一、MERGING AND SPLITTING SECOND-ORDER SELF-SIMILAR PROCESSES (TRAFFICS)（论文文献综述）
张宇明[1]（2021）在《面向边缘计算的智慧标识网络资源协同与适配机制研究》文中认为随着网络设备数量与流量规模的持续增长,边缘计算已成为当今网络环境下提升服务质量、增强用户体验的关键技术。然而,传统网络技术“静态、僵化”的原始设计弊端,导致其在跨网资源利用、差异化服务保障等方面的能力不足,进而难以为边缘计算提供高效的支撑。为此,设计基于新型网络架构与技术的边缘计算网络已成为国内外相关研究领域的共识。智慧标识网络作为新型网络架构的一种,在资源适配、网络管控等方面具有显着优势,为边缘计算的高效运行提供了良好的架构基础。为此,本文依托于智慧标识网络的设计理念,就网络资源的协同与适配开展研究,重点解决边缘计算所面临的任务卸载性能评估、传输与存储资源协同、差异化服务资源提供等问题。本文的主要工作和创新点如下:（1）针对终端设备与边缘服务器之间的任务卸载问题,设计了基于智慧标识网络的管控框架,构建了基于端-边协同的任务卸载性能评估模型。首先,将任务卸载问题描述为一个多队列系统;随后,使用马尔可夫链对两种卸载策略（本地优先策略和基于概率的策略）进行分析,并推导出任务平均响应时间与系统平均能耗的闭式解;在此基础上,构建了一个基于优化的资源适配方法,同时考虑终端需求、计算资源与传输资源;最后,实验结果显示,所提评估模型能够准确反映卸载策略的性能,所提资源适配方法可以动态调整资源的适配策略,满足不同终端的需求。（2）针对边缘网络之间的传输资源协同问题,设计了基于智慧标识网络的传输组件功能模型,提出了基于随机优化的边缘资源协同传输调度机制。首先,使用队列调度模型对基于资源协同的传输调度问题进行描述,并构建了一个随机优化问题;随后,将上述问题进行转化和分解,提出了一种低复杂度的控制算法,可以实现基于即时网络状态的传输策略制定;最后,通过仿真实验,验证了所提算法能够在不损失吞吐量的前提下,有效降低数据包的队列等待时间。（3）针对边缘网络之间的存储资源协作问题,设计了基于智慧标识网络的缓存组件功能模型,提出了基于多代理强化学习的边缘协作缓存方法。首先,构建了协作缓存的优化问题,并证明该问题是NP-hard;随后,将强化学习与所提缓存组件相结合,设计了一个协作缓存框架;在此基础上,提出了一种基于多代理强化学习的协作缓存算法,并将其输出定义为低复杂度的缓存策略,在降低学习模型复杂度的同时,为每个缓存节点提供一定的性能保障;最后,通过仿真实验,验证了所提算法能够从全局的角度出发,牺牲单个节点的本地命中率,提升整体的命中率。（4）针对边缘服务器与云服务器之间的任务卸载和服务资源适配问题,设计了基于智慧标识网络的资源适配框架,提出了基于服务功能切换的云-边资源协同适配机制。首先,构建了一个随机优化模型,对基于服务功能切换的资源适配问题进行描述,旨在最大化任务处理收益与最小化服务切换代价;随后,利用虚拟队列技术,将任务需求与服务资源进行关联,并提出了一个低复杂度的任务卸载与资源适配算法;在此基础上,引入任务的主动拒绝机制,对上述算法进行改进,使其能够提供确定的时延保障;最后,通过仿真实验,验证了所提算法均能有效降低任务的等待时间,并且可以提供基于服务功能切换的差异化资源适配策略。
冯志[2]（2021）在《基于分形理论的供暖管网仿真及应用研究》文中研究表明供热管网系统形式复杂,供热行业发展至今,从自动化到信息化,未来将向着智慧化方向发展,供热技术与自动控制技术的结合越来越紧密。对供热系统精准快速地调节,满足用户热舒适性要求的同时尽可能的节约资源,是供热行业的研究热点。首先从供热系统的各级管网结构形式入手,分析了将分形理论引入供热管网系统研究的可行性;总结传统的管网模型构建方法和各级管网系统模型的共同规律,以图论理论为基础,发现各级实际供热管网系统具有分形特征和分形规律,提出了一种适合计算机编程的供热管网系统的分形表示方法,并根据该管网模型设计出一种通用的管网数据表达方式来存储管网原始数据,以供计算程序读取和计算。相对于传统的管网模型求解过程,降低了工作量并且提高了准确性,为后续管网系统的设计和调节带来便利。以供热系统管网模型为基础,对室内外各级供热管网系统的设计、初调节和运行调节进行仿真模拟,并编写相应的计算程序。在设计模块计算得到各管段管径;初调节模块计算各建筑热用户热力入口调节阀开度,并将调节前后各立管流量与设计流量对比,调节结果较为理想;运行调节模块模拟在各种实际工况下的各热用户调节阀的开度,并对比了不同工况下调节阀开度变化,分析结果得出:对于单一立管的室内地板辐射供热管网系统,用户负荷对环路阻力损失影响较大;当关闭中间层用户后,对其上下层用户两端压差和实际流量的影响随着距关闭用户的距离越近影响越大,反之则越小。以上三个程序模块均基于某一实际供热管网系统进行实例验证。调节阀的相对开度是指导现场调节的依据,因此需要确定阻抗变化与阀门相对开度之间的关系。根据调节阀的特性指数和固有调节特性,建立调节阀的数学模型,推导出阻抗变化和阀门开度的关系,并应用实验数据对该数学模型进行精度分析,计算调节阀在不同压差条件下相对开度与流阻系数的关系,将实验数据计算结果与推导出的计算公式对比,验证了阀门开度计算公式的准确性。最后为使调节阀具有良好的调节性能,总结了阀门选型的原则和方法。
周琨[3]（2021）在《网络流量模型及异常检测技术研究》文中研究指明网络流量海量化、复杂化已成为常态,如何识别、监测、分析网络流量已成为重要研究方向和热点。特别是基于深度学习的异常检测方法的研究,受到产学研界广泛关注,异常检测与机器学习、深度学习等人工智能技术领域相结合是网络安全领域研究的一个重要分支。作为检测高级威胁手段的流量分析技术结合人工智能、大数据等技术对流量建模,分析流量行为,识别检测异常流量,为网络规划、网络优化、网络监控等提供重要的技术支撑。本论文的研究内容是将传统的统计方法、深度学习及强化学习的方法用于网络流量建模和异常检测,流量模型是基于流量的异常检测的基础性研究工作,掌握流量特征是建设健壮、安全可靠网络的前提条件。可在流量模型上开展流量预测、分类,以及在此基础上进行异常检测研究。本文主要研究内容和贡献包括:（1）研究了移动平均自回归模型在以流量为代表的时间序列建模领域的应用,总结了一套建模流程,可用于指导模型设计、指标选择及模型评估;提出了一个ARIMA+SVR的混合模型,时间序列的预测准确度提高了10%以上。设计了一个加密视频流识别方案,提出了视频流最近邻、动态时间规整算法;基于加密后流量不确定性增加、熵值加大的特点,结合分类算法提出了一个加密流量识别方法,该方法与传统方法相比,识别准确率提高了10%以上。（2）在分析和实验长短期记忆网络性能存在的问题后,提出了基于注意力机制和自编解码融合的流量模型,训练时间与现有的模型相比缩短了约80%左右,在流量模型的基础上设计了异常评分机制,提出了基于注意力的异常检测模型,实验结果表明异常检测准确率达到或超过现有模型,模型训练时间效率提升明显。（3）通过将生成式对抗神经网络（GAN）应用于流量建模和异常检测的研究,提出了基于GAN的流量模型,该模型克服了GAN训练易出现不稳定等问题,生成了“高仿真度”的网络流量,在此基础上进一步设计了异常评分机制,进行流量异常检测。实验测试表明模型的有效性,其识别准确率达到或超过现有模型。（4）通过对异步强化学习（A3C）应用于网络流量的研究,提出了一个对网络攻击行为建模的异常检测模型,对四个基准数据集的实验测试表明,检测准确率、召回率及F1分数等评价指标达到或超过现有的模型。
翟学萌[4]（2020）在《多类型复杂网络的随机模型构建与分析方法研究》文中提出复杂网络随机模型指与实际网络具有某些相同特征,其它网络特征完全随机化的网络模型。以统计推断为基础,复杂网络随机模型作为参考系,能够定量化凸显实际网络难以直观解释的复杂结构特性,并在比较与推断的过程中,帮助科研人员深入理解实际网络的内在规律,为复杂系统的描述与分析提供更加深刻的科学认知。近年来随着复杂网络研究的发展,其研究对象愈加复杂、规模愈加庞大,具有单一类型节点与边的简单同质网络已无法对多对象、多关系的大规模复杂系统进行描述,需要采用如多元网络、边网络、大规模稀疏网络、异质网络等更为复杂的网络结构对这些系统进行准确的抽象与分析。现有针对简单同质网络的随机模型研究,并不适用于结构更为复杂、规模更为庞大的网络结构分析,因此需要针对上述多类型复杂网络的随机模型开展深入研究,为分析与表征其复杂结构特性提供支撑。为了填补复杂网络随机模型在多类型复杂网络研究中的空白,进一步解决网络稀疏性对网络随机模型构建的挑战,本文提出了多元网络冗余度随机模型、边网络随机模型、网络稀疏随机模型、异质网络零模型与异质稀疏随机模型,覆盖了复杂网络的全部类型,为多类型复杂网络提供了有效的分析与表征工具,为建立以随机模型为基础的网络科学体系奠定了理论基础。本文工作的主要创新与贡献如下:1.针对现有方法难以解决多元网络冗余性以及多元网络复杂结构分析困难的问题,本文基于多元网络的冗余特性,提出了与原始多元网络具有相同节点冗余度分布的多元网络冗余度随机模型理论,并在普拉斯动力学的理论下给出了模型特定的成边概率。该模型描述了多元网络中节点之间的冗余连接关系,并且提供了一个普适的系统框架以量化多元网络中的特定性质,包括多元网络社团结构等。2.以网络中的连边为主要研究对象,提出了边网络随机模型,该模型具有任意且随机的节点度分布和与原网络相同的边度分布,提供了对基于连边研究的特定性质的新见解。边网络随机模型提供了一个独特且有效的连边核心分析体系,用于复杂网络中连边的分析。该模型保留了连边结构的基本统计特性,定量化凸显了连边的复杂结构特征,能够有效用于如连边社团检测、模体判定等以边为研究核心的复杂问题研究。3.针对大规模网络稀疏性对随机模型构建的挑战,本文通过对复杂网络进行稀疏表征,构建了复杂网络的稀疏随机模型,保留了原始网络的字典结构。网络的稀疏表征方法用于网络的分解与降维,提取网络中的原子结构,并且通过原子结构零模型的重构,构建了保留原始网络字典结构的稀疏随机模型。稀疏随机模型中的原子能够用于网络结构的分析,能够解决多类型复杂网络中的难题,包括网络相似度测量、网络的识别与分类等。从网络的分解、压缩到重构甚至预测,本文实现了一个完整而科学的网络稀疏随机模型表征体系。4.针对复杂网络中的异质网络进行探究,提出了异质网络零模型及稀疏随机模型。异质网络零模型同时描述了异质网络中节点之间的同质连接关系以及异质连接关系,为量化异质网络中的复杂性质提供了一个普适的理论模型框架。异质网络稀疏随机模型用于异质网络的分解与降维,发现了异质网络中的异质原子,网络中大量的冗余结构通过异质原子得以简化。因此,异质原子及其稀疏编码是异质网络的线性表出,并且自然地降低了异质网络的维度,实现了异质网络的压缩存储。
朱亚锋[5]（2018）在《网络异常流量模型研究与仿真生成》文中指出近年来,国际上主要的军事大国均已经认识到了网络空间靶场的重要性,并开展和建设各种应用项目,争夺网络空间的主导权。为了弥补我国与美英等大国之间的差距,我们有必要研究建设一个高逼真的网络靶场环境,这其中需要解决的一个核心问题就是如何生成靶场网络流量。由于现实网络中,异常流量的存在不可忽视,所以在网络靶场流量生成中也必须包括网络异常流量的生成。从已有研究可知,网络异常流的产生方式主要有使用源代码发动攻击法和异常流量特征建模法这两种。由于使用源代码攻击存在着滞后性、执行难度大、后果不可控等缺点,本文采用异常流量建模方法生成网络异常流量。围绕这一目标,本文通过分析网络异常流量特征,设计出一种基于时空模型的网络异常流量生成机制,并开发了相应的演示系统。验证实验表明,本文生成的流量符合网络异常流量特征。本文主要工作如下:1.网络异常流量生成框架设计:文章列举常见的网络攻击,在对这些多样性攻击流量分析的基础之上,从空间和时间角度提取网络数据包协议头、数据包负载和数据包发送时间间隔三个方面的特征,设计出一种基于时空模型的网络异常流量生成机制框架,并对框架中的特征翻译模块、数据包构造模块和流量生成模块及每个模块的组成单元进行具体描述。2.基于时空模型的网络异常流量生成机制实现:该机制由三个模块构成。在特征翻译模块,文章采用Snort规则库作为异常流量特征库,并结合ANTLR语法规则,设计出基于ANTLR的Snort规则解析程序。该程序读取Snort规则,识别规则各字段token值,存入规则结构体。数据包构造模块读取规则结构体,获取数据包各字段取值,使用Libnet函数库构造数据包。在流量生成模块,分别使用泊松模型,周期模型和多分形小波模型刻画具有不同时间分布特征的流量。根据模型计算得到数据包发送时间间隔,控制数据包的发送过程,形成网络异常流量。3.网络异常流量生成演示系统开发:结合本文提出的基于时空模型的网络异常流量生成机制,开发出一套异常流量生成演示系统。该系统分为规则读取识别、报文构造和流量生成三个部分,分别对应于异常流量生成机制的三个模块。系统可视化地演示了网络异常流量的生成流程。验证结果表明,该系统可以生成符合特性的网络异常流量。
朱铨[6]（2014）在《铁路干线移动互联网的异构网络部署与流控关键技术研究》文中认为摘要：随着我国高速铁路的大规模建设及移动互联网应用的快速普及,迫切需要为车载快速移动环境下的用户提供更好的移动互联网服务,但目前尚有诸多挑战性问题,如：地面无线网络覆盖技术、车-地宽带互联机制、车-地互联流量管理以及车载移动互联网接入网络的智能化管理等。为此,论文开展了如下研究：通过对国内外研究现状的深入比较分析,论文设计了一种基于集中接入模式的四层车载移动互联网体系结构,并确定了论文待研究的六个关键技术问题。为实现对铁路交通干线沿线合理的无线宽带网络覆盖,论文提出了基于无线Mesh网络和3G/LTE/4G的地面无线专网建网策略,从而以较优的投资成本实现铁路交通干线沿线的无线宽带网络覆盖,并获得较好的传输性能。在实际网络部署中,可采用P层榕树型网络拓扑结构以提高实施的可行性。针对无线Mesh网络存在的多跳传输带宽急剧下降且传输时延快速增长的难题,论文建立了多跳无线Mesh网络骨干链路传输模型,对影响其传输性能的关键因素进行了深入研究,并设计了多模Mesh节点结构和正交频道分配方案。在此基础上,论文研发了基于IEEE802.11n标准和B.A.T.M.A.N. adv路由协议的无线Mesh路由器原型系统,实验结果表明其单跳传输基带宽大于140Mbps,经过八跳传输后的带宽仍大于60Mbps,且传输时延较小为实现车载通信网关在异构网络中的垂直切换,论文基于效用函数设计了异构无线网络垂直切换策略HWNHS,通过系统延迟容忍系数对传输链路进行灵活地选择,以实现最优的传输性能和最大的传输收益。由于车载移动互联网用户的快速移动特性,论文设计了快速无线Mesh网络切换算法FWMNSA。通过对其切换性能进行仿真研究,结果表明车载通信网关的移动速度、扫描时间间隔以及接入信道数将影响其切换成功的概率。同时,论文针对车-地互联的应用环境,设计了区内快速切换策略FSSFA以及车载通信网关的原型系统,实验结果表明,采用FWMNSA的车载通信网关可以实现Mesh节点间的快速切换,通过FSSFA策略,将使车载通信网关在Mesh节点间进行快速切换的传输时延降低至600-700ms,从而实现了车载通信网关在无线Mesh网络中的快速、无缝水平切换。为优化车-地宽带互联Internet流量的传输,提高用户的使用体验,论文基于ON/OFF模型和叠加模型建立了适合车-地宽带互联Internet流量的数学分析模型,并对车-地互联Internet流量的特性进行了研究,在此基础上设计了代理服务器的预取访问算法PAA,仿真和实验结果表明其能够明显提升车-地宽带互联链路在高负载情况下的承载能力。为实现对长距离、大规模的地面覆盖无线Mesh网络的智能化管理,论文建立了Mesh节点故障预测处理策略NFPPS,实现了对节点的链路通信质量、节点负载的自动感知,缩短了Mesh节点发生故障时网络重新收敛的时间,从而增强了网络的健壮性。在此基础上,本文开发了无线Mesh网络的本地管理平台和集中云管理平台,实现了对无线Mesh网络及Mesh节点实时、在线的智能监控与管理。图62幅,表30个,参考文献190篇。
赵永亮[7]（2014）在《基于时空的多源数据趋势预测研究》文中研究表明随着互联网的高速发展与广泛应用,人们的生活与工作越来越便利。但是人们在利用互联网进行生活与娱乐的同时网络上会有大量的网络流量数据产生。这些数据大部分是没有危害的,只是用于信息的交互,但肯定还是会有一些威胁隐藏在网络流量中,这些威胁可能会对网络或网络上的主机等造成不同程度的危害等。正是因为这些威胁的存在,现在越来越多的研究机构或企业开始关注网络中的数据,他们一直努力想在这些数据的基础上取得成果:有些研究者从流量数据中分析潜在的威胁,提出了各种检测算法;有些研究者分析了流量数据的特点,并利用这些数据研究网络安全,比如通过分析数据的特点研究网络安全的技术手段如防火墙等;还有一些想利用这些数据来预测趋势变化,从而提前部署安全防范措施或者改善已有的安全技术。然而,想要研究这些数据,必须要能够采集到数据。这样一来,如何快速稳健的采集、保存与分析这些数据就成了一个难题。本文首先对网络环境下的多源数据,尤其是对不同类别流量数据的特点进行了验证分析,然后在此基础上提出了一种综合的预测算法用于趋势预测,最后提出了一个多源数据采集分析框架用于采集分析数据。总之,本文的研究包括以下几个方面:1.分析了多源数据预测算法、采集方法的研究现状:研究了基于时间序列的预测算法现状;以网络流量的采集方法为例,研究了多源数据采集方法的现状;2.研究网络环境下多源数据的特点:以有线网络流量数据与无线网络流量数据为例,研究其长度、周期、自相似特征等特点及其分析方法,并对多源数据的特点研究做出总结;3.研究了多源数据趋势预测模型:研究了FARIMA模型,在此基础上提出一种新的基于小波变换与时间序列相结合的算法用于多源数据预测,并用真实的网络流量数据进行了实验,经实验分析表明该预测算法可以有效的减少大量计算,并能提高预测准确率。4.在研究了多源数据特点与数据预测模型的基础上,提出了一种针对多源数据采集分析框架,该框架有效的结合了Nagios网络监控工具以及多源数据趋势预测模型,使用“主动+被动”多层分布式模型采集、存储、分析多种来源的数据。该系统最基本的目的是用于网络监控,通过大量的测试表明该系统增加了对数据的分析之后,不仅能够完成大量的采集监控任务,还可以更好的维护网络安全。
谢坤[8]（2010）在《网络流量检测与分析预测技术的研究》文中指出网络流量检测与建模预测是对网络进行管理控制的关键技术。本文分析了当前网络异常检测与流量预测的相关技术并深入研究了网络流量的自相似性及其参数估算算法,详细分析了与网络流量数学建模的相关技术,之后设计了一个结合小波分析与希尔伯特黄变换的自相似指数估算算法将其应用于网络流量异常检测,并通过实验验证了其在准确性与有效性方面的提高,同时还设计了一个结合经验模态分解与离散小波变换的网络流量混合模型应用于网络流量预测,也通过实验验证了其有效性与相对较高的预测准确性。
燕爱玲[9]（2007）在《河川径流时间序列的分形特征研究》文中研究说明河川径流是一种非线性时间序列,对其进行合理正确描述和规律探索直接关系到水资源高效开发利用。本文针对径流演变特征,基于分形等非线性理论,对河川径流演变的若干非线性特征进行了提取、比较、分析,以及建模、计算等工作,主要研究成果有:（1）河川径流时间序列基本统计特征研究。引入柯尔莫哥罗夫-斯米尔诺夫（Kolmogorov-Smirnov）对径流波动进行了随机正态性检验,结果表明其分布的形状与对称形式与正态分布型的偏离程度均存在显着差异;同时,通过其频数分布说明研究对象具有“尖峰厚尾”的分形分布特征。（2）河川径流非线性识别。利用双谱分析对河川径流时间序列数据进行了定性分析,分析结果说明黄河、长江干流径流时间序列数据结构具有非线性特征。对于非对称系统,双谱完全可表征系统的非线性特性。所以总体来看,用高阶累积量研究系统的非线性是一个极为精确和有效的方法。（3）河川径流的长期相关性及维数研究。在对时间序列长期相关性评述的基础上,提出了一种基于不对称周期模型的非趋势波动分析方法,识别了黄河、长江干流主要水文站月径流序列进行相关性分析以及标度不变性分析。所得结论为:黄河及长江干流的月径流序列存在明显的长程相关性,标度指数均大于0.5,且黄河干流相关性程度高于长江干流。各站月径流序列在年内周期普遍存在上升慢、下降快的趋势特点,而且随着集水面积的增大,序列相关性增强,表现出明显的累积效应,揭示越大尺度的水文系统,越趋于稳定。根据标度指数,计算了流域分形维数,进一步验证了河川径流所具有的自相似性与标度不变性。（4）径流演变的长记忆性分析。分析与了解径流结构、判断径流演变趋势以及长记忆性对水文系统与未来变化的影响等方面具有重要的作用,基于此,本文提出一种基于Liu变换的径流序列分解方法,运用修正R/S分析对分解前后的序列进行长记忆性检验。结果表明:径流波动突变的原因与降水、气候变化有着不可分割的关系。同时,只包含长记忆的序列,有效证实了径流序列波动长记忆性的存在,而且其产生原因可以由结构转换的持续性作出合理解释,进一步说明在实证之前进行序列分解是非常有必要的。（5）河川径流多重分形研究。与单分形相比,多标度分形更能刻画径流系统演变过程中的不均匀性。本文采用多重分形消除趋势波动分析法（简称MF-DFA）对径流的多重分形性进行分析,并探讨多重分形形成的原因。所得到的结论为:黄河、长江干流径流序列均呈现出明显的多重分形,且多重分形是由其内在的长期相关性和厚尾分布共同作用的结果,这为深化水系发育演化规律的定量研究开辟了一条新途径。（6）河川径流预测。针对径流非线性特征,建立了最近邻域混沌预测模型,对黄河、长江干流径流过程进行了预测,得到了满足精度要求的预测结果,并利用该模型能够有效跟踪径流系统中相空间里的吸引子、充分扑捉历史数据中所隐含的有用信息这一特点,进一步通过增加邻近点数来发现预测均方误差的变化,对预测效果进行了检验,结果证实这一方法真实地反映了河川径流变化的总体趋势,这同时为判断时间序列数据的非线性提供了一种新方法。
汪翰林[10]（2004）在《网络控制系统信息流动态特性建模和分析》文中研究说明网络控制系统和传统的控制系统相比具有接线少、维护方便、可靠性高等特点，在现代工业中正得到越来越广泛的应用。由于网络的介入，控制系统的分析因为延时的不确定性变得非常复杂。本文以网络中信息流的本质属性——自相似性为切入点，研究网络控制系统中信息流的动态特性。文中详述了自相似信息流的线性近似生成算法以及建模参数的快速估计方法，并对自相似信息流的排队性能进行了分析；在分析控制网络性能和时延组成的基础上，重点研究了以太网中信息流的时延特性，并借助通用系统仿真软件（GPSS），对一类网络控制系统时延进行了仿真研究。
二、MERGING AND SPLITTING SECOND-ORDER SELF-SIMILAR PROCESSES (TRAFFICS)（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、MERGING AND SPLITTING SECOND-ORDER SELF-SIMILAR PROCESSES (TRAFFICS)（论文提纲范文）
（1）面向边缘计算的智慧标识网络资源协同与适配机制研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 主要缩略语对照表 |
| 1 绪论 |
| 1.1 引言 |
| 1.2 研究背景与现状 |
| 1.2.1 边缘计算架构 |
| 1.2.2 资源适配架构 |
| 1.2.3 相关研究工作 |
| 1.3 面向边缘计算的SINET架构 |
| 1.4 主要问题及意义 |
| 1.5 主要工作与创新点 |
| 1.6 论文组织架构 |
| 2 基于端-边协同的任务卸载性能评估模型 |
| 2.1 引言 |
| 2.1.1 研究背景 |
| 2.1.2 相关工作 |
| 2.2 任务卸载模型描述 |
| 2.2.1 应用场景简介 |
| 2.2.2 队列模型描述 |
| 2.2.3 卸载策略分析 |
| 2.3 平均响应时间分析 |
| 2.3.1 终端平均响应时间 |
| 2.3.2 服务器平均响应时间 |
| 2.3.3 整体平均响应时间 |
| 2.4 任务卸载能耗分析 |
| 2.4.1 终端设备能耗 |
| 2.4.2 边缘服务器能耗 |
| 2.5 多终端资源适配方法 |
| 2.6 性能评估 |
| 2.6.1 实验场景与参数 |
| 2.6.2 实验结果与分析 |
| 2.7 本章小结 |
| 3 基于随机优化的边缘资源协同传输调度机制 |
| 3.1 引言 |
| 3.1.1 背景介绍 |
| 3.1.2 相关工作 |
| 3.2 协同传输模型描述 |
| 3.2.1 应用场景简介 |
| 3.2.2 队列模型描述 |
| 3.3 动态传输调度方法 |
| 3.3.1 辅助变量与问题转化 |
| 3.3.2 问题解耦与子问题求解 |
| 3.3.3 动态传输调度算法描述 |
| 3.3.4 算法性能与复杂度分析 |
| 3.4 算法性能评估 |
| 3.4.1 实验场景与参数 |
| 3.4.2 实验结果与分析 |
| 3.5 本章小结 |
| 4 基于多代理强化学习的边缘协作缓存方法 |
| 4.1 引言 |
| 4.1.1 背景介绍 |
| 4.1.2 相关工作 |
| 4.2 协作缓存模型描述 |
| 4.2.1 应用场景简介 |
| 4.2.2 缓存优化模型 |
| 4.3 基于强化学习的协作缓存方法 |
| 4.3.1 强化学习协作缓存框架 |
| 4.3.2 特征定义与动作选择 |
| 4.3.3 边缘协作缓存算法描述 |
| 4.4 算法性能评估 |
| 4.4.1 实验场景与参数 |
| 4.4.2 实验结果与分析 |
| 4.5 本章小结 |
| 5 基于服务功能切换的云-边资源协同适配机制 |
| 5.1 引言 |
| 5.1.1 背景介绍 |
| 5.1.2 相关工作 |
| 5.2 服务切换模型描述 |
| 5.2.1 应用场景简介 |
| 5.2.2 队列模型描述 |
| 5.3 资源适配算法设计 |
| 5.3.1 虚拟队列与问题解耦 |
| 5.3.2 资源适配算法的描述 |
| 5.3.3 算法性能与复杂度分析 |
| 5.4 基于任务拒绝的算法改进 |
| 5.4.1 拒绝机制与时延队列 |
| 5.4.2 改进后的算法描述 |
| 5.4.3 改进算法的性能分析 |
| 5.5 算法性能评估 |
| 5.5.1 实验场景与参数 |
| 5.5.2 实验结果与分析 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来工作展望 |
| 附录 A |
| 附录 B |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（2）基于分形理论的供暖管网仿真及应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外供热系统研究现状 |
| 1.2.1 在供热管网设计方面 |
| 1.2.2 在水力工况计算及管网优化方面 |
| 1.2.3 在供热管网系统的调节方面 |
| 1.3 主要研究内容 |
| 第二章 分形理论及其在管网仿真方面的应用 |
| 2.1 分形理论概述 |
| 2.1.1 分形理论的产生和发展 |
| 2.1.2 分形理论的定义 |
| 2.1.3 分形几何的基本性质 |
| 2.1.3.1 自相似性 |
| 2.1.3.2 无标度性 |
| 2.2 分形理论的研究成果及应用 |
| 2.2.1 研究成果 |
| 2.2.2 分形理论在管网系统中的研究及应用 |
| 2.3 分形理论在供热管网系统中应用的可行性分析 |
| 2.4 本章小结 |
| 第三章 供热管网的分形表示方法 |
| 3.1 管网模型构建基本原理 |
| 3.1.1 图论理论 |
| 3.1.2 分形图形的轴树结构 |
| 3.1.3 管网阻力特性 |
| 3.1.4 管路的串联与并联 |
| 3.2 管网模型构建方法 |
| 3.3 实际管网的分形表示 |
| 3.3.1 室内供热管网分形表示 |
| 3.3.1.1 户内管网系统 |
| 3.3.1.2 层间管网系统 |
| 3.3.1.3 立管管网系统 |
| 3.3.1.4 室内管网系统综述 |
| 3.3.2 室外供热管网分形表示 |
| 3.4 管网的数据表示 |
| 3.4.1 立管及用户管网信息 |
| 3.4.2 室外二次供热管网信息 |
| 3.5 本章小结 |
| 第四章 管网仿真基础及计算原理 |
| 4.1 管网计算基本原理 |
| 4.1.1 水力计算基本公式 |
| 4.1.2 基尔霍夫定律 |
| 4.1.3 哈迪·克罗斯方法 |
| 4.2 调节阀数学模型 |
| 4.2.1 调节阀的特性指数 |
| 4.2.2 调节阀的固有调节特性 |
| 4.2.3 阀门调节阻抗与相对开度的关系 |
| 4.2.4 流阻系数与相对开度曲线精度分析 |
| 4.3 本章小结 |
| 第五章 供热管网系统的设计仿真 |
| 5.1 仿真目的 |
| 5.2 计算方法 |
| 5.3 程序设计思路与说明 |
| 5.3.1 水的密度和运动黏度的计算 |
| 5.3.2 管径计算 |
| 5.3.3 不平衡率及管径调整计算 |
| 5.4 设计计算实例 |
| 5.5 本章小结 |
| 第六章 二次供热管网的初调节仿真 |
| 6.1 仿真目的 |
| 6.2 调节方法 |
| 6.3 程序设计思路与说明 |
| 6.4 二次网初调节计算实例 |
| 6.4.1 管网系统概况 |
| 6.4.2 计算结果与数据分析 |
| 6.4.3 阀门选型 |
| 6.5 本章小结 |
| 第七章 室内供热管网调节仿真 |
| 7.1 仿真目的 |
| 7.2 调节方法 |
| 7.2.1 逐一调节 |
| 7.2.2 批量调节 |
| 7.3 程序设计思路与说明 |
| 7.3.1 层间阻力平衡 |
| 7.3.2 同层各用户阻力平衡 |
| 7.3.3 “梯子”形管网流量分配 |
| 7.3.4 各热用户流量分配 |
| 7.3.5 管道内径计算 |
| 7.4 室内管网调节实例 |
| 7.4.1 逐一调节数据分析 |
| 7.4.1.1 一梯两户户型 |
| 7.4.1.2 一梯四户户型 |
| 7.4.2 批量调节数据分析 |
| 7.5 本章小结 |
| 第八章 结论与展望 |
| 8.1 结论 |
| 8.2 展望与不足 |
| 8.2.1 展望 |
| 8.2.2 不足 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间的研究成果及发表的学术论文 |
（3）网络流量模型及异常检测技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 异常检测的定义分类及应用 |
| 1.3 异常检测研究方法 |
| 1.3.1 传统异常检测方法 |
| 1.3.2 基于机器学习方法 |
| 1.3.3 基于信息熵和小波的异常检测 |
| 1.4 异常检测面临的问题挑战 |
| 1.4.1 传统模型存在的问题 |
| 1.4.2 监督、半监督学习面临的挑战 |
| 1.5 论文主要贡献及创新点 |
| 1.6 本论文的结构安排 |
| 第二章 网络流量模型及异常检测研究综述 |
| 2.1 网络流量模型及异常检测 |
| 2.1.1 网络流量模型 |
| 2.1.2 网络流量异常检测 |
| 2.1.3 加密网络流量识别检测 |
| 2.2 基于深度学习的异常检测 |
| 2.3 基于强化学习的异常检测 |
| 2.4 本章小结 |
| 第三章 基于熵和统计机器学习的流量研究 |
| 3.1 背景 |
| 3.2 基于统计的流量模型 |
| 3.3 模型详细设计 |
| 3.3.1 园区流量模型 |
| 3.3.2 Web流量模型 |
| 3.3.3 混合模型 |
| 3.3.4 分析与小结 |
| 3.4 基于近邻和DTW的视频检测识别方法 |
| 3.4.1 视频检测背景技术 |
| 3.4.2 设计方法 |
| 3.5 机器学习和信息熵融合的检测识别 |
| 3.5.1 信息熵平衡估计 |
| 3.5.2 流量数据平衡信息熵评估 |
| 3.5.3 熵和机器学习融合算法 |
| 3.6 本章小结 |
| 第四章 基于深度学习的流量及异常检测 |
| 4.1 深度神经网络基本理论 |
| 4.2 网络流量模型基本原理 |
| 4.2.1 卷积神经网络基本原理 |
| 4.2.2 LSTM基本原理 |
| 4.3 基于自编解码的流量模型 |
| 4.3.1 自编解码基本原理 |
| 4.3.2 模型设计 |
| 4.4 基于注意力机制的流量模型 |
| 4.4.1 基本原理 |
| 4.4.2 模型设计 |
| 4.4.3 实验结果 |
| 4.5 基于TCNatt-VAE的异常检测方法 |
| 4.5.1 模型基本原理 |
| 4.5.2 异常检测模型 |
| 4.5.3 实验结果 |
| 4.6 本章小结 |
| 第五章 基于生成式对抗神经网络的流量及异常检测 |
| 5.1 背景 |
| 5.2 模型基本原理 |
| 5.3 基于GAN的网络流量模型 |
| 5.3.1 问题描述 |
| 5.3.2 流量模型设计 |
| 5.4 基于GAN的流量异常检测 |
| 5.4.1 模型设计 |
| 5.5 实验结果及分析 |
| 5.5.1 流量模型 |
| 5.5.2 异常检测模型 |
| 5.6 本章小结 |
| 第六章 基于强化学习的网络异常检测研究 |
| 6.1 背景及基本原理 |
| 6.1.1 背景 |
| 6.1.2 基本原理 |
| 6.2 基于强化学习的异常检测 |
| 6.2.1 问题建模 |
| 6.2.2 模型设计方法 |
| 6.3 实验过程 |
| 6.3.1 三种数据集上的实验 |
| 6.3.2 实验结果分析 |
| 6.4 本章小结 |
| 第七章 全文总结与展望 |
| 7.1 全文总结 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（4）多类型复杂网络的随机模型构建与分析方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 复杂网络随机模型构建与分析方法概述 |
| 1.2.1 复杂网络及其随机模型的基本概念 |
| 1.2.2 复杂网络零模型的基本问题 |
| 1.2.3 网络表征与稀疏表征的基本概念 |
| 1.2.4 复杂网络稀疏表征的基本问题 |
| 1.3 复杂网络随机模型构建与分析的国内外研究现状 |
| 1.3.1 复杂网络随机模型基础理论研究 |
| 1.3.2 网络表征方法研究 |
| 1.3.3 稀疏表征理论及方法研究 |
| 1.3.4 现有复杂网络随机模型构建与分析方法的不足与缺点 |
| 1.4 论文研究内容和主要贡献 |
| 1.5 本论文的结构安排 |
| 第二章 多元网络冗余度随机模型 |
| 2.1 复杂网络中的多元网络及冗余性 |
| 2.1.1 多元网络表示方法 |
| 2.1.2 多元网络冗余性参数 |
| 2.2 多元网络冗余度随机模型及其构建方式 |
| 2.2.1 零模型 |
| 2.2.2 多元网络冗余度随机模型 |
| 2.2.3 多元网络随机配置模型算法 |
| 2.3 多元网络中的随机穿梭理论 |
| 2.4 多元网络模块度与快速社团检测算法 |
| 2.4.1 单网络模块度 |
| 2.4.2 多元网络模块度 |
| 2.4.3 基于多元网络冗余度随机模型的快速社团检测算法 |
| 2.5 基于多元网络冗余度随机模型的多元网络社团检测 |
| 2.5.1 多元网络的社团结构与现有算法简介 |
| 2.5.2 多元网络数据简介 |
| 2.5.3 多元网络社团评价参数简介 |
| 2.5.4 多元网络的社团检测实验结果及分析 |
| 2.6 本章小结 |
| 第三章 边网络随机模型 |
| 3.1 边网络随机模型及其构建方式 |
| 3.1.1 连边邻接矩阵与连边度 |
| 3.1.2 边网络随机模型 |
| 3.1.3 随机连边配置方法以及随机游走理论 |
| 3.2 限制型边网络随机模型及其生成方式 |
| 3.2.1 限制型边网络随机模型 |
| 3.2.2 随机连边回溯配置方法以及连边随机重连算法 |
| 3.2.3 线图、零模型与边网络随机模型 |
| 3.3 边网络随机模型统计特性分析 |
| 3.3.1 复杂网络中的理论模型与数据集 |
| 3.3.2 统计特性分析参数 |
| 3.3.3 基于理论网络模型的边网络随机模型统计特性分析 |
| 3.3.4 基于真实网络的边网络随机模型统计特性分析 |
| 3.4 基于边网络随机模型的连边社团检测 |
| 3.4.1 边连接强度以及连边社团系数 |
| 3.4.2 基于边网络随机模型的快速连边社团检测算法 |
| 3.4.3 现有连边社团算法及评价参数简介 |
| 3.4.4 基于边网络随机模型的连边社团检测结果分析 |
| 3.5 基于边网络随机模型的模体判定 |
| 3.5.1 复杂网络中的模体 |
| 3.5.2 基于边网络随机模型的模体判定结果及分析 |
| 3.6 本章小结 |
| 第四章 网络稀疏随机模型 |
| 4.1 复杂网络的稀疏表征与原子 |
| 4.1.1 自我中心网络与采样方法 |
| 4.1.2 网络的稀疏表征 |
| 4.1.3 网络的原子 |
| 4.2 基于原子重构的网络稀疏随机模型 |
| 4.2.1 基于原子零模型重构的网络稀疏随机模型构建方法 |
| 4.2.2 网络数据简介 |
| 4.2.3 网络稀疏随机模型特性分析 |
| 4.3 原子的统计特性分析 |
| 4.3.1 原子统计参数分析 |
| 4.3.2 原子统计分布特性分析 |
| 4.4 基于稀疏随机模型的网络相似度测量、分类及识别 |
| 4.4.1 网络相似度测量 |
| 4.4.2 网络的分类与识别 |
| 4.5 本章小结 |
| 第五章 异质网络的零模型与稀疏随机模型 |
| 5.1 异质网络及其表示方式 |
| 5.2 异质网络零模型及其生成方法 |
| 5.2.1 异质网络零模型 |
| 5.2.2 异质网络中的随机游走 |
| 5.3 基于异质网络随机模型的异质社团结构分析 |
| 5.3.1 异质网络模块度 |
| 5.3.2 异质网络社团快速发现算法 |
| 5.3.3 推特事件关联网中的社团发现 |
| 5.4 异质网络的稀疏表征与异质原子 |
| 5.4.1 超异质邻接矩阵 |
| 5.4.2 自我中心异质网络与采样方法 |
| 5.4.3 异质网络的稀疏表征 |
| 5.4.4 异质原子 |
| 5.5 基于异质原子重构的异质稀疏随机模型 |
| 5.6 异质原子统计特性分析 |
| 5.7 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（5）网络异常流量模型研究与仿真生成（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 研究目标与研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 论文组织结构 |
| 第二章 背景技术 |
| 2.1 流量模型 |
| 2.1.1 传统的流量模型 |
| 2.1.2 自相似流量模型 |
| 2.2 常见攻击 |
| 2.2.1 拒绝服务攻击 |
| 2.2.2 信息收集型攻击 |
| 2.2.3 利用型攻击 |
| 2.3 Snort及其规则库 |
| 2.4 Libnet和Libpcap |
| 2.5 本章小结 |
| 第三章 系统分析与设计 |
| 3.1 需求分析 |
| 3.2 异常流量时空特性分析 |
| 3.3 总体设计 |
| 3.3.1 系统设计 |
| 3.3.2 流量数据格式设计 |
| 3.3.3 拓扑设计 |
| 3.4 本章小结 |
| 第四章 基于时空模型的异常流量生成机制 |
| 4.1 ANTLR及语法规则 |
| 4.2 基于ANTLR的Snort规则解析器设计 |
| 4.2.1 规则头部解析语法设计 |
| 4.2.2 规则体解析语法设计 |
| 4.2.3 Snort解析器生成 |
| 4.3 数据包构造 |
| 4.3.1 Snort规则预处理 |
| 4.3.2 Snort规则选项值存储策略 |
| 4.3.3 报文字段取值 |
| 4.4 数据包发送时间间隔生成 |
| 4.4.1 基于泊松模型的时间间隔生成 |
| 4.4.2 基于周期模型的时间间隔生成 |
| 4.4.3 基于MWM的时间间隔生成 |
| 4.5 本章小结 |
| 第五章 异常流量生成系统实现与实验验证 |
| 5.1 异常流量生成系统实现 |
| 5.1.1 流量生成流程 |
| 5.1.2 演示系统开发 |
| 5.2 实验验证 |
| 5.2.1 协议头部特征验证 |
| 5.2.2 时间特征验证 |
| 5.2.3 负载特征验证 |
| 5.3 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 |
| 作者简介 |
（6）铁路干线移动互联网的异构网络部署与流控关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 1 绪论 |
| 1.1 课题来源与背景 |
| 1.2 国内外研究现状 |
| 1.2.1 移动互联网的发展及需求 |
| 1.2.2 车载移动互联网接入网络 |
| 1.2.3 异构无线网络融合 |
| 1.2.4 车载移动通信网络接入模式 |
| 1.2.5 车-地互联Internet流量管理 |
| 1.3 研究内容与论文结构 |
| 2 车载移动互联网的体系结构 |
| 2.1 高速铁路3G移动通信传输机制研究 |
| 2.1.1 高速铁路环境对移动通信的影响 |
| 2.1.2 移动通信网络无线覆盖 |
| 2.1.3 切换技术 |
| 2.1.4 3G网络传输性能测试 |
| 2.2 车载移动互联网体系结构及功能 |
| 2.2.1 体系结构模型 |
| 2.2.2 车载移动应用层 |
| 2.2.3 接入层 |
| 2.2.4 汇聚层 |
| 2.2.5 服务提供层 |
| 2.3 车载移动互联网应用的关键技术问题 |
| 2.4 本章小结 |
| 3 异构无线网络体系结构及WMN骨干网络传输性能研究 |
| 3.1 异构无线网络体系结构及建网策略 |
| 3.2 交通干线无线骨干传输网络拓扑结构 |
| 3.3 无线Mesh网络骨干链路的多跳传输性能研究 |
| 3.3.1 多跳WMN骨干链路结构 |
| 3.3.2 多跳WMN骨干链路传输模型 |
| 3.3.3 多模WMN节点结构研究 |
| 3.4 多跳WMN互联机制研究 |
| 3.4.1 二层路径转发与三层路由机制 |
| 3.4.2 二层路径转发路由协议 |
| 3.5 实验测试及分析 |
| 3.5.1 WMN骨干传输网络实验床 |
| 3.5.2 测试结果及分析 |
| 3.6 本章小结 |
| 4 异构无线网络环境下的快速切换机制研究 |
| 4.1 异构无线网络垂直切换策略 |
| 4.1.1 传输成本建模 |
| 4.1.2 系统延迟容忍 |
| 4.1.3 WiFi链路吞吐量预测 |
| 4.1.4 切换策略 |
| 4.1.5 仿真实验研究 |
| 4.2 WMN水平切换机制研究 |
| 4.2.1 快速WMN切换技术研究 |
| 4.2.2 车载通信网关原型系统设计 |
| 4.2.3 OCG切换性能研究 |
| 4.3 基于B.A.T.M.A.N.adv的快速切换机制研究 |
| 4.3.1 B.A.T.M.A.N.adv的路径更新策略 |
| 4.3.2 B.A.T.M.A.N.adv快速切换处理机制 |
| 4.3.3 FSSFA策略实验测试及分析 |
| 4.4 本章小结 |
| 5 车-地互联的Internet流量模型分析及流量管理 |
| 5.1 车-地互联的Internet流量 |
| 5.1.1 流量特性分析 |
| 5.1.2 流量采集及分析 |
| 5.2 车-地宽带互联的Internet流量建模 |
| 5.2.1 Internet流量建模 |
| 5.2.2 模型有效性分析 |
| 5.3 流量模型分析 |
| 5.3.1 统计特性分析 |
| 5.3.2 传输性能分析 |
| 5.4 车-地宽带互联的预取策略研究 |
| 5.4.1 预取访问算法研究 |
| 5.4.2 PAA仿真实验研究 |
| 5.5 预取缓存系统实验测试及分析 |
| 5.6 本章小结 |
| 6 车载移动互联网智能化网络管理研究 |
| 6.1 车载移动互联网故障预测机制研究 |
| 6.1.1 WMN故障预测研究 |
| 6.1.2 基于B.A.T.M.A.N.adv的处理机制研究 |
| 6.2 车载移动互联网智能化网络管理平台研究及实现 |
| 6.2.1 本地管理平台 |
| 6.2.2 集中云管理平台 |
| 6.3 实验测试及分析 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 主要工作 |
| 7.2 主要创新与贡献 |
| 7.3 问题与展望 |
| 参考文献 |
| 附录1 不同类型交通干线的定义 |
| 附录2 B.A.T.M.A.N.adv报文/数据包格式 |
| 攻读学位期间主要的研究成果目录 |
| 致谢 |
（7）基于时空的多源数据趋势预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究现状及存在问题 |
| 1.2.1 数据预测研究现状 |
| 1.2.2 数据采集研究现状 |
| 1.3 本文研究内容 |
| 1.4 本文的结构安排 |
| 第二章 多源数据采集分析相关技术 |
| 2.1 基本概念 |
| 2.2 多源数据特征分析理论基础 |
| 2.2.1 网络流量特征 |
| 2.2.1.1 自相似特征 |
| 2.2.1.2 周期性 |
| 2.2.1.3 混沌性 |
| 2.2.2 数据预处理 |
| 2.2.2.1 数据清理 |
| 2.2.2.2 数据集成 |
| 2.2.2.3 数据变换 |
| 2.2.2.4 数据规约 |
| 2.3 多源数据趋势预测基础 |
| 2.3.1 时间序列分析 |
| 2.3.1.1 平稳性判定方法 |
| 2.3.1.2 去非平稳性方法 |
| 2.3.1.3 ARMA模型 |
| 2.3.1.4 时间序列分析建模过程 |
| 2.4 多源数据采集基础 |
| 2.4.1 Nagios网络监控架构 |
| 2.4.2 事件驱动模型与EPOLL |
| 2.4.3 网络流量采集 |
| 2.4.3.1 网络流量采集工具 |
| 2.4.3.2 SNMP协议概述 |
| 2.5 本章小结 |
| 第三章 多源数据特征分析 |
| 3.1 数据集的描述 |
| 3.2 网络流量自相似特征研究 |
| 3.2.1 网络流量自相似特征研究方法 |
| 3.2.2 网络流量的自相似特征分析 |
| 3.2.2.1 有线网络流量的自相似特征分析 |
| 3.2.2.2 无线网络流量的自相似特征分析 |
| 3.3 网络流量长度、周期等特征研究 |
| 3.4 网络流量分布研究 |
| 3.4.1 正态分布 |
| 3.4.2 对数正态分布 |
| 3.4.3 Weibull分布 |
| 3.4.4 Q-Q图分析法 |
| 3.4.5 流量分布特征验证 |
| 3.5 多源数据特征分析 |
| 3.6 本章小结 |
| 第四章 多源数据趋势预测模型研究 |
| 4.1 FARIMA模型 |
| 4.1.1 FARIMA模型简介 |
| 4.1.2 FARIMA模型建模过程 |
| 4.2 小波与时间序列预测模型 |
| 4.2.1 小波变换 |
| 4.2.1.1 小波分析 |
| 4.2.1.2 Mallat算法 |
| 4.2.2 基于小波与时间序列的预测模型 |
| 4.3 实验对比分析 |
| 4.4 本章小结 |
| 第五章 多源数据采集分析系统设计与实现 |
| 5.1 系统整体架构 |
| 5.2 系统整体设计 |
| 5.3 采集监控管理中心设计与实现 |
| 5.3.1 监控管理中心设计与实现 |
| 5.3.2 数据分析模块设计与实现 |
| 5.4 采集监听服务器与采集服务器设计与实现 |
| 5.5 数据与备份中心设计与实现 |
| 5.6 采集客户端的设计与实现 |
| 5.7 运行结果 |
| 5.8 系统特色 |
| 5.9 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 未来展望 |
| 致谢 |
| 参考文献 |
| 攻硕期间取得的研究成果 |
（8）网络流量检测与分析预测技术的研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 第一章 引言 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 网络流量异常检测国内外研究现状 |
| 1.2.2 网络流量分析建模国内外研究现状 |
| 1.3 论文主要工作 |
| 1.4 论文的组织结构 |
| 第二章 网络流量自相似特性分析 |
| 2.1 自相似性 |
| 2.1.1 自相似过程 |
| 2.1.2 自相似过程的特性 |
| 2.1.3 网络流量自相似性产生的原因 |
| 2.2 Hurst 指数及其估算算法 |
| 2.2.1 时域下的估算算法 |
| 2.2.2 频域及小波域下的估算算法 |
| 2.2.3 算法性能分析 |
| 2.3 网络流量的多重分形 |
| 第三章 网络流量时间序列的分析与建模 |
| 3.1 网络流量时间序列建模 |
| 3.1.1 时间序列分析相关概念 |
| 3.1.2 时间序列建模 |
| 3.1.3 基于网络流量的时间序列建模 |
| 3.2 网络流量模型分析与比较 |
| 3.2.1 短相关流量模型 |
| 3.2.2 长相关流量模型 |
| 3.2.3 自相似流量模型比较分析 |
| 第四章 基于 Hurst 指数估算的网络流量异常检测优化算法设计 |
| 4.1 小波分析原理 |
| 4.1.1 小波变换 |
| 4.1.2 多分辨率分析 |
| 4.1.3 小波分析的特点 |
| 4.2 希尔伯特-黄变换 |
| 4.2.1 基本理论 |
| 4.2.2 经验模态分解 |
| 4.3 Hurst 指数的小波估算算法 |
| 4.4 结合HHT 与小波变换的异常检测优化算法 |
| 4.4.1 算法的整体设计 |
| 4.4.2 基于HHT 的流量数据预处理 |
| 4.4.3 基于小波系数方差法的指数估算 |
| 4.4.4 算法整体流程 |
| 第五章 结合小波与 EMD 的网络流量预测优化算法设计 |
| 5.1 网络流量预测概述 |
| 5.2 小波多分辨率分析的Mallat 算法 |
| 5.3 网络流量预测分析优化算法的整体设计 |
| 5.4 趋势项的多项式拟合预测 |
| 5.5 细节信号的ARMA 建模和预测 |
| 5.5.1 ARMA 建模预测流程 |
| 5.5.2 ARMA 模型拟合 |
| 5.5.3 ARMA 模型的预测方法 |
| 5.6 近似信号的FARIMA 建模和预测 |
| 5.6.1 FARIMA 建模预测流程 |
| 5.6.2 FARIMA 模型的分数阶差分 |
| 5.6.3 FARIMA 模型的预测方法 |
| 第六章 异常检测与流量预测的实现与分析 |
| 6.1 网络流量异常检测实例分析 |
| 6.2 网络流量预测实例分析 |
| 第七章 结论 |
| 参考文献 |
| 致谢 |
| 在学期间发表的学术论文和参加科研情况 |
（9）河川径流时间序列的分形特征研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 问题的提出 |
| 1.2 研究目的和意义 |
| 1.3 国内外研究进展 |
| 1.3.1 水文时间序列的研究动态 |
| 1.3.2 分形理论在水文系统中的应用现状 |
| 1.4 相关研究存在的问题与展望 |
| 1.4.1 存在的问题 |
| 1.4.2 发展前景 |
| 1.5 本论文主要研究工作 |
| 1.5.1 本文的研究方法 |
| 1.5.2 本文结构 |
| 1.5.3 论文的主要创新点 |
| 2 黄河、长江流域概况及基本资料 |
| 2.1 黄河流域概况及其水文特征 |
| 2.1.1 水少沙多 |
| 2.1.2 高含沙量输沙 |
| 2.1.3 径流和输沙量年际变化率 |
| 2.2 长江流域概况及其水文特征 |
| 2.2.1 水位 |
| 2.2.2 流量 |
| 2.2.3 年径流量 |
| 2.2.4 洪水 |
| 2.2.5 枯水 |
| 2.3 基本资料 |
| 3 分形理论基础 |
| 3.1 分形理论的创立、发展及意义 |
| 3.2 分形定义 |
| 3.3 分形例子 |
| 3.3.1 Cantor 集 |
| 3.3.2 Koch 曲线 |
| 3.3.3 Sierpinski 垫 |
| 3.4 分形的基本特征 |
| 3.4.1 自相似性 |
| 3.4.2 标度不变性 |
| 3.4.3 分形与混沌的关系 |
| 3.5 分形时间序列的特征量 |
| 3.5.1 分形维 |
| 3.5.2 分形分布（帕雷托分布） |
| 3.6 分形类型 |
| 3.6.1 严格分形和随机分形 |
| 3.6.2 空间分形和时间分形 |
| 3.6.3 自相似分形和自仿射分形 |
| 3.6.4 简单分形和多重分形 |
| 3.7 河川分形 |
| 4 河川径流非线性识别 |
| 4.1 KOLMOGOROV-SMIRNOV正态性检验 |
| 4.2 高阶统计量介绍 |
| 4.3 双谱分析定义 |
| 4.4 双谱分析的基本性质 |
| 4.5 信号特性的双谱检验理论 |
| 4.5.1 信号高斯性判定 |
| 4.5.2 信号非线性判定 |
| 4.5.3 双相干系数 |
| 4.6 基于双谱分析的河川径流时间序列非线性判定 |
| 4.7 本章小结 |
| 5 河川径流演变的长程相关性分析 |
| 5.1 长程相关性定义 |
| 5.1.1 长程相关性 |
| 5.1.2 自相似性 |
| 5.2 非趋势波动分析方法 |
| 5.2.1 计算原理 |
| 5.2.2 周期项检测 |
| 5.3 河川径流时序非趋势波动分析结果 |
| 5.3.1 河川径流时间序列的结构变化 |
| 5.3.2 河川径流时间序列长程相关性 |
| 5.4 河川径流分形维数分析 |
| 5.5 本章小结 |
| 6 河川径流演变的长记忆性分析 |
| 6.1 长记忆性的产生及其原因 |
| 6.1.1 长记忆性的定义 |
| 6.1.2 长记忆性产生的原因 |
| 6.2 LIU结构转换 |
| 6.2.1 Liu(1995)结构转换 |
| 6.2.2 Liu 结构转换和 Markov 结构转换的区别 |
| 6.3 时间序列长短记忆的分解 |
| 6.3.1 时间序列分解理论基础 |
| 6.3.2 序列分解的实现 |
| 6.4 序列波动长记忆存在性检验 |
| 6.4.1 经典R/S 分析方法 |
| 6.4.2 修正R/S 分析方法的基本思想 |
| 6.5 实例分析 |
| 6.5.1 河川径流时间序列长短记忆分解 |
| 6.5.2 河川径流演变的长记忆性检验 |
| 6.6 本章小结 |
| 7 河川径流多重分形特性分析 |
| 7.1 多重分形的信息特征 |
| 7.1.1 多重分形的定义 |
| 7.1.2 多重分形过程描述 |
| 7.1.3 多重分形过程的局部尺度特征 |
| 7.2 MF-DFA 方法 |
| 7.3 权重因子Q的选择范围 |
| 7.4 河川径流演变的多重分形分析 |
| 7.5 河川径流演变的多重分形行为探讨 |
| 7.6 本章小结 |
| 8 基于最近邻点法的河川径流混沌预测 |
| 8.1 径流序列的预测问题 |
| 8.2 最近邻点法预测原理 |
| 8.3 预测精度衡量准则 |
| 8.4 算例 |
| 8.4.1 数据准备 |
| 8.4.2 结果分析 |
| 8.5 本章小结 |
| 9 结论与展望 |
| 9.1 结论 |
| 9.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 1. 在校期间发表的论文 |
| 2. 参与科研项目 |
（10）网络控制系统信息流动态特性建模和分析（论文提纲范文）
| 1 绪论 |
| 1.1 论文研究背景 |
| 1.2 网络控制系统概述 |
| 1.3 信息流建模概述及研究现状 |
| 1.4 论文主要工作及研究内容安排 |
| 2 自相似随机过程 |
| 2.1 随机过程的几个基本概念 |
| 2.1.1 随机过程的有限维分布 |
| 2.1.2 随机过程的数字特征 |
| 2.1.3 平稳与遍历 |
| 2.1.4 谱密度 |
| 2.2 自相似随机过程 |
| 2.2.1 简介 |
| 2.2.2 自相似随机过程连续时间定义 |
| 2.2.3 自相似随机过程离散时间定义 |
| 2.3 长相关过程 |
| 2.4 本章小结 |
| 3 自相似信息流生成算法及其排队分析 |
| 3.1 自相似随机过程模型 |
| 3.1.1 数学模型 |
| 3.1.2 物理模型 |
| 3.2 HURST参数估值方法 |
| 3.2.1 方差-时间估计法 |
| 3.2.2 R／S图 |
| 3.2.3 周期图(Periodogram)法 |
| 3.3 自相似信息流生成算法 |
| 3.3.1 FGN功率谱 |
| 3.3.2 求解B(ω，H)的Paxson法 |
| 3.3.3 B(ω，H)的快速线性近似法 |
| 3.3.4 自相似信息流的线性近似生成算法 |
| 3.3.5 线性近似方法评价 |
| 3.4 排队性能分析 |
| 3.4.1 排队分析简介 |
| 3.4.2 Hurst参数的快速估计 |
| 3.4.3 基于自相似信息流的排队模拟 |
| 3.5 本章小结 |
| 4 控制网络延时分析及其自相似信息流延时特性仿真 |
| 4.1 控制网络延时分析 |
| 4.1.1 控制网络简介 |
| 4.1.2 延时组成分析 |
| 4.2 控制网络中自相似信息流延时特性仿真 |
| 4.2.1 通用系统仿真(GPSS) |
| 4.2.2 自相似物理模型的仿真 |
| 4.2.3 以太网MAC层的仿真 |
| 4.2.4 一类网络控制系统延时特性仿真 |
| 4.3 本章小结 |
| 结束语 |
| 附录: 4.2.4节中仿真程序 |
| 致谢 |
| 参考文献 |
四、MERGING AND SPLITTING SECOND-ORDER SELF-SIMILAR PROCESSES (TRAFFICS)（论文参考文献）
- [1]面向边缘计算的智慧标识网络资源协同与适配机制研究[D]. 张宇明. 北京交通大学, 2021(02)
- [2]基于分形理论的供暖管网仿真及应用研究[D]. 冯志. 石家庄铁道大学, 2021
- [3]网络流量模型及异常检测技术研究[D]. 周琨. 电子科技大学, 2021(01)
- [4]多类型复杂网络的随机模型构建与分析方法研究[D]. 翟学萌. 电子科技大学, 2020(07)
- [5]网络异常流量模型研究与仿真生成[D]. 朱亚锋. 东南大学, 2018(05)
- [6]铁路干线移动互联网的异构网络部署与流控关键技术研究[D]. 朱铨. 中南大学, 2014(12)
- [7]基于时空的多源数据趋势预测研究[D]. 赵永亮. 电子科技大学, 2014(03)
- [8]网络流量检测与分析预测技术的研究[D]. 谢坤. 华北电力大学（河北）, 2010(05)
- [9]河川径流时间序列的分形特征研究[D]. 燕爱玲. 西安理工大学, 2007(04)
- [10]网络控制系统信息流动态特性建模和分析[D]. 汪翰林. 南京理工大学, 2004(04)