CN113486577B - 一种基于混合分布估计算法的地理大数据传输方法 - Google Patents

一种基于混合分布估计算法的地理大数据传输方法 Download PDF

Info

Publication number
CN113486577B
CN113486577B CN202110718134.7A CN202110718134A CN113486577B CN 113486577 B CN113486577 B CN 113486577B CN 202110718134 A CN202110718134 A CN 202110718134A CN 113486577 B CN113486577 B CN 113486577B
Authority
CN
China
Prior art keywords
big data
geographical
transmission
distribution estimation
data transmission
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110718134.7A
Other languages
English (en)
Other versions
CN113486577A (zh
Inventor
杨乐婵
曾岳
李尤丰
郭丽娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jinling Institute of Technology
Original Assignee
Jinling Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jinling Institute of Technology filed Critical Jinling Institute of Technology
Priority to CN202110718134.7A priority Critical patent/CN113486577B/zh
Publication of CN113486577A publication Critical patent/CN113486577A/zh
Application granted granted Critical
Publication of CN113486577B publication Critical patent/CN113486577B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于混合分布估计算法的地理大数据传输方法，包括：分别构造数据传输过程的安全风险最小以及数据传输效率最高的多目标函数，从计算和传输两个层面来构造相应约束条件；基于分布估计和基因表达式编程算法理论，采用孤岛并行模式设计混合分布估计算法；采用迁移机制互换分布估计算法和基因表达式编程算法的适应度值最高的个体，通过若干代的概率进化选择后，求解出地理时空大数据传输优化解。本发明构造多目标多约束函数、事件触发机制、设计混合分布估计算法并行优化求解的方法保证在地理空间大数据传输通道遭受网络攻击时，既能保障地理大数据传输的安全性，又能保障传输的高效性，具有广泛的应用前景。

Description

一种基于混合分布估计算法的地理大数据传输方法
技术领域
本发明涉及面向地理时空大数据的传输优化方法，尤其涉及一种基于混合分布估计算法的地理大数据传输方法。
背景技术
随着先进信息通信技术的不断发展，地理信息空间正从传统封闭的集中式架构转变为开放共享体系，越来越多的终端设备通过公共网络采集、传输、获取到地理空间数据信息。高精度、高频率以及高覆盖的地理空间数据使其呈现多源、海量、异构的特征，传统的数据传输安全防护手段很难同时保证地理空间数据传输的高效性和可信性。因此，有必要从地理空间数据传输的安全性和高效性两个层面构建多目标多约束下地理空间数据安全传输优化模型，最大限度地在保证数据传输安全性的同时，提高其高效性。
为了保证大数据在网络中传输的高效性和可信性，研究一种基于混合分布估计算法的地理大数据安全传输优化方法显得尤为重要。基于混合分布估计算法的地理大数据安全传输优化方法，主要是为了从高效性和安全性两个角度考虑来实现地理空间数据的传输，保证数据在传输中的可信性，提高数据传输的效率。
一种基于混合分布估计算法的地理大数据安全传输优化方法主要包含两个问题：(1)如何从影响具有时空特性的地理大数据传输安全性和高效性的角度，量化分析和构建地理大数据安全高效传输的约束条件和优化目标函数；(2)如何在多目标多约束地理时空大数据传输的条件下，设计基于分布估计算法和基因表达式编程算法求解地理时空大数据传输优化问题。
发明内容
发明目的：本发明的目的是提供一种基于混合分布估计算法的地理大数据传输方法，解决传统依靠数据加密等安全防护技术在保障数据传输安全性的同时，无法兼顾传输的高效性等数据传输高效问题，实现地理信息空间中的数据安全高效地传输。
技术方案：一种基于混合分布估计算法的地理大数据传输方法，包括步骤：
步骤1：分析地理时空特性数据传输潜在的风险问题及传输低效因素，分别构造数据传输过程的安全风险最小以及数据传输效率最高的多目标函数，以及分析地理大数据高效传输的约束因素，从计算和传输两个层面来构造相应约束条件；
步骤2：基于分布估计和基因表达式编程算法理论，采用孤岛并行模式设计混合分布估计算法；
步骤3：采用迁移机制互换分布估计算法和基因表达式编程算法的适应度值最高的个体，通过若干代的概率进化选择后，求解出地理时空大数据传输优化解。
进一步地，步骤1中安全风险最小的目标函数表达式为：
min Fsec＝H(C,I,A|s,t)
其中，C表示影响地理时空大数据传输安全的脆弱性，I表示影响地理时空大数据传输安全的威胁，A表示影响地理时空大数据传输安全的资产重要程度，s,t分别表示影响地理时空大数据传输安全的时间和空间特性，不同的时间空间维度，对应的地理大数据的安全风险等级动态变化。
进一步地，步骤1中数据传输效率最高的目标函数表达式为：
max Feff＝αf(V(t),W(t))+βf(V'(t),T(t))
其中，V(t)表示t时刻传输的地理大数据容量，W(t)示t时刻传输数据信息的能力，V'(t)表示在t时刻通过事件触发机制控制传输的地理大数据容量，T(t)表示t时刻通过事件触发机制控制传输的地理大数据类型，α表示影响地理时空大数据高效传输因素之间函数关系，β通过事件触发机制控制地理时空大数据高效传输函数模型的权重关系。
进一步地，步骤1中的约束条件具体包括：
从计算层面构造约束条件：
Figure BDA0003135676460000021
其中，
Figure BDA0003135676460000022
分别为脆弱性、安全威胁发生的概率以及资产重要程度；Ci,Ii,Ai分别表示脆弱性、安全威胁及资产对传输安全风险产生的影响；V表示当前传输通道中最大的传输数据量，V'(t)表示在t时刻通过事件触发机制控制传输的地理大数据容量；α表示影响地理时空大数据高效传输因素之间函数关系、β为通过事件触发机制控制地理时空大数据高效传输函数模型的权重关系，须满足α+β＝1条件约束；
从传输层面构造约束条件：
Figure BDA0003135676460000023
其中，W(t)示t时刻传输数据信息的能力，M表示当前传输通道最大的传输带宽；T(t)表示t时刻通过事件触发机制控制传输的地理大数据类型；
其他约束条件：
α+β＝1。
进一步地，步骤2具体包括：
步骤2.1：设计分布估计算法和基因表达式编程的融合算法；
步骤2.2：通过加权求和法将多目标优化转为单目标优化问；
步骤2.3：利用混合分布估计算法并行求解多目标多约束地理时空大数据传输优化问；
步骤2.4：将分布估计算法和基因表达式编程各自并行产生一定规模的子种群融合成优化问题的种群；
步骤2.5：分别评估各自种群的适应度值并进行排序，各自选出一定规模的最优个体组成优势群体；
步骤2.6：按照分布估计算法产生的优势群体，建立Bayesian后验概率分布模型；
步骤2.7：针对分布估算算法种群，从Bayesian后验概率分布模型中抽样产生新种群；同时基因表达式编程算法所产生的种群并行执行选择、变异、插串以及重组等遗传操作，产生新种群；
步骤2.8：结合种群个体相似度度量来动态调整遗传操作概率，提高GEP种群的多样性，扩大搜索范围。
进一步地，步骤2.2具体包括：设x＝(x1,x2)T为一个权重向量，其中xi≥0,i＝1,2且x1+x2＝1，则多目标优化问题转化为如下的单目标优化问题：
F＝x1Fsec+x2Feff
其中，F为将多目标函数转化为单目标优化问题的函数模型；x1、x2分别表示安全风险最小的目标函数Fsec和传输效率最大的目标函数Feff的权重向量；Fsec表示地理大数据中传输安全风险最小的目标函数模型，Feff表示地理大数据传输效率最大的目标函数模型。
有益效果：与现有技术相比，本发明具有如下显著的优点：本发明构造多目标多约束函数、事件触发机制、设计混合分布估计算法并行优化求解的方法保证在地理空间大数据传输通道遭受网络攻击时，既能保障地理大数据传输的安全性，又能保障传输的高效性。
附图说明
图1是本发明中组成结构图，包括多目标多约束函数构造、混合分布估计算法设计、多目标多约束并行优化求解；
图2是本发明的方法流程示意图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明。
本发明假设地理时空大数据传输中存在数据交互频繁，传输低效，无法满足不同时间、空间加密强度要求，高效性得不到保障等问题。通过采用风险评估、数据传输以及事件触发机制分别构造多目标函数(主要包括数据传输过程的安全风险最小以及数据传输的效率最高)和多约束条件(重点考虑影响地理大数据传输安全性和高效性的因素在计算和传输层面的约束条件)；其次，将多目标优化问题转化为单目标优化问题，基于分布估计和基因表达式编程算法理论，设计混合分布估计算法求解；最后，采用孤岛并行模式分别设计分布估计算法和基因表达式编程算法，扩大种群搜索范围。
如图1所示，实施方案大致如下：
(1)多目标多约束函数构造
首先，分析地理时空特性传输数据潜在风险要素及传输影响效率的因素；
其次，利用风险评估、数据传输以及事件触发机制分别构造多目标函数(主要包括数据传输过程的安全风险最小以及数据传输的效率最高)和多约束条件(重点考虑影响地理大数据传输安全性和高效性的因素在计算和传输层面的约束条件)。
(2)混合分布估计算法设计
首先，通过加权求和法将多目标优化转为单目标优化问题；
其次，基于分布估计和基因表达式编程算法理论，设计混合分布估计算法。对于分布估计算法，设计基于Bayesian统计推理的分布估计算法来解决地理时空大数据传输优化中多变量相关的问题；对于基因表达式编程算法在遗传操作过程采用动态调整变异概率来降低分布估计算法中模型估计的计算开销。
(3)多目标多约束模型优化求解
首先，采用孤岛并行模型实现并行优化求解，提高求解的效率；
其次，对于分布估计算法和基因表达式编程各自并行产生一定规模的子种群，选出一定规模的最优个体组成优势群体，并评估各自适应度值。对于分布估计算法产生的优势群体，建立Bayesian后验概率分布模型，并从Bayesian后验概率分布模型中抽样产生新种群；对于基因表达式编程算法在遗传操作过程中，结合种群个体相似度度量来动态调整遗传操作概率，产生新种群。
最后，在每一代种群中，分布估计算法产生的优势种群和GEP产生的种群采用迁移机制互换各自适应度值最高的个体。通过若干代的概率进化选择后，求解出地理时空大数据传输优化解。
如图2所示，具体实施步骤如下：
步骤1：分析地理时空特性传输数据潜在的风险，构建地理时空特性数据风险要素集(脆弱性、安全威胁以及资产重要程度)；
步骤2：构造以地理时空大数据传输风险系数最小的风险评估目标函数min Fsec＝H(C,I,A|s,t)，其中C表示脆弱性，I表示威胁，A表示资产重要程度，s,t分别表示影响地理时空大数据传输安全的时间和空间特性；
步骤3：通过网络日志分析挖掘找出在现有安全传输风险下影响地理大数据传输高效性的因素(如传输时间、传输带宽以及传输容量等)；
步骤4：利用函数拟合算法拟合单位时间和固定带宽内传输的地理大数据容量，同时通过事件触发机制来控制地理时空大数据的传输；
步骤5：构造以地理时空大数据传输高效性最大的目标函数maxFeff；
步骤6：分析地理大数据高效传输的约束因素，从计算和传输两个层面来构造相应约束条件；
步骤7：设计分布估计算法和基因表达式编程(Gene Expression Programming,GEP)的融合算法；
步骤8：通过加权求和法将多目标优化转为单目标优化问题；
步骤9：利用混合分布估计算法并行求解多目标多约束地理时空大数据传输优化问题；
步骤10：将分布估计算法和基因表达式编程各自并行产生一定规模的子种群融合成优化问题的种群；
步骤11：分别评估各自种群的适应度值并进行排序，然后各自选出一定规模的最优个体组成优势群体；
步骤12：按照分布估计算法产生的优势群体，建立Bayesian后验概率分布模型；
步骤13：针对分布估算算法种群，从Bayesian后验概率分布模型中抽样产生新种群；同时基因表达式编程算法所产生的种群并行执行选择、变异、插串以及重组等遗传操作，产生新种群；
步骤14：结合种群个体相似度度量来动态调整遗传操作概率，从而提高GEP种群的多样性，扩大搜索范围；
步骤15：对于分布估计算法产生的优势种群和GEP产生的种群可采用迁移机制互换各自适应度值最高的个体；
步骤16：判断是否满足终止条件；若满足，进入步骤17；否则进入步骤9；
步骤17：求解出地理时空大数据传输优化解，结束。

Claims (4)

1.一种基于混合分布估计算法的地理大数据传输方法，其特征在于，包括如下步骤：
步骤1：分析地理时空特性数据传输潜在的风险问题及传输低效因素，分别构造数据传输过程的安全风险最小以及数据传输效率最高的多目标函数，以及分析地理大数据高效传输的约束因素，从计算和传输两个层面来构造相应约束条件；
步骤2：基于分布估计和基因表达式编程算法理论，采用孤岛并行模式设计混合分布估计算法；
步骤3：采用迁移机制互换分布估计算法和基因表达式编程算法的适应度值最高的个体，通过若干代的概率进化选择后，求解出地理时空大数据传输优化解；
所述步骤1中安全风险最小的目标函数表达式为：
min Fsec＝H(C，I，A|s，t)
其中，C表示影响地理时空大数据传输安全的脆弱性，I表示影响地理时空大数据传输安全的威胁，A表示影响地理时空大数据传输安全的资产重要程度，s，t分别表示影响地理时空大数据传输安全的时间和空间特性，不同的时间空间维度，对应的地理大数据的安全风险等级动态变化；
数据传输效率最高的目标函数表达式为：
max Feff＝αf(V(t)，W(t))+βf(V'(t)，T(t))
其中，V(t)表示t时刻传输的地理大数据容量，W(t)示t时刻传输数据信息的能力，V'(t)表示在t时刻通过事件触发机制控制传输的地理大数据容量，T(t)表示t时刻通过事件触发机制控制传输的地理大数据类型，α表示影响地理时空大数据高效传输因素之间函数关系，β通过事件触发机制控制地理时空大数据高效传输函数模型的权重关系。
2.根据权利要求1所述的基于混合分布估计算法的地理大数据传输方法，其特征在于，所述步骤1中的约束条件具体包括：
从计算层面构造约束条件：
Figure FDA0003501704470000011
其中，
Figure FDA0003501704470000012
分别为脆弱性、安全威胁发生的概率以及资产重要程度；Ci，Ii，Ai分别表示脆弱性、安全威胁及资产对传输安全风险产生的影响；V表示当前传输通道中最大的传输数据量，V'(t)表示在t时刻通过事件触发机制控制传输的地理大数据容量；α表示影响地理时空大数据高效传输因素之间函数关系、β为通过事件触发机制控制地理时空大数据高效传输函数模型的权重关系，须满足α+β＝1条件约束；
从传输层面构造约束条件：
Figure FDA0003501704470000021
其中，W(t)示t时刻传输数据信息的能力，M表示当前传输通道最大的传输带宽；T(t)表示t时刻通过事件触发机制控制传输的地理大数据类型；
其他约束条件：
α+β＝1。
3.根据权利要求1所述的基于混合分布估计算法的地理大数据传输方法，其特征在于，所述步骤2具体包括：
步骤2.1：设计分布估计算法和基因表达式编程的融合算法；
步骤2.2：通过加权求和法将多目标优化转为单目标优化问；
步骤2.3：利用混合分布估计算法并行求解多目标多约束地理时空大数据传输优化问；
步骤2.4：将分布估计算法和基因表达式编程各自并行产生一定规模的子种群融合成优化问题的种群；
步骤2.5：分别评估各自种群的适应度值并进行排序，各自选出一定规模的最优个体组成优势群体；
步骤2.6：按照分布估计算法产生的优势群体，建立Bayesian后验概率分布模型；
步骤2.7：针对分布估算算法种群，从Bayesian后验概率分布模型中抽样产生新种群；同时基因表达式编程算法所产生的种群并行执行选择、变异、插串以及重组等遗传操作，产生新种群；
步骤2.8：结合种群个体相似度度量来动态调整遗传操作概率，提高GEP种群的多样性，扩大搜索范围。
4.根据权利要求3所述的基于混合分布估计算法的地理大数据传输方法，其特征在于，所述步骤2.2具体包括：设x＝(x1，x2)T为一个权重向量，其中xi≥0，i＝1，2且x1+x2＝1，则多目标优化问题转化为如下的单目标优化问题：
F＝x1Fsec+x2Feff
其中，F为将多目标函数转化为单目标优化问题的函数模型；x1、x2分别表示安全风险最小的目标函数Fsec和传输效率最大的目标函数Feff的权重向量；Fsec表示地理大数据中传输安全风险最小的目标函数模型，Feff表示地理大数据传输效率最大的目标函数模型。
CN202110718134.7A 2021-06-28 2021-06-28 一种基于混合分布估计算法的地理大数据传输方法 Active CN113486577B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110718134.7A CN113486577B (zh) 2021-06-28 2021-06-28 一种基于混合分布估计算法的地理大数据传输方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110718134.7A CN113486577B (zh) 2021-06-28 2021-06-28 一种基于混合分布估计算法的地理大数据传输方法

Publications (2)

Publication Number Publication Date
CN113486577A CN113486577A (zh) 2021-10-08
CN113486577B true CN113486577B (zh) 2022-03-29

Family

ID=77936101

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110718134.7A Active CN113486577B (zh) 2021-06-28 2021-06-28 一种基于混合分布估计算法的地理大数据传输方法

Country Status (1)

Country Link
CN (1) CN113486577B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114812795A (zh) * 2022-04-20 2022-07-29 山东岩芯能源技术有限公司 基于eda的级联三稳态随机共振微弱信号检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101907665A (zh) * 2010-07-16 2010-12-08 西安交通大学 联合模糊理论和改进遗传算法的油浸式电力设备故障诊断方法
CN107204876A (zh) * 2017-05-22 2017-09-26 成都网络空间安全技术有限公司 一种网络安全风险评估方法
CN108366047A (zh) * 2018-01-08 2018-08-03 南京邮电大学 基于博弈论的有源配电网数据安全高效传输优化方法及装置
CN108573114A (zh) * 2018-05-09 2018-09-25 西南交通大学 一种基于多种群遗传算法的车间多目标优化总体布局方法
CN113011631A (zh) * 2021-01-27 2021-06-22 湖南省地震局 一种测震应急流动台选址方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2991128B1 (fr) * 2012-05-25 2015-03-27 Deveryware Procede et systeme de reglage spatio-temporel des permissions de geolocalisation
FR3042085B1 (fr) * 2015-10-02 2017-12-01 Thales Sa Procede d'adaptation dynamique de la capacite d'un canal de transmission a contention
CN112099347B (zh) * 2020-08-06 2022-11-08 杭州电子科技大学 饱和非线性网络化工业控制系统的事件触发控制方法
CN113031644B (zh) * 2021-02-06 2022-04-01 中南大学 一种面向通信时滞的飞行器编队控制系统事件触发方法、装置及介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101907665A (zh) * 2010-07-16 2010-12-08 西安交通大学 联合模糊理论和改进遗传算法的油浸式电力设备故障诊断方法
CN107204876A (zh) * 2017-05-22 2017-09-26 成都网络空间安全技术有限公司 一种网络安全风险评估方法
CN108366047A (zh) * 2018-01-08 2018-08-03 南京邮电大学 基于博弈论的有源配电网数据安全高效传输优化方法及装置
CN108573114A (zh) * 2018-05-09 2018-09-25 西南交通大学 一种基于多种群遗传算法的车间多目标优化总体布局方法
CN113011631A (zh) * 2021-01-27 2021-06-22 湖南省地震局 一种测震应急流动台选址方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
复杂装备装配质量多特征决策与作业优化调度方法研究;伍薪烨;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》;20200615;论文第2页 *
混合演化计算研究及应用;杨广益;《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》;20071215;论文第54-65页 *

Also Published As

Publication number Publication date
CN113486577A (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
Chen et al. Convergence time optimization for federated learning over wireless networks
Zhang et al. Dual attention-based federated learning for wireless traffic prediction
Aldhyani et al. Intelligent hybrid model to enhance time series models for predicting network traffic
Xia et al. Intelligent task offloading and collaborative computation in multi-UAV-enabled mobile edge computing
Xu et al. Resource allocation algorithm based on hybrid particle swarm optimization for multiuser cognitive OFDM network
CN113486577B (zh) 一种基于混合分布估计算法的地理大数据传输方法
Wang et al. Evolutionary algorithm-based and network architecture search-enabled multiobjective traffic classification
Zhang et al. Graph-based traffic forecasting via communication-efficient federated learning
CN112446556A (zh) 基于表示学习和行为特征的通信网用户呼叫对象预测方法
Liu et al. HPCP-QCWOA: High performance clustering protocol based on quantum clone whale optimization algorithm in integrated energy system
CN113676357B (zh) 面向电力物联网中边缘数据处理的决策方法及其应用
Liu et al. Robust power control for clustering-based vehicle-to-vehicle communication
CN111723978A (zh) 一种基于虚拟映射适应多种电力业务差异性需求的指标评价方法
Zhang WSN Network Node Malicious Intrusion Detection Method Based on Reputation Score
Zhou et al. Study on the evolutionary optimisation of the topology of network control systems
CN104616077A (zh) 基于Markov链和关联规则的用户业务行为预测方法
CN113486505B (zh) 一种基于gep算法的地理大数据安全传输优化方法
CN107911763A (zh) 一种基于QoS的智能配用电通信网EPON网络规划方法
Pandey et al. 5GT-GAN-NET: Internet Traffic Data Forecasting With Supervised Loss Based Synthetic Data Over 5 G
CN109120438B (zh) 一种机会网络下的数据协同传输方法及系统
Lin et al. Multi-resource Optimal Scheduling Method for Satellite Communication Based on Improved Adaptive Genetic Algorithm
Dong et al. Optimization of Wireless Power Transfer for Wireless-Powered Mobile Edge Computing
Pang et al. An Efficient Computing Offloading Scheme Based on Privacy‐Preserving in Mobile Edge Computing Networks
Chen et al. A Method of Flow Compensation Incentive based on Q-Learning for User Privacy Protection
Shen et al. WSN coverage hierarchical optimization method based on the improved MOEA/D.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant