基于J-Sim的主动节点资源管理框架

在主动网络中，由于主动节点需要运行用户订制的代码，从而使得主动节点的资源管理变得非常重要，主动节点需要更多的控制能力来合理使用其有限的资源，在J-Sim仿真平台上建立了一个基于组件的灵活的主动网络节点资源管理框架，分别对带宽、处理器及存储器3个方面进行了细粒度的管理，并在J-Sim平台上进行了仿真试验，结果显示当主动节点在重负荷情况下，使用资源管理比没有资源管理能够处理更多的主动信包，取得了理想的仿真结果。     

主动网络中一致执行环境的研究

执行环境的结构组成直接影响主动节点对主动信包的处理性能，本文试图给出一种新型的执行环境实现方案．在分析了当前执行环境存在弊端的基础上，运用组件思想提出了一种一致性执行环境的框架模型．其核心思想是：使得接口与实现相分离，实现语言无关性以及利用组件构建执行环境和主动应用．该模型能够较好的克服当前执行环境EE存在的弊端，提高主动网络的整体性能．     

一种快速的主动网络信包调度机制

针对主动网络执行主动代码，处理主动信包的特点，该文提出了一种多优先级最短信包优先调度机制。该机制的结构由包分类器、缓冲管理器、缓冲队列和队列调度器组成。包分类器根据预先约定的规则对接收到的信包进行分类；缓冲管理器按照优先级将信包分发到相应的队列，并根据该信包长度遵循从小到大的顺序插入到队列中相应的位置；缓冲队列缓冲存储信包；队列调度器在相对优先级和时延两个方面均进行控制。实验结果表明该调度机制符合主动网络的特点，能够对主动网络中的信包进行快速、有效地调度处理。     

基于对比约束的可解释小样本学习

不同于基于大规模监督的深度学习方法,小样本学习旨在从极少的几个样本中学习这类样本的特性,其更符合人脑的视觉认知机制.近年来,小样本学习受到很多学者关注,他们联合元学习训练模式与度量学习理论,挖掘查询集(无标记样本)和支持集(少量标记样本)在特征空间的语义相似距离,取得不错的小样本分类性能.然而,这些方法的可解释性偏弱,不能为用户提供一种便于直观理解的小样本推理过程.为此,提出一种基于区域注意力机制的小样本分类网络INT-FSL,旨在揭示小样本分类中的2个关键问题:1)图像哪些关键位置的视觉特征在决策中发挥了重要作用;2)这些关键位置的视觉特征能体现哪些类别的特性.除此之外,尝试在每个小样本元任务中设计全局和局部2种对比学习机制,利用数据内部信息来缓解小样本场景中的监督信息匮乏问题.在3个真实图像数据集上进行了详细的实验分析,结果表明:所提方法INT-FSL不仅能有效提升当前小样本学习方法的分类性能,还具备良好的过程可解释性.     

主动网络节点资源管理策略研究

复杂的资源管理调度算法对主动代码的运行并不合适,相反会降低信包的传输速率.提出了一种基于组件的主动节点资源管理体系结构.讨论了主动信包的分类和封装格式.提出了一种多优先级短信包优先算法对信包进行调度,采用基于优先级的低带宽需求优先的算法对带宽资源进行分配管理,利用动态监测和静态限定的方法对内存进行管理.实验结果表明该资源管理机制符合主动网络的特点,能够对主动节点中的资源进行有效的管理,提高主动节点的性能.