对等网端到端多路径选择建模及算法研究

在对等网上利用多路径分发视频是一种重要的机制,虽然在一对节点之间找出符合条件的多条路径并不困难,但发送端如何从可用路径集中选出最优路径子集,并为其最优地分配发送速率仍是一个难题。为此,提出一种新的对等网端到端最优多路径选择与速率分配(OMPSRA)算法。首先,应用排队论建立OMPSRA模型,并推导出一种新的OMPSRA公式,公式既给出了最优分配的计算方法,也给出了路径的最优速率分配与各路径最大可用带宽之间的关系,利用此关系可选出最优路径子集。最后基于公式实现OMPSRA算法。理论分析和仿真实验结果表明,提出的算法能对通信量进行全局最优分配,最小化视频传输的端到端时延,且比同类算法有更好的性能。

混合流媒体分发系统中可信合作节点选取模型

针对混合流媒体分发系统中难以选取可信合作节点的问题,提出一种基于信任度的可信合作节点选取模型。优先选择全局交易信任度高、综合性能强和历史在线时间长的节点作为合作节点。在信任计算中引入衰减因子和推荐信任度,使模型具有抵抗恶意攻击的能力;通过保证金与数字签名,进一步约束合作节点的行为,增强了模型的可用性。仿真实验表明,提出的模型能有效识别恶意节点,提升分发系统的用户体验。

P2P流媒体服务器负载均衡算法研究

针对现有P2P流媒体分发系统服务器负载不均衡的问题,提出一种新的基于模拟退火的动态负载均衡算法。算法通过均衡器定时收集各个服务器的负载,利用模拟退火算法进行动态权值分配,使得服务器系统的负载达到全局均衡,提高了服务器的利用率。最后通过Matlab进行数值仿真,验证了算法的有效性和合理性。

基于机器学习的航空器进近飞行时间预测

为了准确预测航空器的落地时间,提高空管部门间的协作效率,采用机器学习的方法对航空器进近阶段飞行时间进行了预测。从实际运行出发,分析航空器在进近管制空域飞行时间产生差异的原因,提出了影响航空器在进近空域飞行的8类因素和17个重要特征。以航空器在进近飞行时间为标签,基于提出的重要特征,采用岭回归、支持向量机、随机森林和神经网络算法,建立了4种基于机器学习的航空器进近飞行时间预测模型。以南京进近为实例,对4种机器学习模型进行训练、验证和测试,对模型的性能指标、特征重要性和影响因素展开分析。研究结果表明,对于航空器进近飞行时间的预测,基于随机森林的模型表现出了最高的预测性能,模型的泛化能力最好、精确度高,回归效果越显著;进场状态是影响航空器进近飞行时间的最重要因素,而进场点和进场高度特征则对结果的贡献度最大。