内核网络堆栈的Go语言实现与分析

现代操作系统的内核均由诸如C等低级语言进行开发,虽然C语言的底层操作能力对内核很有帮助,但是也因此带来许多缺陷和漏洞。用高级语言开发的内核可以规避很多潜在风险,但是可能付出的代价是性能的降低。文中用Go语言实现内核的网络堆栈子系统,与用C语言开发的子系统进行对比,设计实验场景测试其各种性能参数,用以评估用高级语言开发内核的优势和缺点,从而得出使用高级语言开发内核模块是切实可行的。该文主要实现的网络协议包括Ethernet、ARP、IPv4、ICMP、UDP和TCP。

基于自建网络堆栈通讯技术实现木马隐蔽通信的方法研究

木马如何隐藏于网络通讯过程,及其产生的网络流量已经成为一个新的技术难题.本研究基于自建网络堆栈的互联网通讯技术,同时采用在驱动层完成网络安全通信技术实现方案.底层自建TCP堆栈技术来进行流量隐藏,实现前后台之间的命令和文件交互,完成隐蔽通信.

基于堆栈降噪自编码网络的机械设备磨损状态识别

通过磨粒铁谱图像识别可实现机械设备磨损状态识别,但基于机器学习的磨粒铁谱图像识别存在较多人工干预、普适性差。为解决上述问题,提出了一种基于堆栈降噪自编码网络的机械设备磨损状态识别方法。将多个降噪自编码网络进行堆叠,即上一个降噪自编码网络隐含层的输出作为下一个降噪自编码网络的输入,并在最后一个降噪自编码网络隐含层后添加Softmax分类器,从而构建堆栈降噪自编码网络;利用磨粒铁谱图像对堆栈降噪自编码网络进行无监督预训练,并通过有监督微调优化网络参数,对磨粒铁谱图像进行分类,实现机械设备磨损状态智能识别。实验结果表明:当堆栈降噪自编码网络的激活函数为Relu、优化器为Adam、学习率为0.001时,网络性能最佳,识别准确率达98.43%。

基于VMD-WVD分布与堆栈稀疏自编码网络的局放类型识别

针对目前常用的浅层模式识别方法对高维大容量样本处理困难的问题,提出一种基于变分模态分解(variational mode decomposition,VMD)的Wigner Ville分布(Wigner-Ville distribution,WVD)和堆叠稀疏自编码网络(stockedsparse auto-encoder,SSAE)的局部放电(partial discharge,PD)信号的模式识别方法。首先,以VMD算法对PD信号进行分解,对所得各分量进行时频分析得到相应的WVD;然后,以PD信号的VMD-WVD分布为输入量,利用SSAE对样本集合进行训练,自主提取内在特征。此外,将SSAE与稀疏自编码器(stackedsparseauto-encoder,SAE)的输出特征进行比较,验证了SSAE网络特征提取能力的优越性;最后,用训练好的SSAE网络完成测试样本的局部放电类型的识别。同时,以基于反向传播(backpropagation,BP)神经网络和支持向量机(support vector machine,SVM)的识别结果与该结果进行比较。结果表明,所采用的识别方法具有更高的正确识别率。

分类重构堆栈生成对抗网络的文本生成图像模型

利用堆栈生成对抗网络,提出分类重构堆栈生成对抗网络.第一阶段生成64px×64px的图像,第二阶段生成256px×256px的图像.在每个阶段的文本生成图像中,加入图像类别信息、特征和像素重构信息辅助训练,生成质量更好的图像.将图像模型分别在Oxford-102、加利福尼亚理工学院鸟类数据库(CUB)和微软COCO(MS COCO)数据集上进行验证,使用Inception Score评估生成图像的质量和多样性.结果表明:提出的模型具有一定的效果,在3个数据集上的Inception Score值分别是3.54,4.16和11.45,相应比堆栈生成对抗网络提高10.6%,12.4%和35.5%.

基于堆栈降噪自编码网络的电力负荷识别

电力系统中负荷识别需要进行特征选择,而常见的人工方式特征选取比较困难。为解决负荷特征选择困难的问题,采用一种基于堆栈降噪自编码网络(SDAE)的电力负荷识别方法,能有效选取现场真实负荷波形的特征并加以识别,该方法是由一层后向传播的神经网络和多层降噪自编码器(DAE)构成。首先向数据信号中掺杂一定比例的噪声进行“破坏”,然后采用“破坏”后的信号重构原始信号,进而得到数据信号的波形特征,最后采用BP神经网络对整个数据处理网络进行有效监督和微调。经过现场实时采集的电力负荷波形数据验证,相较于BP神经网络算法,该方法的识别效果更佳。实验结果显示,采用SDAE方法在8类电力负荷的识别中辨析识别率超过96%。

基于堆栈自编码网络的铣刀磨损特征提取方法

针对传统切削数据人工提取的特征主观性和盲目性强、特征提取过程耗时且提取质量难以保证等问题,提出一种基于堆栈自编码网络(SAE)的切削信号数据特征提取方法,构建了由3个自动编码器(AE)组成的SAE网络。前一个AE无监督训练后得到隐藏层特征,作为下一个AE的输入,最后整体利用反向传播算法进行有监督微调,从而得到更优的特征表达。从基于SAE的数据重构性能分析和加工信号特征主成分分析2个层面,对切削信号特征提取的优劣进行评估。实例验证说明,相比于传统手工提取特征的方法,所提方法在压缩信号的特征提取方面表现出明显的优势,进一步说明了SAE特征提取的有效性。

基于深度堆栈自编码网络的江苏省本科教育质量综合评价

针对高等院校教育质量的评估问题,本文选出本科院校数量、招生人数、师资队伍与结构、生师比、专业建设与教学改革、科研投入与产出、双一流学科建设等9个指标,通过建立合理的显性、隐性指标,运用熵权法对地级市划分等级,对等级采取深度堆栈自编码网络方法深入的研究了江苏省高校本科教学质量评估的问题。

柴油机故障的堆栈自编码特征提取与随机森林识别

为了提高柴油机故障的在线识别准确率,提出了堆栈自编码特征提取方法和话语权随机森林的故障类别识别方法。对缸盖罩振动信号为分析对象,提出了样本熵自适应小波阈值去噪方法,有效提高了信号的信噪比。使用堆栈自编码网络提取振动信号的故障特征向量,所提取特征类内聚合度高、类间区分度好。在传统森林算法基础上,根据决策树的预测试准确率为其赋予不同的话语权,从而提出了话语权随机森林算法,并将其应用于柴油机运行故障模式识别。经10组实验验证,传统森林算法的平均识别准确率为90.32%,话语权森林算法的平均识别准确率为99.67%,比传统算法提高了10.35%;另外,话语权森林算法的识别准确率标准差远小于传统随机森林算法。以上数据说明经过改进,随机森林算法的识别准确率和稳定性均得到了提高。

数字化变电站继电保护装置故障智能检测识别方法研究

为了提升变电站的数字化水平、提高故障的识别精度,文中对继电保护装置故障的智能检测算法进行了研究,并设计了一种基于灰色关联分析的堆栈编码器网络(GRA-SAE)。该网络以自动编码器为基本单元,可实现数据的自动化特征提取。通过支持向量机(SVM)对提取的特征进行分类识别,并引入灰色关联分析法优化了传统SAE算法中隐藏节点的结构,从而提升了算法的拟合能力。在自建数据集上进行的仿真结果表明,相较于SAE-SVM算法,该算法对异常数据与线路故障的识别精度分别提升了4%和10.27%,证明了GRA-SAE-SVM算法在复杂分类场景下具有更显著的优势。

使用优化的数据包软件降低网络功耗

似乎每天都有新型可上网器件发布的消息。不管是智能手机、平板电脑、电子阅读器,或者甚至是能连接网络的电冰箱,基础设置性能需求的增加,这些器件被赋予具有直接连网的功能。不管是在用户端还是在数据中心级别,功耗是一个必须处于可控程度的领域,尤其是此需求仍在持续增加。

基于堆栈降噪自动编码模型的动态纹理分类方法

针对以往动态场景分类中需要手动提取动态特征描述符以及特征维数过高的问题,提出利用深度学习网络模型进行动态纹理特征的提取。首先利用慢特征分析法(SFA)预先学习每个视频序列的动态特征,将该特征作为深度学习网络模型的输入数据进行学习,进一步得到信号的高级表示,深度网络模型选用堆栈降噪自动编码模型,最后用SVM分类法对其进行分类。实验证明该方法所提取的特征维数低,并且能够有效地表示动态纹理。

自编码网络在JavaScript恶意代码检测中的应用研究

针对传统机器学习特征提取方法很难发掘JavaScript恶意代码深层次本质特征的问题,提出基于堆栈式稀疏降噪自编码网络(sSDAN)的JavaScript恶意代码检测方法。首先将JavaScript恶意代码进行数值化处理,然后在自编码网络的基础上加入稀疏性限制,同时加入一定概率分布的噪声进行染噪的学习训练,使得自动编码器模型能够获取数据不同层次的特征表达;再经过无监督逐层贪婪的预训练和有监督的微调过程可以得到有效去噪后的更深层次特征;最后利用Softmax函数对特征进行分类。实验结果表明,稀疏降噪自编码分类算法对JavaScript具有较好的分类能力,其准确率高于传统机器学习模型,相比随机森林的方法提高了0.717%,相比支持向量机(SVM)的方法提高了2.237%。

面向虚拟企业的VAN技术研究

虚拟企业信息系统中的安全问题目前缺乏一个整体的解决方案 ,文中提出了虚拟应用网络 (VAN)的概念 ,描述了VAN在客户端的网络堆栈结构及实现 ,以及服务器上实现基于用户、基于应用的应用层路由控制模型。通过对VAN的研究和实施 ,可以为虚拟企业信息系统提供基于用户、基于应用的访问控制 ,为虚拟企业提供一个安全的、统一的、透明的网络平台。

Linux内核的Go语言实现研究

现代操作系统都会通过内核管理和调度各种硬件资源,内核的安全稳定是操作系统的基础。现代成熟的操作系统内核均由诸如C等低级语言进行开发,比如Linux内核。虽然C语言的底层操作能力对内核很有帮助,但是也因此带来许多缺陷和漏洞。用高级语言开发的内核可以规避很多潜在风险,但是可能付出的代价是性能的降低。完整地实现一个内核是一项巨大的工程,因此该文用Go语言实现内核的网络堆栈子系统,以此研究用高级语言实现操作系统内核的可行性,评估用高级语言开发内核的优势和缺点。该文主要实现的网络协议包括Ethernet, ARP,IPv4,ICMP,UDP和TCP,并且会从代码可读性和性能两个角度与C语言开发的网络堆栈子系统进行比较,从而分析Go语言开发操作系统内核的可行性。

基于多级DSN的船舶柴油机故障在线诊断

针对柴油机多工况下燃烧室部件故障难以辨别的问题,基于Z6170ZICZ-1型柴油机的缸盖振动信号,提出了一种多级深度堆栈网络(DSN)故障诊断算法,并进行了在线验证.首先,分析了DSN的构建流程,结合多级诊断的思想,构建了多级DSN故障诊断模型来对多种工况下不同的故障和故障程度进行识别,并且基于准确率完成了DSN算法与经典的极限学习机(ELM)和支持向量机(SVM)算法对比,结果表明:构建多级DSN诊断模型具有更好的分类效果.最后,基于dSPACE平台设计了船舶柴油机燃烧室部件在线故障诊断系统,验证故障诊断算法的可行性和有效性.

基于内容识别的负载均衡

介绍了基于内容识别的请求分配的集群系统的特点 。

基于GLCM和Gabor纹理特征的手势识别算法

针对手势灰度图像的纹理特征富含手势类别信息的特点,提出一种基于融合GLCM(灰度共生矩阵)和Gabor小波变换提取手势图像空、频域纹理特征的手势识别方法。构建手势灰度图像的多方向共生矩阵,并计算多方向共生矩阵的特征参数来提取手势纹理的GLCM特征;通过手势灰度图像的Gabor小波变换来提取手势纹理的Gabor特征;对所提取的两种特征进行归一化处理后串联构建手势纹理特征向量;使用基于稀疏自动编码器和softmax分类器的深度堆栈自编码网络对构建的手势纹理特征向量进行分类识别。实验表明:该方法具有较高的识别率和较好的鲁棒性,对15种手势的平均识别率达到97.4%,能够满足人机交互对手势识别的要求。

融合人耳听觉特性与SAE模型的船舶辐射噪声分类方法

深度学习技术的发展为船舶辐射噪声分类识别提供了一个新的方法。本文从人耳听觉角度出发,提出一种融合人耳听觉特性与堆栈自编码神经网络的船舶辐射噪声分类方法。该方法使用Mel滤波器模拟人耳对噪声信号频率的选择,借助SAE网络逐层自动提取舰船辐射噪声人耳听觉特征量的深度特征,并将该特征用于分类识别。针对实测船舶辐射噪声信号进行试验,结果表明,本文提出的方法具有91.19%的识别正确率。

IPv6技术的中间件、过渡实施和标准化

网络和业务正在趋向于进一步的融合 ,用一个网络完成电信网、计算机网、广电网的各种业务通信 ,一直是人们追求的目标。这种融合一定程度上更加依赖于统一的网络技术平台的建立 ,IPv6技术无疑是代表未来的。广电行业在启动数字电视建设的同时 ,更应该关注IPv6技术的发展。就IPv6技术的中间件、IPv4向IPv6的过渡和实施、IPv6的典型应用、IPv6技术的标准化等方面进行介绍。