摘要：为了解决流媒体直播在Internet中传输带宽不足、用户接入多样性等问题,本文探讨了流媒体在IP网络中一般的传输控制技术,提出了一种基于联播的流媒体实时传输控制策略以适应网络带宽的动态变化。首先通过组播方式以及RTP/RTCP协议实现流媒体的实时传输;之后对自适应传输的算法进行了详细的分析和设计,并采用多线程技术实现了网络状况监测和实时码流切换控制;最后通过研究及实验数据分析对比,证明该方案可提高多路并发流传输效率的有效性,并且可以给客户端用户带来较好的用户体验。

摘要：通过对P2P技术和SIP协议的详细分析,充分发挥P2P技术分布式特性,采用CHORD结点搜索算法,设计出一个基于P2P-SIP的分布式结点发现的网络电话系统,克服了SIP网络电话系统需要集中式目录服务器的缺点,方便网络电话的管理,降低网络电话组建费用。

摘要：目标检测是计算机视觉课程的重要实验内容之一,但现有模型对小目标检测能力普遍较弱。为了加深学生对现有模型结构和缺陷的深入理解,掌握模型的优化方法,基于实验中常用的SSD模型,引入了轻量级秩扩展网络ReXNet,重新设计了特征融合与过滤模块。特征融合模块在深浅层特征融合之前,先对深层特征图进行特征抽取,减少无效语义信息对浅层特征的干扰,增强了模型对小目标语义特征的表征能力。特征过滤模块则分别在分类和回归时,引入通道注意力和空间注意力的双路结构,提高分类与回归的精度。在VOC和COCO数据集上的实验结果表明,改进后的模型不仅提高了对小目标的检测性能,保留了较快的检测速度,而且改善了原始模型存在的漏检问题。通过模型设计的优化,加深了学生对于目标检测模型架构的理解,提高了学生的综合实践能力,促进了计算机视觉课程的实验教学内容建设。

摘要：在P2P系统中,由于大量自私节点的存在,导致系统中存在公共的悲剧和搭便车现象.如何使节点能够自发的共享自身所拥有的数据资源严重困扰着P2P系统.针对这一问题,提出一种基于博弈论的P2P视频点播激励机制.通过采用差分服务方式,引入贡献值这一概念来激励节点积极上传资源;并基于博弈论的知识对所提机制进行分析,证明所提机制存在纳什均衡并求解出该纳什均衡.模拟实验和相关数据分析表明,该策略能有效的激励节点上传视频数据,改进了P2P网络中的资源共享,从而最大化系统的效用.

摘要：通过研究背景调试模式接口,设计实现一个基于S12系列微控制单元的调试系统,采用USB2.0接口实现PC和编程调试器的通信。该系统具有实时更新相关寄存器、存储器和变量值等功能,可以帮助用户快速定位和查找错误,并提供多个断点设置功能,为不同顺序结构的源程序提供高效的逐语句调试和逐过程调试。

摘要：提出了一种针对域内为层次结构而域间为网状结构的混合模型下的改进的路径构造算法设计,分析了原型系统的信任模型,给出了基于加权信任列表的FIFO广度搜索算法,并提出了进一步的设计思路。

摘要：针对集中式视频会议系统服务器负载过重的问题,讨论在NIST-SIP协议栈基础上对基于SIP及IP组播的桌面视频会议系统的设计,利用JAIN SIP技术进行SIP信令集中处理,同时利用JMF技术实现音视频媒体流分布传输,改善了太多会议参与者同时接收网络多媒体音视频流时可能带来的过长网络延时和抖动问题,减轻了服务器的负担。

摘要：根据苏州大学新工科专业建设的要求,结合智能制造中视觉缺陷检测的应用场景,对计算机类专业的机器视觉综合实践课程进行了教学设计。设计的课程体系融合了图像处理、自动控制、模式识别等内容,包括系统搭建、系统集成、图像处理和视觉检测等实践环节,强化了综合性、系统性和创新性的教学要求,增强了学生的参与度和体验感,提高了学生综合应用基础理论知识解决实际问题的能力,促进了本科实践教学课程的建设。

摘要：无线接入认证是关系到无线网络安全的重要课题之一。在回顾802.11 i中采用的802.1x认证技术基础上,对在Linux平台下802.1x无线客户端如何实现安全接入与认证进行深入研究,并提出采用Libnet/Libpcap开发包设计和实现无线帧的封装与收发的解决途径。在Linux平台下给出了一种较为通用的设计实现无线数据链路层802.1x客户软件的解决与实现方案,提高无线局域网的安全性和可扩展性,有效保护无线网络资源的安全。

摘要：深度强化学习利用深度学习感知环境信息,使用强化学习求解最优决策,是当前人工智能领域的主要研究热点之一.然而,大部分深度强化学习的工作未考虑安全问题,有些方法甚至特意加入带随机性质的探索来扩展采样的覆盖面,以期望获得更好的近似最优解.可是,不受安全控制的探索性学习很可能会带来重大风险.针对上述问题,提出了一种基于双深度网络的安全深度强化学习(Dual Deep Network Based Secure Deep Reinforcement Learning,DDN-SDRL)方法.DDN-SDRL方法设计了危险样本经验池和安全样本经验池,其中危险样本经验池用于记录探索失败时的临界状态和危险状态的样本,而安全样本经验池用于记录剔除了临界状态和危险状态的样本.DDN-SDRL方法在原始网络模型上增加了一个深度Q网络来训练危险样本,将高维输入编码为抽象表示后再解码为特征;同时提出了惩罚项描述临界状态,并使用原始网络目标函数和惩罚项计算目标函数.DDN-SDRL方法以危险样本经验池中的样本为输入,使用深度Q网络训练得到惩罚项.由于DDN-SDRL方法利用了临界状态、危险状态及安全状态信息,因此Agent可以通过避开危险状态的样本、优先选取安全状态的样本来提高安全性.DDN-SDRL方法具有通用性,能与多种深度网络模型结合.实验验证了方法的有效性.