给大家分享7篇关于网络运维的计算机专业论文

今天分享的是关于网络运维的7篇计算机毕业论文范文, 如果你的论文涉及到网络运维等主题,本文能够帮助到你

校园网络运维系统的设计与实现

这是一篇关于校园网,可靠性,网络运维,B/S架构的论文, 主要内容为计算机网络技术的迅速发展带来了巨大的社会变革。以Internet为代表的信息时代的产物已经深入到人们的工作、生活、学习等各个领域。伴随Internet迅速普及和发展的同时,所带来的网络运行维护(以下简称网络运维)工作难度也与日俱增。高校校园网作为Internet网络重要组成部分之一,发挥着重要的作用。近年来,随着教育信息化的大力普及与发展,高校校园网络规模不断扩大,新技术、新设备不断投入使用,使得校园网功能、性能都有很大丰富和提升。用户访问网络资源更方便快捷,从而对校园网依赖性也更大。很多管理信息系统,如校园一卡通系统,教务管理系统,财务管理系统等都依赖于校园网运行。随之而来,网络一旦出现问题,影响范围大,造成后果也更加严重。这就要求校园网更加可靠,更加稳定。但由于网络系统的复杂性及故障的不可预测性,给络运行维护工作带来了很大的难度。如何减少故障发生的次数,缩短故障修复所用时间,这是长期以来网络运维工作考虑解决的问题。传统的网络运维工作,管理员一般被动等待用户报告网络故障,然后处理,缺少主动机制,缺乏故障处理流程管理,时效性差,造成网络运行可靠性降低。本论文以此为研究背景,结合校园运维实际运作流程,设计并实现校园网运维系统,提高网络运维时效,保障校园网运行可靠性。论文从传统校园网络运维现状及问题入手,结合日常校园网运维工作中的一些考虑及措施,给出较为合适的校园网运维系统设计方案,将校园网运维系统功能模块化,使用合适技术手段,实现模块功能,在实际校园网运维过程中验证使用效果,并提出功能修改意见及建议。论文的研究成果,对校园网稳定可靠运行具有重要的实际意义。

无监督和有监督的短文本相似度研究及应用

这是一篇关于短文本相似度计算,EMD,深度学习,语义扩展,网络运维的论文, 主要内容为随着搜索引擎、社交网络以及聊天机器人等应用场景的发展和普及,短文本相似度计算在信息检索、文本分类、智能问答和机器翻译等研究和应用中发挥着重要的作用。传统的文本向量化方法更加适用于长文本,对于稀疏、高噪音的短文本不能达到满意的效果。近年来,随着神经网络语言模型的广泛应用,文本信息处理方式可以从传统的高维稀疏向量空间转化成低维词向量空间,这为短文本相似度计算提供新的思路。本文提出了一种无监督的短文本相似度计算方法,将Earth Mover’s Distance(EMD)求解线性规划中运输问题的最优解应用于度量两个短文本的相似度,用Word2Vec度量单词的语义距离,提出了词序位置相似度的概念,即在EMD模型单词移动中考虑单词的相对位置关系,使得最终的短文本相似度计算模型在k近邻文本分类任务中具有较高的准确率、召回率和F1值。同时提出了一种有监督的短文本相似度计算方法,构建两个垂直方向完全一样的Convolutional Neural Networks(CNN)模型,将基于Word2Vec短文本语义扩展矩阵作为CNN输入,经过全连接层处理产生高级语义向量,最后激活层采用Sigmoid输出属于某类的概率,用于判别短文本是否相似。并将短文本相似度计算模型应用于“Quora Question Pairs”数据集上,取得了较好的实验效果。本文将短文本相似度计算方法应用于运营商网络故障工单质检任务中,设计了基于短文本相似度计算的工单质检流程,开发了基于B\S架构的工单智能质检系统。实际的运行结果表明本系统的性能可以较好地满足运营商日常的质检需求。

互联网质量测试系统的设计与实现

这是一篇关于JAVAWEB,互联网质量,网络运维的论文, 主要内容为近年来互联网持续高速地发展,用户不断地增长,其在人们的日常生活中扮演了十分重要的角色,网络质量的优劣也已经是运营商吸引更多用户的重要因素。目前,运营商利用基于链路质量的监测技术对互联网质量进行监测,会造成监测结果和用户真实的应用效果有一定的区别,由此可知,传统运营技术反映的网络服务效果与用户端有一定偏差。互联网质量测试系统是为了更好的管理和提升互联网业务的质量来实时监测互联网业务质量情况而开发的平台。通过该系统,相应部门能够对涉及互联网质量的各项网络与业务性能进行量化的评定,同时借由相关的技术手段,实现对各项指标的实时监测。当检测值低于要求,则采取相关的技术干预,使指标恢复到正常范围,为网络优化提供技术数据依据。本项目采用了JAVAWEB开发,实现了质量监测平台的开发；选用了Mysql对数据进行存储和处理；针对不同的测试业务和类型,分别进行任务测试和实时监测,确保运营商对互联网质量的实时把握,对问题进行积极地处理。本项目经过一期二期的开发,目前己投入使用,并继续开展三期的功能开发。各项模块运行稳定可靠,运维部门能了解网络运行服务情况,变被动运维为主动运维,为运维部门提供了巨大的便利。

网络设备配置知识图谱的实体抽取子系统的设计与实现

这是一篇关于网络运维,知识图谱,实体抽取,神经网络,主动学习的论文, 主要内容为近年来,通信网络技术发展迅猛,伴随而来的是网络基础设施和服务的规模也急剧增大。随着网络及其设备的复杂性、异构性不断增加,网络运维必须满足网络高速发展而产生的智能化、自动化需求。随着融合网络规模不断扩大,针对大型网络的配置管理迎来了巨大的挑战。首先,针对传统的网络拓扑,运维人员无法获取较为全面的配置管理信息。其次,运维人员在日常需要对网络设备进行端到端分析时,需要对其进行复杂的推理,很难在短时间内进行全面的分析,实时响应性不足。目前,尽管有一些厂商研究了可支撑智能运维的网络配置知识图谱,但是可落地性不强,可扩展性和可移植性也较差。所以,为了更好的帮助运维人员进行自动化运维,构建一个实时的、全面的、统一的和可扩展性强的网络配置知识图谱必不可少。实体抽取作为网络设备配置知识图谱构建中不可或缺的一步,其相关研究目前取得了较好的效果,但是依旧有如下问题:基于机器学习的方法收敛速度慢、复杂度较高;基于人工定制规则和词典的方法可扩展性和可移植性差,当网络环境发生变化时需要重新定制网络配置规则和网络配置词典;基于深度学习的方法,网络配置数据集标注获取难度较大从而导致实体抽取方法准确率低,其次,未考虑不同的特征对实体抽取结果会产生不同程度的影响等问题。因此,针对如上问题,本文首先设计并实现基于主动学习和注意力机制的网络配置实体抽取算法,然后,设计并实现网络设备配置知识图谱的实体抽取子系统。本文研究工作具体如下:(1)提出基于主动学习和注意力机制的网络配置实体抽取算法。首先,针对网络配置标注数据集的获取不易,且网络配置数据集包含大量的冗余样本等问题,本文提出基于改进的主动学习的样本抽取方法,既减少标注的成本,又解决孤立点和网络配置训练集样本冗余等问题。其次,针对网络配置实体抽取模型中未考虑不同的特征对实体抽取结果会产生不同程度的影响等问题,本文提出基于改进的注意力机制的实体表示模型,提升了网络配置实体抽取模型的召回率和准确度。最后,根据仿真实验分析,上述改进算法在召回率、准确度和F1值等指标均有明显的提高。(2)本文设计并实现了网络设备配置知识图谱的实体抽取子系统。首先,本文从功能和性能两方面对网络设备配置知识图谱的实体抽取子系统的需求分析进行阐述。其次,本文从两方面对概要设计进行介绍,分别是架构设计以及各模块流程。然后,本文设计并实现了样本抽取、实体识别、图谱查询、实体查询和关系查询等一系列模块。最后,功能测试与性能测试结果显示,网络设备配置知识图谱的实体抽取子系统在针对上述操作时均能高效准确的进行,满足网络设备配置知识图谱的实体抽取子系统的功能和性能需求。

基于GCN的网络流量预测子系统的设计与实现

这是一篇关于网络运维,网络流量预测,时空图神经网络,图卷积神经网络,时间卷积神经网络的论文, 主要内容为网络流量预测是网络运维及管理中的一项重要任务,是发挥大数据辅助决策功能的基础。伴随着网络规模的不断扩大,网络拓扑结构的日益复杂,面向网络流量预测的相关研究凸显非凡意义。目前,采用时空图神经网络模型对拥有时空特征的网络流量数据进行建模分析和预测,已经成为研究焦点之一。时空图神经网络模型是一种可以同时在时间和空间两个维度上进行特征提取的深度神经网络模型,通过有效捕获网络流量的时空依赖,能够显著提升预测的精度。由于网络拓扑具有复杂性,节点之间的连接关系是随时间动态变化的。另外,节点的异质性又使网络中各节点具有不同的作用与重要性。上述特性意味着流经异质节点的网络流量中存在潜在的空间依赖,同时形成了差异化的时序模式,即流量时间序列所经常发生的规律或趋势。将传统GCN模型应用于网络流量预测领域时,难以对网络拓扑的复杂性与节点的异质性同时进行有效建模,无法深入挖掘网络流量的复杂空间关系。此外,网络流量在时间维度上存在鲜明的周期性,通常表现在以不同时间粒度(小时、天、周)为周期,流量时序模式具有高度的相似性。然而现有的网络流量预测方法未考虑对多种不同时间粒度下的网络流量周期性特征进行同时提取与有效融合,导致了网络流量周期性特征提取不充分的问题。因此,针对上述问题,本文首先设计并实现了基于GCN的网络流量预测算法,然后设计并实现了基于GCN的网络流量预测子系统。本文研究的具体成果如下:(1)本文提出了一种基于GCN的网络流量预测方法。首先,针对传统GCN模型无法有效建模网络拓扑的复杂多变性与节点的异质性的问题,提出了一种基于多表示图卷积的网络流量空间特征提取方法。于该方法中提出用于描述复杂空间关系的相关性矩阵与自学习关系矩阵,同时提出基于节点中心性度量的子图划分方法与基于路径图卷积网络的多表示图卷积层,共同优化对空间特征的提取效果。然后,针对不同时间粒度下的网络流量周期性特征未得到同时有效处理的问题,提出了一种基于历史关联嵌入与时间属性嵌入的网络流量周期性特征提取方法。其中,历史关联嵌入构造一种历史关联卷积模块来挖掘历史序列与当前序列之间的时间关联性,同时提出一个参数融合机制来对不同时间粒度下的网络流量周期性特征进行有效融合。时间属性嵌入通过对流量在不同时间单位下的表示进行编码以有效关联时序模式与时间周期,从而优化对周期性特征的提取。最后对算法执行了充分的仿真实验,所提方法在经典的网络流量数据集上均取得了最优的预测效果,有效实现了高精度的网络流量预测。(2)本文设计并实现了基于GCN的网络流量预测子系统。首先,围绕功能与性能两个方面对系统进行了细致的需求分析,明确了系统各功能模块要求以及各项性能标准。其次,从系统架构设计以及系统各模块的工作流程出发,对系统概要设计进行了详细的介绍。然后,根据网络流量预测任务的实际应用场景,本文设计并实现了流量数据汇总、流量数据获取、流量数据预处理、流量预测模型训练和流量预测结果展示等一系列功能模块。最后,对整个子系统进行了充分的功能测试和性能测试。测试结果表明,本文所设计并实现的基于GCN的网络流量预测子系统可以高效、可靠地实现上述各模块的功能,满足子系统在功能和性能上的各项要求。