高校一站式服务平台的探索——以福建商学院为例

高校信息化建设的成果为高校一站式服务平台的建设奠定了数据和业务基础。结合福建商学院的智慧校园建设进程,探索在智慧校园建设的新一轮发展阶段高校一站式服务平台的建设思路。高校一站式服务平台以学校信息化建设为基础,以各业务系统为支撑,建立贯穿学校、教师和学生的数据收集、流转和服务机制,整合管理服务资源,优化业务流程,为师生用户提供数据共享、业务协同的“一站式”服务。

基于位置的内容中心WiFi网络转发策略研究

利用内容中心网络的网络内缓存功能,构建了一个可靠且耐延迟的CCDTWiFi架构,该架构可以在诸如野外、灾后场景的特殊网络场景中提供网络连接服务.基于CCDTWiFi,提出了一种基于位置的转发策略,根据用户的位置和移动方向做出转发决策.在真实的环境中进行实验,以评估转发策略的性能.实验结果表明,基于位置的转发策略可以实现较短的内容传输时间.

突发模型下的云服务QoS网络质量保障方法

为研究突发事件下网络的服务质量性能保障措施,重点关注高峰期的QoS网络质量,考虑云计算的技术特征和异构网络服务环境,通过对服务交付系统的服务能力优化,减少大量的网络流量对服务器的阻塞,提出一种突发模型下的云服务QoS保障方法.首先研究了云服务突发流量机制,并对限制流量优化模型性能分析.然后,基于网络演算理论与网络服务融合模型的服务速率和负载进行分析,提出限制突发模型的线上教学服务质量的模型,给出了时延上界的定量解析式为流量优化控制措施提供量化依据.最后通过仿真实验分析了服务速率和负载与时延上界的关系,验证了流量限制突发模型的有效性和可靠性.

基于XGBoost和LSTM模型的高校招生网站流量预测研究

为协助高校做好招生宣传工作,提出了基于机器学习的高校招生网站流量预测方法。首先,对网络日志进行预处理,生成不同时隙的数据集;接着,通过XGBoost模型的训练比较,筛选得出最佳实验数据集;然后,鉴于数据的非线性和趋势不一等特点,分别使用参数优化后的XGBoost和LSTM模型进行数据训练,并根据训练误差值计算权重系数;最后,应用XGB-LSTM加权组合预测模型进行数据预测。实验结果表明,该组合模型预测结果的平均误差分别比XGBoost和LSTM模型提高了80.28%和3.42%,具有良好的预测能力。

基于集成迁移学习的铝型材瑕疵识别研究

基于CNN的迁移模型用于铝型材表面瑕疵分类识别研究中,未考虑所提取的瑕疵特征图中冗余信息对分类性能的影响.针对该问题,提出了一种基于集成迁移学习的铝型材瑕疵分类方法,首先基于CNN的传统迁移模型自动获取铝型材瑕疵特征,再利用多尺度膨胀卷积对所提取的铝型材瑕疵特征进行稀疏采样,获取多组差异化的瑕疵特征,通过训练生成一组具有差异化的CNN分类器,并将其集成.实验结果证明,该方法相对于传统基于CNN的迁移模型,在铝型材瑕疵分类上,具有更高的分类准确率,性能更优.

互联网思维与新时代思想政治教育创新发展

随着网络信息技术的开发利用,互联网越来越广泛地渗透到社会各个领域,深刻改变着人们的思想观念与行为习惯,催生出与时代相适应的互联网思维。新时代背景下,思想政治教育应紧跟时代步伐,抓住历史发展机遇,积极迎接各种困难与挑战,充分借鉴和运用“用户至上、大数据挖掘、简约迭代、平台共享、社会化协作”等互联网思维,实现教育的转型重塑和创新发展,不断提高教育的亲和力、吸引力、组织力以及精准度、系统性,增强思想政治教育的时代感和有效性。

轻量级网络安全攻防PaaS平台研究与实现

针对现有网络安全攻防平台成本较高、总体部署效率较低,扩展性较差等问题,提出利用云计算中的容器虚拟化技术来快速构建轻量级网络安全攻防PaaS平台的低成本解决方案。重点探讨了利用开源Docker、Kubernetes、Rancher及相关网络安全攻防组件的平台实现方法,充分利用现有共享的容器镜像资源,实现教学、实践场景的快速部署。在一台常规配置的服务器中实验测试部署一个满足上百用户的攻防环境不超过2 min,表明该平台具有部署效率高、系统资源消耗少、可扩展性强等特点,能够满足日常教学与实践需要,且易于实现,具有较好的应用前景。

基于word2vec的中文图书分类研究

针对高校图书馆中文图书的分类推荐个性化服务问题,结合本科专业课程体系,提出一种基于word2vec的中文文本分类的WV-TF-IDF模型.首先建立文本分类语料库FJCCT,接着利用基于神经网络的word2vec模型和TF-IDF进行文本特征计算,然后使用KNN和GBDT文本分类算法对比WV-TF-IDF和TF-IDF模型的效果.实验结果表明基于WV-TF-IDF模型GBDT文本分类算法的正确率更高.

轻量级大数据实验平台设计与实现

针对现有大数据实验平台成本较高、总体部署效率较低,扩展性较差等问题,提出利用容器虚拟化技术,采用Docker、Kubernetes(K8s)、Rancher、JumpServer等开源组件来快速构建轻量级大数据实验平台的端到端解决方案,阐述了平台使用的相关技术,包括容器编排、容器数据的持久化、访问容器中的图形界面、用户如何访问容器集群提供的服务,并通过简单二次开发实现批量部署大数据实验环境等内容。实验测试表明,该平台具有建设成本较低、部署效率高、可扩展性强等特点,能够满足日常教学与实验需求,具有较好的应用价值和推广意义。

基于HOG特征的学生课堂状态检测研究

提出一种基于HOG特征的学生课堂状态图像检测方法,从课堂监控图像中提取反映课堂教学效果与学生课堂状态的相关信息,为后续行为状态识别提供基础数据。首先,截取包含学生完整课堂状态的图像块,提取其HOG特征;然后,运用Adaboost分类算法训练级联分类器;最后使用图像金字塔技术滑动检测,检出学生听课状态窗口。

基于ABC、XGBoost与迁移学习的入侵检测方法

传统的入侵检测机器学习算法,面对有差异的新旧数据尤其是未知的攻击行为,会出现检测准确率较低、漏检率较高的问题。为此,提出了一种将人工蜂群(ABC)算法、XGBoost模型与迁移学习相结合的ABC-XGBTrl算法。首先通过使用少量有标签的新数据训练初始分类模型,然后将有标签的旧数据中分类正确的部分与少量有标签的新数据合并,用于训练新的迁移分类模型,最终用来检测未使用的新数据。迁移分类模型中的分类算法使用XGBoost,并利用人工蜂群算法优化XGBoost的参数。采用NSL-KDD数据集进行了测试,结果表明,这种方法比现有的一些经典集成学习算法具有更高的检测准确率。

基于聚类分析与迁移学习的入侵检测方法

针对传统机器学习算法在入侵检测实际应用中训练样本和测试样本分布不一致的情况下检测精准性低的问题,提出一种基于聚类分析与迁移学习的入侵检测方法。该方法首先通过基于聚类的层次抽样技术来获取用于迁移分类训练的少量有标记数据,使得迁移分类的数据分布尽可能和所要检测的数据分布相似,然后将基于实例的简单迁移分类模型应用于入侵检测领域。在NSL-KDD数据集的实验结果表明,该方法相较于传统的机器学习算法,有更高的检测精准率。

多路径网络服务能力保障性能的评测方法

针对云服务中多路径网络的情形,分析多路径网络服务模型,提出云服务交付中多路径服务模型的性能分析方法,同时给出相应的时延上界和数据积压上界的计算算法。仿真结果表明,该方法在融合系统中多路径网络服务保障方面都能得到较好的反馈结果,从而能为用户提供更好的网络服务保障。