面向算网一体的开放服务互联架构

泛在化资源和服务模式下,向行业提供一种基础共性的开放服务,并从算力和网络双重维度给予这些服务精细化的资源保障,是面对后5G乃至6G时代新型业务场景的必要需求。文章提出一种面向应用和算网资源的开放服务架构,在端、网、云引入统一的共性服务标识,并在网络层据此叠加服务子层,在满足端到端服务发现、服务交付和服务保障的同时,使能IP网络对服务的精细化感知和路由调度功能,为算网深度融合的新型基础设施提供一种有益的参考架构。     

使能未来工厂的5G能力综述

5G系统将移动通信服务从移动电话、移动宽带和大规模机器通信扩展到新的应用领域，即所谓对通信服务有特殊要求的垂直领域。对使能未来工厂的5G能力进行了全面的分析总结，包括弹性网络架构、灵活频谱、超可靠低时延通信、时间敏感网络、安全和定位，而弹性网络架构又包括对网络切片、非公共网络、5G局域网和边缘计算的支持。希望从广度到深度，对相关的理论及技术应用做透彻、全面的梳理，对其挑战做清晰的总结，从而为相关研究和工程技术人员提供借鉴。     

基于NTP的网络时间服务器校准方法探讨

为了解决基于NTP的网络时间服务器校准问题,对其展开校准项目和校准方法的探讨,给出了NTP同步偏差、定时准确度和定时稳定度等校准项目并结合实验详细阐述了两种NTP同步偏差的校准方法,实验结果表明,采用直接测量法的NTP同步偏差为10.25μs,不确定度为62.08μs(k=2);采用比较法的NTP同步偏差为139.75μs,不确定度为6.36ms(k=2).     

基于视觉感知的移动端网店页面设计效果评价

为探究手机移动端网店页面设计对服装网店销售的影响，提高网店销售额，文章基于问卷调研及部分服装网店页面的综合分析，挑选出粉蓝、蓝绿、青紫3种颜色设计及3种不同的页面版式设计。利用眼动仪实验和消费者感性评价分析捕捉消费者在浏览网店时的视觉信息与页面版式设计的关系，得到不同颜色和款式的最佳搭配效果，并实际应用于店铺运营。结果表明，优秀的版式设计及适合的配色方案可以极大地增加消费者浏览时的兴趣与关注度，将实验结论应用于真实的服装网店，店铺的支付转化率有所上升且店铺的失跳率有所降低。实验结论可为服装网店的页面提供设计依据。     

页岩油储集层压后焖井时间优化方法

建立了考虑毛管压力、渗透压、膜效应以及弹性能的压裂-焖井-生产多过程多相流模型，提出了以产能最大化为目标的页岩油水平井分段多簇压裂后焖井时间优化方法，采用现场生产数据和商业软件验证了该模型的准确性。基于该模型和方法，根据现场压裂压力数据反演裂缝参数，建立物理模型，模拟了压裂、焖井以及生产阶段储集层孔隙压力、含油饱和度的变化动态，并研究了7种因素对最优焖井时间的影响规律，通过开展正交实验明确了最优焖井时间的主控因素。研究表明，随着焖井时间增加，累计产量增量先快速增加后趋于某一稳定值，变化拐点对应的焖井时间为最优焖井时间。最优焖井时间与基质渗透率、孔隙度、毛管压力倍数及裂缝长度呈非线性负相关，与膜效率、注入液体总量呈非线性正相关，与排量呈近线性正相关。对最优焖井时间的影响程度从大到小依次为注入液体总量、毛管压力倍数、基质渗透率、孔隙度、膜效率、压裂液矿化度和排量。     

自适应融合层级特征的混合退化图像复原算法

多种退化类型混合的图像比单一类型的退化图像降质更严重,很难建立精确模型对其复原,研究端到端的神经网络算法是复原的关键.现有的基于操作选择注意力网络的算法(operation-wiseattentionnetwork,OWAN)虽然有一定的性能提升,但是其网络过于复杂,运行较慢,复原图像缺乏高频细节,整体效果也有提升的空间.针对这些问题,提出一种基于层级特征融合的自适应复原算法.该算法直接融合不同感受野分支的特征,增强复原图像的结构;用注意力机制对不同层级的特征进行动态融合,增加模型的自适应性,降低了模型冗余;另外,结合L1损失和感知损失,增强了复原图像的视觉感知效果.在DIV2K,BSD500等数据集上的实验结果表明,该算法无论是在峰值信噪比和结构相似性上的定量分析,还是在主观视觉质量方面,均优于OWAN算法,充分证明了该算法的有效性.     

用于社交推荐的增强影响扩散模型

随着网络上创建连接、协作、共享的全新变革方式的出现,互联网上丰富的社交行为现象引起了研究者和实践者的关注.近年来,随着社交网络平台的普及与推广,基于社交网络的推荐系统也成为了个性化推荐领域的研究热点之一,社交推荐系统可以利用社交网络来缓解传统的推荐算法中数据稀疏性问题.在社交网络中,社交关系影响起着重要作用,而用户信任是社交关系形成的基础,每一个用户会受到其信任的用户影响,这些被信任的用户也会被自己的社交关系所影响,这就表明了联系在一起的用户会相互影响,导致社交联系之间的用户偏好具有相似性.用户的信任关系影响着用户偏好的推断,同时用户受到其信任用户的社交关系影响,而这些社交关系影响在社交网络中递归传播和扩散.因此,基于社交推荐算法研究的关键就在于信任信息的挖掘和利用.在基于社交网络的推荐领域中,比较有代表性的模型为Diff Net,该模型未充分考虑到信任问题,同时,在递归计算长距离的社交关系时,有额外的噪声,影响推荐预测的质量.本文提出了基于Diff Net改进的社交推荐模型-EIDNet.首先,该模型在模拟社交关系影响扩散过程时,通过用户对物品的历史交互记录建立用户间的信任关系,并融...