基于软件定义网络(software-defined networking, SDN)与网络功能虚拟化(network function virtualization,NFV)融合的云数据中心,面临用户差异化的服务需求,采用如基于虚拟机、容器等服务部署方式,以提升网络功能部署效率。而在云数据...
详细信息
基于软件定义网络(software-defined networking, SDN)与网络功能虚拟化(network function virtualization,NFV)融合的云数据中心,面临用户差异化的服务需求,采用如基于虚拟机、容器等服务部署方式,以提升网络功能部署效率。而在云数据中心中,网络功能的按需组合即服务功能链(service function chain, SFC),呈现一些新特征如状态多维、故障样本不均衡等,导致检测精度低的问题。因此,为解决该难题,提出了一种基于控制平面、数据平面与智能推理平面的故障检测架构,数据平面采集网络状态,控制平面采集计算、存储等资源,智能推理平面采用基于大语言模型算法(the algorithm based on FLAN-T5 for failure detection, FTFD)对采集的故障样本进行分类。搭建了7个交换节点和1个控制节点的原型系统,实验结果表明,与现有故障检测算法相比,所提算法FTFD的故障检测精确率达到了99.87%,分类错误率至少降低了90%。
针对基于高光谱数据的悬浮物浓度反演问题,提出一种利用预训练神经网络(PNN)进行有监督波段选择的方法,并使用随机森林和神经网络建立悬浮物浓度反演模型。PNN算法需进行多次重复实验以获得低噪声且充分的波段重要性表达,在每次实验时选取适当数量的波段作为神经网络输入数据的特征,训练一个神经网络,并利用最后一期训练时第一层权重的L1范数、L2范数和ReLU(Rectified Linear Unit)函数来表示波段的重要性。实验结果表明,相比其他常用的波段选择算法,使用L1范数、L2范数的PNN算法能够得到信息量更大的波段集合,且其用于悬浮物浓度反演时,能够获得更优的效果。
针对复杂海面地貌、云雾背景下的光学遥感图像舰船目标检测问题,提出一种结合空域和频域视觉显著性特征的无监督舰船目标检测算法。基于图像的RGB颜色空间和ITTI模型,利用图像亮度特征图、颜色特征图、亮度特征的一阶梯度组合构建图像特征,并基于图像区域与整幅图像的协方差矩阵计算图像区域的差异性。然后由协方差矩阵之间的广义特征值构建空域显著特征图,并加入PQFT(phasespectrum of quaternion Fourier transform)模型的频域显著特征图。最后利用元胞自动机融合空域显著特征和频域显著特征。实验结果表明,所提算法检测舰船目标时的性能要优于其他常用的视觉显著算法。
暂无评论