考虑交通流量俘获的电动汽车充电负荷预测和充电站规划

针对电动汽车(EV)的充电需求,考虑路径的交通流量,以最大交通流量俘获、最小配电系统网络损耗和最小节点电压偏移为目标,构建了一个多目标决策模型对EV充电站进行规划。运用网络扩展技术确定交通流量俘获路径;运用蒙特卡罗模拟算法,确定规划区内EV的最大充电负荷,从而推算得到充电站的容量;运用超效率数据包络分析评价方法,确定经过归一化处理后各目标函数的权重系数,从而将多目标优化问题转化为单目标优化问题,并采用改进的二进制粒子群优化算法进行求解。以一个包含25个节点的交通网络耦合33节点配电系统为算例进行仿真,验证所建模型和所提方法的有效性,并进一步分析EV最大行驶里程、充电站负荷接入不同节点以及不同时刻对各目标函数的影响。

基于FRFT的网络流量异常数据快速捕获方法

为了降低异常数据捕获耗时,准确捕获各类攻击形式,保证网络正常运行,以傅里叶变换为构建基础,提出分数阶傅里叶变换下的网络流量异常数据快速捕获手段。结合经典傅里叶变换与角度参数,得到分数阶傅里叶变换及其相关参数,根据网络流量自相似性与异常数据间的相关性,获取变换域序列,利用能量谱参数估计法联立序列能量谱与赫斯特参数间关系。将赫斯特参数作为自相似阶段,依据离散时间序列与正常自相似范围,明确赫斯特参数的自适应阈值范围,基于此实现网络流量异常数据捕获。仿真阶段,选取企业网VLAN1、VLAN2,采用开源网络攻击模拟工具,测试所提方法在不同攻击形式下的异常数据捕获效果,结果表明所提方法具有良好的捕获精准度,且能够满足实际应用的实时性需求。

可扩展的网络信息动态监测预警体系

网络信息监测技术是下一代互联网安全防御体系的关键技术.目前存在的网络流量监测技术大多没有动态预警和控制功能,且不支持IPv6.本文给出了一个可扩展的网络流量动态监测预警体系,该体系基于"流"的监测方式,形成以流量分析、入侵检测和统计报表联动预警控制的动态安全防御体系,能够以串联或者并联方式部署,灵活性高.实验表明,该体系数据获取率高,通过各个模块的联动,有效提高了网络监控实效.

IP流量统计方法及实现

介绍了IP网络流量的几种统计方法 ,并对这几种方案进行比较 ,最后介绍了一种基于流量监控工作站来实现流量统计的方法 ,其中着重讲述了流量数据采集的方法 ,并提出了一种基于Iibpcap和BPF的数据包捕获层次模型及其实现方法。

多源数据道路拥堵信息的抓取及融合

智能交通是智慧城市的重要组成部分。目前多种交通信息系统,在方便用户获取实时路况、公交运行、城市主要道路拥堵等信息发挥重要作用。但是这些系统缺乏统一的顶层设计、彼此独立,用户获取信息需要下载不同的系统、推广难度大,信息获取的时间成本较高。文中对典型交通信息系统的分析,抓取各系统拥堵信息,再经过数据清洗和转换,最终实现对各系统数据的融合。文中为方便用户获取各种交通信息,建立统一的智慧交通平台提供新的途径。

基于蜜网技术的主动式网络安全系统研究

该文提出并设计了一个能将网络攻击流重定向到蜜网环境中的主动式网络安全系统。并对其中的数据流重定向,数据捕获,数据控制与自动告警等功能给出了具体的实现方法。

交通监控系统产品比较与设计

通过介绍当前市场上的一些道路监控产品,提出了一种基于三星S3C44b0x的MPEG-4远程视频监控系统,并且对该系统的硬件和软件的设计进行了详细的介绍。实验证明该系统具有实时性好、可扩展性好等优点。

网络不正当竞争损害赔偿研究——以流量、数据为视角

损害赔偿作为主要的民事责任承担方式,构成了权利人弥补损失、寻求救济的重要途径,任何权利的确切价值都必须按照“实现该权利后可获得的救济”进行度量,1因此,损害赔偿数额的确定也成为大部分案件的必经环节。然而,互联网时代下,流量、数据代替实物成为企业最重要的资产,这就导致不管是企业之间的竞争还是诉讼案件的索赔大都以其为轴心展开,那么,当流量、数据作为损害赔偿的依据时,如何确定其价值、如何据此计算损害赔偿数额就成为司法审判的一大难题。本文从流量、数据的重要性出发,通过对相应司法案例进行研究,在总结目前流量、数据不正当竞争损害赔偿司法现状的基础上,探寻由不正当夺取流量、数据的行为所导致的损失构成及相应的计算方法,以求为司法实践提供有益参考。

网络性能的分析与评估

结合作者工作实践,叙述了关于"网络性能分析与评估"问题的分析方法和途径以及各种测试方法的应用场合。在保证网络的稳定、通畅的同时,对日常网络建设提供了参考性的测试手段。

一个防御DDoS攻击的入侵检测系统

介绍了一种集成了网络流量数据采集与DDoS攻击检测的入侵检测系统,并嵌入攻击报警机制,其算法核心基于网络流量的自相关函数。该系统可根据用户指定攻击的识别概率、漏报概率与误报概率,而后进行有效检测和报警,并实现基于GUI界面的友好风格及C++类的封装。

交通环境下基于深度神经网络的行人检测研究

针对交通环境下行人检测器精度低误检高的问题,借鉴深度神经网络中目标检测的研究成果,以YOLO网络框架为基础,根据车载视频分辨率及视频中目标行人尺寸等特点,优化网络输入尺寸,使用额外的行人数据和数据增广策略,提出一种在交通环境下高鲁棒性的行人检测和定位方法。在City Persons行人数据集上的实验结果表明,文章模型比原模型检测精度提升10%以上,与当前具有代表性的行人检测方法相比,漏检和误检大大降低,检测速度达到31帧/秒,满足实时性要求。