基于NNVD的网络化软件多步控制算法研究
基于模糊神经网络的电梯群控调度算法
，林 秀
1袁根据不同的交通模式选取不同的权值袁上尧下行高 函数曲线遥
玲
峰交通模式时袁棕1=0.5尧棕2=0.4尧棕3=0.1曰空闲交通模式
渊三冤模糊神经网络结构
： 基
时袁棕1=0.2尧棕2=0.1尧棕3=0.7遥
人工神经网络是以数学手段来模拟人脑神经网
于 模
渊二冤 定义影响因素隶属度函数
络的结构和特征的系统遥 利用人工神经元可以构成
糊 神
影响
尧 尧 三个参数的因素主要包括 不同拓扑结构的神经网络 袁 [12] 其中典型的有多层前
经 网
轿厢内乘客人数 N尧 轿厢响应呼梯信号时的相对楼 向传播网路渊BP 网络冤尧Hopfield 网络尧CMAC 小脑模 络
层数 L 及电梯响应呼梯信号过程中所需停站次数 型尧SOM 自组织网络等遥 由于 BP 网络具有很好的逼
C遥 将这三个影响因素模糊化处理得到三个模糊变
Si= 1 +
+
(1)
量袁分别为乘客人数少 X1尧相对距离近 X2尧停站次
式中 Si 为第 i 部电梯响应呼梯信号的可信度袁 数少 X3袁并根据实际情况定义三个模糊变量子集的
值越小可信度越高袁可信度高的电梯响应呼梯信号遥 隶属度函数
尧
尧
遥 三个模糊变量子集
网络结构袁其结构图如图 4 所示遥 第一层为输入层袁 差冤按连接通路反向计算袁由梯度下降法调整各层神
将三个模糊变量子集的隶属度函数
尧
)尧 经元的权值袁使误差信号减小遥
作为输入变量袁三个变量经过模糊化处理之后
神经网络输出与期望输出误差表达式院
王 学
实现了数据的归一化处理遥 第二层为隐含层袁包含三
智 个节点袁隐含层的输入为三个输入变量的加权之和袁
复杂网络协同控制技术的研究与应用
复杂网络协同控制技术的研究与应用第一章绪论复杂网络是由大量相互连接的节点构成的动态交互系统。
复杂网络协同控制技术是指在复杂网络系统中，通过优化网络节点间的信息交互和控制策略，实现整个系统的协同控制。
复杂网络系统广泛应用于社交网络、物流网络、电信网络、航空航天等领域，因此研究和应用复杂网络协同控制技术具有重要意义。
第二章复杂网络协同控制技术的研究2.1 复杂网络建模对于复杂网络系统，需要对节点间的关系进行建模。
常见的复杂网络模型有小世界网络、无标度网络、随机网络等。
建立复杂网络模型有利于分析网络性质和特征，为设计控制策略提供依据。
2.2 复杂网络同步问题复杂网络同步是指复杂网络节点在一定的控制策略下，实现节点状态的同步。
复杂网络同步问题是复杂网络协同控制技术研究的重点。
常见的控制方法有基于拉普拉斯矩阵的设计方法、基于分布式控制的方法、基于事件触发的方法等。
2.3 复杂网络反馈控制复杂网络反馈控制是指在网络节点之间采用反馈机制，实现控制目标的实现。
常见的复杂网络反馈控制方法有基于比例积分控制器的方法、基于动态反馈的方法、基于模型预测的方法等。
第三章复杂网络协同控制技术的应用3.1 社交网络社交网络是最为普及的复杂网络应用之一。
通过分析社交网络中节点的关联性和影响力，可以设计针对社交网络的协同控制策略，实现信息传递和社交反馈的增强。
3.2 物流网络物流网络协同控制技术的应用可以优化供应链和物流链的效率和可靠性。
通过分析物流网络中的节点耦合度和关联性，可以制定物流节点之间的控制策略，达到物流网络的协同优化。
3.3 航空航天在航空航天领域，复杂网络协同控制技术的应用可以保证飞行器之间的状态同步和控制安全。
通过对飞行器之间的控制策略进行设计，可以实现多飞行器的高度协同和防碰撞功能。
第四章结论复杂网络协同控制技术的研究和应用具有重要意义。
未来随着复杂网络技术的进一步发展，复杂网络协同控制技术将得到更为广泛的应用。
基于多智能体系统的非线性系统控制技术研究
基于多智能体系统的非线性系统控制技术研究随着工程技术的发展，越来越多的非线性系统被应用于实际控制中。
面对这些复杂系统，传统的控制方法已经不再适用。
因此，基于多智能体系统的非线性系统控制技术备受关注。
本文将探讨这种技术的相关研究和应用。
一、多智能体系统的概述多智能体系统是由多个具有自主性和智能性的单一系统组成的集合体。
每个单一系统都能够感知周围环境，并根据所接收的信息，采取相应的行动。
这些单一系统之间互相交流和合作，实现共同目标。
这种系统具有分散式和自适应的特点，应用广泛。
二、非线性系统的特点及控制方法非线性系统具有很广泛的应用领域，但其具有高度非线性和复杂性，传统的控制方法很难满足其要求。
因此，研究非线性系统的控制技术显得尤为重要。
常见的非线性控制方法有：模糊控制、自适应控制、神经网络控制、模型预测控制等。
但是，这些方法存在很多缺点。
例如，模糊控制需要大量的经验和规则，自适应控制需要系统的精确建模，神经网络控制容易受噪声和非线性干扰的影响，模型预测控制需要在实时计算中解决二次规划问题。
三、多智能体系统在非线性控制中的应用多智能体系统具有互动性和分散式结构，可以很好地应用于非线性系统的控制中。
其优点在于：能够利用分散式结构提高系统的鲁棒性和稳定性，同时还能够根据环境的变化，自主地调节其行为以保持整个系统的稳定性。
在实际应用中，多智能体系统被广泛用于机器人、航空航天、人工智能等领域。
以机器人为例，多智能体系统可以将多个机器人协同工作，以完成特定任务。
具体来说，可以将智能机器人设计成多智能体系统，每个机器人作为一个单一系统，根据所接收的信息进行决策，并根据整个系统的目标进行行动。
这种方法可以极大地提高机器人系统的鲁棒性和自适应性，并且可以实现分布式协同控制。
结语综上所述，基于多智能体系统的非线性系统控制技术已经成为当前控制技术研究的热点。
这种技术结合了多智能体系统的分散式和自适应结构，能够很好地应用于实际控制中。
基于神经网络的智能控制算法研究
基于神经网络的智能控制算法研究智能控制算法作为目前发展最为迅速的控制技术之一，借助于神经网络的强大表达能力和自适应学习能力，已经在各个领域得到了广泛应用。
本文将对基于神经网络的智能控制算法进行深入研究，探索其工作原理、应用场景以及发展趋势。
智能控制算法是一种能够模拟人脑神经元网络结构和学习机制的控制方法。
其核心思想是使用神经网络模型对传统控制算法进行优化和增强，通过网络的自适应学习和优化能力，实现对复杂系统的智能化控制和优化。
首先，让我们来了解一下神经网络的基本概念。
神经网络是一种由大量人工神经元互联而成的网络结构，模拟人脑神经元之间的连接关系。
神经网络具有分布式存储、并行处理和自适应学习的特点，能够处理大量非线性、高度耦合的系统。
在智能控制算法中，神经网络被用作模型的学习器，通过对输入输出数据的学习和训练，获得系统的非线性映射关系，从而实现对复杂系统的智能化控制。
基于神经网络的智能控制算法的出现，极大地提升了传统控制算法的性能。
传统控制算法通常需要依靠专家经验和精确的数学模型，然而，对于某些复杂的非线性系统来说，这种方法往往难以得到令人满意的效果。
而基于神经网络的智能控制算法则可以通过训练神经网络，从数据中学习到系统的非线性映射关系，无需依赖精确的模型和专家知识，适用于那些模型难以建立的场景。
此外，基于神经网络的智能控制算法还具有自适应学习的能力，能够根据系统的变化自动调整网络参数，适应不同的工况和环境。
在实际应用中，基于神经网络的智能控制算法已经被广泛应用于各个领域。
例如，智能驾驶领域中的自动驾驶系统，通过神经网络学习车辆的行驶特征和环境感知能力，实现对车辆的自主控制；智能化工领域，通过神经网络预测化工过程中的异常状态，并采取相应的控制措施保证生产安全和质量稳定；智能机器人领域，通过神经网络学习机器人的运动规划和感知能力，实现对复杂环境下的自主导航和交互。
基于神经网络的智能控制算法凭借其强大的非线性建模能力和自适应性，为这些领域的智能化发展提供了重要支持。
软件开发论文：基于NNVD的网络化软件多步控制算法研究
基于NNVD的网络化软件多步控制算法研究1 引言随着Internet的发展以及计算机Internet网络和自动控制技术在经济、社会和国防等领域的信息化应用，软件系统呈现出两个转变：(1)软件运行平台从集中、封闭单机环境向开放、动态和多变网络环境转变;(2)软件系统的功能向各种应用领域和为大众用户提供综合服务转变。
这使得软件系统呈现出网络化的新特征，软件的规模和复杂性剧增。
对于网络化软件而言，我们面对的不单单是像Internet这样的单个网络和系统，而是一个系统的系统。
由群体用户行为驱动的各层元素间的错综复杂的联系和交互，构成了一个庞大而又复杂的网，确切地说是一个动态变化的多尺度网络的网络，而且其中的节点(既可以是路由器、网页、web服务，也可以是用户或者agent)和边的含义不尽相同。
因此，网络化软件系统中的任何节点发生故障，都有可能引发多米诺效应，最终导致系统崩溃。
据此，研究网络化软件局域范围内的多步控制方法刻不容缓，以期在系统崩溃之前对其进行多步控制，维持系统稳定正常的运行。
目前，复杂网络中的三种典型的免疫控制算法包括random immunization(随机免疫)策略、targeted immunization(目标免疫)策略和acquaintance immunization(熟人免疫)策略。
随机免疫指为了预防控制病毒的扩散，随机地选择网络中的部分节点并对其进行免疫，此种策略没有考虑网络节点间的差异性，网络中的所有节点被同等看待，节点被选中的概率是相同的。
但是在无标度网络中采用随机免疫策略需要对网络中几乎所有的节点进行免疫，这在现实的复杂网络中，几乎是不可能的。
目标免疫是依据无标度网络中度分布的不均匀性，顺序地选择部分度大的节点并对其进行免疫。
一旦这些度大的节点被免疫，那么与它们连接的边则从网络中剔除，很大程度上减少了病毒传播的途径。
但是这种策略需要事先了解网络的拓扑和网络中节点的度。
基于多智能体系统的复杂网络控制技术研究
基于多智能体系统的复杂网络控制技术研究第一章：引言在当前信息化时代，网络系统的规模和复杂度不断增加，给系统管理和控制带来了巨大的挑战。
传统的中央控制系统往往难以适应大规模网络系统的快速变化和复杂性。
为了充分发挥系统的自适应和自组织能力，多智能体系统逐渐成为研究的热点。
本文聚焦于基于多智能体系统的复杂网络控制技术，探讨其研究现状和未来发展趋势。
第二章：多智能体系统基础概念2.1 多智能体系统的定义与特点多智能体系统是由多个个体组成的网络系统，各个个体能够相互交互、协调和合作。
多智能体系统具有分布式、并行、异构、自适应等特点，能够在不同环境下实现复杂任务的解决。
2.2 多智能体系统的结构与模型多智能体系统可以采用不同的结构和模型来描述。
典型的多智能体系统结构包括星型结构、环形结构、网状结构等。
在模型方面，可以使用图论、博弈论和群体动力学等方法对多智能体系统进行建模与分析。
第三章：复杂网络控制技术3.1 复杂网络的定义与特点复杂网络是由大量节点和连接关系构成的网络结构，具有高度复杂和非线性的特点。
复杂网络在社会、生物和工程等领域具有广泛的应用。
3.2 复杂网络的建模与分析方法为了研究复杂网络的结构和行为，人们提出了许多建模和分析方法，包括随机图模型、小世界网络模型和无标度网络模型等。
这些方法可用于描述复杂网络的拓扑结构和动力学特性。
3.3 复杂网络的控制策略针对复杂网络的控制问题，研究人员提出了多种控制策略，例如基于节点的控制、基于边的控制和基于群体的控制。
这些策略可实现复杂网络的同步、稳定和鲁棒性控制。
第四章：基于多智能体系统的复杂网络控制技术4.1 多智能体系统与复杂网络的结合在传统网络控制中引入多智能体系统的概念，可以充分利用多智能体系统的自适应性和合作性，提高网络的控制效果和性能。
多智能体系统与复杂网络的结合将为网络控制带来新的思路和方法。
4.2 多智能体系统在复杂网络控制中的应用多智能体系统在复杂网络控制中有着广泛的应用，如流量控制、网络安全、资源优化等。
基于多智能体系统的复杂动态网络控制研究
基于多智能体系统的复杂动态网络控制研究随着科学技术的不断发展，越来越多的工程系统和社会现象呈现出复杂性和动态性，这就要求我们在控制这些系统和现象的过程中，能够适应这种特殊性质。
在这样的背景下，基于多智能体系统的复杂动态网络控制研究逐渐得到了广泛关注。
一、多智能体系统多智能体系统（Multi-Agent System，MAS）是指由多个智能体（Agent）组成的系统。
每个智能体拥有自主行动的能力，并且能够通过通信和协作与其他智能体交互，从而形成一个整体。
在多智能体系统的研究中，经常涉及到分布式控制问题。
分布式控制是指将系统的控制任务分配给各个智能体，使得整个系统能够实现一定的控制目标。
分布式控制的优势在于具有容错性、可扩展性等特点，能够适应大规模复杂系统的需求。
二、复杂动态网络复杂动态网络（Complex Dynamic Network，CDN）是一种广泛存在于自然界和人类社会中的网络形式。
所谓复杂，是指这些网络由大量节点组成，节点之间的联系存在多种形式和种类；所谓动态，是指这些网络中的节点和链接随着时间的变化而不断演化，从而呈现出动态的特性。
在现实生活中，我们可以看到许多例子，例如社交网络、交通网络、能源网络等，都可以被看作复杂动态网络。
这些网络呈现出非线性、不稳定、时变等复杂性，因此对于复杂动态网络的控制研究就显得尤为重要。
三、基于多智能体系统的复杂动态网络控制研究复杂动态网络作为一种典型的多智能体系统，它的控制研究也离不开多智能体系统的理论和实践。
在过去的几十年里，人们在基于多智能体系统的复杂动态网络控制研究方面取得了一系列重要的进展。
1. 基于自适应控制策略的研究自适应控制策略是指根据系统实时状态的变化，自动调整控制策略的方法。
在多智能体系统中，自适应控制策略可以应用于智能体之间的协作和信息交换等方面。
近年来，人们在自适应控制策略方面进行了深入的研究。
例如，研究人员们提出了基于反馈线性化、镜面法等自适应控制算法，并在复杂动态网络的控制实验中取得了显著的效果。
一种多层网射线跟踪模型仿真算法研究和应用
一种多层网射线跟踪模型仿真算法研究和应用摘要本文基于多层网格技术，研究了一种射线跟踪模型仿真算法。
该算法在保证准确性的基础上，大幅度提高了计算速度，为射线跟踪模拟提供了一种新的思路。
本文首先介绍了射线跟踪的基本概念，然后讲解了多层网格技术及其在射线跟踪中的应用。
接着，给出了基于多层网格技术的射线跟踪模型，并提出了相应的仿真算法，最后通过实验仿真，验证了该算法的有效性。
关键词：射线跟踪；多层网格技术；仿真算法AbstractBased on the multi-grid technology, this paper studies a ray tracing simulation algorithm. The algorithm greatly improves the calculation speed while ensuring accuracy, providing a new idea for ray tracing simulation. This paper first introduces the basic concept of ray tracing, and then explains the multi-grid technology and its application in ray tracing. Next, a ray tracing model based on multi-grid technology is presented, and a corresponding simulation algorithm is proposed. Finally, the effectiveness of the algorithm is verified through experimental simulation.Keywords: Ray tracing; Multi-grid technology; Simulation algorithm一、引言射线跟踪是计算机图形学中的一项重要技术，其主要应用于光线追踪、声学模拟、物理仿真等领域。
基于CNN-GRU度量网络的多目标跟踪算法
C Concat * Multiplication + Summation S Calculate affinity score fc Full connected layer
图 2 CNN-GRU 度量网络结构 Fig. 2 CNN-GRU metric network
整体特征的影响，在降低误报率的同时有效聚合轨迹框的特征。该算法将行人重识别网络输出
的特征计算得到的检测框和轨迹框的相似度，以及 CNN-GRU 网络直接输出的相似度作为数据
关联部分的匹配成本。在标准多目标跟踪数据集上的实验结果验证了本文算法的有效性。
关键词：多目标跟踪；基于检测的跟踪；行人重识别；GRU；数据关联
以上方法证明了深度学习方法在外观特征提 取、相似度计算以及数据关联过程中的有效性，不同 模型在数据关联算法中的融合使用可以增加模型的 性能，但是针对相似目标难区分、目标轨迹框误报率 高的问题，仍有进一步提高的空间。
针对复杂多目标跟踪场景中行人目标 ID 切换 率高和误报率高的问题，本文提出了一个基于 CNNGRU 度量网络的多目标跟踪框架。该框架主要包括 行人重识别模型、CNN-GRU 度量网络和数据关联算 法。在 CNN-GRU 深度度量网络中统一提取目标的 外观特征和运动特征，并学习其时间关联性，使得目 标 具 有 更 好 的 判 别 性 ， 降 低 目 标 的 ID 切 换 率 。 同 时，通过训练使网络学习目标不同时序历史轨迹框 正确匹配的概率值，抑制目标轨迹中的误检以及低 质量目标框对目标整体特征的影响，降低误报率；在 CNN-GRU 度量网络结构中直接聚合不同时序的目 标历史轨迹框的外观特征，再由该度量网络直接输
基于 CNN-GRU 度量网络的多目标跟踪算法
基于多Agent的网络控制模型的开题报告
基于多Agent的网络控制模型的开题报告一、选题背景及研究意义如今，网络控制已成为各类网络中的核心问题。
其目的是通过设定网络的相关参数和协议等措施，来解决诸如网络拥堵、网络兼容性和网络安全等问题，提高网络的性能和可靠性。
当前，网络控制的主要方法仍是集中式的模式，即通过网络管理者对整个网络进行控制。
然而，随着网络的膨胀和应用场景的复杂化，集中式的网络控制方法已经不能完全满足网络的需求。
因此，基于多Agent的网络控制模型被广泛研究。
该模型通过将网络控制分配给多个智能代理，使得网络具有更高的自组织、自适应和鲁棒性，从而更好地满足网络的复杂需求。
二、研究内容和研究方法本课题将研究基于多Agent的网络控制模型，并针对该模型的以下问题进行深入的探究：1. 多Agent之间的通信机制。
研究如何使多个智能代理在网络中形成适当的通信，并且提高通信的效率和可靠性。
2. 多Agent的协作问题。
探讨多个智能代理之间如何进行有效的协作、分工，以达到更高效的网络控制。
3. 多Agent决策问题。
研究智能代理应如何进行决策，如何优化网络控制策略。
本研究将主要采用实验研究法，包括模拟实验和实际测试。
模拟实验将在网络模拟平台上进行，通过搭建多Agent的网络控制模型，并进行实验测试来验证模型的有效性和可行性。
实际测试则将在真实网络环境中进行，通过对多个智能代理进行部署和测试，来验证该模型的实际应用效果。
三、预期研究结果1. 设计基于多Agent的网络控制模型，通过实验证明该模型的效果优于传统的集中式网络控制模型。
2. 研究智能代理在网络中的协作机制，提出一套能够促进智能代理协作的方法。
3. 研究智能代理的决策问题，提出一种基于多智能体感知学习策略的智能代理决策模型。
该研究结果有望为网络控制领域的进一步发展提供有效的思路和方法。
基于SDN与NDN的卫星网络多约束路由算法
基于SDN与NDN的卫星网络多约束路由算法
刘治国;姚巧雨;潘成胜
【期刊名称】《计算机应用研究》
【年(卷),期】2022(39)8
【摘要】针对NDN卫星网络内容传输时延高、丢包率高且请求命中率低的问题,提出了一种基于SDN与NDN的卫星网络多约束路由算法,并命名为SNMcRA。
基于SDN的集中控制与全局视图,通过建立多约束路由模型,将链路多约束信息与蚁群算法相结合以求解满足时延、带宽、丢包率多约束的代价最小路径,由节点在包转发的过程中动态完成转发表FIB和待定请求表PIT的构建。
实验结果表明,该算法与DSP算法相比时延降低了35%,带宽利用率提升了29%,丢包率降低了17%,并且在请求命中率方面也具有显著优势。
【总页数】5页(P2454-2458)
【作者】刘治国;姚巧雨;潘成胜
【作者单位】大连大学信息工程学院;大连大学通信与网络重点实验室;南京信息工程大学电子与信息工程学院
【正文语种】中文
【中图分类】TN927.2
【相关文献】
1.基于SDN分级分域架构的QoS约束路由算法
2.卫星网络中基于多QoS约束的蚁群优化路由算法
3.基于SDN分级分域架构的QoS约束路由算法
4.基于SDN的
卫星网络多QoS目标优化路由算法5.一种基于SDN的多约束无人船网络传输路由算法
因版权原因，仅展示原文概要，查看原文内容请购买。
基于观测器的多智能体网络leader-following编队控制
基于观测器的多智能体网络leader-following编队控制韩娜妮;张可儿;徐秀妮【摘要】This paper investigates the distributed formation control of leader-following multi-agent network. Supposing each follower can not get the real-time information of the virtual leader,the distributed observer is designed for each follower.The paper considers both the condition of switching topologies without time delay and fixed topologies with time-varying communication delay.By using the Lyapunov stability theory, the sufficient conditions of system’s stability and the designed protocols’ effectiveness are given.Finally, the numerical simulation results are presented to illustrate the effectiveness of the designed protocols, namely,the followers form the designed formation and reach velocity consensus with the virtual leader.%主要研究了 leader-following多智能体网络的分布式编队问题。
基于多Agent的智能网络教学软件设计与实现的开题报告
基于多Agent的智能网络教学软件设计与实现的开题报告1. 问题背景与意义伴随着互联网的发展和普及，智能化、个性化、交互式等数字化教学方式逐渐被广泛应用。
传统的面对面教学模式已不能满足人们多样化、个性化的学习需求。
在这种背景下，基于多Agent的智能网络教学软件应运而生，它能够更好地满足学生和教师的个性化需求，提高教学效率与质量。
然而，现有的很多智能网络教学软件在复杂的教学情境下，往往存在一些问题，如学生交互性不足、个性化意见反馈不及时等。
为解决这些问题，本项目将基于多Agent的智能网络教学软件的设计研究，开发出一款高效、智能、个性化的网络教学软件，让学生和教师都能够从中获得更好的教学体验。
2. 研究内容本项目的研究内容主要包括以下方面：（1）多Agent的智能网络教学系统架构的设计，包括需求分析、系统功能分析、架构设计等；（2）教学情境下的Agent交互与协作机制的实现，通过Agent之间的学习、反馈等方式，提高教学效率与质量；（3）学生智能推荐算法的设计与实现，通过对学生学习情况的监控，提供个性化的意见反馈与教学推荐；（4）基于数据挖掘的学生学习情况分析与可视化，通过对学生学习数据的挖掘，生成教学数据报告，帮助教师更好地进行教学调整。
3. 研究难点与解决方案本项目中的研究难点主要体现在以下几个方面：（1）多Agent的智能交互与协作机制的设计。
该方面涉及到多个Agent之间的数据交换和学习反馈，如何构建有效的协作机制是本项目的一个难点；（2）基于学生学习情况的教学推荐算法的设计。
如何根据学生的学习情况，给出个性化的教学推荐是本项目的另一个难点；（3）数据分析与报告的自动生成。
如何对学生学习数据进行高效、准确的分析，并以可视化的方式生成教学数据报告，是本项目中的第三个难点。
为解决上述难点，本项目将采取以下解决方案：（1）基于Masquerade Agent架构的设计，通过消息传递和学习反馈机制，实现多Agent之间的高效交互与协作；（2）运用深度学习算法建立学生画像，并根据学生画像和学习数据提供个性化的教学推荐；（3）借助数据分析和可视化工具，实现学生学习数据的高效分析和可视化报告的自动生成。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ｔｈｅ Ｎｅ ｔ ｗｏ ｒ ｋ Ｓ ｏ ｆ ｔ ｗａ ｒ ｅ Ｍｕ ｌ ｔ ｉ ｓ ｔ ｅ ｐ Ｃｏ ｎ ｔ ｒ ｏ ｌ Ａｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ Ｂａ ｓ ｅ ｄ ｏ ｎ ＮＮＶＤ Ｒｅ ｓ ｅ ａ ｒ ｃ ｈ
ＭＡ Ｙｉ ｎ ｇ — ｈ ｕ ｉ ， ＰＥ ＮＧ Ｃｈ ｅ ｎ ｇ ， Ｚ ＨＡＮＧ Ｗｅ ｎ — ｊ ｉ ａ ， ＸＵＥ Ｚ ｈ ｉ — ｓ ｈ ａ ｎ， Ｍ ＡＮ Ｊ ｕ ｎ — ｆ ｅ ｎ ｇ
（ Ｃｏ ｌ ｌ ｅ ｇｅ ｏ ｆ Ｃｏ ｍ ｐｕｔ ｅ ｒ ａ ｎｄ Ｃｏ ｍ ｍ ｕｎ ｉ ｃ ａｔ ｉ ｏ ｎ， Ｈ ｕｎ ａｎ Ｕ ｎｉ ｖｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｔｅ ｃ ｈｎ ｏｌ ｏｇ ｙ，Ｚｈｕｚ ｈｏｕ， Ｈ ｕ ｎａ ｎ ４１ ２ ０００， Ｃｈｉ ｎａ ）
基 于 ＮＮＶＤ 的 网 络 化 软 件 多 步 控 制 算 法 研 究
马迎 辉 ， 彭 成 ， 张 文佳 ， 薛志山 ， 满君 丰
（ 湖 南 工 业 大 学 计 算 机 与 通信 学 院 ， 湖南 株 洲 ４ １ ２ ０ ０ ０ ）
摘 要 ： 网络 化软件 系统规模 的增 大不仅 增加 了理 解 和 优 化 系统 的难 度 ， 而 且一 个 小的 异 常就 有 可 能 引发
整 个 系统 的崩 溃文提 出一 种 基 于 Ｎ Ｎ Ｖ Ｄ（ ｎ ｅ ｔ ｗ ｏ ｒ ｋ ｎ ｏ ｄ ｅ ｖ ａ ｌ ｕ ｅ ｄ ｅ ｇ ｒ ｅ ｅ ） 的 网络 化软 件 多步控 制 算法 ， 该算 法从 节 点路 径 长度 范 围 的角 度去 研 究 异 常行 为 传播 的 局域 控 制 ， 通过 网络化 软
件 节 点的 重要 程 度 选择控 制 节点 ， 分析在 无 标度 网络 软件 系统 中进 行 局 域 多 步控 制 的有 效 性 。研 究表 明， 该 算 法 能 够在 一 定程度 上抑 制异 常行 为 的传播 ， 使 异 常能 够在 一定 的 范围 内得到 有效 的控 制 。
关键词 ： 网络 化 软 件 ； 软 件 异 常行 为 ； 多步 控 制 算 法 中 图分 类 号 ： ＴＰ ３ ０ １ ． ６ 文献标识码 ： Ａ
第 ３ ４卷 第 ２期
２ ０ １ ５年 ６月
计 算
技
术
与 自 动
化
Ｖｏ １ ． ３ ４， ＮＯ ． ２
Ｃｏ ｍ ｐｕｔ ｉ ｎ ｇ Ｔｅ ｃ ｈｎ ｏｌ ｏｇｙ ａ ｎｄ Ａ ｕｔ ｏ ｍａ ｔ ｉ ｏ ｎ
Ｊ ｕ ｎ．２ ０ １ ５
文章编号 ： １ ０ ０ ３ —６ １ ９ ９ （ ２ ０ １ ５ ） ０ ２ —０ ０ ７ ０ —０ ４
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ： Ｔｈｅ ｉ ｎｃ ｒ ｅ ａ ｓ ｉ ｎ ｇ ｓ ｃ ａ ｌ ｅ ｏ ｆ ｎｅ ｔ ｗｏｒ ｋｅ ｄ ｓ ｏ ｆ ｔ ｗａ ｒ ｅ ｓ ｙ ｓ ｔ ｅ ｍ ｎ ｏｔ ｏｎ ｌ ｙ ｉ ｎｃ ｒ ｅ ａ ｓ ｅ ｓ ｔ ｈｅ ｄ ｉ ｆ ｆ ｉ ｃ ｕ ｌ ｔ ｙ ｔ Ｏ ｕｎ ｄｅ ｒ ｓ ｔ ａ ｎｄ ａ ｎｄ ｏ ｐｔ ｉ ｍｉ ｚ ｅ
ｎ ｅ ｔ ｗｏ ｒ ｋ ｓ ｅ ｌ ｅ ｃ ｔ ｉ ｏ ｎ ｔ ｏ ｔ ｈ ｅ ｉ ｍｐ ｏ ｒ ｔ ａ ｎ ｃ ｅ ｏ ｆ ｔ ｈ ｅ ｃ ｏ ｎ ｔ ｒ ｏ ｌ ｓ ｏ ｆ ｔ ｗａ ｒ ｅ ｎ ｏ ｄ ｅ ．Ｔｈ ｅ ｓ ｔ ｕ ｄ ｉ ｅ ｓ ｓ ｈ ｏ ｗ ｔ ｈ ａ ｔ ｔ ｈ ｅ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｃ ａ ｎ ｒ ｅ ｓ ｔ ｒ ａ ｉ ｎ
ｔ ｈ ｅ ｓ ｙ ｓ ｔ ｅ ｍ ，ｂ ｕｔ ａ ｓ ｍａ ｌ ｌ ａ ｎ ｏｍ ａ ｌ ｙ ｉ ｓ ｌ ｉ ｋｅ ｌ ｙ ｔ Ｏ ｃ ａｕ ｓ ｅ ｔ ｈｅ ｃ ｏ ｌ ｌ ａ ｐｓ ｅ ｏｆ ｔ ｈｅ ｗｈ ｏｌ ｅ ｓ ｙｓ ｔ ｅ ｍ ． Ｔ ｈｅ ｒ ｅ ｆ ｏ ｒ ｅ，ｉ ｎ ｖ ｉ ｅ ｗ ｏｆ ｔ ｈｅ ａ ｂｎｏ ｒ ｍ ａｌ ｂｅ — ｈａ ｖｉ ｏ ｒ ｏ ｆ ｎｅ ｔ ｗｏｒ ｋｅ ｄ ｓ ｏ ｆ ｔ ｗａ ｒ ｅ ｓ ｙ ｓ ｔ ｅ ｍ ，ｔ ｈｉ ｓ ｐ ａ ｐｅ ｒ ｐｒ ｏ ｐｏｓ ｅ ｄ ａ ｎｅ ｔ ｗｏｒ ｋｅ ｄ ｓ ｏ ｆ ｔ ｗａ ｒ ｅ ｂａ ｓ ｅ ｄ ｏ ｎ Ｎ ＮＶ Ｄ ｍ ｕｌ ｔ ｉ ｓ ｔ ｅ ｐ ｃ ｏｎｔ ｒ ｏｌ ａ ｌ ｇ ｏ— ｒ ｉ ｔ ｈｍ ． Ｔｈｅ ａ ｌ ｇｏ ｒ ｉ ｔ ｈｍ ｓ ｔ ｕｄ ｉ ｅ ｄ ｔ ｈｅ ｓ ｐｒ ｅ ａ ｄ ｏｆ ｔ ｈｅ ａ ｂｎｏ ｒ ｍａｌ ｂｅ ｈａ ｖｉ ｏ ｒ ｏ ｆ ｌ ｏｃ ａ ｌ ｃ ｏ ｎｔ ｒ ｏｌ ｆ ｒ ｏ ｍ ｔ ｈｅ ｐ ｅ ｒ ｓ ｐｅ ｃ ｔ ｉ ｖｅ ｏｆ ｔ ｈ ｅ ｎｏ ｄｅ ｐ ａ ｔ ｈ ｌ ｅ ｎ ｇｔ ｈ ｒ ａ ｎｇｅ，ａ ｎｄ ａ ｎａ ｌ ｙｚ ｅ ｄ ｔ ｈｅ ｌ ｏｃ ａ ｌ ｍ ｕｌ ｔ ｉ ｓ ｔ ｅ ｐ ｃ ｏ ｎｔ ｒ ｏｌ ｅ ｆ ｆ ｅ ｃ ｔ ｉ ｖ ｅ ｎｅ ｓ ｓ ｉ ｎ ａ ｓ ｃ ａ ｌ ｅ— ｆ ｒ ｅ ｅ ｎ ｅ ｔ ｗｏ ｒ ｋ ｓ ｏ ｆ ｔ ｗａ ｒ ｅ ｓ ｙｓ ｔ ｅ ｍ ｔ ｈｒ ｏｕ ｇｈ ｔ ｈ ｅ