一、Performance Study on Priority Strategies for WDM Packet Switches under Long-Range Dependent Traffic（论文文献综述）
郭家[1]（2021）在《基于SDN的空间网络流量管控系统的设计与实现》文中研究表明地面互联网技术的迅速发展以及航天任务的复杂性提高,人们的注意力逐渐转移到空间网络中,产生了建立天地一体化网络的强烈需求。空间网络是基于各类空间平台来接收信息、传输和处理空间中信息的网络系统,空间平台包括卫星,无人机等平台。空间网络相对地面有着独特的优势,在许多诸如应急通信、航空航天等方面都有着及其重要的作用,对于国家的战略利益有着重大的意义。相比于地面网络,卫星网络中的节点难以观测且不易控制,同时网络设备极其昂贵,将传统网络架构应用在大规模的卫星网络中导致无法灵活的配置网络。网络流量能够准确地反映一个网络的正常运行和状态,是衡量一个网络正常运行情况的重要指标,随着我国卫星通信网络的用户人群日益扩多,网络流量也呈现出较大的变化和不确定性,更加难以掌控。针对以上的问题,本文提出基于软件定义网络（Software Defined Network,SDN）架构下的空间网络流量管控系统,实现对网络流量信息的分析和采集,以采集的关键信息为依据,完成对空间网络流量的管控。采用流量管控技术则可以大大缓解整个网络的负担,对网络流量进行管理,在网络规划、网络安全、网络调优方面具有深远的意义。首先,本文对空间网络的特点进行介绍和分析,同时对SDN架构在空间网络中的应用进行分析。设计流量信息采集模块可以对网络中的交换机端口的带宽信息进行采集,同时对链路之间的时延信息进行测量,并经过仿真验证了采集信息的准确性。其次,本文对流量管控的相关关键技术进行分析,包括对异常流量的检测,网络流量的预测和流量的调度技术。使用基于熵值和基于流表特征值两种方法检测网络中发生的DDo S（Distributed Denial of Service）攻击;分析网络流量的自相似特性,使用SVR（Support Vector Regression）和深度学习神经网络对流量进行预测;进一步利用实时采集的带宽信息,实现基于链路带宽拥塞程度的流量调度。最后,本文针对该空间网络流量管控系统中的异常流量检测、流量预测、流量调度各个组成部分进行了设计和实现,并且就基于SDN的空间网络流量管控系统应用程序中的功能特点在Mininet仿真环境中也做了测试。仿真结果表明,基于SDN的空间网络流量管控系统能够及时准确的检测到异常流量的发生,能够较为准确的预测流量的未来情况,能够对流量进行调度提高空间网络的吞吐量,对于空间网络流量的管理提供了更多的方法参考,加强对空间网络的流量管理,提升用户的通信质量。
周家鑫[2]（2021）在《基于机器学习的态势感知系统的设计和实现》文中研究表明近年来,我国信息通信技术得到了蓬勃的发展,互联网网络规模增大到前所未有的程度,随之而来的是网络资产和数据时刻面临的安全威胁问题。信息技术和互联网的发展让网络环境变得越来越复杂,开放的网络环境成了黑客滋生的温床,信息系统接入方式的多变性让网络攻击更难被检测,企业和机构网络安全事件层出不穷,网络安全防护的形势日趋严峻。现有的态势感知系统主要基于对态势要素指标的关联规则分析,每条关联规则只能匹配特定的网络攻击,需要手动增加规则以应对动态变化的网络攻击手段,可拓展性和灵活性较弱。基于机器学习的态势感知系统能够建立态势要素和感知结果端到端的映射模式,态势感知准确率高,拓展数据集即可扩充识别的网络攻击类型,而且数据驱动的监督学习方式不需要像传统关联规则分析一样高度依赖于网络安全领域知识,能够降低态势感知系统的开发和维护成本。本文设计一种基于机器学习的态势感知系统,在融合网络安全要素的基础上从宏观角度实时评估和预测网络安全态势,通过直观、全面的态势可视化界面为网络安全管理员的决策分析提供依据。本文提出一种新颖的态势评估方法,通过自注意力机制提取态势要素时序关联信息,然后使用条件随机场计算时序全局最优的态势值序列,有效提高了高危态势等级识别召回率和普通态势等级的识别精准度;态势预测方法针对LSTM模型数据串行处理高耗时的问题,通过消除LSTM门控单元对历史隐藏状态的依赖实现并行计算并使用自定义Cuda核函数减少程序数据移动开销和运行延迟,实验证明态势预测模型能够快速收敛,模型单次训练的耗时相对于LSTM降低25%,相同运行训练耗时情况下具备更好的预测准确率;本文实现的态势感知系统能够实时采集安全设备事件日志、网络传输设备流量连接和设备硬件状态数据,应用态势评估和预测方法对网络安全态势进行感知,系统用户界面以图表的方式直观地展示网络各类运行指标和安全态势评估与预测结果,并且提供了数据查询、筛选和排序等功能。
贾吾财[3]（2021）在《基于TSACN预测的SDN控制平面动态负载均衡研究》文中研究说明SDN（Software Defined Network）是一种新型的网络架构,解耦控制平面与数据平面,实现网络的集中控制,有效解决了传统网络配置复杂、设备管理困难等问题,能更好的实现全局优化。但随着网络规模的不断扩张,单控制器部署有限的处理能力以及易出现单点失效等问题,已成为整个SDN网络的瓶颈。因而多控制器部署已成为必然趋势。但由于网络流量具有时变性和突发性,极易引发控制平面负载不均衡,致使网络整体性能下降和大量网络资源被浪费,因而如何解决SDN控制平面负载不均衡问题已成为研究的热点。在现有解决负载不均衡问题的策略中,静态负载均衡策略由于控制器与交换机的映射关系固定不变难以应对实时变化的网络流量,易产生新的负载不均,不适合真实网络。本文主要针对现有的动态负载均衡策略中无法很好的避免控制器过载,交换机迁移时机选择粗放、难以实现实时智能负载均衡等问题进行深入研究,提出了一种基于负载预测的动态负载均衡策略,利用深度学习进行负载预测,并在此基础上确定合理的交换机迁移时机,再借助深度强化学习模型最终实现实时智能化的动态负载均衡,有效提高了网络性能和资源利用率。主要研究内容如下:首先,从数据驱动的角度出发,本文引入了知识定义网络（Knowledge Definition Network,KDN）的理念,设计了一种新的动态负载均衡架构,该架构可减少控制器间的通信开销,并借助负载预测产生的知识以及具有负载均衡知识的决策模型快速制定出高效的负载均衡策略,最终实现网络管理的自动化、智能化。其次,针对现有的动态负载均衡策略无法很好的避免控制器过载的问题,本文设计了时序自注意力卷积神经网络（Temporal Self Attention Convolutional Network,TSACN）模型实现对控制器负载的预测。该模型在时序卷积网络（Temporal Convolutional Network,TCN）模型的基础上添加了自注意力机制并进行了修改,实现在增加对序列数据内部相关性捕获的基础上,同时维护了模型的可解释性。提高了负载均衡决策所需要知识的质量,以便后续迁移时机的确定和智能负载均衡的实现,进而避免控制器过载的发生。第三,针对交换机迁移时机选择粗放问题,本文设计了触发交换机迁移阈值,即利用获得的控制器预测负载,判断出在未来W时间窗口内是否存在过载控制器并且控制器过载次数是否超过触发交换机迁移阈值,据此确定合适的交换机迁移时机,因而在实现对交换机迁移代价以及收益权衡的基础上有效避免了控制器过载的发生。第四,针对难以实现实时智能负载均衡问题,本文利用深度强化学习善于处理高度时变环境的特点,将改进后的A3C算法作为交换机迁移算法,将TSACN预测产生的知识和网络状态信息作为输入,综合优化目标作为奖励函数,再利用与环境的不断交互生成对应网络状态下的最佳负载均衡策略,最终实现实时智能的动态负载均衡。此外,对原本A3C算法中的优势函数以及动作空间探索进行改进,进一步加快收敛速度和提高解的质量。最后,利用Mininet和Ryu搭建本文的实验仿真环境,首先对TSACN模型的预测性能进行验证,实验结果表明该模型在平均绝对百分比误差（MAPE）上与TCN、LSTM、GRU模型相比分别减少了1.85%,3.04%,3.40%。其次通过对交换机迁移时机进行分析,有效证明了TSACN-LBA算法能在权衡交换机迁移收益与代价的基础上有效避免控制器过载的发生。最后将本文提出的TSACN-LBA算法与NMD、DALB、Q-Learning算法进行对比,实验结果表明TSACN-LBA在系统吞吐量上分别提升了21.89%、16.64%、5.98%,在平均响应时延上分别降低了25.40%、20.36%、5.17%,在资源利用率方差上分别减少了0.0123、0.01、0.0026,证明了本文算法的有效性。
张梓强[4]（2021）在《基于ONOS的SDN网络QoS优化设计与实现》文中认为随着网络技术的高速发展,网络规模的扩大和应用数量的增加,使得用户对网络的服务质量保障提出了新的要求,亟需高效的路由算法对业务流的服务质量（Quality Of Service,QoS）需求进行保障。但是传统网络架构复杂,难以获取全局视图,限制了路由算法的设计和部署,无法提供理想的QoS保障。而软件定义网络（Software Defined Network,SDN）架构的提出,解耦了控制平面和数据平面,为QoS路由带来了新的思路。基于SDN架构,可以根据QoS策略在控制平面实现对应的路由算法,并通过Open Flow协议在数据平面安装对应流表。同时,机器学习算法的普及,也为SDN网络中的QoS路由优化带来了新的研究方向。本文选取ONOS（Open Network Operating System,开放网络操作系统）控制器作为研究工具,结合机器学习算法,研究为SDN网络中的业务流提供服务质量保障的路由方案。主要工作包括以下三部分:第一,设计了基于效用值和流量预测的QoS路由方案。该路由方案通过为不同类型的业务设计不同的效用函数,将路径对业务QoS的满足程度量化为效用值,并基于该效用值进行路径计算,从而保障不同类型业务的QoS需求。同时,该路由方案可以基于长短期记忆（Long Short-Term Memory,LSTM）神经网络对链路流量进行预测,并且能够根据流量预测的结果进行链路拥塞风险判断和预防。第二,设计了基于强化学习的QoS路由方案。该路由基于深度确定性策略梯度（Deep Deterministic Policy Gradient,DDPG）算法,能够根据定制的QoS优化策略和从SDN网络中获取到的网络状态自发性地进行学习,并根据所学习到的知识生成路由策略,从而最大化网络综合效用。第三,在ONOS控制器中对基于效用值和流量预测的QoS路由和基于强化学习的QoS路由进行了实现,并基于Mininet搭建SDN网络仿真平台对QoS路由的功能和性能进行了测试。测试结果表明,基于效用值和流量预测的QoS路由能够有效控制网络拥塞,较好地保障不同业务的QoS需求;基于强化学习的QoS路由具有良好的收敛性,能够有效降低业务的端到端时延和丢包率。
崔文杰[5]（2021）在《基于循环神经网络的恶意软件行为检测技术研究》文中认为随着网络和信息技术的发展,恶意软件的攻击造成了安全问题的持续增长,成为了网络安全的重大隐患。恶意软件利用反跟踪,加壳或者变形技术,使其自身可以长时间进行存活,并且不易被检测和发现,所以恶意软件攻击往往呈指数级增长。许多计算机用户,公司和政府都受到了极大的影响,恶意软件检测仍然是热门的研究主题。其中,如何精准且快速地检测恶意软件一直受到较大的关注。本文提出了一种使用卷积神经网络（CNN）和循环神经网络（RNN）相结合的神经网络模型,对恶意软件进行检测和分类。恶意软件可以采用变形技术进行动态的代码改变,生成不同的恶意软件变体,所以很难检测和分类。但是恶意软件变体在每个阶段都有一个不变的特征,那就是需要使用操作系统提供的一些API服务来实现它们的有害行为。本文正是利用了这一点,采用API函数调用序列作为神经网络模型学习的特征,对恶意软件进行检测和分类。通过分析应用程序对系统进行的API调用可以判别该软件的行为是否是有害的,而且深度学习模型还可以对API函数的调用顺序进行深入挖掘,进一步来确定其是否为恶意软件。循环神经网络的变体LSTM模型具有门控单元,输出不仅和当前的输入有关,还和上一个序列的输出有关,处理复杂序列问题具有很大的优势。所以本文针对windows应用程序对API函数的调用,分析了Ember数据集中提取的五大恶意家族Ramnit、Lethic、Sality、Emotet和Ursnif的API函数序列调用可能引起的恶意行为,以循环神经网络的变体长短期记忆网络为主,并结合了卷积神经网络,加入了词嵌入框架word2vec,构建了一种CNN+LSTM的神经网络模型,对恶意软件进行检测和分类。本文将基于embedding的LSTM模型,基于embedding的CNN+LSTM模型,基于word2vec的LSTM模型和基于word2vec的CNN+LSTM模型四种方法进行实验和对比,结果表明,基于word2vec的CNN+LSTM模型可以有效检测和分类恶意软件,并且准确率提高到98%。
陈頔[6]（2020）在《异构移动物联网的融合与安全通信研究》文中认为随着移动通信技术的不断演化,第五代移动网络（5th Generation Mobile Networks,5G）已经正式商用。这为物联网带来了广覆盖、大连接和低时延的网络接入服务,万物互联的时代已经到来。面对异构的网络接入技术,移动物联网数据呈现出海量性、异构性和动态性等特点。消息服务系统需要支持大规模消息的接入和管理,提供高效可靠的信令控制能力和调度能力。此外,物联网边缘设备计算能力和存储能力有限,异构移动物联网系统间的融合通信变得越来越困难,信息安全问题也更加突出。传统的入侵检测系统（Intrusion Detection System,IDS）缺少动态学习和更新能力,模型训练代价较大,无法有效检测异构的和未知的异常,存在冷启动的问题。针对移动物联网的异构融合组网、异构消息服务、异构数据特征融合和识别、异构网络安全防护及其升级等融合和安全通信的关键问题。本文主要开展了以下研究工作:受生物器官移植免疫技术的启发,提出利用免疫耐受诱导抗排斥反应的机制,解决异构移动通信系统之间的融合问题。以移植免疫为技术机理,构建基于免疫耐受机制的5G非独立组网（Non-Standalone,NSA）融合架构。利用深度学习模型来识别供体协议类型,并对供体信令进行基于“异或”操作的解码,以及基于基因位域的再次编码。仿真结果表明,本方案可以有效识别供体信令,提高异构信令的亲和力和编解码效率,实现免疫耐受机制和算法的互补。为提高移动通信网络中消息的调度和分发能力,提出将人工免疫理论应用于移动通信系统的消息服务。利用模拟免疫应答机制,提出基于半分布式免疫动态自适应网络架构,构建检测器动态学习机制和免疫记忆机制。提出免疫消息分发系统的概念,利用克隆选择算法对消息头进行分类克隆,结合肯定选择算法,对消息体进行高频变异。在保证抗体多样性的前提下,解决哈希映射算法的空间消耗问题。仿真结果表明,消息识别能力和消息分发能力得到提升。针对物联网安全防护设备的计算资源有限的问题,以及升级更新的困难,以5G窄带物联网（Narrowband IoT,NB-IoT）为技术应用背景,提出一种基于免疫动态自适应机制的窄带物联网IDS架构,解决窄带物联网各网元异常特征库协同更新问题。设计基于免疫的增量数据提取方法,进而提出基于增量数据的模型权重更新训练方法。为降低边缘设备计算资源,构建基于简单结构的多层感知器,长短时记忆和卷积神经网络的IDS模型,并验证其静态检测效率。在多个场景中评估不同模型的增量学习性能,讨论不同模型在窄带物联网的适配性。仿真结果表明,所提方案可以满足窄带物联网小数据包和大接入量的需求,训练指标变化更加平稳。弥补静态模型无法自适应更新的局限性,降低数据完整性被破坏的风险,缩短模型更新周期,节省计算资源和存储资源。面对异构移动物联网入侵检测面临的数据识别和融合的挑战,提出一种基于词嵌入深度迁移学习的IDS。利用一种简单的域对齐方式,以保持源域张量和目标域张量的一致性,完成样本迁移。利用异构网络间的特征相关性,使用词嵌入将物理网络的数理逻辑特征映射为特征空间向量,完成特征迁移。利用不同的深度学习算法,完成模型迁移。并在多个异构数据集和多个场景中验证所提方案的有效性。仿真结果表明,本方案可以完成异构物联网IDS邻域数据的特征提取,节省异构物联网IDS模型的数据预处理时间和训练时间,解决异构物联网IDS的冷启动问题。
孔江涛[7]（2019）在《面向目标体系分析的知识推理与复杂网络节点评估技术研究》文中提出现代战争的对抗,表现为作战力量及资源之间的系统较量。如何选择目标进行打击以达到有效击伤或瘫痪敌方体系是指挥决策的关键,因此使用体系思维进行目标分析事关军事行动成败。本文开展目标体系分析相关的理论和方法研究具有重要意义。传统的目标体系分析大多是基于建好的目标体系进行关键目标和部位的分析。但是现代战争对抗激烈,目标体系内部关系复杂且动态变化,同时受到战场“迷雾”影响,如何快速、高效、准确的构建出对方的目标体系和进行目标体系分析变得更具挑战性。为此,本文提出了支持动态迭代执行的目标体系分析方法流程,涉及使用基于图的知识表达方法对目标体系构建知识形式化描述,使用缺省推理方法自动构建目标体系结构关系模型（target architecture relationship model,TARM）,和基于TARM转化建立的目标体系复杂网络动力学模型进行目标体系关键节点分析。本文的主要工作和创新点如下:（1）提出基于图规则的灵活同态和高效的灵活同态搜索算法。使用基于图的知识表达方法对目标体系进行描述时,难以建立统一的概念关系偏序结构,为此,本文对传统的图同态进行改进,提出基于多概念关系偏序结构的灵活同态推理,提升规则使用灵活性。灵活同态搜索是使用图规则的基本操作,其为典型的NP难问题,为提高图规则使用效率,本文研究了三种技术,分别是通过强化学习优化规则前件节点的匹配顺序、使用节点统计数据优化概念关系备选节点比较序列、以及使用节点标签过滤灵活同态备选节点,它们组合形成了一种高效的同态混合搜索算法。灵活同态和同态混合搜索算法共同为TARM的快速推理构建奠定了知识表达基础。（2）提出基于层次结构优先序的缺省推理方法。战场不透明导致推理出的TARM具有多种可能,同时随着战争的推进,TARM也会发生变化,所以TARM的构建具有非单调性。本文对传统的缺省推理进行改进,提出了一种新的基于层次结构优先序的随机缺省推理方法。该方法建立了缺省规则图结构优先序,避免了基于严格全序的传统缺省推理导致的缺失部分可能TARM的问题。在进行推理时,该方法在缺省规则图结构优先序约束下,依概率随机选择缺省规则序贯推理,具有良好的并行性。面对多个可能的合理扩展,新方法在这些扩展间建立了基于期望准确率、期望精确度和期望召回率的优先序,用于确定稳健的缺省理论语义,使推理构建TARM的失败决策代价最小。（3）提出基于深度递归神经网络（recurrent neural network,RNN）的缺省推理方法。使用基于层次结构优先序的随机缺省推理方法得出所有可能TARM的计算复杂度高,为此,本文在我其上融入了RNN模型,提出使用RNN指导缺省规则的选择使用,以提高推理效率和针对性。通过对TARM的推理历史数据进行分类,建立相应的训练数据集用以训练RNN,训练好的RNN在图规则优先序的约束下为随机推理推荐使用规则,减少了无效规则使用次数,提高了推理生成合理扩展的效率。相比于基于层次结构优先序的缺省推理,融入RNN的缺省推理更具有针对性,能够更加高效地产生符合需求的TARM。同时,针对RNN训练数据生成计算复杂的问题,本文提出了训练数据简化处理方法,有效提高了训练数据准备的处理效率。（4）提出基于复杂网络动力学模型的节点评估方法。传统的基于复杂网络的节点分析方法大多是基于拓扑结构信息评估节点的重要性,忽略了节点自身特性。针对目标体系中各节点内在特性区别明显的实际特征,本文提出了基于复杂网络动力学模型的节点评估方法,具体包括扰动测试和破坏测试两种评估方式,通过动力学仿真实现了针对节点自身功能被破坏可恢复和被破坏不可恢复两种情况下的节点重要性评估,其中动力学模型是基于TARM转化建立出的。扰动测试和破坏测试包含了网络拓扑结构信息和节点自身特性,揭示了目标体系结构运行机理,所以基于复杂网络动力学模型的节点评估方法能更加全面地反映目标体系中不同节点的重要性。基于以上研究,本文设计并实现了目标体系辅助分析原型系统,在原型系统中实现了基于虚拟机（virtual machine,VM）的并行缺省推理框架,有效提高了TARM的推理构建效率。设计出了基于缺省规则结论的节点编码方式,有效降低了扩展准确率、精确度和召回率的计算复杂度。采用了基于HTML的图形化显示,使原型系统的人机交互更加友好。最后,基于典型目标体系分析案例,实验结果表明论文提出的方法合理、有效。
肖凯[8]（2019）在《大容量接入网多业务承载及性能研究》文中提出随着当前接入网家庭网络业务中数据流量的快速增长,对于有限的网络资源,往往因为应用相互抢占资源而达不到实际承载效果。及时准确对网络中业务进行区分承载对于提升网络性能和保障业务服务质量等具有重要意义,家庭多业务承载已成为整个业务承载网络中的关键一环。家庭网络中无线接入的业务流量具有数据量大、加密和数据包长度分布不均等特点,业务承载系统需要实时对其快速分类并进行流量控制。传统的业务承载设计主要根据设备MAC地址限定设备产生的流量,来提高承载性能。而通过对移动终端应用流量进行识别,业务承载系统能对具体业务类型的应用进行流量控制,不在局限于控制某个设备的流量,带宽控制下沉到应用侧。为保证数据流大的业务出现后获得更好的业务承载性能,本文分析了移动应用流量的时间特征和空间特征,基于树莓派搭建实验平台,建立了基于卷积神经网络（Convolutional Neural Network,CNN）和长短期记忆（Long Short-Term Memory,LSTM）网络的业务承载系统（Service Carrying System,SCS）。研究了移动终端应用在业务承载系统中的承载性能,具体研究工作及贡献包括:1.研究了网络数据流的空间特征,基于CNN基本原理设计并构建了在树莓派平台上的CNN业务承载系统。通过该系统建立了CNN网络分类模型和实时流量控制模型,并设计了适用于CNN网络分类模型的训练数据集,同时分析了网络流长度、CNN网络模型参数对分类结果的影响及业务承载系统对实时流量的控制;2.研究了网络数据流的时间特征,利用LSTM处理时间序列的原理,在树莓派上搭建了基于LSTM网络的业务承载系统。通过此系统建立了LSTM网络和数据流控制模型,设计了原始数据转成训练集的方法,同时分析了网络流序列的长度、序列元素的长度、LSTM模型参数对分类结果的影响及业务承载系统对数据流的控制。
李书坤[9]（2018）在《MEO/LEO跨层路由与负载均衡算法研究》文中进行了进一步梳理在卫星网络系统中,由于地球表面卫星用户的不均衡分布,不同地区的卫星负载可能会有很大的不同,这将导致部分卫星的网络强度较高,部分卫星可能相当闲置,进而造成卫星系统资源的浪费,甚至可能无法满足网络QoS服务要求。针对上述问题,很多国内外研究人员尝试使用多层卫星网络系统进行数据协作传输和负载均衡,然而这些方案大多基于SOS（Satellite Over Satellite）多层卫星网络架构,将低层卫星的链路负载直接通过其管理者转移至高层卫星,这将进一步导致高层卫星管理者发生网络拥塞,进而导致高层卫星网络负载不均衡,并没有从根本上解决问题。本文针对MEO/LEO两层卫星网络架构,提出一种优化的网络拓扑结构,从优化卫星网络模型的角度来提高卫星系统的利用率。此外,本文提出了一种针对优化网络拓扑的路由算法和负载均衡OTLB（Optimized Topology based Load Balancing）算法,针对LEO层和MEO层分别提出相应的网络负载均衡和拥塞控制机制,从而保证QoS网络服务。本文的主要贡献如下:·本文构建了一种基于MEO/LEO的优化网络拓扑结构,赋予MEO层卫星两种角色:MEO管理者和中继MEO卫星。一方面,MEO层卫星作为一组LEO卫星管理者,负责该组LEO层的链路状态报告的收集和路由计算,另一方面,在该拓扑结构中为每一个LEO卫星择优选择一个中继MEO卫星节点,用以进行数据协作传输和网络负载均衡。·本文提出了中继MEO卫星的选择模式,根据两层卫星节点的链路状态报告和MEO与LEO卫星节点之间的相对位置关系,为每一个LEO卫星节点择优选择一个中继MEO卫星。在实现该方案的过程中,本文在LEO层和MEO层卫星的设计中添加相应的数据结构,以便进行网络拓扑信息存储,进而实现本文的网络路由方案。·本文提出了针对当前优化网络模型的路由方案。该路由方案包括路由计算、拓扑控制、卫星节点失效三个方面。本文提出了针对优化网络模型的跨层路由算法,同时针对中继MEO卫星提出相应的拓扑控制和卫星节点失效处理策略。·本文提出了OTLB负载均衡算法,包括基于中继MEO卫星的OTLB算法,和基于中继MEO卫星与MEO管理者的OTLB算法。上述两种算法均可以实现LEO层和MEO层的负载均衡。本文针对链路负载提出相应的阈值判断标准,并在不同的链路负载状况下使用不同的数据转发逻辑,从而实现LEO层和MEO层的网络负载均衡。本文扩展了NS2的相应lib库,在此基础上实现了基于MEO/LEO跨层路由和负载均衡算法,并进行相应的对比实验。实验结果表明,本文提出的路由协议和负载均衡机制具有较好的性能,可以提供QoS网络服务。
李楠[10]（2014）在《基于OPNET的低轨卫星网络路由仿真研究》文中研究说明LEO（Low Earth Orbit,低地球轨道）卫星系统能够实现真正意义的全球覆盖和组网,它具有抗毁性强,时延短,容量大的特点,在通信领域的应用前景广阔。卫星路由设计是LEO网络面临的技术挑战之一,建立实际系统对卫星网络技术进行研究论证投资巨大且不现实,通过仿真进行评估是一种经济有效的手段。本文首先介绍了研究的背景,并对国内外的研究现状进行了分析。论证了LEO卫星网络的优越性;分类总结了已有的卫星路由算法,并指出其研究趋势。同时还研究了卫星网络体系结构,从理论上分析了卫星的运动、覆盖及链路特性,从不同角度讨论了卫星星座特点。在此基础上,研究了OPNET软件的建模技术,重点研究了仿真流程及OPNET Modeler的仿真机制和建模方法。针对卫星网络负载不均衡的特点,分析了多路径路由和各分组调度算法的服务质量;提出了一种适用于卫星网络的多服务拥塞控制路由算法。将调度策略与备选路径策略相结合,采用服务区分的方法,先保证实时业务带宽请求,再让各非实时业务相对公平地竞争剩余资源,并在拥塞时将部分低优先级业务引流至空闲路径传输。最后,在OPNET中建立卫星网络仿真平台,验证算法。仿真结果表明,新的路由策略既保证了实时业务的时延、带宽指标,又保证了非实时业务资源竞争的相对公平性,解决了低优先级业务“饿死”问题。拥塞时,采用备选路径策略,将非实时业务分流至空闲节点,既保证了实时业务传输的及时性,又降低了非实时业务的丢包率,有效利用了网络资源。
二、Performance Study on Priority Strategies for WDM Packet Switches under Long-Range Dependent Traffic（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、Performance Study on Priority Strategies for WDM Packet Switches under Long-Range Dependent Traffic（论文提纲范文）
（1）基于SDN的空间网络流量管控系统的设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于 SDN 的空间网络研究现状 |
| 1.2.2 流量管控技术研究现状 |
| 1.2.3 研究现状总结 |
| 1.3 主要研究内容和结构安排 |
| 第2章 卫星网络及SDN相关研究 |
| 2.1 引言 |
| 2.2 卫星网络 |
| 2.2.1 卫星网络相关介绍 |
| 2.2.2 卫星网络特点及分析 |
| 2.3 软件定义网络(SDN) |
| 2.3.1 SDN网络简介 |
| 2.3.2 OpenFlow |
| 2.3.3 SDN控制器介绍 |
| 2.4 SDN架构在空间网络中的优势 |
| 2.5 本章小结 |
| 第3章 网络架构和流量信息采集研究 |
| 3.1 引言 |
| 3.2 基于SDN的空间网络架构 |
| 3.2.1 星座搭建及仿真 |
| 3.2.2 基于SDN的多层卫星星座网络架构 |
| 3.3 基于SDN的流量信息采集模块的设计与实现 |
| 3.3.1 链路带宽采集模块设计与实现 |
| 3.3.2 网络时延采集模块设计与实现 |
| 3.4 信息监测与采集功能测试 |
| 3.5 本章小结 |
| 第4章 网络中流量管控相关技术研究 |
| 4.1 引言 |
| 4.2 多角度网络流量管控 |
| 4.3 异常流量检测研究 |
| 4.3.1 基于熵值的异常检测算法分析 |
| 4.3.2 基于流表特征的异常流量检测 |
| 4.4 网络流量预测研究 |
| 4.4.1 流量自相似特性分析 |
| 4.4.2 基于SVR的网络流量预测算法 |
| 4.4.3 基于LSTM和 GRU的网络流量预测 |
| 4.5 网络流量调度研究 |
| 4.5.1 传统最短路径方式 |
| 4.5.2 基于链路拥塞避免的SDN流量调度 |
| 4.6 本章小结 |
| 第5章 系统实现及性能分析 |
| 5.1 引言 |
| 5.2 基于SDN的空间网络流量管控系统整体架构 |
| 5.3 SDN空间网络管控系统实现及测试 |
| 5.3.1 异常流量检测模块 |
| 5.3.2 网络流量预测模块 |
| 5.3.3 网络流量调度模块 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（2）基于机器学习的态势感知系统的设计和实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.2.1 态势要素提取技术 |
| 1.2.2 态势评估技术 |
| 1.2.3 态势预测技术 |
| 1.2.4 态势感知解决方案 |
| 1.3 本文主要工作 |
| 1.4 章节结构安排 |
| 第二章 相关概念和技术 |
| 2.1 态势感知相关概念 |
| 2.2 神经网络模型与技术 |
| 2.2.1 RNN及其梯度消失问题 |
| 2.2.2 LSTM和GRU |
| 2.2.3 注意力机制 |
| 2.3 条件随机场 |
| 2.3.1 CRF的数学定义 |
| 2.3.2 CRF的参数化表示 |
| 2.3.3 CRF的向量化表示 |
| 2.4 Web开发技术 |
| 2.5 本章总结 |
| 第三章 基于Self-attention+CRF的态势评估方法 |
| 3.1 态势评估流程 |
| 3.2 态势评估指标体系 |
| 3.2.1 态势要素指标选取 |
| 3.2.2 态势要素指标量化 |
| 3.2.3 态势等级划分与量化 |
| 3.3 基于self-attention+CRF的态势评估模型 |
| 3.3.1 态势评估模型网络结构 |
| 3.3.2 态势要素自注意力特征编码 |
| 3.3.3 态势等级概率分布计算 |
| 3.3.4 态势等级评估与量化 |
| 3.4 实验仿真与结果分析 |
| 3.4.1 开发环境 |
| 3.4.2 DARPA2000数据集 |
| 3.4.3 数据集预处理 |
| 3.4.4 模型超参数设置 |
| 3.4.5 仿真结果与分析 |
| 3.5 本章总结 |
| 第四章 基于LimAdam-PRU的态势预测方法 |
| 4.1 态势预测方法流程 |
| 4.2 基于PRU的态势预测模型 |
| 4.2.1 模型网络结构 |
| 4.2.2 PRU并行循环单元 |
| 4.2.3 CUDA核函数加速算法 |
| 4.3 LimAdam优化器算法 |
| 4.3.1 SGD和Adam优化器的问题 |
| 4.3.2 改进的LimAdam优化器算法 |
| 4.4 仿真结果与分析 |
| 4.4.1 样本构造方法 |
| 4.4.2 模型超参数设置 |
| 4.4.3 仿真结果与分析 |
| 4.5 本章总结 |
| 第五章 态势感知系统的需求分析与总体设计 |
| 5.1 系统设计原则 |
| 5.2 功能性需求分析 |
| 5.2.1 系统功能需求分析 |
| 5.2.2 态势可视化功能点 |
| 5.3 系统总体设计 |
| 5.3.1 系统总体结构 |
| 5.3.2 系统模块功能架构 |
| 5.4 本章总结 |
| 第六章 态势感知系统的实现 |
| 6.1 数据采集模块 |
| 6.1.1 Syslog告警日志采集器 |
| 6.1.2 NetFlow网络流量采集器 |
| 6.1.3 设备硬件状态采集器 |
| 6.2 态势评估模块 |
| 6.3 态势预测模块 |
| 6.4 态势可视化模块 |
| 6.4.1 Web开发环境 |
| 6.4.2 态势可视化模块实现 |
| 6.4.3 态势可视化界面 |
| 6.5 本章总结 |
| 第七章 总结与展望 |
| 7.1 工作总结 |
| 7.2 改进方向展望 |
| 参考文献 |
| 致谢 |
（3）基于TSACN预测的SDN控制平面动态负载均衡研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 静态负载均衡策略 |
| 1.2.2 动态负载均衡策略 |
| 1.3 本文的主要研究内容 |
| 1.4 论文章节安排 |
| 第2章 相关理论与技术 |
| 2.1 SDN简介 |
| 2.1.1 SDN架构 |
| 2.1.2 Open Flow协议 |
| 2.1.3 知识定义网络架构 |
| 2.2 控制平面负载均衡技术 |
| 2.2.1 多控制器的体系架构 |
| 2.2.2 控制器管理角色 |
| 2.2.3 交换机迁移常用的算法 |
| 2.3 深度学习简介 |
| 2.3.1 深度神经网络 |
| 2.3.2 卷积神经网络 |
| 2.3.3 循环神经网络 |
| 2.4 深度强化学习 |
| 2.4.1 深度强化学习概述 |
| 2.4.2 深度Q网络 |
| 2.4.3 异步优势行动者评论家算法 |
| 2.5 本章小结 |
| 第3章 基于TSACN预测的SDN控制平面动态负载均衡 |
| 3.1 基于TSACN预测的SDN控制平面负载均衡架构 |
| 3.1.1 动态负载均衡架构 |
| 3.1.2 动态负载均衡流程 |
| 3.2 基于TSACN的负载预测 |
| 3.2.1 概述 |
| 3.2.2 问题描述 |
| 3.2.3 时序自注意力卷积神经网络模型 |
| 3.2.4 TSACN模型训练过程 |
| 3.2.5 控制器的负载预测算法 |
| 3.2.6 触发交换机迁移的时机 |
| 3.3 基于深度强化学习的交换机动态迁移 |
| 3.3.1 概述 |
| 3.3.2 问题描述 |
| 3.3.3 网络模型以及优化目标 |
| 3.3.4 基于A3C的交换机迁移算法架构 |
| 3.3.5 基于A3C的交换机迁移算法 |
| 3.3.6 基于TSACN预测的动态负载均衡算法整体设计 |
| 3.4 本章小结 |
| 第4章 实验和结果分析 |
| 4.1 仿真实验环境 |
| 4.1.1 仿真环境准备 |
| 4.1.2 仿真实验拓扑搭建 |
| 4.2 实验结果与性能分析 |
| 4.2.1 控制器负载预测分析 |
| 4.2.2 控制平面负载均衡性能分析 |
| 4.3 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（4）基于ONOS的SDN网络QoS优化设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究内容 |
| 1.3 论文结构安排 |
| 第二章 SDN网络QoS优化相关技术研究 |
| 2.1 SDN概述 |
| 2.1.1 SDN架构 |
| 2.1.2 南向网络协议 |
| 2.2 ONOS控制器 |
| 2.2.1 ONOS主体架构 |
| 2.2.2 ONOS系统组件 |
| 2.3 QoS概述 |
| 2.3.1 QoS指标 |
| 2.3.2 QoS服务模型 |
| 2.4 SDN中的QoS优化技术 |
| 2.5 本章小结 |
| 第三章 基于效用值和流量预测的QoS路由设计与实现 |
| 3.1 基于效用值和流量预测的QoS路由框架 |
| 3.2 基于效用值的路径度量 |
| 3.2.1 业务分类 |
| 3.2.2 效用函数设计 |
| 3.3 基于流量预测的拥塞控制 |
| 3.3.1 网络流量预测问题分析 |
| 3.3.2 LSTM神经网络介绍 |
| 3.3.3 针对流量预测的LSTM模型设置 |
| 3.3.4 链路拥塞风险判断与预防 |
| 3.4 基于效用值和流量预测的QoS路由实现 |
| 3.4.1 性能监测模块 |
| 3.4.2 流量预测模块 |
| 3.4.3 路由管理模块 |
| 3.4.4 队列配置模块 |
| 3.5 本章小结 |
| 第四章 基于强化学习的QoS路由设计与实现 |
| 4.1 基于强化学习的QoS路由框架 |
| 4.1.1 强化学习基本原理 |
| 4.1.2 QoS路由框架 |
| 4.2 基于深度强化学习的路由优化算法设计 |
| 4.2.1 DDPG算法原理 |
| 4.2.2 路由优化算法设计 |
| 4.3 基于强化学习的QoS路由实现 |
| 4.3.1 状态感知模块 |
| 4.3.2 路由管理模块 |
| 4.3.3 智能学习模块 |
| 4.4 本章小结 |
| 第五章 基于ONOS的 QoS路由仿真测试 |
| 5.1 实验平台设计与搭建 |
| 5.1.1 Mininet介绍 |
| 5.1.2 模拟网络流量 |
| 5.1.3 实验平台搭建 |
| 5.2 基于效用值和流量预测的QoS路由功能与性能测试 |
| 5.2.1 基于效用值的路由规划功能测试 |
| 5.2.2 流量预测与拥塞控制功能测试 |
| 5.2.3 基于效用值和流量预测的QoS路由性能测试 |
| 5.3 基于强化学习的QoS路由性能测试 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（5）基于循环神经网络的恶意软件行为检测技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 恶意代码检测技术 |
| 1.2.2 恶意代码生存技术 |
| 1.3 论文的研究内容和组织结构 |
| 第2章人工智能的相关技术研究 |
| 2.1 人工智能 |
| 2.2 机器学习 |
| 2.3 深度学习 |
| 2.4 卷积神经网络 |
| 2.4.1 卷积神经网络的原理解析 |
| 2.4.2 常见的卷积神经网络 |
| 2.5 循环神经网络 |
| 2.6 循环神经网络的变体——长短期记忆网络(LSTM) |
| 2.7 词向量框架-word2vec |
| 2.7.1 CBOW模型 |
| 2.7.2 Skip-gram模型 |
| 2.7.3 降采样 |
| 2.7.4 层次softmax |
| 2.8 神经网络模型的优化 |
| 2.8.1 激活函数 |
| 2.8.2 损失函数 |
| 2.8.3 学习率 |
| 2.8.4 丢弃率(Dropout) |
| 2.8.5 k折交叉验证 |
| 2.9 本章小结 |
| 第3章 恶意软件的API函数调用关系分析 |
| 3.1 windows API机制 |
| 3.2 API函数的恶意行为分类 |
| 3.3 Ember数据集 |
| 3.3.1 Ramnit家族 |
| 3.3.2 Lethic家族 |
| 3.3.3 Sality家族 |
| 3.3.4 Emotet家族 |
| 3.3.5 Ursnif家族 |
| 3.4 本章小结 |
| 第4章 基于embedding的CNN+LSTM模型 |
| 4.1 embedding+LSTM神经网络模型 |
| 4.1.1 embedding-词嵌入层 |
| 4.1.2 长短期记忆神经网络(LSTM)层 |
| 4.1.3 输出层 |
| 4.2 embedding+CNN+LSTM神经网络模型 |
| 4.2.1 卷积层 |
| 4.2.2 池化层 |
| 4.3 模型的编译和训练 |
| 4.3.1 模型的编译 |
| 4.3.2 模型的训练 |
| 4.4 本章小结 |
| 第5章 基于word2vec的CNN+LSTM模型 |
| 5.1 word2vec词向量 |
| 5.1.1 文本预处理 |
| 5.1.2 Word2vec生成词向量 |
| 5.2 本章小结 |
| 第6章 实验验证及性能分析 |
| 6.1 实验环境 |
| 6.2 数据集 |
| 6.3 模型的训练 |
| 6.3.1 基于embedding的LSTM模型的训练和测试 |
| 6.3.2 基于embedding的CNN+LSTM模型的训练和测试 |
| 6.3.3 基于word2vec的LSTM模型的训练和测试 |
| 6.3.4 基于word2vec的CNN+LSTM模型的训练和测试 |
| 6.4 模型的对比和分析 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（6）异构移动物联网的融合与安全通信研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.1.1 课题研究的背景 |
| 1.1.2 课题研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 异构融合组网和异构消息服务 |
| 1.2.2 异构移动物联网的安全防护 |
| 1.2.3 基于人工免疫的应用研究 |
| 1.2.4 基于深度学习的入侵检测研究 |
| 1.2.5 存在的主要问题 |
| 1.3 本文研究的主要内容 |
| 1.4 本文各章节结构安排 |
| 第2章 基于移植免疫的5G非独立组网融合网络 |
| 2.1 引言 |
| 2.2 5G非独立组网的融合需求 |
| 2.3 移植免疫的主要措施 |
| 2.3.1 T细胞克隆清除 |
| 2.3.2 T细胞克隆无能 |
| 2.3.3 免疫耐受机制实施步骤总结 |
| 2.4 5G非独立组网的免疫耐受机制构建 |
| 2.5 消息免疫耐受模块的实现 |
| 2.5.1 供体PDU抗原特征的提取和判断 |
| 2.5.2 计算抗原和抗体的亲和力 |
| 2.5.3 抗体多样性 |
| 2.5.4 PDU基因编码和解码 |
| 2.5.5 抗体浓度计算 |
| 2.6 实验结果与分析 |
| 2.6.1 实验环境和实验过程 |
| 2.6.2 协议分类实验结果 |
| 2.6.3 PDU编码和解码实验结果 |
| 2.6.4 场景仿真 |
| 2.7 本章小结 |
| 第3章 基于免疫动态自适应的异构消息服务系统 |
| 3.1 引言 |
| 3.2 消息动态自适应更新机制 |
| 3.2.1 系统软件架构 |
| 3.2.2 半分布式的免疫动态自适应机制 |
| 3.3 免疫消息分发系统的实现 |
| 3.3.1 抗体与抗原编码 |
| 3.3.2 抗体与抗原的亲和力的计算 |
| 3.3.3 克隆选择和克隆扩增 |
| 3.3.4 高频变异 |
| 3.3.5 免疫记忆 |
| 3.3.6 抗体的自适应增殖和抑制 |
| 3.4 实验结果与分析 |
| 3.4.1 实验环境 |
| 3.4.2 实验结果 |
| 3.5 本章小结 |
| 第4章 基于免疫自适应增量学习的5G窄带物联网入侵检测 |
| 4.1 引言 |
| 4.2 5G窄带物联网增量数据传输架构和机制 |
| 4.2.1 信道收发模式 |
| 4.2.2 学习和免疫更新的周期 |
| 4.2.3 控制面数据传输 |
| 4.2.4 用户面数据传输 |
| 4.3 免疫动态自适应增量深度学习 |
| 4.3.1 抗原和抗体 |
| 4.3.2 亲和力计算 |
| 4.3.3 免疫应答过程 |
| 4.3.4 克隆选择 |
| 4.3.5 抗体浓度更新 |
| 4.3.6 增量深度学习 |
| 4.4 实验结果与分析 |
| 4.4.1 实验环境 |
| 4.4.2 模型训练结果 |
| 4.4.3 增量深度学习训练的实验结果 |
| 4.4.4 模型传输效率的实验结果 |
| 4.5 本章小结 |
| 第5章 基于词向量深度学习的异构物联网入侵检测 |
| 5.1 引言 |
| 5.2 词嵌入迁移深度学习 |
| 5.2.1 基于域对齐的样本迁移 |
| 5.2.2 基于词嵌入的特征迁移 |
| 5.2.3 基于深度学习的模型迁移 |
| 5.3 实验结果与分析 |
| 5.3.1 实验环境 |
| 5.3.2 实验结果 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
（7）面向目标体系分析的知识推理与复杂网络节点评估技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 目标体系分析的内涵 |
| 1.1.2 开展目标体系分析研究的需求 |
| 1.1.3 开展目标体系分析研究的意义 |
| 1.2 国内外研究现状 |
| 1.2.1 静态目标体系分析方法 |
| 1.2.2 动态目标体系分析方法 |
| 1.2.3 目标体系分析方法总结 |
| 1.2.4 目标体系分析方法的发展趋势 |
| 1.3 目标体系分析的核心技术分析 |
| 1.3.1 知识表达 |
| 1.3.2 非单调推理 |
| 1.3.3 深度神经网络 |
| 1.3.4 基于复杂网络的节点评估 |
| 1.4 论文的主要贡献 |
| 1.5 论文的结构安排 |
| 第二章 基于图的目标体系分析领域知识表达 |
| 2.1 基于图的知识表达简介 |
| 2.1.1 基本图的定义 |
| 2.1.2 基本图的语义 |
| 2.1.3 基本图的同态 |
| 2.2 目标体系建模多视图产品和规则设计 |
| 2.2.1 能力牵引的目标体系描述视图 |
| 2.2.2 目标体系结构关系模型构建规则的设计 |
| 2.3 基于灵活同态的推理研究 |
| 2.3.1 多视图条件下的概念关系偏序结构 |
| 2.3.2 多概念关系偏序结构下的灵活同态 |
| 2.4 灵活同态混合搜索方法研究 |
| 2.4.1 基本图数据存储和基本递归同态搜索算法框架 |
| 2.4.2 基本图规则灵活同态节点匹配顺序优化 |
| 2.4.3 基本图规则概念和关系备选节点筛选顺序优化 |
| 2.4.4 基于节点标签的备选节点过滤技术 |
| 2.5 性能测试分析 |
| 2.5.1 数据准备和参数设置 |
| 2.5.2 优化灵活同态节点匹配顺序的性能表现 |
| 2.5.3 两阶段概念和关系备选节点筛选顺序的性能表现 |
| 2.5.4 节点标签过滤技术的性能表现 |
| 2.5.5 综合多种技术的灵活同态搜索算法的性能分析 |
| 2.5.6 与现有子图同构搜索算法的比较分析 |
| 2.6 本章小结 |
| 第三章 基于层次结构优先序缺省推理的目标体系建模 |
| 3.1 缺省推理简介 |
| 3.2 构建目标体系结构关系模型的缺省规则建模 |
| 3.3 传统缺省推理解决目标体系结构关系模型推理构建的不足 |
| 3.4 基于层次结构优先序的缺省推理 |
| 3.4.1 缺省规则的图结构优先序 |
| 3.4.2 基于缺省规则图结构优先序的随机推理 |
| 3.4.3 基于期望准确率、期望精确率和期望召回率的优先序 |
| 3.4.4 基于层次结构优先序缺省推理的使用说明 |
| 3.5 性能测试分析 |
| 3.5.1 验证案例的设计说明 |
| 3.5.2 验证案例的建立 |
| 3.5.3 传统缺省推理优先序的不足 |
| 3.5.4 层次结构优先序缺省推理的实现 |
| 3.5.5 语义稳健性的仿真验证 |
| 3.6 本章小结 |
| 第四章 基于深度递归神经网络的目标体系缺省推理优化 |
| 4.1 面向能力的目标体系结构关系模型构建 |
| 4.1.1 以能力为导向构建目标体系的优势 |
| 4.1.2 能力导向的目标体系构建流程 |
| 4.2 基于深度递归神经网络的缺省推理框架 |
| 4.3 指导缺省推理的深度递归神经网络设计 |
| 4.4 简化深度递归神经网络训练数据的研究 |
| 4.5 基于深度递归神经网缺省推理的时间复杂度分析 |
| 4.6 性能测试分析 |
| 4.6.1 验证案例的设计说明 |
| 4.6.2 验证案例中缺省规则的设计 |
| 4.6.3 验证案例中指导缺省推理RNN的设计 |
| 4.6.4 验证案例中指导随机推理RNN的训练 |
| 4.6.5 RNN指导随机推理的实验分析 |
| 4.7 本章小结 |
| 第五章 基于复杂网络动力学模型的目标体系关键节点分析 |
| 5.1 目标体系的无向加权网络及其动力学模型的构建 |
| 5.2 目标体系复杂网络的动力学模型稳定性分析 |
| 5.3 基于动力学仿真的无向加权网络关键节点分析方法研究 |
| 5.3.1 基于无向加权复杂网络动力学模型的节点评估指标 |
| 5.3.2 基于扰动测试的关键节点分析方法 |
| 5.3.3 基于破坏测试的关键节点分析方法 |
| 5.4 面向目标体系分析的复杂网络关键节点分析方法研究 |
| 5.4.1 基于关注节点的目标体系关键节点分析 |
| 5.4.2 跨动力学模型的目标体系关键节点分析 |
| 5.5 性能测试分析 |
| 5.5.1 扰动测试的合理有效性分析 |
| 5.5.2 破坏测试的合理有效性分析 |
| 5.6 本章小结 |
| 第六章 原型系统设计与案例验证 |
| 6.1 目标体系分析原型系统设计 |
| 6.1.1 融合混合灵活同态搜索的并行缺省推理框架 |
| 6.1.2 缺省理论扩展节点的编码设计及使用 |
| 6.2 基于典型案例的原型系统验证 |
| 6.2.1 基于灵活同态的缺省规则设计及使用 |
| 6.2.2 基于分布并行计算的目标体系结构关系模型推理构建 |
| 6.2.3 基于RNN的随机推理进行目标体系构建的性能分析 |
| 6.2.4 基于节点编码的层次结构优先序缺省理论语义确定 |
| 6.2.5 基于复杂网络动力学模型的目标体系关键节点分析 |
| 6.3 本章小结 |
| 第七章 结论与展望 |
| 7.1 本文工作总结 |
| 7.2 下步工作展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（8）大容量接入网多业务承载及性能研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于有效负载的流量识别 |
| 1.2.2 基于流特征的流量识别 |
| 1.2.3 深度神经网络 |
| 1.3 论文组织结构 |
| 第二章 基于CNN和LSTM网络的业务承载原理 |
| 2.1 基于CNN的业务承载原理 |
| 2.1.1 数据流空间特征 |
| 2.1.2 CNN网络结构 |
| 2.1.3 基于CNN的业务分类原理 |
| 2.2 基于LSTM的业务承载原理 |
| 2.2.1 数据流时间特征 |
| 2.2.2 LSTM网络结构 |
| 2.2.3 基于LSTM的业务分类原理 |
| 2.3 CNN和 LSTM的业务承载关键技术 |
| 2.3.1 业务控制原理 |
| 2.3.2 业务质量评估 |
| 2.4 本章小结 |
| 第三章 基于CNN的业务承载系统设计 |
| 3.1 基于CNN的系统结构设计 |
| 3.1.1 系统框架简介 |
| 3.1.2 系统平台建立 |
| 3.2 基于CNN的实时流量分类模型 |
| 3.2.1 CNN流量分类模型 |
| 3.2.2 数据采集配置 |
| 3.2.3 通用数据预处理 |
| 3.3 业务流量控制模型 |
| 3.3.1 实时流的生成 |
| 3.3.2 流量标记 |
| 3.3.3 流量转发 |
| 3.4 数据流分析 |
| 3.4.1 数据流的选择 |
| 3.4.2 网络模型参数的讨论 |
| 3.5 本章小结 |
| 第四章 基于LSTM的业务承载系统设计 |
| 4.1 基于LSTM的系统结构设计 |
| 4.1.1 LSTM业务承载框架 |
| 4.1.2 系统搭建流程 |
| 4.2 基于LSTM的流量分类模型 |
| 4.2.1 LSTM流量分类模型 |
| 4.2.2 训练样本的生成 |
| 4.3 实时业务流控制模型 |
| 4.3.1 业务流选取 |
| 4.3.2 业务流区分承载 |
| 4.4 流序列分析 |
| 4.4.1 流序列输入维度的选择 |
| 4.4.2 网络模型参数的讨论 |
| 4.5 本章小结 |
| 第五章 多业务承载系统验证与分析 |
| 5.1 系统测试设计 |
| 5.1.1 测试平台简介 |
| 5.1.2 测试平台搭建 |
| 5.2 基于CNN的多业务承载系统测试 |
| 5.2.1 单业务的服务质量分析 |
| 5.2.2 多业务的服务质量分析 |
| 5.3 基于LSTM的多业务承载系统测试 |
| 5.3.1 单业务的服务质量分析 |
| 5.3.2 多业务的服务质量分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（9）MEO/LEO跨层路由与负载均衡算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 卫星网络相关技术特点 |
| 1.3 主要研究内容与研究思路 |
| 1.4 全文组织结构 |
| 第二章 相关工作 |
| 2.1 卫星网络拓扑控制 |
| 2.1.1 单层卫星网络模型 |
| 2.1.2 多层卫星网络模型 |
| 2.2 卫星网络负载均衡 |
| 2.2.1 单层卫星网络负载均衡 |
| 2.2.2 多层卫星网络负载均衡 |
| 2.3 QoS路由算法 |
| 2.4 本章小结 |
| 第三章 MEO/LEO跨层路由模型与框架 |
| 3.1 网络拓扑模型 |
| 3.1.1 MEO/LEO星座设计 |
| 3.1.2 LEO分组和MEO管理者的选取 |
| 3.1.3 中继MEO卫星的选取 |
| 3.2 网络时延模型 |
| 3.3 本章小结 |
| 第四章 跨层路由与负载均衡算法 |
| 4.1 跨层路由算法 |
| 4.1.1 相关数据结构定义 |
| 4.1.2 路由计算 |
| 4.2 网络负载均衡算法 |
| 4.2.1 网络负载计算模型 |
| 4.2.2 基于中继MEO卫星的OTLB算法 |
| 4.2.3 基于中继MEO卫星和MEO管理者的OTLB算法 |
| 4.2.4 卫星失效处理 |
| 4.2.5 拓扑快照切换策略 |
| 4.3 本章小结 |
| 第五章 实验模拟和性能评估 |
| 5.1 NS2仿真环境设计开发 |
| 5.2 系统环境与参数设定 |
| 5.3 使用中继MEO卫星的OTLB算法稳定性分析 |
| 5.4 使用中继MEO卫星与MEO管理者的OTLB性能分析 |
| 5.4.1 网络丢包率对比测试 |
| 5.4.2 网络吞吐率对比测试 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
| 攻读学位期间参与的项目 |
（10）基于OPNET的低轨卫星网络路由仿真研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 注释表 |
| 缩略词 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状分析 |
| 1.2.1 基于网络状态信息的路由分类 |
| 1.2.2 QoS路由 |
| 1.3 论文主要内容与结构 |
| 第二章 卫星网络体系结构 |
| 2.1 概述 |
| 2.2 卫星轨道 |
| 2.2.1 开普勒定理与轨道根数 |
| 2.2.2 卫星轨道基本参数及计算 |
| 2.2.3 卫星覆盖特性分析 |
| 2.3 卫星星座分类 |
| 2.4 铱星简介 |
| 第三章 OPNET网络仿真 |
| 3.1 网络仿真概述 |
| 3.2 OPNET简介 |
| 3.3 OPNET仿真机制 |
| 3.3.1 离散事件仿真机制 |
| 3.3.2 OPNET的通信机制 |
| 3.4 OPNET的建模方法 |
| 第四章 LEO网络业务模型与Qo S路由算法 |
| 4.1 LEO卫星网络业务分布 |
| 4.2 卫星网络多路径路由 |
| 4.3 分组调度算法与服务质量 |
| 4.4 基于多服务的拥塞控制路由 |
| 4.4.1 星上资源分配策略 |
| 4.4.2 基于拥塞控制的选路策略 |
| 第五章 仿真平台设计与仿真分析 |
| 5.1 网络仿真模型 |
| 5.2 仿真及结果分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
四、Performance Study on Priority Strategies for WDM Packet Switches under Long-Range Dependent Traffic（论文参考文献）
- [1]基于SDN的空间网络流量管控系统的设计与实现[D]. 郭家. 哈尔滨工业大学, 2021
- [2]基于机器学习的态势感知系统的设计和实现[D]. 周家鑫. 北京邮电大学, 2021(01)
- [3]基于TSACN预测的SDN控制平面动态负载均衡研究[D]. 贾吾财. 四川大学, 2021(02)
- [4]基于ONOS的SDN网络QoS优化设计与实现[D]. 张梓强. 电子科技大学, 2021(01)
- [5]基于循环神经网络的恶意软件行为检测技术研究[D]. 崔文杰. 沈阳理工大学, 2021(01)
- [6]异构移动物联网的融合与安全通信研究[D]. 陈頔. 哈尔滨理工大学, 2020(04)
- [7]面向目标体系分析的知识推理与复杂网络节点评估技术研究[D]. 孔江涛. 国防科技大学, 2019(01)
- [8]大容量接入网多业务承载及性能研究[D]. 肖凯. 电子科技大学, 2019(01)
- [9]MEO/LEO跨层路由与负载均衡算法研究[D]. 李书坤. 上海交通大学, 2018(01)
- [10]基于OPNET的低轨卫星网络路由仿真研究[D]. 李楠. 南京航空航天大学, 2014(03)