网络背景流量的分类与识别研究综述

互联网流量分类是识别网络应用和分类相应流量的过程,这被认为是现代网络管理和安全系统中最基本的功能。与应用相关的流量分类是网络安全的基础技术。传统的流量分类方法包括基于端口的预测方法和基于有效载荷的深度检测方法。在目前的网络环境下,传统的方法存在一些实际问题,如动态端口和加密应用,因此采用基于流量统计特征的机器学习(ML)技术来进行流量分类识别。机器学习可以利用提供的流量数据进行集中自动搜索,并描述有用的结构模式,这有助于智能地进行流量分类。起初使用朴素贝叶斯方法进行网络流量分类的识别和分类,对特定流量进行实验时,表现较好,准确度可达90%以上,但对点对点传输网络流量(P2P)等流量识别准确度仅能达到50%左右。然后有使用支持向量机(SVM)和神经网络(NN)等方法,神经网络方法使整体网络流量的分类准确度能达到80%以上。多项研究结果表明,对于多种机器学习方法的使用和后续的改进,很好地提高了流量分类的准确性。

基于行动研究法的康复护理对冠心病PCI术后患者心肺功能及生活质量的影响

目的探讨基于行动研究法的康复护理对冠心病经皮冠状动脉介入(PCI)术后患者心肺功能及生活质量的影响。方法选取2020年5月至2021年4月期间中国人民解放军第七十三集团军医院实施PCI术的冠心病患者160例为研究对象。按照随机数字表法, 分为研究组与对照组各60例。对照组于术后采用常规护理, 研究组在对照组的基础性采用基于行动研究法的康复护理。护理3个月后, 比较分析两组左室射血分数(LEVF)、左室舒张末期容量(LVEDV)、左室舒张末期内径(LVEDD)、第1秒用力呼气容积(LEV1)、第1秒用力呼气容积/用力肺活量(LEV1/FCV)、最大氧耗量(VO2max)、西雅图心绞痛量表(SAQ)评分、活动强度及运动能力。结果研究组患者的LEVF、LVEDV、LEV1、LEV1/FCV、VO2max均明显高于对照组(均P<0.05), LVEDD明显低于对照组, 差异有统计学意义(P<0.05);研究组患者的治疗满意度、心绞痛频率、心绞痛稳定性、疾病知识、躯体受限程度评分均明显高于对照组, 差异有统计学意义(均P<0.05);研究组患者的活动强度、运动能力均明显高于对照组, 差异有统计学意义(均P<0.05)。结论基于行动研究法的康复护理有利于冠心病PCI术后患者心肺功能恢复, 同时能明显改善患者的生活质量, 值得推广应用。