-
公开(公告)号：CN117436282B
公开(公告)日：2024-04-02
申请号：CN202311669373.3
申请日：2023-12-07
Applicant: 南京信息工程大学
IPC: G06F30/20 , G06F30/18 , G06F111/06
Abstract: 本发明公开了基于双重变权和TOPSIS‑灰关联的架构优选方法，包括构建指挥控制网络架构，构建指控网络架构指标体系，利用层次分析法确定指标的主观权重，利用改进熵权法确定指标的客观权重，并依据主客观权重因子组合主观和客观指标权重得到第一层指标权重；利用变权理论对第一层指标权重进行变权处理，得到第二层权重；利用TOPSIS法和灰关联法分别求指标变权权重的目标评价值，给出生成的网络架构排序结果。本发明所设计方法综合指标的主客观因素以及状态对权重变化的影响，排序结果综合考率了指标间的距离和形状变化，所选出的指挥控制网络架构更符合实际的战场环境。
-
公开(公告)号：CN117395188B
公开(公告)日：2024-03-12
申请号：CN202311669916.1
申请日：2023-12-07
Applicant: 南京信息工程大学
IPC: H04L45/02 , H04L45/00 , H04L45/12 , H04L45/121 , H04L47/125 , G06N3/045 , G06N3/042 , G06N3/0442 , H04L41/14 , H04L41/147
Abstract: 本发明公开了一种基于深度强化学习的天地一体化负载均衡路由方法，步骤如下：S1，将天地一体化网络转化为流量传递有向图；S2，通过软件构建需要预测得到的网络拓扑，模拟多种流量情况生成数据集；S3，对流特征数据归一化处理，并对路径、链路、队列的隐藏状态初始化；S4，对路径、链路、队列的隐藏状态进行处理；S5，重复S4至T次；S6，将T次传递后的路径、链路和队列的隐藏状态作为读出函数的输入；S7，计算流时延、抖动和每个流的丢包率；S8，通过设置强化学习参数，对网络拓扑进行训练，得到最优负载均衡路径。本发明通过对流量从源节点到目的节点的时延、抖动和丢包率的预测，实现天地一体化网络多约束条件下的负载均衡。
-
公开(公告)号：CN117596153A
公开(公告)日：2024-02-23
申请号：CN202311528407.7
申请日：2023-11-16
Applicant: 南京信息工程大学
IPC: H04L41/14 , H04L41/142 , G06F17/14
Abstract: 本发明公开了一种基于Alpha稳定分布的网络流量模型的重构方法及装置，其重构方法包括：获取网络流量序列的长度，根据所述长度确定迭代层数n；获取网络流量模型的特征参数和小波分解层数，根据所述特征参数和小波分解层数产生最粗尺度系数 响应于所述最初尺度系数大于等于零，则基于MWM算法产生尺度系数 j,k为伸缩因子和平移因子；确定Alpha稳定分布的基础参数，基于Alpha稳定分布产生分布在[‑1,1]的随机乘法因子Aj,k，k＝0,1,…,2j‑1；根据所述迭代层数n、最粗尺度系数 尺度系数 和随机乘法因子Aj,k进行迭代运算，重构网络流量序列；本发明能够兼顾长相关特性，突发特性与多重分形特性。
-
公开(公告)号：CN117395188A
公开(公告)日：2024-01-12
申请号：CN202311669916.1
申请日：2023-12-07
Applicant: 南京信息工程大学
IPC: H04L45/02 , H04L45/00 , H04L45/12 , H04L45/121 , H04L47/125 , G06N3/045 , G06N3/042 , G06N3/0442 , H04L41/14 , H04L41/147
Abstract: 本发明公开了一种基于深度强化学习的天地一体化负载均衡路由方法，步骤如下：S1，将天地一体化网络转化为流量传递有向图；S2，通过软件构建需要预测得到的网络拓扑，模拟多种流量情况生成数据集；S3，对流特征数据归一化处理，并对路径、链路、队列的隐藏状态初始化；S4，对路径、链路、队列的隐藏状态进行处理；S5，重复S4至T次；S6，将T次传递后的路径、链路和队列的隐藏状态作为读出函数的输入；S7，计算流时延、抖动和每个流的丢包率；S8，通过设置强化学习参数，对网络拓扑进行训练，得到最优负载均衡路径。本发明通过对流量从源节点到目的节点的时延、抖动和丢包率的预测，实现天地一体化网络多约束条件下的负载均衡。
-
公开(公告)号：CN115348215B
公开(公告)日：2023-11-24
申请号：CN202210876800.4
申请日：2022-07-25
Applicant: 南京信息工程大学
IPC: H04L47/2441 , H04L47/2483 , H04L69/22 , G06F18/241
Abstract: 本发明公开了一种基于时空注意力机制的加密网络流量分类方法，包括如下步骤：步骤1，解析报文，获取网络流量数据X，并进行归一化处理；步骤2，将归一化处理后的网络流量数据输入到空间特征提取组件SAtt，提取网络流量的空间特征Zs；步骤3，将归一化处理后的网络流量数据输入到时间特征提取组件TAtt，提取网络流量的时间特征Zt；步骤4，将空间特征Zs和时间特征Zt进行重构，得到网络流量特征Z。本发明利用空间特征提取组件SAtt和时间特征提取组件TAtt分(56)对比文件刘啸;赵文涛;刘强;闵尔学;李盼.基于网络流跨层特征的深度入侵检测方法《.计算机与数字工程》.2020,(03),全文.
-
Patent Agency Ranking
公开(公告)号：CN116599860B
公开(公告)日：2023-10-13
申请号：CN202310843127.9
申请日：2023-07-11
Applicant: 南京信息工程大学
IPC: H04L41/147 , H04L41/16
Abstract: 本发明提出一种基于强化学习的网络流量灰色预测方法，包括如下步骤：首先采用公开网络流量数据集，并截取部分公开数据集作为待预测流量序列；然后构建基于GM(1,1)灰色预测的强化学习模型：基于每一个时间步长，智能体获得当前环境状态，并根据策略函数生成动作，环境在执行动作后，将当前环境状态更新，同时将动作的奖励值反馈给智能体，智能体根据更新的环境状态和奖励值生成下一个动作，直到达到预设迭代次数，获得基于GM(1,1)的强化学习模型。最后利用强化学习模型输出最终预测结果。本发明将强化学习的决策能力与灰色模型的小样本、定量预测优势相结合，旨在提高传统灰色预测模型的预测精度。
-
公开(公告)号：CN116566903B
公开(公告)日：2023-09-26
申请号：CN202310815822.4
申请日：2023-07-05
Applicant: 南京信息工程大学
IPC: H04L47/10 , H04L47/2441 , H04L43/0852 , H04L43/0876
Abstract: 本发明公开了一种指控网络异构链路汇聚流量的端到端时延分析方法，包括：将指挥控制网络中的时延敏感流量建模为MMPP流量，将指挥控制网络中的带宽敏感流量和尽最大努力交付流量建模为fBm流量，分别推导三种流量的随机到达曲线和有界函数，计算状态时变的通信链路为异构链路汇聚流量提供的总服务速率平均值，分别推导异构链路汇聚节点为三种流量提供的随机服务曲线，基于随机到达曲线和随机服务曲线，推导三种流量端到端时延，并进行性能分析；本发明所设计的方法解决了复杂多维、瞬时涌现的流量到达过程和接续传输、状态时变的系统服务过程导致端到端时延难以精准评估的问题。
-
公开(公告)号：CN116170351B
公开(公告)日：2023-08-22
申请号：CN202310043768.6
申请日：2023-01-29
Applicant: 南京信息工程大学
IPC: H04L43/0876 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/049 , G06N3/08 , H04L41/147 , H04L41/16
Abstract: 本发明公开了一种基于时空图注意力机制的网络流量预测方法，包括网络流量数据的采集，对数据进行处理，转化操作；对DSTGAT网络流量预测模型参数进行初始化设置；将预处理后的网络流量数据输入DSTGAT预测模型中，选择不同的超参数对模型进行训练，训练模型能够挖掘不同节点间网络流量数据的连通性与近相关性，通过使用图神经网络与注意力机制实现时空特征分解，最后进行数据归一化处理，实现网络流量的准确预测。
-
公开(公告)号：CN116599860A
公开(公告)日：2023-08-15
申请号：CN202310843127.9
申请日：2023-07-11
Applicant: 南京信息工程大学
IPC: H04L41/147 , H04L41/16
Abstract: 本发明提出一种基于强化学习的网络流量灰色预测方法，包括如下步骤：首先采用公开网络流量数据集，并截取部分公开数据集作为待预测流量序列；然后构建基于GM(1,1)灰色预测的强化学习模型：基于每一个时间步长，智能体获得当前环境状态，并根据策略函数生成动作，环境在执行动作后，将当前环境状态更新，同时将动作的奖励值反馈给智能体，智能体根据更新的环境状态和奖励值生成下一个动作，直到达到预设迭代次数，获得基于GM(1,1)的强化学习模型。最后利用强化学习模型输出最终预测结果。本发明将强化学习的决策能力与灰色模型的小样本、定量预测优势相结合，旨在提高传统灰色预测模型的预测精度。
-
公开(公告)号：CN116527567A
公开(公告)日：2023-08-01
申请号：CN202310788324.5
申请日：2023-06-30
Applicant: 南京信息工程大学
IPC: H04L45/02 , H04L45/12 , H04L45/302
Abstract: 本发明公开了一种基于深度强化学习的智能网络路径优选方法与系统，包括：采集目标网络的原始数据，计算目标网络的每条可执行路径的状态信息，构建深度强化学习模型，获取目标网络当前时刻的网络状态、执行最优路径动作、下一时刻的网络状态、当前奖励，并存储在经验回放池中，对深度强化学习模型进行迭代训练和参数更新，获得目标网络的最优路径，下发至目标网络的交换机设备中进行路径安装，本发明所设计的方法提高了智能体提取显著奖励经验的概率，加快了智能体学习最优策略的速度，算法的收敛速度显著提高，有效提高了网络吞吐量，降低了端到端时延和丢包率。
-
-
-
-
-
-
-
-
-
Search Results
124
records
(took 0.026 seconds)
