基于动态时间扭曲的NFV网络故障检测

网络功能虚拟化(Network Functions Virtualization,NFV)实现了硬件与软件的解耦,是5G应用与发展的核心技术.NFV网络具有高动态性、层间不可见性、网络组件复杂等特点,给网络管理带来了挑战.为了保证NFV网络的正常高效运行,提出基于动态阈值的NFV故障检测算法DTF-DTW:首先,根据已有的正常样本数据,获得不同虚拟网络功能的故障阈值;然后,采用基于滑动窗口的快速动态时间扭曲算法,检测虚拟网络功能的故障时段并报警.采用真实世界的NFV数据对该算法进行测试,并使用机器学习算法STAD (Spatio-Temporal Anomaly Detection)进行比较,证明提出的算法与现有算法相比,能更加迅速准确地检测出NFV中的异常行为,提高网络运行效率和用户服务满意度.

软件定义网络故障诊断综述

复杂的传统网络结构限制了网络功能的发展,也逐渐暴露传统故障诊断算法的缺点。为此本文从新型网络环境的角度详细分析软件定义网络(software-defined networking,SDN)架构中故障诊断技术的发展过程,并从诊断方式对比其与传统网络的不同。本文介绍了SDN的架构、网络虚拟化的定义以及系统监控方法;针对SDN中不同故障诊断算法的差异以及虚拟环境中的故障诊断问题,总结了新型故障诊断技术,依据不同的算法原理归纳了5类故障诊断方法,并对不同类型的方法进行了优缺点比较。算法比较结果表明:在性能方面,结合新型网络结构的故障诊断算法在拓扑发现、数据收集、诊断速度以及算法设计的灵活性方面更加适应现代网络的发展;在架构方面,SDN在物理、逻辑和虚拟3个层面都有创新性故障诊断算法,并在传统网络的基础上增加了网络的稳健性和可靠性;最后从5个方面进行未来展望,为后续故障诊断技术优化研究提供参考。

视频运动目标跟踪算法研究综述

视频运动目标跟踪是计算机视觉领域的研究热点,具有广阔的应用前景。近年来,深度学习等技术的引入使得目标跟踪算法的准确性得到极大提升,但是当目标发生形变、尺度变化、被遮挡等情况时,容易导致跟踪失败。为了进一步改进运动目标跟踪算法,文中系统地梳理了现有的运动目标跟踪算法,将其划分为经典的跟踪算法、基于相关滤波的跟踪算法和基于深度学习的算法,分别从算法的基本原理、算法性能等方面进行详细的阐述,并对未来的发展趋势进行了展望。

典型相关滤波跟踪算法的比较与分析

为综合评价现有的相关滤波类算法,对典型的相关滤波跟踪器进行全面的比较与分析,从而为进一步完善相关滤波器的设计提供指引。从相关滤波跟踪理论的一般框架切入,重点对当前四种具有代表性的相关滤波跟踪器即KCF,DSST,HCF和ECO展开研究,分别从理论分析以及在大规模公开数据集OTB100上的实验表现详细地比较各算法的优劣。比较与分析结果表明,使用卷积特征的算法在跟踪准确性和鲁棒性上相比单纯使用人工特征的算法具有显著优势,然而跟踪速度也会急剧下降,具有尺度估计模块的跟踪器能够得到更优的跟踪成功图表现。最后对深度学习结合相关滤波方法存在的实时性不足、长时跟踪等问题进行分析,并对未来的发展趋势进行了展望。