拓扑优化基于公布的交互式可视化通信网络拥塞控制算法

文摘

本文深入研究了互动视觉传达视线外的网络拓扑进行拥塞控制算法来解决实时路由问题,适应动态拓扑,和delay-constrained随机路由算法,使包内达到GB延迟阈值在缺乏端到端的延迟信息,同时提高网络吞吐量和减少网络资源的消耗。算法要求每个发送节点选择一个可用的继电器设置基于其邻居节点和信道状态的位置和计算转移概率为继电器组中的每个节点将其余的数据包的延迟与中继节点的距离GB。基于获得的转移概率和地方频道状态,发送节点通过中继节点的数据包。算法的收敛性证明,仿真验证其性能。第一部分的算法是基于贪婪算法部署和定位网络飞行平台节点与网络飞行平台的有效覆盖的目标节点,考虑地面基站服务。为每个链接上的延迟变化由于信道状态的变化,源和中继节点异步更新数据产生率和成对参数基于接收到的本地信息和使用获得最优值通过GB的数据包。

1。介绍

视力对我们人类来说是一个重要的区分或大或小,光,和黑暗,以及运动和静止和外部世界的颜色。至少80%的外部世界的信息是通过视觉获得,最后由人类大脑和被处理(1]。人类的过程将通过视觉信息转化为图像可以被视为一个简单的可视化过程(2]。最早的“可视化技术”主要用于计算机科学和应用,形成了一个非常重要的branch-scientific计算可视化。但是,随着时间和技术的发展,可视化技术已不再局限于科学计算;它已经扩展到生活的各个方面,如埃及象形文字的历史,洞穴壁画,科学教育,互动多媒体、工程、医学、商业、和虚拟社区(3]。近年来,随着互联网的发展,越来越多的人花费他们日常生活的一部分在各种项目如社交软件,网上购物,和郊游4]。如今,我们的社会已经是一个快速发展的时代,随着技术的快速发展,高效的信息流动,更频繁的交流,和更方便的生活方式;各种各样的活动产生了一系列的数据(5]。因此,这个时代不仅创造了很多大数据公司还创建了“大数据”热词,更重要的是大数据的生成,促进大数据行业的蓬勃发展和技术,包括可视化技术。在这个大数据的时代,网络拓扑可视化技术已经成为研究的一个重要分支可视化技术;网络拓扑可视化通常使用的点,线,图形,和其他元素,形成一个基本的形象代表了移动网络,骨干网络、核心网络拓扑结构和信息显示6]。通常情况下,网络拓扑可视化可以清晰直观地反映当前操作的网络来帮助网络管理人员对网络链接、节点、和其他方面的综合评估,预测,分析,一个清晰的理解,和理解网络内部的特定信息,法律,和变化7]。目前,许多研究机构与计算机图形学相关工作的重点转移到网络拓扑可视化工具的研究;可视化技术作为关键技术显示网络拓扑结构及其相关产品和工具也越来越有用8]。

网络拓扑结构是各种元素的安排(链接、节点等)的通信网络。网络拓扑是网络的拓扑结构,可以物理或逻辑描述9]。这是图论的应用,通讯设备被建模为节点和设备之间的连接被建模为节点之间的链接或线(10]。物理拓扑网络的各种组件的布局(例如,设备位置和电缆安装),而通过网络逻辑拓扑描述数据流的方式(11]。节点之间的距离,物理连接,传输速率,在两个不同的网络或信号类型可能不同,但拓扑可能是相同的(12]。感兴趣的物理拓扑网络的物理层的OSI模型。网络拓扑可以用来定义或描述各种类型的电信网络的布局,包括指挥和控制无线网络、工业集成,计算机网络(13]。图形的多样性等获得的数据可以使用组织教育、研究、政府和商业伙伴获得不同类型的大数据从各种网络链接然后视觉采集工具和数据分析工具用于更好地分析网络拓扑,路由寻址,域安全、交通分析、性能,政策,和可视化。我们的目标是帮助建立一个可伸缩的、健壮的互联网数据分析工具和分析方法。Vizster用于有趣的终端用户探索和导航大型在线社交网络。Vizster是基于一个熟悉的node-linked网络布局14]。系统是基于一个熟悉node-linked网络布局,提供定制的技术探索连接在大型图形结构,支持视觉搜索和分析以及自动识别和社区结构的可视化15]。该委员会的目标是关注自我调节和自我修复机制的发展,一方面,分散的、可伸缩的,适应环境的变化16]。另一方面,这些分散的机制导致全球接受的行为,避免不合格或不稳定17]。在本项目开发的工具主要是应用于网络拓扑结构的可视化自治系统(AS)层。

上述研究和可视化工具旨在全面、详细、准确的网络信息和他们所有人使用可视化布局算法。代表节点之间的信息和链接,这些系统使用更复杂的图标呈现拓扑关系图,提高用户的感知等网络信息通过各种效果的动画和交互。随着网络的快速发展,有许多框架和工具获取网络信息和显示网络结构,但是他们不能完全显示的各种需求的支持和显示不同的拓扑结构类型。在此基础上,本文构建了一个实时交互的网络拓扑可视化系统通过网络技术来显示不同的数据分布更清楚和有效地提供交互操作,获得更多潜在的网络信息。设计和实现一个网络拓扑可视化系统来显示复杂的节点和节点之间的连接信息可视化表单的页面,并为用户提供各种空间数据显示方法,以便用户可以过滤、移动和修改属性和其他互动的方式来分析和监控网络数据的可视化拓扑。

2。视线外互动视觉通信网络拓扑优化设计距离拥塞控制算法

2.1。非可视距离拥塞控制算法

本文链接质量被定义为接收器的概率将正确解码包,和在任何时候每个链接将收到一个干扰信号从其他相同的网络中传输。摘要链接质量被定义为接收器将正确解码数据包的概率;在任何给定时刻每个链接将收到相同的从其他传输网络。累积干扰值t(称为瞬时干扰值)不准确地反映当前信道状态(18]。同时,无人机的快速流动使得它很难获取状态信息的渠道,和瞬时干扰值只能反映当前信道状态,所以需要找到一种方法,能够满足节点之间距离的变化,并能准确反映当前信道状态。干扰预测方法满足要求以及通过计算平均干扰值t使用集成的想法基于节点的运动模型。

使用公式(1),signal-to-interference-plus-noise比(SINR)节点j可以获得。 在哪里N表示环境噪声的方差,它通常被设置为一个常数。根据公式(2),平均链接能力t时间间隔可以获得。

每个数据包的大小是假定服从指数分布的平均值K位。每个节点维护一个队列,并将数据包按先来后到的顺序给到中继节点。根据获得的结论(19,20.),当到达过程服从泊松分布,服务过程遵循一个独立的指数分布,平均延迟的链接我,j在时间t可以近似如下:

如果下面的公式(6)和(7),开始接受操作接收到分区信息从主过程和初始化分区流场。

继续未完成的计算,挞接收操作流场,并得到以下公式:

最终聚合的加权平均模型可以写成

视线外的拥塞控制算法背后的理念是自上而下的分层放置。算法指出,子节点和父节点之间的依赖减少,和任何节点的位置是严格遵循breadth-priority的网格方法遍历从左到右,从上到下,一个接一个21]。这个方法很容易实现,高效解决网络的拥挤情况。因为它是一个网格,每个节点之间的间距是固定的,和没有重叠节点。这在一定程度上缓解压力的空间分配。然而,网格布局算法也有缺点;使用网格布局算法画一个视觉图形,父节点和子节点之间的连接变得直观,这将严重影响用户的感知网络的数据,如图1。

网络层次结构一词通常是指主要的网络和子网的主要网络显示了主节点之间的连接和子网显示了节点和节点之间的连接在一个给定的范围内。由于大量的数据在今天的网络,这将是非常拥挤在一个窗口显示所有网络节点。在这种情况下,我们只需要单击其中一个专家节点获得网络中连接的详细概述。所示的网络节点是一个总分。分层布局算法的优点是,它可以大致想象大型网络数据在一个窗口中,当用户想要看到详细的网络结构,窗口可以显示在细节;由于这一优势,分层布局算法中使用大量的视觉布局。但该算法也有缺点;例如,当节点的数量太多,如何分配子网成为一个严重的问题。

被称赞的清晰显示节点之间的相关性,基于每个节点的原则将有斥力和引力,相邻节点之间的引力,所有节点之间存在排斥力,一旦两个节点之间的引力大于斥力,这两个节点的位置将监管非常接近;一旦两个节点之间的斥力大于引力,这两个节点的位置将监管非常遥远22]。换句话说,节点之间的亲密关系可以被节点之间的距离;太远表示两个节点是远亲,和近距离表示两个节点是密切相关的。同时,由于排斥,节点之间创建一定距离,减少重叠节点的影响。指导主要包含电荷斥力的力,重力和摩擦力。节点之间的拓扑关系图的表示为相互排斥,以确保节点不重叠;重力是表示为节点远离重心;重力完成更大的相对布局拓扑地图,并确保节点相对紧凑。摩擦是由能量衰减率;较强的摩擦力,导游地图的停止速度越快。

2.2。交互式可视化通信网络拓扑优化设计

互动视觉通信网络拓扑优化是一个框架,分离和将输入、处理和输出模块单独的应用程序。三个之间的逻辑关系如下:拓扑发送一个请求到控制器,控制器选择适当的处理模型,该模型反馈信息发送到控制器,控制器是选择适当的拓扑,从而生成相应的视图向用户(23]。模型提供拓扑显示内容;同时它可以实现模型来创建一个新的拓扑无需重写模型;只要模型中的数据变化,模型的拓扑结构将得到通知,并相应的拓扑将rerender页面。可以重用模型,模型拓扑结构和控制器是相互独立的,和一个或更多的人可以单独移植到新的工作平台,因此极大地提高了开发的效率。拓扑的工作是思考如何呈现数据的逻辑接口。该模型只需要考虑如何保持数据和处理业务逻辑。三个之间的分工极大地提高研发的效率(24]。在此系统中,相应的模型包含节点信息、业务信息、协议信息,以及节点之间的关系数据,并提供相应的数据添加、删除、和校正操作。拓扑关系图显示在客户端浏览器中。在此系统中,拓扑映射对应相关的控件,用于数据采集、组件的创建、数据绑定,呈现控制,等等。这些操作的结果终于呈现在可视化页面,如图2。

例如当数据被修改,删除或更新时,如果数据也在缓存中,那么缓存中的数据是在一个无效的状态;例如,缓存中的数据,和前端删除数据;还有数据在缓存中;如果前端的请求数据,可以从缓存中读取的数据,这是不符合事实25]。因此,在前端修改数据后,发送一个请求到服务器,如果请求成功,它需要设置相应的缓存中的数据将到期,当它再次从服务器请求数据,服务器查询数据库并返回前端数据发现和更新缓存中的数据。原因设置原始数据在数据库缓存无效如果修改成功,如果相应的缓存中的数据设置为无效,不能查询,一个线程将读取旧数据无需修改数据库在多线程环境中,因此覆盖修改缓存数据,导致旧数据存储在缓存中,导致脏缓存中的数据的存在。这是修改数据库的原因第一,然后更新缓存。渲染过程中有三个要点:数据初始化、数据更新和数据合并(26]。数据初始化渲染中的现有数据的数据库;当用户打开页面拓扑可视化系统时,系统可能已经运行,运行状态的数据库积累的新数据,打开页面后输入数据更新流程;之间的数据初始化和数据更新、数据合并过程。

业务层从数据层提取数据并提交最终的拓扑映射到用户界面层。业务层是网络拓扑可视化系统的关键模块,分为数据仿真模块,数据管理模块,一个可视化布局模块和交互控制模块。模拟器可以生成所需样本数据的数据网络拓扑可视化系统来模拟现实场景,和模拟的数据将存储在Oracle中,将数据转换成JSON格式通过模式,然后将其存储在MongoDB,它提供了一个add-delete-change-check接口服务器和前端。数据管理模块来处理数据存入数据模拟器;该模块包括拓扑数据预处理;数据模式转换,实时更新;从MongoDB取出数据符合前端的请求,但数据格式不符合要求的,所以你需要预处理数据,和系统实时更新功能,系统运行时,每2秒前端通过Ajax从服务器请求数据;如果后台数据修改,合并后的数据将改变数据更新到现有的页面;可视化布局模块计算节点在数据管理模块的位置来确定节点的最终位置的布局和画出图;模块包括布局算法优化,D3。js库优化和D3。j年代 to draw the topology diagram. The topology generated by the visual layout module needs to provide interactive functions to the user. The interaction control module contains six parts: connection filtering, topology scaling control, page synchronization, attribute modification, topology subdiagram, and traffic view.

2.3。模块设计分析

交互意味着,当一个用户输入一种特定的命令,系统相应的接收和响应。交互拓扑图可以表达更多的内容,同时允许用户了解更多关于潜在的信息。常用的工具是鼠标和键盘交互。交互控制模块是建立基于拓扑地图的可视化布局模块,和网络拓扑可视化系统为用户提供交互控制功能,这使得用户获得更直观的可视化信息,同时,根据不同的可视化内容有选择地可见对象,解析和信息从四面八方来实现高效的信息感知效果。

连接过滤是一个交互式的网络拓扑可视化系统的功能。网络拓扑可视化系统是一个平台显示网络并提供交互式功能给用户,以便用户在访问更多的自由信息;用户可以选择查看他们感兴趣的信息。连接过滤功能允许用户选择查看一个或多个类型的信息和隐藏未选中的信息。当用户选择一个或多个连接标签,用户获得目标ID和发现标签需要过滤返回过滤器设置需要过滤和隐藏的信息过滤器设置基于获得的滤波器组实现的目的只查看一个或多个类型的信息。实现过滤功能后,当用户再次点击过滤标签,过滤后的链接将rerender当前页面,如图3。

在系统中操作,当用户想知道特定的节点之间的连接和情况和相关节点,只是拖拽相关的局部拓扑节点到页面的可见区域改善用户交互。缩放拓扑时,事件监听器首先定义了比例因子范围(0.01,10)和翻译抵消(480、300);一旦鼠标放在拓扑,通过滚轮缩放函数。网络拓扑可视化系统的特点之一是定心和高亮显示多个页面之间的节点。不同页面的前提是在不同的过程中,在不同的内存区域和不同的过程。实现页面同步,有必要通过服务器信息推到首页。服务器将信息推到首页需要注意三个方面;第一个推动信息不能干扰无关紧要的指令,例如,当一个用户发送一个集中信号当另一个用户无法收到信号。第二个相关页面响应需要一致,如用户打开多个页面;一旦用户给出了页面为中心的命令,所有打开的页面需要集中在同一时间。 Third, when the user closes the page, the server automatically clears the state of the page synchronization maintained by the server to reduce memory pressure.

用户在浏览器中打开一个页面,页面将向服务器发送注册请求,登记信息包括页面和命令(因为可以多种命令,例如,该系统为中心,强调,等等)。当服务器接收请求时,它首先检查这种类型的盒子已经注册,如果盒子已经注册,它只是把信息框;如果没有盒子,它创造了盒子,然后把页面和指令到箱子里,并将结果返回给页面。页面上的用户发出命令;服务器接收到命令来找到合适的盒子,盒子里通知其他页面来执行命令。一旦用户关闭页面,服务器找到对应的框,记录相应的信息或记录盒如果没有页面。获得的数据可能会偏离真实信息,介绍了属性修改功能的属性信息与真实信息一致。如果你点击“确认”按钮,Ajax将修改后的信息反馈给后台写,和小圆舟将写回Oracle的数据。同时,对应的信息缓存将被设置为过期,和属性信息将改变;如果你点击“取消”按钮,窗口将自动关闭,属性信息将不会被改变。 When the attribute is changed, you need to change all the information in Oracle and the cache, because if only the data in Oracle is changed, when the front end requests the information, it will first fetch the data from the cache, and the data that is fetched is the unchanged data, and then the dirty data situation will occur. If only the corresponding data in the cache is set to be invalid, when the incremental update is done, the server Tornado will request data from Oracle because the data stored in Oracle has not been changed, resulting in fetching the dirty data and changing the data in the cache to dirty data, which are not allowed by the program. Therefore, after property modification, you need to change the data in Oracle and cache at the same time.

3所示。分析的结果

3.1。仿真结果分析

通过考虑算法的性能在不同的网络参数(主要包括节点的数量、速度和你好间隔),仿真结果进行收集和人物4是生成的。delay-constrained随机路由算法在本章略DSRA。为了简化传输过程,每个中继节点只有一个机会重新发送数据包。仿真结果分为两个部分:人物4显示了网络参数的趋势提出了路由策略在本节中,包括DSRA、或dsp, P-OLSR和GRAA不同的旅行速度和你好间隔。或dsp主要使用迪杰斯特拉最短路径和预期的中间节点位置设计路由算法。P -OLSR包含了相对速度和两个节点之间的链路状态路由选择和使用的路由过程GRAA提高基于地理位置信息的路由算法的性能通过使用基于时间的节点运动预测和设计的想法dtn路由。评估的结果不同的网络参数(包括超时率、丢包率和吞吐量)在不同的速度和数量的节点图所示4。从图4,总丢包率增加而增加的速度。两个主要因素决定总丢包率:链接的质量和延时约束。前因素导致更多的重发,这不仅增加了端到端延迟,而且更可能的总延迟被延迟的数据包将超过阈值。后一个因素增加了丢包率,因为中继节点将会下降延迟时的包传输消耗大于给定的阈值。

DSRA仅从单邻居收集信息,并使用这些信息来做出路由决策。时间间隔每一对节点之间交换信号严重影响单跳传输的可靠性,在发送节点的使用以前保存的通道状态会导致贫穷的路由决策节点,从而降低了网络性能。通道状态方程计算(3)- (5)是密切相关的两个节点之间的距离,和你好间距的增加降低了网络性能时,节点的移动速度的变化。因此,从图可以看出4使用的信道状态信息的中继节点选择一个继电器节点使用先前存储通道状态并不能反映当前链接质量,导致节点选择路线提供数据包,从而减少数据包的数量正确收到GB。在实际实现中,一个合适的你好间隔需要设置符合要求的节点单跳传输成功率在给定的运动速度。图5显示你好间隔之间的关系和节点的移动速度时的平均传输成功率达到80%。较低的运动速度,每个节点的坐标不改变,网络中的信道状态逐渐变得更加稳定。传输节点只使用其存储信道状态选择中继节点,不交换信号获取当前信道状态;选择一个适当的你好间隔允许单跳传输实现网络性能使用当前信道状态。

接下来,本章的方法的性能或dsp, P-OLSR, GRAA下不同的参数进行了分析。延迟约束DSRA考虑的一个重要因素,所以每个中继节点的优化迭代认为不仅不同的网络指标(例如,链接质量)也延迟约束。与其他路由算法(P-OLSR和GRAA),尽管或dsp合并中间节点的等待时间到路径选择降低端到端延迟,它没有明确考虑端到端延迟的约束,而且减少了单延迟并不意味着总延迟满足给定的延迟阈值。因此,当执行或dsp、P-OLSR GRAA,包超时率大于DSRA。从图可以看出6在所有四个方法,超时加息随着移动速度的增加,这可以解释为每个传输节点的高流动性导致贫穷的链接质量。DSRA的主要优化目标之一是最大化的有效数据传输速率,考虑到数据传输速率和质量的链接。节点可以调整传输数据速率适应网络拓扑的变化得到更好的链接质量;因此,可以得出结论,超时DSRA率低于或dsp, P-OLSR, GRAA速度不同。的节点数量的增加提供了更多的机会对每个发送节点路由决策更好地提高传播质量。因此,超时率降低随着节点数的增加,如图6。

问题是正式作为一个优化问题与最低传输速率最大化作为目标函数和端到端传输的总延迟消费约束,和本地使用一阶衍生品和投影方法得到近似解。为了避免路由到一个局部最优,每个节点选择一组可用的继电器基于单邻居信息和计算转移概率节点在每个继电器组考虑其余的数据包的延迟和中继节点的距离GB。每个发送节点传递数据包到中继节点利用转移概率和当地信道状态信息。最后,证明了该方法可以收敛到一个最优解满足某些条件。从仿真结果,在本章提出的算法具有良好的性能的网络吞吐量、丢包率、和packet-timeout率。

3.2。系统性能测试结果的分析

轨迹数据是一种多维的数据,不仅包含位置信息(经度和纬度)的轨迹点,还各种其他维度的信息,如时间、速度和方向。跟踪数据的多维信息,本系统开发了一个属性可视化模块,旨在合成不同属性的跟踪数据,深入挖掘隐藏的时空规律。属性可视化模块包含几个子:偏航分析,速度可视化,可视化,直接和相关分析,分别应用于不同的分析跟踪属性。本文选择线形图可视化方法直观地描绘了偏航的情况。的周期选择数据源抽象到[0,1]区间,然后每个数据记录点的偏差距离间隔计算有关的主要课程,促进视觉呈现,他们也编码和归一化到[0,1]区间显示跟踪点的偏差程度。如图7,偏航的分析选择four-ship轨迹数据。

轨迹的方向是另一个重要的属性数据,和探索运动方向的分布都可以找到特定运动模式和模式也可以揭露一些不寻常的运动模式。例如,漂流时可能发生之间存在很大偏差的方向船舶航线和船的航线,这被认为是一个危险的行为在海事领域。因此,视觉方向信息的轨迹数据分析也是十分必要的。本文两个标题玫瑰图旨在直观地分析中的定向信息轨迹数据探索和分析交通流的方向。如图8,不同方向的交通流分配是可视化的,和交通流的分配速度(平均速度的方向)在不同的方向也是可视化。固定的百分比点(轨迹点几乎零速度)轨迹数据中间的玫瑰图所示。图8显示了船的方向分布轨迹数据一周一个港口,出站在西北和东南的回家。本周的出站流量比寻的交通,更因为船离开港口在大海面前,出站流量也相对较快。在图8,我们可以看到有一个异常交通流的方向远离主要交通方向,和平均速度相对较快,这可能是一个从主路线绕道由于特殊情况中遇到某些区域。

这个测试比较力导向布局算法与OPTFR算法。经过几个模拟,将迭代次数设置为250,米= 100,和深度l是3。设置数据模拟器生成的节点的数量每次50,100,150,200,400,和800,时间单位为计算节点的纬度和经度年代。测试结果如图9。

结果表明,随着节点数的增加,OPTFR算法计算节点位置速度比力导向布局算法;特别是,随着更多的节点,这对比更明显。OPTFR算法中设置的值可以严重影响算法的性能;当米图中节点的数目是一致的,该算法降低力导向布局算法;时的值米是相对较小的,算法的米值也与深度层的数量有关l相邻节点之间,发现当l越来越小,计算斥力减少,导致比以前稍微遥远的节点;如何利用的价值l根据具体的特定于业务分析。使用的服务器系统是龙卷风,通过异步IO单线程提供服务,因此,CPU资源没有充分利用;因为服务在CPU需求不高,单核处理器并不是充分的利用。龙卷风使用IO回调函数,这就增加了内存使用请求数量的增加。龙卷风也引入了缓存机制,这也会增加内存消耗。

4所示。结论

设计和实现一个网络拓扑可视化系统可视化复杂节点和节间连接信息页面,为用户提供各种维度数据的表示方法,使用户可以在拓扑分析和监测网络数据过滤、移动和修改属性和其他互动的方法。满足端到端延迟约束的干扰控制问题是正式作为一个优化问题目标数据传输速率和传输能量。链路层约束消除使用成对分解方法和端到端延迟约束转化为单跳延迟约束基于横向分解方法。最大化目标函数,减少当地的延迟在分布式模型中,网络中每个节点的单跳延迟估计作为本地延迟约束。基于当地的邻居信息节点独立执行参数更新操作,使用次梯度算法的收敛方法更新对数参数和一阶导数法获得原问题的解决方案。分布式干扰控制算法还提议,不需要节点收集全球信息和每个中继节点执行基于本地频道信息的数据传输任务。最后,证明了优化方法的收敛性及其性能仿真实验的结果验证了。相比之下,公布阻塞控制算法提出了假定的存在至少一个随时可用的中继节点每个传感器节点,和空地区问题不考虑。尽管GPSR提出的方法可以解决这个问题,它不考虑延迟约束和交付数据包使用右手法则将消耗更多的延迟。因此,在未来的工作中,需要设计一个路由方法,不仅解决了空的区域问题,而且满足延迟约束。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。

引用

1. t . Gernat v . d . Rao m·米登h . Dankowicz n . Goldenfeld g·e·罗宾逊,“自动监控的行为揭示了丛发性交互模式和快速传播动力学在蜜蜂的社会网络,”美国国家科学院院刊》上,卷115,不。7,1433 - 1438年,2018页。视图:出版商的网站|谷歌学术搜索
2. t .藤原,j·k·李,m·穆巴拉克et al .,“视觉分析系统优化大规模网络的性能在超级计算系统中,“视觉信息,卷2,不。1,第110 - 98页,2018。视图:出版商的网站|谷歌学术搜索
3. f·s . Zhang j . Chen律:Cheng w·史和x沈,“自动驾驶的车辆通信网络时代,“IEEE通讯杂志卷,56号9日,26 - 32,2018页。视图:出版商的网站|谷歌学术搜索
4. x x粉丝,c .李x元,咚,j .梁,“交互式可视化网络异常检测的分析方法通过智能标签,”《可视化,22卷,不。5,955 - 971年,2019页。视图:出版商的网站|谷歌学术搜索
5. r·a·罗西n·k·艾哈迈德,r·周和h . Eldardiry”互动视觉图挖掘和学习”,ACM智能交易系统和技术,9卷,不。5,页1 - 25,2018。视图:出版商的网站|谷歌学术搜索
6. j . Nayak和b .奈克,”小说蜜蜂交配与高阶神经网络优化方法分类,“杂志的分类,35卷,不。3、511 - 548年,2018页。视图:出版商的网站|谷歌学术搜索
7. b . Chakrabarty诉Naganathan k Garg y Agarwal, n .帕尔克,“小睡更新:网络分析的分子动力学数据和protein-nucleic酸复合物,”核酸的研究卷,47号W1, W462-W470, 2019页。视图:出版商的网站|谷歌学术搜索
8. h . Senaratne m·穆勒m . Behrisch et al .,“城市流动分析移动网络数据:可视化分析方法,”IEEE智能交通系统,19卷,不。5,1537 - 1546年,2018页。视图:出版商的网站|谷歌学术搜索
9. n·s·弗罗洛夫v . a . Maksimenko m . v . Khramova a . n . Pisarchik和a . e . Hramov”动态多层大脑皮层的功能连接网络在感官信息处理过程中,“欧洲物理专题》杂志上,卷228,不。11日,第2389 - 2381页,2019年。视图:出版商的网站|谷歌学术搜索
10. d . Piovesan g . Minervini, s . c . e . Tosatto“残环2.0 web服务器进行高质量的交互网络,”核酸的研究,44卷,不。W1, W367-W374, 2016页。视图:出版商的网站|谷歌学术搜索
11. b . Rieck Fugacci, j . Lukasczyk et al .,“小团体社区持久性:复杂网络拓扑可视化分析方法,”IEEE可视化和计算机图形学,24卷,不。1,第831 - 822页,2018。视图:出版商的网站|谷歌学术搜索
12. f·沙赫扎德,t·r·Sheltami和e . m . Shakshuki“可靠的定位方案的多目标优化的无线传感器网络,”通信和网络杂志》上,18卷,不。5,796 - 805年,2016页。视图:出版商的网站|谷歌学术搜索
13. Clune k . o·斯坦利·j·j·雷曼,和r . Miikkulainen”通过neuroevolution设计神经网络,”自然机器智能,1卷,不。1、巢族,2019页。视图:出版商的网站|谷歌学术搜索
14. n . c .陈德良d·t·黄平君s锣et al .,“深度强化学习通信和网络的应用:一项调查,“IEEE通信调查和教程,21卷,不。4、3133 - 3174年,2019页。视图:出版商的网站|谷歌学术搜索
15. f·沙赫扎德,t·r·Sheltami和e . m . Shakshuki”DV-maxHop:快速、准确range-free为各向异性无线网络定位算法,”IEEE移动计算,16卷,不。9日,第2505 - 2494页,2017年。视图:出版商的网站|谷歌学术搜索
16. Abboud k、h·a·奥马尔和w·壮族“互相配合的DSRC V2X通信和移动网络技术:一项调查,“IEEE车辆技术,卷65,不。12日,第9470 - 9457页,2016年。视图:出版商的网站|谷歌学术搜索
17. y徐、t . Yu和b·杨“分销网络的可靠性评估通过图论、拓扑相似性和统计分析,“专业生成、传输和分配,13卷,不。1,37-45,2019页。视图:出版商的网站|谷歌学术搜索
18. r . Mueller-Bady m·卡佩斯i Medina-Bulo, f . Palomo-Lozano”进化的混合启发式搜索监测通信网络的位置,”杂志的启发式,25卷,不。6,861 - 899年,2019页。视图:出版商的网站|谷歌学术搜索
19. c•诺·m·梅尔·m·斯特雷特和a . Lex”艺术的状态可视化多元网络”计算机图形学论坛,38卷,不。3、807 - 832年,2019页。视图:出版商的网站|谷歌学术搜索
20. b·p·巴斯比e . Niktab c·a·罗伯茨et al .,“遗传相互作用网络协调个体的他汀类药物的反应酿酒酵母”,NPJ系统生物学和应用程序,5卷,不。1,1-13,2019页。视图:出版商的网站|谷歌学术搜索
21. 太张扬。Bui,“Metaheuristic算法优化神经网络:森林火灾易感性映射的比较研究多,越南,”测绘学、自然灾害和风险,10卷,不。1,第150 - 136页,2019。视图:出版商的网站|谷歌学术搜索
22. a·e·西斯摩尔j . e . Phillips-Cremins r . Ghrist d·s·巴塞特,“整个的重要性:拓扑数据分析的神经网络,”神经网络,3卷,不。3、656 - 673年,2019页。视图:出版商的网站|谷歌学术搜索
23. t . Ozcan和a . Basturk“转移上优于卷积神经网络与启发式优化手势识别,”神经计算和应用没有,卷。31日。12日,第8970 - 8955页,2019年。视图:出版商的网站|谷歌学术搜索
24. 答:马丁,j .联j . Florez et al .,“网络资源分配系统QoE-aware交付5 g网络媒体服务的”IEEE广播,卷64,不。2、561 - 574年,2018页。视图:出版商的网站|谷歌学术搜索
25. h·舒克拉r·舒克拉a Sonkar, t·特里帕西”改变构象拓扑和交互动态L418A突变引起的结核分枝杆菌异柠檬酸裂解酶,导致活动”生物化学和生物物理研究通信,卷490,不。2、276 - 282年,2017页。视图:出版商的网站|谷歌学术搜索
26. s . Murugesan k·布沙尔,j·a·布朗et al .,“大脑modulyzer:交互式可视化分析脑功能连接,”IEEE / ACM事务计算生物学和生物信息学,14卷,不。4、805 - 818年,2016页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020博雅刘和刘晓波。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。