针对大多数加密流量分类(encrypted traffic classification,ETC)模型由于标签数据稀缺而导致的性能下降问题,提出了一个基于对比学习的半监督加密流量分类(semisupervised encrypted traffic classification based on contrastive lear...针对大多数加密流量分类(encrypted traffic classification,ETC)模型由于标签数据稀缺而导致的性能下降问题,提出了一个基于对比学习的半监督加密流量分类(semisupervised encrypted traffic classification based on contrastive learning,SSETC-CL)模型。通过比较样本之间的相似性和差异性,SSETC-CL模型能够从大量无标注数据中学习到有用的表示,从而获得一个通用且优秀的特征编码网络,降低了下游任务对标签数据的依赖。本文在公有数据集ISCXVPN2016以及两个自采数据集上对SSETC-CL模型进行了评估。与其他基准模型相比,SSETC-CL模型在设定任务上的表现最佳,准确率最大提升了8.92%。实验结果表明,SSETC-CL模型不仅在预训练模型已知的流量上具有较高的精度,而且具备将预训练模型所获得的知识应用于未知流量的迁移能力。展开更多
针对融合设备到设备(device to device, D2D)通信的蜂窝系统中路径损耗补偿因子单一、功率控制性能不佳等问题,提出一种自适应联合功率控制算法.根据D2D用户到基站及蜂窝用户的距离计算出路径损耗补偿因子增补量,得出D2D用户及蜂窝用户...针对融合设备到设备(device to device, D2D)通信的蜂窝系统中路径损耗补偿因子单一、功率控制性能不佳等问题,提出一种自适应联合功率控制算法.根据D2D用户到基站及蜂窝用户的距离计算出路径损耗补偿因子增补量,得出D2D用户及蜂窝用户的路径损耗补偿因子矩阵,提升功率控制性能;同时采用联合闭环功率控制方式进一步降低D2D用户及蜂窝用户的同频干扰.实验仿真表明:相比于传统功率控制算法,该算法对系统的信干噪比(signal to interference plus noise ratio, SINR)有较好的提升作用,且吞吐量在1 000kbit/s以上的用户数量是传统功率控制算法的1.7倍.展开更多
文摘针对大多数加密流量分类(encrypted traffic classification,ETC)模型由于标签数据稀缺而导致的性能下降问题,提出了一个基于对比学习的半监督加密流量分类(semisupervised encrypted traffic classification based on contrastive learning,SSETC-CL)模型。通过比较样本之间的相似性和差异性,SSETC-CL模型能够从大量无标注数据中学习到有用的表示,从而获得一个通用且优秀的特征编码网络,降低了下游任务对标签数据的依赖。本文在公有数据集ISCXVPN2016以及两个自采数据集上对SSETC-CL模型进行了评估。与其他基准模型相比,SSETC-CL模型在设定任务上的表现最佳,准确率最大提升了8.92%。实验结果表明,SSETC-CL模型不仅在预训练模型已知的流量上具有较高的精度,而且具备将预训练模型所获得的知识应用于未知流量的迁移能力。
文摘针对融合设备到设备(device to device, D2D)通信的蜂窝系统中路径损耗补偿因子单一、功率控制性能不佳等问题,提出一种自适应联合功率控制算法.根据D2D用户到基站及蜂窝用户的距离计算出路径损耗补偿因子增补量,得出D2D用户及蜂窝用户的路径损耗补偿因子矩阵,提升功率控制性能;同时采用联合闭环功率控制方式进一步降低D2D用户及蜂窝用户的同频干扰.实验仿真表明:相比于传统功率控制算法,该算法对系统的信干噪比(signal to interference plus noise ratio, SINR)有较好的提升作用,且吞吐量在1 000kbit/s以上的用户数量是传统功率控制算法的1.7倍.
