基于混合处理模型的乱序数据流分布式聚合查询处理技术

为了解决现有的乱序数据流聚合查询处理技术不能在降低查询处理延迟,同时保障聚合查询结果的最终正确性的局限性问题,本研究设计了混合嵌入分布式流处理模块和分布式批处理模块的乱序数据流分布式聚合查询处理技术。该技术一方面基于用户给定的结果质量,限制自适应地优化流处理模块所用的缓冲区大小,从而尽可能降低流处理的查询处理延迟;另一方面基于备份于分布式数据存储系统的历史流数据,并以批处理的方式实现对极其晚到流元组的查询处理,从而保障聚合查询结果的最终正确性。基于真实的乱序数据流数据集对该技术进行测试分析表明:该技术在平均查询处理时延、查询结果精度和系统可扩展性方面,比目前最好的基于缓存的乱序数据流处理技术均具有显著优势。

云计算环境中基于策略的多用户全同态加密方法

全同态加密技术是解决云环境隐私安全问题的有效方法。考虑云环境下用户多样性特征,提出基于策略的多用户全同态加密方案(PB-MUFHE),该方案在全同态加密算法的基础上,通过在密文中设定适当的访问策略以及在密钥中设定属性,从而满足多用户密文的全同态运算以及多用户共享,并支持细粒度的访问控制。安全分析证明PB-MUFHE可以抵制共谋攻击,且在LWE困难度假设随机域模型下是IND-CPA安全的。性能评估表明:PB-MUFHE高效地实现密文数据的全同态运算,并能有效地支持访问控制和多用户共享。

基于混合深度学习的蔗糖原料蔗顶芽杂质探测技术

为有效地解决复杂情况下蔗糖原料蔗顶芽杂质的识别问题,本研究对复杂环境下高密集度的原料蔗顶芽杂质的特征进行分析,将特征金字塔网络(Feature Pyramid Network,FPN)和RoIAlign整合到Faster R-CNN和Cascade R-CNN的架构中,再将多种深度网络算法融入到统一的多层架构的深度网络框架中,创新地设计出一种混合深度学习模型。通过实验验证,在原料蔗顶芽杂质的探测任务中,相较于传统的深度网络模型,本研究提出的混合深度学习模型在性能上有较大的提升。表明本研究提出的混合深度学习模型取得较好的平均精度,其识别性能已经可以达到实际应用水准。

基于深度卷积神经网络技术的棉花顶芽探测技术

建立一种改进深度学习模型,用于农业自动化检测和识别棉花顶芽,以提高棉花劳作工作效率。通过把深度网络模型ResNet-101融入到基于深度学习(Deep Learning,DL)机制的感兴趣区域的目标检测算法Faster RCNN中,得到统一的多结构层次的改进深度学习模型。对比实验验证结果表明,相较于传统Faster RCNN模型,该模型在棉花顶芽探测和识别性能上有较大的提升。本研究提出的改进深度学习模型取得了比较好的平均精度,为棉花顶芽的探测和识别提出新的解决方案,为农业生产智能化提供新的思路。

QJoin:质量驱动的乱序数据流连接处理技术

数据流乱序现象会导致数据流处理结果的丢失,给数据流的分析处理带来了巨大困难。本研究探讨了质量驱动下的乱序数据流连接处理问题,提出一种质量驱动的乱序数据流连接处理技术(QJoin)。QJoin采用缓冲存储技术和对称连接策略,实现并确保对流元组进行即时分析处理,从而降低了流元组处理的平均等待时间。同时,基于质量驱动的理念,根据临近阶段连接处理过程中收集统计的数据,自适应地调整和优化内存缓存区的大小,从而在满足用户结果质量要求的前提下,降低系统内部历史数据的内存缓存量,尽可能保证迟到元组的连接处理完整性。真实数据集上的实验结果表明,与传统的数据流乱序处理技术MP-K-slack相比,QJoin在满足用户结果质量要求的前提下,确保能够即时地分析处理数据流的流元组,显著降低系统的内存开销。

融合原子交换特征信息的代谢路径预测

为获取从任意起始代谢物到目标代谢物的生化相关性较好的代谢路径,提出一种融合原子交换特征信息的基于约束的代谢路径预测算法PVA。结合代谢网络中具有的原子交换特征信息,建立一种基于约束的混合整数线性规划(MILP)代谢路径预测模型,以搜索从任意起始代谢物到目标代谢物并包含特定原子交换信息的代谢路径。实验结果表明,与同类方法相比,PVA能够有效地发现生化相关性更好的代谢路径。

基于机器学习的网络流量分类算法

互联网应用的蓬勃发展产生了种类多样的网络流量。在网络技术不断进化的过程中,新型流量和流量加密技术的出现,使基于端口和基于有效载荷的传统网络流量分类算法的应用受到限制。为了实现对新型网络流量的自动分类,提出了一种基于机器学习的网络流量分类算法。通过选择特征属性和构建决策树模型,能够实现对流量级别的网络数据进行自动分类。使用网络流量分类领域的公开数据集进行训练和测试,并将测试结果与开源的机器学习平台Weka运行结果相比较,实验结果表明:所构建模型性能优良,在流量分类准确度与Weka平台相近甚至更优的前提下,大幅降低了建模时间,提高了网络数据分类的效率。

基于改进的遗传算法的虚拟机部署研究

云计算环境下虚拟机的部署是有关资源管理、服务质量等方面的综合性问题,是一个多目标的NP-hard问题。根据弹性云环境下虚拟机部署的特点,利用遗传算法解决多目标组合优化问题的优点,提出一种基于改进遗传算法的虚拟机部署算法,以减少物理计算机开销、提高资源利用率、满足用户SLA为优化目标,将云计算环境下的资源管理和服务质量需求转化为算法可识别的信息,通过改进遗传算法,使之适应于静态和动态部署的要求。实验结果分析表明,该算法在满足多目标的条件下得到较优的解,为虚拟机到物理节点的映射提供了较好的解决方案。

基于纳什均衡解的无线Mesh网络资源分配算法研究

针对无线Mesh网络因存在大量竞争节点导致网络资源利用率降低的问题,从最大化网络性能为目标,建立一个反映无线Mesh网络节点间竞争资源过程的非合作动态博弈模型,并在此模型基础上提出一种基于纳什均衡解的无线Mesh网络资源分配算法。算法通过求解求解博弈的纳什均衡解来获得各类业务的最优发送概率,使各类业务获得了最优的发送机会。通过优化数据发送行为,减小了节点间竞争的碰撞概率,降低了不必要的退避时间,进而提高了网络资源的利用率。仿真实验结果说明了算法的可行性和有效性。

移动流媒体动态自适应速率选择算法研究

针对移动终端无线端口在接收流媒体数据时速率切换频繁、能量利用效率低问题,提出一个基于能耗感知的动态自适应速率选择算法(EDARS)。算法根据监测到的网络带宽和流媒体编码率信息,自适应调整终端缓存区下限阀值,使缓存空间大小更契合当前带宽和流媒体编码率;通过设置一个动态安全边界和响应延时因子,自适应地选择下一个目标视频块的码率。实验结果表明:该算法能明显地降低码率切换频率,提升能量的利用效率。

无线Mesh骨干网络拓扑优化算法研究

针对无线Mesh骨干网络网关部署及其网络拓扑优化问题,提出一种基于Delaunay图形的无线Mesh骨干网络拓扑优化算法.算法首先根据Delaunay图形的特点,利用网络节点位置信息快速找到网关部署节点;然后依据网络中传输距离与节点度之间的关系对网络拓扑进行链路优化,通过减少传输距离过长、能耗较高的无线链路和限定路由节点上的定向天线数量上限,提高网络传输成功率,解决进行定向天线WMN网络部署后产生的新干扰和能耗浪费问题.仿真实验结果表明,优化后的网络拓扑结构实现了网关数量较少、路由节点至网关节点传输距离较短的优化目标,降低了部署费用和干扰,改善了网络性能.

云环境下支持多用户的保序加密方案

提出一种适用于云环境下多用户场景的保序加密方案(OPESMU)。该方案将多用户问题定位到多对多模型,将原始明文空间随机分割成不同长度的连续区间,通过加密函数对明文进行加密;引入可信的密钥生成中心生成用户密钥和对应的辅助密钥,利用代理重加密机制将加密后的数据进行重加密,得到的重加密密文允许其他用户用自己的私钥去破解。安全性分析和实验结果验证了OPESMU方案的安全性和有效性。

智能手机在LTE网络中的尾能耗节能优化策略研究

智能手机数据传输中的频发性和微量性特征增加了尾能耗的出现次数与占比,降低了传输能耗利用率。为了降低智能手机在LTE网络中的尾能耗,构建基于RRC状态机的LTE传输能耗模型,提出一种基于数据聚合的数据传输节能机制(A-ESTD)。该机制通过对数据传输类型的划分和蜂窝端口RRC状态机的判断,对数据传输做出即时发送或延迟发送的不同策略。同时,综合考虑即时型、心跳型数据出现周期和等待队列中最早deadline时间等因素,在数据传输判断机制上加入概率预测进行机会成本的权衡。仿真实验结果表明:该机制的节能效果优于普通传输机制,节能效率维持在27%左右,实现了节能效率的稳定。

基于自适应最小竞争窗口的EDCA能源优化

通过分析IEEE 802.11 EDCA各优先级竞争窗口对于能源利用率的影响,找出各优先级发送概率和能源利用率的关系。针对最优化最小竞争窗口设置问题,提出一种基于最大化能源利用率求各优先级最优发送概率的算法。在保证每类业务Qo S条件下,首先求出在最大化能源利用率下的最优发送概率,然后根据节点数目和最优发送概率来优化竞争窗口的大小,实现最优最小竞争窗口设置,从而提高能源利用率。仿真结果表明:该算法相对于EDCA在能源利用率方面有较好的表现。

网络生命周期和延迟负载均衡算法的设计

在半汇聚数据收集网络中,越靠近Sink的节点数据转发量越大越容易过早死亡而造成网络分割。如何均衡能耗和数据延迟达到较优的数据收集是NP完全问题。基此将问题公式化为构造一棵路径树问题,并设计了一个近似最优的算法MMLAT。MMLAT算法可以在多项式时间内完成。实验结果表明,MMLAT与现有的算法相比,能够较好的均衡网络生命周期和数据延迟。

基于有限优先权的无线Mesh网络信道分配算法

在现有的无线Mesh网络中,高优先级业务过多地占用信道资源,影响了不同业务之间占用资源的公平性。针对此问题,基于802. 11e EDCA协议,提出一种有限优先权的无线Mesh网络信道分配算法。该算法将信道占用时间比作为调整每个优先级业务优先数的标准,根据网络当前状态和各个优先级业务占用信道资源的情况,通过动态调整低优先级业务的优先权,适当地限制高优先级业务过多地占用信道资源,确保低优先级业务在网络负载较大时也能够占用一定的信道资源。网络仿真实验结果表明,该算法能有效地提高系统吞吐量和资源综合利用率,保证了高、低优先级业务间占用信道资源的公平性。

E^2-QoE:一种支持QoE的LTE网络传输节能方法

对于流媒体数据业务,用户会更多的考虑其体验质量(QoE).由于LTE网络的利用率较低,在长流传输过程中带宽通常得不到充分利用,造成数据下载时间延长,并可能伴随有网络延时、抖动、数据重传的问题.这种不利因素不仅有损QoE,也造成设备不必要的能耗.针对用户QoE的分析,提出一个基于多层框架的QoE分析模型(M-QoE),它由应用层的QoS机制、网络层的QoE机制和主观QoE机制组成,从多个层面量化分析QoE的影响因素.基于M-QoE模型,提出一种基于QoE的LET传输节能方法,该方法综合考虑了QoE和能效的问题,根据用户行为习惯和感知体验来断定是否终止当前的请求链接,以此增加设备的休眠时间,降低设备的耗能.实验结果表明,E^2-QoE方法具有明显的节能效果.

基于卡尔曼滤波的移动MPTCP的路径选择算法

针对异构网络中链路特点的不稳定性,提出了一种基于卡尔曼滤波预测传输延时优化多路径传输控制协议性能的方法。使用卡尔曼滤波预测传输延时,并把评估结果作为MPTCP传输路径选择的依据。模拟结果展示了本提议对传输延时的快速变化取得了好的抑制,并可以快速追踪传输延时的变化,因此提高了MPTCP的吞吐量,减少了包的重排,从而提高了总体效益。

一种基于三段排样圆形毛坯下料算法

为研究板材上的圆形毛坯下料问题,将矩形板材分成两个不对称的直角梯形段和一个平行四边形段,在三个段中分别采用递推算法确定条带的最优组合,从而得到一种排样方式;并利用线性规划模型求解解决圆形毛坯下料的整个方案。实验结果表明:不对称的梯形分割比对称的梯形分割获得更高的材料利用率;采用递推算法比动态规划求解的背包问题算法确定的排样方式少。

面向同源蛋白质探测的一种新型混合深度学习模型

根据蛋白质氨基酸链探测其同源蛋白质,进而预测蛋白质的功能,是生物信息学研究领域的一个重要挑战,也是众多生物医学研究领域的基础研究内容,有着重要的科研价值和广泛的应用需求。其研究难点在于:(1)如何学习对同源蛋白质预测有效、有用的蛋白质特征信息;(2)如何更好地运用蛋白质特征信息,实现同源蛋白质的探测与识别。为了解决同源蛋白质探测与识别研究中的关键难点,本文提出一种基于混合深度学习架构的同源蛋白质探测与识别模型(HDLMPHP)。通过采用统一的“管道式”深度学习架构,将蛋白质特征学习和探测识别统一为一个整体,提高同源蛋白质探测与识别的效能。采用多组并行的深度卷积神经网络,学习蛋白质的各种属性信息,以期获得丰富的待检测蛋白质和靶蛋白质的高级相关性特征,并通过全连接方式使用多层RBM结构融合和精炼这些相关性特征为全局相关性特征。通过统一的深度网络连接方式,以探测和识别任务为导向,学习到对于同源蛋白质预测最有效、最全面的蛋白质特征信息。在标准数据集SCOPe上,对所提模型进行性能与效率评测,结果表明:本文提出的模型能有效地学习到符合任务导向的蛋白质特征数据,提升同源蛋白质探测与识别的准确度和召回率,优于现有的模型和算法。