的变量级软件缺陷确认模型 |
| 3.1 引言 |
| 3.2 基于变量级特征的缺陷自动确认模型构建 |
| 3.2.1 变量特征提取 |
| 3.2.2 模型构建过程 |
| 3.2.3 实验设置 |
| 3.2.4 实验结果分析 |
| 3.3 基于路径分析特征的缺陷自动确认模型构建 |
| 3.3.1 术语定义 |
| 3.3.2 路径-变量特征提取 |
| 3.3.3 实验设置 |
| 3.3.4 实验结果分析 |
| 3.4 本章小结 |
| 第四章 基于神经网络的代码语义特征自动提取技术 |
| 4.1 引言 |
| 4.2 方法设计 |
| 4.2.1 基于路径的token序列提取 |
| 4.2.2 token向量编码 |
| 4.2.3 语义特征生成 |
| 4.2.4 软件缺陷确认 |
| 4.3 实验设置 |
| 4.3.1 实验数据集 |
| 4.3.2 实验评估指标 |
| 4.3.3 实验参数设置 |
| 4.4 实验结果分析 |
| 4.4.1 RQ1实验分析 |
| 4.4.2 RQ2对比实验分析 |
| 4.5 本章小结 |
| 第五章 基于融合特征迁移的项目间缺陷确认模型 |
| 5.1 引言 |
| 5.2 基于特征排序-匹配的项目间缺陷确认模型构建 |
| 5.2.1 特征排序 |
| 5.2.2 特征匹配 |
| 5.2.3 实验设置 |
| 5.2.4 实验结果分析 |
| 5.3 基于语义特征表示的项目间缺陷确认模型构建 |
| 5.3.1 实验设置 |
| 5.3.2 实验结果分析 |
| 5.4 基于融合特征迁移的项目间缺陷确认模型构建 |
| 5.4.1 方法设计 |
| 5.4.2 实验设置 |
| 5.4.3 实验结果分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 下一步的研究工作 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（8）网络流量模型及异常检测技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 异常检测的定义分类及应用 |
| 1.3 异常检测研究方法 |
| 1.3.1 传统异常检测方法 |
| 1.3.2 基于机器学习方法 |
| 1.3.3 基于信息熵和小波的异常检测 |
| 1.4 异常检测面临的问题挑战 |
| 1.4.1 传统模型存在的问题 |
| 1.4.2 监督、半监督学习面临的挑战 |
| 1.5 论文主要贡献及创新点 |
| 1.6 本论文的结构安排 |
| 第二章 网络流量模型及异常检测研究综述 |
| 2.1 网络流量模型及异常检测 |
| 2.1.1 网络流量模型 |
| 2.1.2 网络流量异常检测 |
| 2.1.3 加密网络流量识别检测 |
| 2.2 基于深度学习的异常检测 |
| 2.3 基于强化学习的异常检测 |
| 2.4 本章小结 |
| 第三章 基于熵和统计机器学习的流量研究 |
| 3.1 背景 |
| 3.2 基于统计的流量模型 |
| 3.3 模型详细设计 |
| 3.3.1 园区流量模型 |
| 3.3.2 Web流量模型 |
| 3.3.3 混合模型 |
| 3.3.4 分析与小结 |
| 3.4 基于近邻和DTW的视频检测识别方法 |
| 3.4.1 视频检测背景技术 |
| 3.4.2 设计方法 |
| 3.5 机器学习和信息熵融合的检测识别 |
| 3.5.1 信息熵平衡估计 |
| 3.5.2 流量数据平衡信息熵评估 |
| 3.5.3 熵和机器学习融合算法 |
| 3.6 本章小结 |
| 第四章 基于深度学习的流量及异常检测 |
| 4.1 深度神经网络基本理论 |
| 4.2 网络流量模型基本原理 |
| 4.2.1 卷积神经网络基本原理 |
| 4.2.2 LSTM基本原理 |
| 4.3 基于自编解码的流量模型 |
| 4.3.1 自编解码基本原理 |
| 4.3.2 模型设计 |
| 4.4 基于注意力机制的流量模型 |
| 4.4.1 基本原理 |
| 4.4.2 模型设计 |
| 4.4.3 实验结果 |
| 4.5 基于TCNatt-VAE的异常检测方法 |
| 4.5.1 模型基本原理 |
| 4.5.2 异常检测模型 |
| 4.5.3 实验结果 |
| 4.6 本章小结 |
| 第五章 基于生成式对抗神经网络的流量及异常检测 |
| 5.1 背景 |
| 5.2 模型基本原理 |
| 5.3 基于GAN的网络流量模型 |
| 5.3.1 问题描述 |
| 5.3.2 流量模型设计 |
| 5.4 基于GAN的流量异常检测 |
| 5.4.1 模型设计 |
| 5.5 实验结果及分析 |
| 5.5.1 流量模型 |
| 5.5.2 异常检测模型 |
| 5.6 本章小结 |
| 第六章 基于强化学习的网络异常检测研究 |
| 6.1 背景及基本原理 |
| 6.1.1 背景 |
| 6.1.2 基本原理 |
| 6.2 基于强化学习的异常检测 |
| 6.2.1 问题建模 |
| 6.2.2 模型设计方法 |
| 6.3 实验过程 |
| 6.3.1 三种数据集上的实验 |
| 6.3.2 实验结果分析 |
| 6.4 本章小结 |
| 第七章 全文总结与展望 |
| 7.1 全文总结 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（9）基于网络环境感知的无线自组网路由协议设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究历史与现状 |
| 1.3 主要研究内容 |
| 1.4 本论文的结构安排 |
| 第二章 无线自组网路由技术概述 |
| 2.1 Ad Hoc网络简介 |
| 2.2 Ad Hoc路由协议及设计原则 |
| 2.3 传统Ad Hoc网络路由协议分析 |
| 2.3.1 Ad Hoc主动式路由协议 |
| 2.3.2 Ad Hoc按需路由协议 |
| 2.3.3 Ad Hoc混合式路由协议 |
| 2.3.4 Ad Hoc网络路由协议比较与分析 |
| 2.4 本章小结 |
| 第三章 基于跳数的混合式路由协议设计与实现 |
| 3.1 项目场景与需求 |
| 3.2 路由协议设计思路 |
| 3.3 BH-HRP路由协议概述 |
| 3.4 BH-HRP协议运行机制 |
| 3.4.1 二跳范围内的邻居管理 |
| 3.4.2 二跳范围外的按需路由发现 |
| 3.4.3 路由管理模块 |
| 3.5 数据包处理流程 |
| 3.6 仿真结果与分析 |
| 3.6.1 仿真场景 |
| 3.6.2 结果分析 |
| 3.7 本章小结 |
| 第四章 基于网络环境感知的混合式路由协议设计 |
| 4.1 BN-HRP路由协议概述 |
| 4.2 网络环境感知指标 |
| 4.2.1 链路质量 |
| 4.2.2 节点剩余能量 |
| 4.2.3 节点负载 |
| 4.2.4 拓扑稳定性 |
| 4.3 改进的MPR选择算法 |
| 4.3.1 经典MPR选择算法 |
| 4.3.2 改进的MPR选择算法 |
| 4.4 自适应Hello周期 |
| 4.5 BN-HRP协议运行机制 |
| 4.5.1 邻居管理机制 |
| 4.5.2 路由管理机制 |
| 4.5.3 报文设计 |
| 4.6 本章小结 |
| 第五章 BN-HRP协议实现与仿真验证 |
| 5.1 BN-HRP协议实现 |
| 5.2 数据采集工具实现 |
| 5.2.1 时延统计工具类 |
| 5.2.2 开销统计工具类 |
| 5.2.3 分组投递率统计工具类 |
| 5.3 协议仿真结果与性能分析 |
| 5.3.1 仿真场景设置 |
| 5.3.2 结果分析 |
| 5.4 分布式半实物仿真平台的搭建 |
| 5.4.1 基于NS3 的协议移植方法 |
| 5.4.2 NS3 半实物仿真系统的搭建 |
| 5.4.3 NS3 分布式仿真系统的搭建 |
| 5.5 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（10）基于深度学习的图像块相似度研究及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像块相似度发展 |
| 1.2.2 深度学习的发展及应用 |
| 1.3 论文研究内容 |
| 1.4 论文结构 |
| 第2章 相关算法 |
| 2.1 自编码网络 |
| 2.1.1 自编码网络结构 |
| 2.1.2 自编码网络代价函数 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积神经网络概述 |
| 2.2.2 卷积神经网络结构 |
| 2.2.3 训练方法 |
| 2.3 图像块相似度度量方法 |
| 2.3.1 距离度量 |
| 2.3.2 相关度量 |
| 2.4 图像块相似度的应用 |
| 2.4.1 非局部均值滤波算法发展 |
| 2.4.2 非局部均值滤波算法原理 |
| 2.4.3 滤波算法相似度度量 |
| 2.5 本章小结 |
| 第3章 基于Siam DAE相似度的降噪算法优化 |
| 3.1 引言 |
| 3.2 Siam DAE网络结构 |
| 3.2.1 网络结构 |
| 3.2.2 代价函数 |
| 3.3 Siam DAE相似度度量算法及应用 |
| 3.3.1 Siam DAE相似度度量算法 |
| 3.3.2 Siam DAE相似度度量算法的应用 |
| 3.4 实验分析 |
| 3.4.1 样本和参数设置 |
| 3.4.2 收敛性分析 |
| 3.4.3 测试结果验证 |
| 3.4.4 图像块尺寸分析 |
| 3.4.5 算法对比分析 |
| 3.5 本章小结 |
| 第4章 基于Siam CNN相似度的降噪算法优化 |
| 4.1 引言 |
| 4.2 基于卷积神经网络的改进方向 |
| 4.2.1 深度度量学习 |
| 4.2.2 无监督学习 |
| 4.3 Siam CNN网络结构 |
| 4.3.1 网络结构 |
| 4.3.2 代价函数 |
| 4.4 Siam CNN相似度度量算法及应用 |
| 4.4.1 Siam CNN相似度度量算法 |
| 4.4.2 Siam CNN相似度度量算法的应用 |
| 4.5 实验分析 |
| 4.5.1 样本和参数设置 |
| 4.5.2 收敛性分析 |
| 4.5.3 测试结果分析 |
| 4.5.4 图像块尺寸分析 |
| 4.5.5 算法对比分析 |
| 4.6 Siam DAE与 Siam CNN算法对比分析 |
| 4.6.1 测试结果对比分析 |
| 4.6.2 算法滤波结果分析 |
| 4.6.3 相似度度量结果对比分析 |
| 4.7 本章小结 |
| 第5章 结论与展望 |
| 5.1 本文工作总结 |
| 5.2 本文工作展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读硕士学位期间发表的论文 |
四、IP网络性能度量及测试方法简介（论文参考文献）
- [1]基于支持向量机和集成学习的大象流模型研究[D]. 冯彦明. 桂林电子科技大学, 2021(02)
- [2]面向智慧实验室的实验数据采集评估系统设计与实现[D]. 刘伟发. 桂林电子科技大学, 2021(02)
- [3]基于博弈论和多智能体强化学习的城市道路网络交通控制方法研究[D]. 潘昭天. 吉林大学, 2021(01)
- [4]可信物联网数据采集平台的研究与实现[D]. 孙倩倩. 北京邮电大学, 2021(01)
- [5]IP语音数据包的队列调度算法优化研究[D]. 管米利. 西安科技大学, 2021(02)
- [6]文物碎块精细分类与多碎块拼接方法研究[D]. 高宏娟. 西北大学, 2021
- [7]基于机器学习的软件源代码缺陷自动确认技术研究[D]. 张俞炜. 北京邮电大学, 2021
- [8]网络流量模型及异常检测技术研究[D]. 周琨. 电子科技大学, 2021(01)
- [9]基于网络环境感知的无线自组网路由协议设计与实现[D]. 赵江东. 电子科技大学, 2021(01)
- [10]基于深度学习的图像块相似度研究及应用[D]. 王世超. 武汉科技大学, 2021(01)