XiaoMi-AI文件搜索系统
World File Search System网络性能
研究文章 简要回顾在软件定义网络中使用机器学习进行流量工程
本评论简要探讨了在软件定义网络 (SDN) 的流量工程 (TE) 中部署机器学习 (ML)。SDN 通过将控制平面与数据平面分离来改变传统的网络管理，为灵活和自适应的流量控制开辟了新的可能性。正如我们所展示的，SDN 中的 TE 可以通过更有效地利用资源、减少延迟和减少拥塞来优化网络性能——同时响应实时条件以保持高服务质量 (QoS)。然而，充分利用这些优势需要先进的算法和实时数据分析，这在计算上要求很高。TE 还依赖于拥有准确、最新的网络信息。同时，ML 通过与边缘计算、网络功能虚拟化 (NFV) 和物联网 (IoT) 等技术集成，使 SDN 更加有效。这种组合可以实现实时分析、快速决策、智能路由、负载平衡和更强大的安全性。然而，这些集成带来了可扩展性和互操作性方面的新挑战，这意味着我们需要在基础设施和专业知识方面进行大量投资。即使迄今为止取得了所有进展，但仍存在一些障碍。 其中包括扩展、保持强大的安全性以及实时做出瞬间决策的问题。 展望未来，未来的研究应集中在自主网络、节能的 ML 技术和混合 ML 解决方案上，旨在达到网络安全和性能的新高度。
使用快速流规则
分布式拒绝服务（DDOS）攻击始终对网络构成主要威胁，或者作为更复杂的攻击的掩护。近年来，随着大量物联网节点，诸如botnets-as-a-service等的扩增平台等进展，DOS攻击的数量大大增加，并且攻击变得更加复杂。软件定义的网络工作（SDN）的新范式可实现对网络的集中视图，该视图有望有效地检测和缓解此类攻击。这种现代方法可暴露更多的攻击领域，例如缓冲饱和，链接洪水，流台溢出（FTO）和控制器饱和。在本文中，我们提出了一种新颖，非常轻巧，简单但有效，集成的方法，被称为DataPlane-DDOS（快速）中的快速传播，以检测和缓解SDN场景中的多次DOS攻击。我们的Ap-proach夫妻基于IP分配的网络分割，以产生一组新型的流量规则，可用于以较小数量的总体规则来积极地预防FTO，同时为快速检测的能力添加了一个快速检测的能力，从而可以使用较小的整体规则，从而生成一组新型的流量规则。我们使用Mininet和Ryu评估了提出的方案的性能 - 降低其在检测和减轻几次攻击的同时，在保持网络性能的同时，揭示其有效性。
初步技术研究 - tj/am/setic/dvitic
2.2.1.现有设备陈旧：当前的网络基础设施存在技术限制，例如处理能力低下和缺乏更新的技术支持，这影响了 TJAM 基本服务的效率和可用性。 2.2.2.不断增长的连接需求：随着员工、数字服务和连接设备数量的增加，现有网络不具备支持高质量和可靠性日常运营所需的可扩展性。 2.2.3.采用现代技术：与统一访问控制兼容的设备和解决方案将提高网络性能、可靠性和灵活性。 2.2.4.需要专业技术支持：合同必须包括专业技术支持，以解决复杂问题并确保网络基础设施的持续运行。这对于确保司法服务的连续性、最大限度地减少中断和运营损失至关重要。 2.2.5.内部团队培训：招聘包括 TJAM 服务器的实践技术培训，使团队能够有效地操作、监控和管理网络基础设施，以及处理更新和事件。这种培训对于促进自主性和确保解决方案的长期可持续性至关重要。 2.2.6.集中管理：现代化应该包括集中管理解决方案，这将允许 IT 团队从单一界面管理整个网络基础设施。这将使监控、配置、维护和执行安全策略变得更加容易，从而降低操作复杂性和相关成本。
ECE 659智能传感器和传感器网络
作为用于创建内容的下一代范式，AI生成的内容（AIGC），即，基于用户提示，通过生成AI（GAI）自动构成内容，最近引起了极大的关注和成功。With the ever- increasing power of GAI, especially the emer- gence of Pretrained Foundation Models (PFMs) that contain billions of parameters and prompt engineering methods (i.e., finding the best prompts for the given task), the application range of AIGC is rapidly expanding, covering various forms of information for human, systems, and networks, such as network designs, channel cod- ing, and optimization solutions.在本文中，我们介绍了移动边缘AI生成的所有内容的概念（AIGX）。具体来说，我们首先回顾了AIGX的构建块，从AIGC到AIGX的演变以及实用的AIGX应用。然后，我们提出了一个统一的移动边缘AIGX框架，该框架采用边缘设备提供PFM授权的AIGX服务，并通过及时的工程优化此类服务。更重要的是，我们证明了次序提示导致发电质量差，这会对用户满意度，边缘网络性能和资源利用产生不利影响。因此，我们进行了一个案例研究，展示了如何使用Chatgpt培训有效的及时优化器，并研究了及时工程在用户体验，发电质量和净工作绩效方面进行的改进。
优化收敛网络中的带宽分配...
摘要：对高速网络服务的需求和网络流量的不断发展导致了融合网络的普及，这些网络在单个基础架构上混合了各种服务。但是，由于应用程序要求和资源限制的种类繁多，因此很难确保这些网络中的服务质量（QoS）。用于分配带宽的常规方法经常是静态，反应性和效率低下的，这会导致网络性能不足。我们提供了一种独特的深度学习方法，以优化收敛网络中的带宽分配，以克服这一点。我们创建并使用三个深度学习模型：深Q网络（DQN），生成对抗网络（GAN）和一种基于LSTM的特殊DQN模型。我们使用广泛的数据集评估每个模型的性能。我们的结果表明，新型DQN模型在最小数据包丢失，准确性提高，延迟降低，吞吐量最大化，光谱效率优化，降低位错误率，降低位错误，公平性保证和有效的通道资源使用方面的性能优于其他模型。更好的服务质量是这些升级的结果，这也大大提高了上传和下载速度。我们的实证研究证明了我们的方法论在现实世界中的有用性，并为智能网络管理解决方案打开了大门，这些解决方案促进了更好的QoS，有效的带宽分配以及改善融合网络中的用户体验。
人工智能赋能多路访问超级...
摘要 — 太赫兹 (THz) 无线网络有望催化第五代 (B5G) 时代。然而，由于 THz 链路的方向性和视距需求，以及 THz 网络的超密集部署，介质访问控制 (MAC) 层需要面对许多挑战。更详细地说，通过结合能够在复杂且频繁变化的环境中提供“实时”解决方案的人工智能 (AI)，重新考虑用户关联和资源分配策略的必要性变得显而易见。此外，为了满足多个 B5G 应用的超可靠性和低延迟需求，需要新颖的移动性管理方法。在此基础上，本文提出了一种整体的 MAC 层方法，该方法可实现智能用户关联和资源分配，以及灵活和自适应的移动性管理，同时通过最小化阻塞来最大限度地提高系统的可靠性。更详细地，记录了一种快速集中的联合用户关联、无线电资源分配和阻塞避免，该方法通过一种新颖的元启发式机器学习框架实现，可最大限度地提高 THz 网络性能，同时将关联延迟最小化大约三个数量级。为了在接入点 (AP) 覆盖范围内支持移动性和避免阻塞，讨论了一种用于波束选择的深度强化学习 (DRL) 方法。最后，为了支持相邻 AP 覆盖区域之间的用户移动性，报告了一种基于 AI 辅助快速信道预测的主动切换机制。
MRI脑肿瘤分割，使用具有密集编码器块和残留解码器块的3D U-NET
磁共振成像（MRI）自动脑肿瘤分割的主要任务是自动分割脑肿瘤水肿，腹部水肿，内窥镜核心，增强肿瘤核心和3D MR图像的非增强肿瘤核心。由于脑肿瘤的位置，大小，形状和强度差异很大，因此很难自动分割这些脑肿瘤区域。在本文中，通过结合Densenet和Resnet的优点，我们提出了一个新的3D U-NET，具有密集的编码器块和残留的解码器块。我们在编码器部分中使用了密集的块和解码器部分中的残留块。输出特征图的数量随编码器的收缩路径中的网络层增加而增加，这与密集块的特征一致。使用密集的块可以减少网络参数的数量，加深网络层，增强特征传播，减轻消失的梯度和扩大接收场。在解码器中使用残差块来替换原始U-NET的卷积神经块，这使网络性能更好。我们提出的方法在BRATS2019培训和验证数据集上进行了培训和验证。我们在BRATS2019验证数据集上分别获得了整个肿瘤，肿瘤核心和增强肿瘤核心的骰子得分，分别为0.901、0.815和0.766。我们的方法比原始的3D U-NET具有更好的性能。我们的实验结果表明，与某些最新方法相比，我们的方法是一种竞争性的自动脑肿瘤分割方法。
P4Control：线路率交叉主机攻击预防...-人
摘要 - 现代的目标攻击，例如高级持久威胁，将多个主机用作踩踏的石头，并横向移动它们，以更深入地访问网络。但是，现有的防御能力缺乏跨主机的端到端信息流的可见性，并且无法实时阻止交叉主机攻击流量。在本文中，我们提出了P4C ONTROL，这是一种网络防御系统，该系统精确地限制了网络中的端到端信息流，并以线速率防止交叉主机攻击。p4c ontrol引入了一种新型的网络内分散的信息流控制（DIFC）机制，并且是第一项以网络线路速率在网络级别上执行DIFC的工作。这是通过：（1）基于可编程开关的网络内原始性，用于跟踪宿主间信息流和执行线路率difc策略； （2）部署在主机上的基于EBPF的轻质原始原始性，用于跟踪主托内信息流。p4c ontrol还提供了一种表达性的政策框架，用于针对不同的攻击方案指定DIFC策略。我们进行了广泛的评估，以表明P4C ONTROL可以有效防止实时跨主机攻击，同时保持线路率网络性能并在网络和主机机器上施加最小的开销。也值得注意的是，P4C ONTROL可以通过其精细的最小私人网络访问控制来促进零信任体系结构的实现。
大型语言模型符合光网络
自GPT出现以来，大型语言模型（LLM）在各行各业中都带来了革命性的进步。作为一种卓越的自然语言处理（NLP）技术，LLM始终在众多领域取得了最先进的表现。但是，LLM被认为是NLP任务的通用模型，当将光网络等专业领域的复杂任务应用于复杂的任务时，可能会遇到挑战。在这项研究中，我们提出了一个LLM授权光网络的框架，促进了对物理层的智能控制，并通过部署在控制层中的LLM驱动试剂（AI-Agent）与应用层有效与应用层相互作用。A-Agent可以利用外部工具并从专门为光网络建立的综合资源库中提取域知识。这是通过用户输入和精心制作的提示来实现的，从而使控制说明的生成以及在光网络中自主操作和维护的结果表示形式。在本研究中说明了LLM在专业领域的能力，并刺激其在复杂任务上的潜力，执行及时工程的细节，建立领域知识库和实施复杂任务的细节。此外，在两个典型任务上验证了所提出的框架：网络警报分析和网络性能优化。2,400个测试情况的良好响应精度和语义相似性在光网络中具有LLM的巨大潜力。
在空中主动ris辅助网络中进行资源分配的元加强学习，并具有速率分类多个访问
摘要 - 在无人驾驶汽车（UAV）上安装可重构的智能表面（RIS）有望改善传统的地面网络性能。与在无人机上部署被动性RIS的调用方法不同，这项研究探讨了空中活性RI（AARIS）的效率。特别是，研究了AARIS网络的下行链路传输，在此，基站（BS）利用速率拆分多个访问（RSMA）进行有效的干扰管理，并借助AARIS支持AARIS以共同扩大和反射BS的发射信号。考虑到有效RI的非琐碎能源消耗和无人机的能源储能有限，我们提出了一种创新的元素选择策略，以优化主动RIS元素的ON/OFF状态，该元素的ON/OFF状态可以自适应地管理系统的功耗。为此，提出了一个资源管理问题，旨在通过共同优化BS处的发射界限，元素激活，相移，相位移位和Active RIS的放大因子，用户的RSMA共同数据速率以及无聊的无人机的发电率来最大化系统能量效率（EE）。由于无人机和用户移动性的动态性质，深入的增强学习（DRL）算法设计用于资源分配，利用元学习来适应快速时变的系统动力学。根据模拟，整合元学习的系统EE会显着增加36％。此外，用AARIS代替固定的陆地活性RI会导致EE增强26％。