网络距离预测技术研究

P2P网络中节点间的距离信息是实现拓扑感知以优化覆盖网应用以及解决网络监管等问题的基础. P2P网络的大规模、自组织、高度动态等复杂特征使得要准确、完全地测量节点间的距离信息面临着极大的困难.因此,研究者们提出各种预测技术,目前对网络距离预测技术的研究已成为P2P领域的研究热点.首先,提出了一个网络距离预测技术的研究框架,指出了研究的重点以及相关技术问题,分析了研究历史;其次,对各种预测方法加以分类,在分类的基础上,介绍了各种典型的预测方法并进行了对比分析;最后总结了各种精确性度量标准,并指出了未来的研究     

一种基于被动路标的网络距离预测方法

网络拓扑信息的引导能够显著提高大规模分布式应用程序的性能,然而直接测量节点之间拓扑信息产生的开销远大于其收益.提出一种新的基于被动路标的节点间网络距离预估方法PLNDP,使用Lipschitz变换将普通节点到路标节点的网络延迟映射到度量空间Rn,再利用距离函数计算映射后的网络坐标之间的距离,从而预测节点之间的网络距离....     

一种层次化网络距离预测机制

网络坐标系统向分布式应用提供了一种高效的网络距离信息获取机制,但现有基于单一度量空间嵌入的距离预测机制难以精确描述因特网复杂的层次结构特征,进而导致较大的距离预测误差.文章提出了一种分域的层次化网络距离预测机制NetPharos,该机制根据因特网结构以及性能特征将其划分为相互独立的核心预测域和边缘预测域,通过相关边缘预测域和核心预测域内预测值迭加获取节点间距离信息.理论分析和仿真实验显示,NetPharos能够有效解决预测过程中短距离和长距离的相互干扰问题,提高预测精度.     

基于因特网坐标系统预测网络距离技术

文中描述了在P2P网络中如何使用基于坐标的机制来预测网络距离,介绍了常用的是全局网络定位(GlobalNetworkPositioning,GNP)方法。这种方法的主要特点是通过将因特网建模成一个几何空间来计算绝对坐标并建立因特网坐标系统,再以绝对坐标为基础预测网络距离。由于终端主机维护它们自己的坐标,这些方案允许终端主机一旦发现其它主机存在就计算它与其它主机之间的距离。由于坐标在描述主机间距离时十分有效,这使得该方法在网络测距方面具有很高的可扩展性。     

无线传感器网络中基于RSSI的节点距离预测

无线传感器网络大量应用在环境监测、目标跟踪、安全监控等领域,因此网络的自身定位是大多数应用的基础。常用的定位方法必须测量节点间的距离。为了预测距离值,根据实验获取的RSSI值与对应的距离值,先对实验数据进行滤波处理,建立面向Matlab神经网络工具箱的神经网络预测模型,利用神经网络的特性和Matlab工具箱的强大功能,通过实测数据对网络进行训练。预测结果表明,距离精度达到1 m之内。     

CACC:一种基于分簇的自适应网络坐标计算方法

针对Internet环境中采用基于坐标的方法预测网络节点间的距离问题,提出了一种基于分簇的自适应网络坐标计算方法CACC.首先,提出了E-Binning分簇算法,并在此基础上通过比较不同的地标选择策略,CACC采用了最优的分布式地标策略Hybrid;其次,提出了自适应坐标更新算法ACU以提高坐标计算的收敛速度和精确度;最后,采用相对误差和SRRL度量方法,通过与经典的网络坐标计算方法GNP和Vivaldi对比验证了方法的精确性.实验结果表明,CACC是一种可扩展性强、收敛性好、预测精度高的面向实际应用的网络距离预测方法.     

基于非负矩阵分解的网络距离预测

大规模网络中的节点存在高度动态性、不可达性等问题,使得直接测量节点之间时延有时根本无法进行。为此,提出一种非负矩阵坐标分解预测方法,通过获取普通节点与基准节点的RTT值构建一个特征矩阵(非负矩阵),并在欧式空间坐标计算的基础上,根据距离矩阵的非负性,确保其无损分解成基矢量和权矢量乘积,降低距离计算的维度,加快预测的收敛,其预测精确性符合预测误差趋势分布 模型。     

自愿计算网络中新的距离预测模型

描述了自愿计算环境下主-从模式的并行应用的特点及自愿计算网络的拓扑结构,提出了一种该环境下的网络距离预测模型.该模型处于应用级别上、采用被动监控的方式获取距离预测信息,该网络距离预测模型可以减少测量开销并使预测精度满足实际应用所需.分析了距离预测模型的协议实现与代价评估,最后通过构建自愿计算网络环境,运行并行程序,对该模型进行了测试与性能分析,实验结果验证了该模型的高效性与负载均衡性.     

基于距离预测的快速自适应运动估计算法

已有的快速搜索算法中,绝大多数都不检查搜索区中所有候选项,所以,当视频序列中有快速或随机运动时,这些算法常导致搜索陷入局部最优。为了解决这一问题,提出了一种估算当前搜索点和最佳点之间的距离的度量方法,在此基础上提出了一种新的自适应的阈值方案,并结合层次搜索技术,既有效提高了具有快速或随机运动的视频的运动估计的搜索速度,也保证了算法较好的PSNR性能。     

基于大地距离计算相似度的海上目标轨迹预测

目前基于相似度的移动目标轨迹预测算法一般根据数据的时空特性进行分类,无法体现算法自身的特点,为此提出一种基于算法特征的分类方法。轨迹相似度算法通常需要先计算两点之间的距离,再开展后续计算,而常用的欧氏距离（ED）只适用于目标在小区域范围内移动的问题。针对现有基于相似度的轨迹预测算法无法适用于移动范围比较大的海上目标轨迹预测的问题,提出使用大地距离代替ED进行相似度计算。首先,对轨迹数据进行预处理和分段;其次采用离散弗雷歇距离（FD）作为相似性度量;最后,利用模拟数据和实际数据进行测试。实验结果表明,当海上目标移动范围较大时,采用ED算法可能会得到不正确的预测结果,而所提算法可输出正确的目标轨迹预测结果。     

网络性能测量技术探析

随着互联网的发展,理解网络行为对于网络管理、规划和发展都有重要意义,网络流量测量是研究网络行为的基础。网络流量性能测量是网络管理和系统管理的一个重要组成部分,为网络的运行和维护提供了重要信息.同时也是网络流量具体建模、分析的必要前提和手段,该文对网络性能测量的相关内容,意义,以及网络性能指标的测量与分析进行了系统的介绍,并对网络性能测量的下一步发展进行了展望。     

蛋白质结构预测算法的评估

选取合适的蛋白质结构预测算法的性能评估指标，是直接影响到衡量和比较各种蛋白质结构预测算法优劣的重要问题。本文对目前各种评估指标进行了剖析比较，总结对比了各种评估指标的优缺点，分析了其相互之间的联系与区别，并结合神经网络建模，提出各种评估指标的适用范围与使用原则。     

基于神经网络的焊缝形状预测模型

虚拟焊接作为虚拟现实（VR）的重要应用领域之一,主要应用在工业焊接培训领域,其在不断发展完善的过程中还存在着对焊接所形成的焊缝形状预测不够精确、焊缝形状预测算法时间复杂度大、预测结果渲染粗糙等问题,该文提出新的焊缝形状预测算法,不从物理学角度来分析焊接过程中具体的热量、电压、电流等参数对焊缝形状的影响,而是采用神经网络模型,通过Matlab编程训练得到预测焊缝形状的神经网络,用此神经网络来预测焊缝形状能有效提高焊缝形状预测的精度并避免因复杂物理建模而带来的算法时间复杂度大的问题。     

应用改进卷积神经网络的网络安全态势预测方法

针对神经网络态势预测模型训练复杂度高的问题，提出了一种基于改进卷积神经网络的态势预测方法。结合深度可分离卷积与分解卷积技术的优点，提出了一种基于复合卷积结构的改进型卷积神经网络安全态势预测模型，实现了态势要素和态势值的映射。实验仿真结果证明，相比于已有的典型预测方法，该方法明显降低了复杂度，减少了预测时间，并提升了预测准确率。     

距离约束和二面角优化的蛋白质结构预测方法

预测蛋白质三维结构对了解其生物功能、疾病发病机理研究、药物研发等具有重大意义.为了提高蛋白质结构预测的精度,提出了一种基于距离约束和二面角优化的蛋白质结构预测方法(Distance Constraint and Dihedral Angle Optimized Protein Structure Prediction ...