分布式测量数据收集关于移动对象

摘要

本文描述了在低带宽网络中收集移动目标测量数据的方法。第一种方法采用雾计算的概念，建议将测量数据质量的评估转移到测点上。第二种方法是利用采矿模型对遥测质量进行预测。此外，本文还介绍了基于actor模型的这些方法的实现。这样一来，不仅可以实现边缘节点和云节点之间的负载均衡，还可以显著降低网络流量，从而降低对通信信道带宽的要求，以及利用无线网络收集移动对象测量数据的可能性。

1.介绍

测量数据从移动对象（MO）收集的任务是非常相关的一个。给出以下实施例来说明这一点：（一世）在运输行业，遥测提供了有关通过从车辆收集数据，通过驾驶者的反馈，其中包括在驾驶室内的训练导致更高的燃料消耗效率的驾驶性能的有意义的信息。(2)空间科学测量被载人或无人航天器用于数据传输。（ⅲ）火箭测量设备是火箭射程资产的一个组成部分，用于监测运载火箭发射的位置和健康状况。(iv)今天，几乎所有类型的飞机，导弹，或航天器携带，因为它是测试无线遥测系统。航空移动遥测用于飞行员和地面人员的过程中飞行试验的安全性。从一个板上飞行测试仪器系统的遥测是有人和无人飞行器的测试期间发送的实时测量和状态信息的主要来源。（五）赛车测量在现代赛车比赛中是一个关键因素，它允许比赛工程师解释在测试或比赛中收集的数据，并使用它来适当地调整赛车以达到最佳性能。

这项任务与无人驾驶汽车行业的发展更加相关。测量(速度，燃料可用性，温度等)从车辆转移到控制点使用遥测通道用于无人驾驶车辆管理。

关于MO的测量数据采集涉及使用测量沿MO的移动的路线位于点（MP）的。他们每个人的测量对象的性能的各种参数。其中我们可以区分以下运动学参数：坐标 速度矢量 ;通过遥测信道传送参数：温度，振动，燃料水平，等等。测量可通过不同的测量系统中获得（MSS）：雷达，激光雷达，光学，遥测，导航，等等。

从MSs接收到的所有测量数据被连续传输到测量处理中心(MPC)(图)1)。在MPC，测量数据被合并成一个主要的测量流。此流可用于识别MO的潜在危险情况，并作出管理它们的决策。此外，可以根据测量处理的结果(如雷达天线和相机镜头瞄准)，利用MO的当前和预测参数(其位置、速度等)对MS进行调整。MPC可以基于云计算技术创建。

通常情况下，在测量过程中，所有MS工作在测量模式中，无论所述对象在其检测区域的存在。必要的是，物体的测量，因为它进入MS检测区尽快采取。然而检测区是为每个MP不同，并且它们可以具有显著交叉点（图1)。因此，货币政策委员会收到不同质量的重复数据从所有MPs在整个测量期间。因此，收集到的数据有很大比例的重复测量和噪声。

因此测量数据采集和处理的以下问题测量期间出现：（一世）彼此，并从MPC国会议员的地理隔离(2)从不同MPs接收到的重复数据，因为它们的检测区域是交叉的（ⅲ）需要同时控制MSs和MO本身，需要对采集的数据进行实时分析(iv)使用有限带宽的无线网络(卫星、无线电中继、蜂窝网络等)。

最近，无线网络，包括移动电话网络、无线局域网、无线传感器网络、卫星通信网络和地面微波网络，越来越多地用于数据收集，包括遥测[1]。这是通过方便他们使用的解释：无需电缆的安装，易于连接，等等。然而，这种类型的网络的主要缺点之一是有限的带宽。

本文提出对测量数据流进行动态管理，通过只传输必要的测量数据来减少网络流量。它允许减少传输的数据量和减少对通信信道的带宽要求。

2.相关工作

远程数据（遥测）聚集的问题是不是新的。首先数据传输电路走活了俄国沙皇的冬宫和军队总部之间于1845年在上个世纪末和本世纪初，机器对机器通信（M2M）的概念变得普遍。M2M技术的不断哪里遥测不放过：无线遥测系统成本的今天相比，他们做了什么10至15年前少得多。这在以前是没有经济上可行的应用程序现在是最具成本效益。M2M通过开放的标准和协议带来了纪律，遥测。

目前，我们可以在物联网（IOT）设备上网的人数观察快速增长。物联网的基本思想是将所有的东西（设备）在世界连接到互联网。据Gartner公司（一家技术研究和咨询公司），将有物联网在互联网上近26十亿设备，到2020年[2]。

它被广泛用于解释的IoT的方法的IoT的基本体系结构具有三层[3]:（一世）感知层是底层，它可以被看作是进行数据采集的硬件或物理层。(2)网络层（中间层）负责感知层和应用层连接，使得数据可以在它们之间传递。（ⅲ）应用层通常扮演提供服务或应用程序的角色，这些服务或应用程序集成或分析从其他两层接收到的数据。

一些研究人员(4]提出了延长的层。他们增加新的层次：（一世）接入网关层负责消息路由，发布和订阅的和如果需要的话还执行跨平台通信。(2)中间件层之间充当接口硬件层底部和顶部的应用程序层,负责关键功能,如设备管理和信息管理,也负责数据过滤等问题,数据聚合、语义分析、访问控制和信息发现。

物联网的数据处理和分析服务部署在顶层，并将其划分为以下子层[五，6]:（一世）数据采集​​层管理收集到的数据：对象识别，数据抽象，压缩，解析，和合并;的各种数据被保存在相应的数据库或数据仓库。(2)数据处理层对观察到的事件执行数据预处理和过滤，并允许我们根据事件聚合、组织和分析数据。

通常，应用和中间件层的实现都使用云计算技术[6]。云提供可扩展的存储，计算时间，和其他工具来构建应用服务。它也可以用来处理从物体遥测聚会。

类似的架构也应用于运动物体的测量数据采集。例如，欧洲航天局(ESA)的空间态势感知(SSA)计划和埃及空间计划使用云计算进行遥测处理[7]。它使软件和硬件解耦，并使灵活的遥测数据分析成为可能。大量可用的计算资源促进了软件开发、部署和操作方法的转变。这种方法也被用于基于云的地面系统进行空间遥测处理[8]。

在这种情况下，网络层负责连接物联网设备(如传感器、雷达、摄像机和其他测量系统)和云。它会产生非常大的网络流量。这个问题的解决方法可以是雾计算[9]。雾使云更接近产生物联网数据并对其起作用的来源。

雾计算要么完全解决或减小的分布式系统中的常见问题的影响：（一世）大延迟网络中(2)缩放数据源（ⅲ）有关端点流动性问题(iv)宽带费用高（五）该系统的广泛地理分布。

尽管Fog计算变得越来越流行，但它的实现还没有现成的解决方案。这可以通过这样一个事实来解释，即这样的概念还很年轻，而且具有很高的抽象水平。本文介绍了基于雾计算技术的测量数据采集方法。这些方法建议将部分计算更接近MPs。利用无线网络进行测量数据采集是非常重要的，它可以实现计算负荷的重新分配和网络流量的减少。

3.遥测采集的一般方法

3.1。从移动对象收集测量数据系统的形式化表示

整个测量数据采集系统可以正式表示为一个集合: 在哪里（一世）Mo是受控的移动物体;(2)mpc是一个mpc;MP是一组MP。

任意MO的状态由一组参数来表征: 在哪里（一世） 运动学参数:坐标 速度矢量 ;(2) 是参数 ， 通过遥测信道传送：温度，振动，燃料水平，等等。

MP是一组MP:

每个国会议员包括MS的测量的MO和MS从MO接收遥测数据运动学参数。因此，在每个测量点处形成MO参数的向量每时每刻 ： 在哪里（一世） 是否在时刻得到运动学参数的矢量在点 ;(2) 遥测帧是否包含一组参数的对象MO在时间获得通过遥测技术 。

对于每个遥测帧 ，它的质量是可以衡量的 ，描述接收数据的完整性和可靠性。遥测帧的质量可以通过多种方式进行估计，本文不考虑(验证每一帧的内置标记(如Reed-Solomon码)可以作为遥测数据质量估计的一个例子)。

测量系统的主要目的是在测量的每一个瞬间产生一个主流，其中包含一个MO的所有参数的最佳测量值: 在哪里此时MO参数的最佳值的集合 。

因此，完整测量数据收集(FG)的一般方法包括在每个时刻执行以下步骤（数字2):（1）获取测量数据在每个国会议员 （2）传输测量数据从每个MP 在货币政策委员会（3）评估遥测框架的质量从议员处收到（4）选择最佳遥测帧（5）汇总主流 。

数据传输操作的运行时间(基于Hockney的模型[10[误按数据量计算 ，的延迟α，以及带宽β通信信道的: 在哪里为数据量 。

总时间为主流的形成(从来)每时每刻可以使用以下公式来计算：

用于一个数据传输操作的网络业务是通过传输的数据的量来确定。因此，网络流量在每个时刻的时间由下式确定:

质量最好的遥测框架在每个时刻的时间由从所有MPs中采集的帧的最大质量决定:

FG方法的优点是尽可能高的遥测质量，因为它从所有MPs收集遥测数据并从中选择最好的帧。这种方法的缺点如下:（一世）高网络流量在MP和MPC之间传输，因为需要从MP传输所有的测量值，甚至那些最终不会包含在主测量流中的测量值(2)MPC中大量的计算与来自每个流的质量评价相关联 ，选择最好的流，并将其汇聚成主流。

情况变得更加困难，如果有几个MOs和测量流乘取决于MOs的数量。

3.2。与分布式质量评估收集

为了减少在测量过程中的数据采集网络流量，所以建议仅传送最终将被包括在主流的遥测帧。为了实现这一点，遥测帧质量必须在MP进行评估，并转移给MPC。货币政策委员会收集的质量和选择最佳的评估。最好遥测帧由相应的MP请求并将其发送到MPC被包括到主流。

因此，下面的过程在每个时刻执行（数字3):（1）获取测量数据在每个国会议员 （2）评估遥测框架的质量在每个国会议员 （3）传输遥测帧的质量从每个MP 在货币政策委员会（4）选择最佳遥测帧（5）转移命令“”到所选择的MP传送遥测帧（6）转移的最佳遥测帧从议员在MPC(7)汇总主流 。

总时间为主流的形成在每个时刻的时间可以使用以下公式来计算：

用于数据传输操作的网络流量由传输的数据量决定。因此，网络流量在每个时刻的时间由下式确定:

质量最好的遥测框架在每个时刻的时间亦由从所有测点收集的快照的最大质量所决定:

这种方法可以显著减少网络流量，因为

此外，在每个MP上执行了评估遥测帧质量所需的计算，这大大降低了MPC的负载。

采用分布式质量评估(DQA)的方法的缺点是在测量时刻之后可能会增加主流形成时间，因为执行了额外的功能:

3.3。收集与质量评估预测

为了缩短主流形成时间，建议对遥测帧在各时刻的质量进行预测 。通过预测在遥测的质量的变化，能够以抢先确定时刻时，有必要转移到被包括在主要流中的帧。

主要的问题是计算一段时间内足以用于MS切换。这样的预测可以通过施加挖掘模型，通过使用数据挖掘算法，包括那些用于时间序列分析（逻辑回归等）得到实现。

在这种情况下，质量值将是下一阶段的近似值。然而，为了提高预测的准确性，不仅可以使用现有的值，还可以使用影响遥测质量的附加属性。在这种情况下，有可能产生下列矢量，将表征遥测帧的质量在时刻从议员 ：

因此，训练集所有矢量的时间排序的序列从测量开始时刻直到终点在每个国会议员 ：

数据挖掘算法可以利用这些向量集建立一个挖掘模型，这些向量集来自于MP对象的以前的测量。在这种情况下，质量评估已知对于每个 。此外，可以在测量过程中使用已经执行的测量来修正挖掘模型。

采用与质量评估预测(QAP)相结合的方法，形成主流每时每刻在每个MP上并发执行和在MPC(图4):（一世）在前面，对每个MP执行以下操作 ：（1）获取测量数据在每个国会议员 （2）评估遥测框架的质量在每个国会议员 （3）发送的质量评估和运动学参数从每个MP 进入MPC。(2)此前，以下操作是在MPC进行：（1）接受质量评估和运动学参数从每个MP （2）预测遥测帧的质量每个MP 在时间（3）选择最佳MP在时间（4）发送””命令用于遥测帧传送到最好MP 。（ⅲ）在选定的MP上执行以下操作在收到““传送遥测帧指令:（1）获取测量数据在每个国会议员 （2）发送遥测帧最好的议员MPC(只给最好的议员在时间的实例)。(iv)MPC执行以下操作:（1）接收遥测帧最好的议员（2）汇总主流 。

进近QAP中主流形成的总时间在每个时刻的时间可以使用以下公式来计算：

对于每个测量全周期的时间由下式计算：

在这种情况下，网络流量在每个时刻的时间由下式确定:

遥测帧的质量在每个时间点是由所建开采模型的预测精度决定的 ：

由于运动学参数的体积一般是比遥测帧的体积小得多吗 该方法的网络流量比通用方法低很多，但比前一种方法略高:

此外，在每个MP上执行了对遥测帧质量评估的计算，这大大减轻了MPC的计算负荷。

因此，该方法具有较低的网络流量和形成主流的时间。这种方法的缺点是可能降低主流的质量。降低的程度取决于开发的预测模型的质量。然而，应该指出的是，即使是采用全测量收集的方法，也不能对所有的遥测帧达到100%的质量，因为当所有MPs接收到低质量的帧时，可能有一段时间。鉴于此，遥测分析系统应提供处理质量较差帧的选择。因此，遥测质量标准可以是非关键的。

4.建议方法的实施

4.1。测量数据采集系统的要素

为了实现分布式测量数据采集系统，我们使用了actor模型[11]及其软件实现，阿卡库[12]。

使用涉及参与者模式完成数据传送上述机构的整体原理显示于图五。主要实体如图所示五：（一世）生产者(数据源)是安装在MO上并产生遥测流的各种测量手段;每个生产者以0.25秒的间隔生成数据包，并将其传输给原始消费者。(2)消费者（初级消费者）是MS安装在MP和从源的聚集测量。它们形成测量框架，并将它们传送到MPC用于进一步处理。（ⅲ）协调器（计算中心）是一组背后隐藏的一般外观和表示功能由MPC，更具体地，预处理，帧质量分析，并形成主流实现的演员。(iv)接收器是一个演员呈现次消费者，特别是计算中心（CC）。演员是所有消费者演员CC的交互点。接收另一数据分组后，演员传送它进行处理。（五）QualityAnalyzers(质量分析器)是一组联合到池并位于CC中的参与者。它们评估传入包的质量。每个数据包被放置到处理队列，空分析器在处理队列上寻址并检索数据包进行处理。被分析的数据包进一步转移到最佳生产者分析器。（ⅵ）BestProducerAnalyzer是演员确定从主消费者（PC）的接收到的那些中的最佳快照。Analysis is performed with the packet receiving interval (0.25 sec), but there is an initial delay provided (3 sec delay was used during testing). Upon determining the best snapshot, actor transfers it to the main stream aggregator.（ⅶ）aggregator主流是一个演员，它将最好的快照“粘合”到主流中。形成的流被转移到终端用户。主流翻译过程的实现方式取决于具体的实现方式。

4.2。使用分布式质量评估实现集合

为了实现DQA方法，对影响参与者模型的系统进行了一些修改。

由于流质量评估在MP执行QualityAnalyzers池变得不必要，并且应该有这种类型的每每个单元的一个演员。因此，通过这些演员所提供的功能可以被集成到消费者型因素。因此，每个单元应当具有其自己的队列用于从生产者接收快照。

没有必要再将BestProducerAnalyzer参与者作为单独的参与者来实现，因为它的功能可以与接收者类型的参与者相结合。

其他类型的参与者保持不变。数据收集机制的这个实现中使用的参与者如图所示6。

4.3。实施汇总与质量评估预测

为了实现测量质量评估预测的方法，对接收actor的实现进行了改进。利用挖掘模型预测下一次的最佳MP。用于预测的挖掘模型被实现为PredictionModel类。相应的参与者如图所示7。

5.实验

实验是在分布式系统中进行的，其中每个参与者都位于一台单独的机器上。使用了四个物理计算机，每个物理计算机上部署了两个虚拟机。在虚拟机上安装了Ubuntu服务器16.04。

在实验中，我们使用了来自飞行对象的真实遥测数据集。数据集从2 MPs接收，测量持续时间为12,5分钟(2700次测量，周期为0,25秒)。每个MP包含以下MS:（一世）雷达测量运动学参数:坐标 速度矢量 (2)遥测。

用于评估不同的实施方式的第一特征是，帧延迟，即，从获得的测量数据来聚集所述主流的时刻的时刻的时间间隔。开发的系统允许设置初始帧的延迟。这是所有系统组件的开始时间和在经由网络消息传送预期的时间延迟被设定的时间间隔。位于CC主流聚合开始从试验开始指定的初始延迟后的数据流的形成过程。During the test, initial delay was set as one iteration (0.25 s).

由检索数据可知，平均延迟值为(图)8）（一世）for approach with full data gathering (FG), about 0.2629 sec,(2)对于分布式质量评估(DQA)方法，0.2921秒，（ⅲ）对于质量评估预测(QAP)方法，0.2645秒。

Additional delay of the distributed implementation option made by the system (except 0.25 sec of initial delay) is 0.0421 sec which is three times larger compared to the similar indication of the first implementation (0,0129 sec). Differences result from the measurements data delivery mechanisms in these two implementations. In the DQA implementation, additional delay is made at the phase of transferring the quality report to the CC and sending request for best-quality snapshot to a certain PC.

QAP实现中的延迟接近于从通用方法接收到的结果。由于在交换最佳MP时需要在数据源之间切换，因此该值的增加并不显著。

接下来的研究的特征是主流的质量。由于测试是使用预成形的数据集进行的，它是能够进行它们的质量的预评估。对于每一个数据帧，质量特性计算（图9为遥测从第一MP和数字10为遥测从第二MP)。数字11结果表明，采用FG和DAG两种方法可以提高主流(绿线)的质量。

QAP实施的结果更令人感兴趣。为了预测质量，采用了几种采矿模型。他们接受了来自Weka库的数据挖掘算法的训练[13]:（一世）GaussianProcesses [14](2)MultilayerPerceptron [15]（ⅲ）RegressionByDiscretization [16](iv)决策树(M5PBase) [17]（五）SVM回归（SMOreg）18]。

以下指标用于评估预测模型的准确性(其中是一个真正的价值，一个值是用某种算法估计的吗的平均值是):（一世）平均绝对误差(MAE): (2)均方根误差RMSE: （ⅲ）相对绝对误差(RAE): (iv)根相对方差（RRSE）：

比较结果如表所示1。

预测模型MP5和离散回归具有最佳的度量。他们被选为实施方法的收集与质量评估预测。

由于使用了MP5模型，结果与图中所示的很接近11。两个级数的相关系数为0.9844，与表中理论评价相符1。从RegressionByDiscretization测试接收到的数据是从理论上预测那些略有不同（图12)。在本例中，相关系数为0,7841。

可以注意到，该模型在最好的源交换区域失败。这可能表明预测模型的参数之间的依赖性计算不正确。

实现比较的另一个标准是网络通信量分析。使用Wireshark utility进行测量[19]，交通分析软件对以太网络。

流量测量用不同的系统配置制成，特别是具有不同的试验中使用的仿真PC量。在这种测试中，所形成的主流的质量没有考虑到。因此，对于每个实施变型中，制备4种的系统配置：用1，2，4，和6的PC。试验进行三次，每次配置，并且结果取平均值，并根据这些值生成的业务量进行了评估。

图(图13和14）表示执行的测试结果。The size of one source data file is ~339 Mb. It can be seen that the dependence of the traffic volume from quantity of MPs is linear, wherein actual data confirm theoretical assumptions about linear dependence of the traffic volume from source data volume and, at the same time, number of MPs in the system.

通过对上述数据的分析，可以得出这样的结论:所提议的方法的实现使用了更多数量的TCP数据包进行数据传输(37241个，而单个MP使用21752个)。然而，这些数据包的特定大小要小得多，因为一个使用的MP的一般通信量是355.31 Mb，而在通用方法的实现中是342.715 Mb。这可以通过为传输而形成的数据包更小来解释。与此同时，实施拟议方法的交通量并不直接依赖于系统中MPs的数量。这极大地减少了总容量(与6个活动MPs的2077.23 Mb相比，前者为411.98 Mb)。

表格2总结所有测量数据收集方法的实验结果。

实验结果显示，使用分布式测量数据收集的方法，在网络上传输的流量显著减少。然而，DAQ方法有一个更大的延迟形成主流。利用预测模型进行质量评估解决了这一问题。同时，某一主流的质量取决于所选择的用于预测河流质量的挖掘模型。

6.结论

雾的计算进行数据移动的物体上收集使用不仅允许通过把计算的一部分MP上的载荷降低到数据处理中心，同时也是显著减少网络流量。这两种方法给网络负荷的显著减少。此外，在这些变种增加议员的数量时，网络流量不会增加，这使得增加的测量工具的数量在系统中获得对目标更好的控制。这允许使用的无线网络具有用于数据收集容量的限制。

分布式质量评价方法的缺点是在主流成形过程中增加了时间延迟。如果这个值是至关重要的，就有可能使用评估预测的方法。它提供了与完整数据收集的实现相同的时间延迟。

这种方法的形成主流的质量是完全依赖于预测模型的实现。预测还可以通过模型学习在测量值收集的过程中得到改善。这是今后研究的目标。

的利益冲突

作者声明，本论文的发表不存在任何利益冲突。

致谢

本文件是在俄罗斯联邦教育和科学部的支持下，在国家任务号“科学研究组织”的国家工作框架内编写的。2.6113.2017 /ВУ。

参考文献

1. G.苗，J. Zander的，K. W.宋和S.本苏莱曼，移动数据网络基础，剑桥大学出版社，英国，剑桥，2016。视图:出版商的网站
2. “Gartner说到2020年物联网的安装数量将增长到260亿部，”斯坦福，康涅狄格州，2013，https://www.gartner.com/newsroom/id/2636073。视图:谷歌学术
3. C.-W。蔡,张炳扬。Lai和A. V. Vasilakos，“未来物联网:开放问题和挑战”，无线网络卷。20，没有。8，第2201至2217年，2014。视图:出版商的网站|谷歌学术
4. F.陈，邓P.，J.万，张四，五A. Vasilakos，和X荣，“数据挖掘为物联网：文献综述和挑战，”国际期刊分布式传感器网络，第15卷，文章编号431047,2015年。视图:出版商的网站|谷歌学术
5. S.斌，L.元，W.孝义，“研究数据挖掘模型物联网”，在图像分析和信号处理的第二届国际会议论文集（IASP'10），第127-132，2010年4月。视图:出版商的网站|谷歌学术
6. J. Gubbi，R. Buyya，S.马鲁希奇和M. Palaniswamia，“拉哈库马尔·布亚，斯拉文马鲁希奇，Marimuthu Palaniswamia，联网（IOT）：远景，建筑元素和未来方向，”未来一代计算机系统，爱思唯尔，第29卷，出版第29卷，no。7, 1645-1660, 2013年。视图:谷歌学术
7. A. El-Sharkawi, A. Shouman, S. Lasheen，“在云计算上实现的遥感卫星遥测数据的面向服务架构”，国际信息技术和计算机科学杂志，2013年，网上公布的2013年6月在MECS。视图:谷歌学术
8. C. Mirchandani，“基于云的地面系统遥测处理”，在复杂适应系统的程序，2015年，第183-190页，美国，2015年11月。视图:出版商的网站|谷歌学术
9. F.博诺米，R.米利托，朱军和S. Addepalli，在“雾计算及其在物联网的作用，”MCC 2012首届ACM移动云计算研讨会论文集， 13-15页，芬兰，2012年8月。视图:出版商的网站|谷歌学术
10. R. W.霍克尼，“为MPP的通信挑战：英特尔Paragon和明光CS-2”并行计算卷。20，没有。3，第389-398，1994。视图:出版商的网站|谷歌学术
11. C.休伊特，P.主教和R.斯泰格尔，“通用模块化ACTOR形式主义人工智能”人工智能国际联合会议，第235-245页，1973。视图:谷歌学术
12. “Akka文档。”http://akka.io/docs/。视图:谷歌学术
13. 威滕，伊贝和马克，数据挖掘：实用机器学习的工具和技术，摩根·考夫曼出版社，旧金山，第629卷，第3版，2011年。
14. “机器学习的高斯过程”，台北市关于机器学习的高级讲座卷。的3176在计算机科学讲义，第63-71页，麻省理工学院出版社，美国，剑桥，2004。视图:出版商的网站|谷歌学术
15. Hastie, R. Tibshirani和J. Friedman，统计学习的要素，斯普林格系列统计，施普林格，纽约，NY，USA，2008。视图:MathSciNet
16. D. D.立德，B。B. McShane的，和K. J.传道，“A研究者的指导回归，离散化，和连续变量的中位数分割，”消费者心理学卷。25，没有。4，第666-678，2015。视图:出版商的网站|谷歌学术
17. j·r·昆兰连续课程学习，澳大利亚悉尼，2006年大学。
18. S. K. Shevade，S. S. Keerthi，C.巴氏和K. K. R.穆尔蒂，“改进对SVM回归的SMO算法，”IEEE神经网络和学习系统汇刊卷。11，没有。5，第1188至1193年，2000。视图:出版商的网站|谷歌学术
19. “Wireshark的开发人员指南”https://www.wireshark.org/docs/wsdg_html_chunked/。视图:谷歌学术

版权

版权所有:Ivan Kholod等这是一篇开放获取下发布的文章知识共享署名许可，允许在任何媒体中不受限制地使用、发布和复制原创作品，只要原稿被正确引用。