软件定义网络(software defined networking, SDN)解耦了网络的数据层与控制层,同时控制器也面临"单点失效"的危险.攻击者可以发起分布式拒绝服务攻击(distributed denial of service, DDoS)使控制器失效,影响网络安全.为解决...软件定义网络(software defined networking, SDN)解耦了网络的数据层与控制层,同时控制器也面临"单点失效"的危险.攻击者可以发起分布式拒绝服务攻击(distributed denial of service, DDoS)使控制器失效,影响网络安全.为解决SDN中的DDoS流量检测问题,创新性地提出了基于信息熵与深度神经网络(deep neural network, DNN)的DDoS检测模型.该模型包括基于信息熵的初检模块和基于深度神经网络DNN的DDoS流量检测模块.初检模块通过计算数据包源、目的IP地址的信息熵值初步发现网络中的可疑流量,并利用基于DNN的DDoS检测模块对疑似异常流量进行进一步确认,从而发现DDoS攻击.实验表明:该模型对DDoS流量的识别率达到99%以上,准确率也有显著提高,误报率明显优于基于信息熵的检测方法.同时,该模型还能缩短检测时间,提高资源使用效率.展开更多
针对输入数据特征多时负荷预测模型精度提升难的问题,文章提出一种并行多模型融合的混合神经网络超短期负荷预测方法。将卷积神经网络(convolutional neural network,CNN)与门控循环单元神经网络(gated recurrent unit neural network,G...针对输入数据特征多时负荷预测模型精度提升难的问题,文章提出一种并行多模型融合的混合神经网络超短期负荷预测方法。将卷积神经网络(convolutional neural network,CNN)与门控循环单元神经网络(gated recurrent unit neural network,GRU-NN)并行,分别提取局部特征与时序特征,将2个网络结构的输出拼接并输入深度神经网络(deep neural network,DNN),由DNN进行超短期负荷预测。最后应用负荷与温度数据进行预测实验,结果表明相比于GRUNN网络结构、长短期记忆(long short term memory,LSTM)网络结构、串行CNN-LSTM网络结构与串行CNN-GRU网络结构,所提方法具有更好的预测性能。展开更多
本文以未来万物互联的智能社会的愿景为出发点,从信息产生、传输和处理的角度,深入剖析信息通信(information and communications technologies,ICT)行业在信息论、运筹学、控制论、计算理论和人工智能方面未来发展中面临的技术挑战,并...本文以未来万物互联的智能社会的愿景为出发点,从信息产生、传输和处理的角度,深入剖析信息通信(information and communications technologies,ICT)行业在信息论、运筹学、控制论、计算理论和人工智能方面未来发展中面临的技术挑战,并提出十个重要挑战问题.文章首先详细阐述这些技术挑战问题的背景、问题定义以及学术界和工业界当前的研究进展.其次针对这些问题给出潜在的解决思路和未来的研究方向.最后提出要解决十大挑战难题所面临的理论突破机会,包括:需要超越经典的香农信息论,建立语义信息论体系;需要突破深度神经网络,建立可解释的深度神经网络理论体系;需要突破经典的排队论和优化理论体系,建立网络排队论和网络优化理论方法;需要突破功耗和复杂度的约束,建立近似计算理论体系.展开更多
MOOC(Massive Open Online Courses)在为学习者提供优质课程的同时,低完成率成为影响其有效推广的重要因素。通过对edX开放数据集分析发现,学习者的逐渐流失是导致MOOC课程低完成率的因素之一,且学习行为与成绩之间存在复杂的相关性;基...MOOC(Massive Open Online Courses)在为学习者提供优质课程的同时,低完成率成为影响其有效推广的重要因素。通过对edX开放数据集分析发现,学习者的逐渐流失是导致MOOC课程低完成率的因素之一,且学习行为与成绩之间存在复杂的相关性;基于线性回归和深度神经网络(Deep Neural Network,DNN)预测学习者的成绩,实验证明,DNN能够更好地拟合学习行为与成绩之间复杂的相关性,实现对成绩更加精准的预测,预警学习者流失;对预测的潜在流失学习者迭代进行个性化的教学干预,提高MOOC课程的完成率。展开更多
文摘针对输入数据特征多时负荷预测模型精度提升难的问题,文章提出一种并行多模型融合的混合神经网络超短期负荷预测方法。将卷积神经网络(convolutional neural network,CNN)与门控循环单元神经网络(gated recurrent unit neural network,GRU-NN)并行,分别提取局部特征与时序特征,将2个网络结构的输出拼接并输入深度神经网络(deep neural network,DNN),由DNN进行超短期负荷预测。最后应用负荷与温度数据进行预测实验,结果表明相比于GRUNN网络结构、长短期记忆(long short term memory,LSTM)网络结构、串行CNN-LSTM网络结构与串行CNN-GRU网络结构,所提方法具有更好的预测性能。
文摘本文以未来万物互联的智能社会的愿景为出发点,从信息产生、传输和处理的角度,深入剖析信息通信(information and communications technologies,ICT)行业在信息论、运筹学、控制论、计算理论和人工智能方面未来发展中面临的技术挑战,并提出十个重要挑战问题.文章首先详细阐述这些技术挑战问题的背景、问题定义以及学术界和工业界当前的研究进展.其次针对这些问题给出潜在的解决思路和未来的研究方向.最后提出要解决十大挑战难题所面临的理论突破机会,包括:需要超越经典的香农信息论,建立语义信息论体系;需要突破深度神经网络,建立可解释的深度神经网络理论体系;需要突破经典的排队论和优化理论体系,建立网络排队论和网络优化理论方法;需要突破功耗和复杂度的约束,建立近似计算理论体系.
