logo资料库

基于小波变换的网络流量在线预测模型.pdf

发布时间：2022-06-10 发布人：admin 分类：说明书 资料大小：0.18M 资料格式：pdf 举报 版权申诉
第1页 / 共6页
第2页 / 共6页
第3页 / 共6页
第4页 / 共6页
第5页 / 共6页
第6页 / 共6页
资料共6页，全文预览结束
    高技术通讯 :""= 年 !: 月 第 != 卷 第 !: 期 基于小波变换的网络流量在线预测模型! 王风宇! ! !! 云晓春 ! !!! 申伟东 !!!! （! 中国科学院计算技术研究所 信息智能与信息安全研究中心 北京 !"""#"） （!! 中国科学院研究生院 北京 !"""$%） （!!! 哈尔滨工业大学 计算机网络与信息安全技术研究中心 哈尔滨 !&"""!） （!!!! 西安交通大学 电子与信息工程学院 西安 ’!""(%） 摘 要 在无抽取 )**+ 小波变换的基础上，结合自适 应 ,- 模 型 和 滑 动 窗 口 式 多 项 式 拟 合方法，建立了一种基于小波变换的递推 式 高 速 网 络 流 量 在 线 预 测 模 型。该 模 型 首 先 用 无抽取 )**+ 小波变换把网络流量时间序列分解为细节信号和近似信号，然后对细节信号 部分使用自适应 ,- 模型预测，对近似信号部分则使用滑动窗口式多项式拟合方法预测， 最后用小波重构获得 原 始 时 间 序 列 的 预 测 值。 该 模 型 不 但 提 高 了 流 量 在 线 预 测 的 准 确 性，而且通过模型参数的递推式自动调整，避免了参数的定期估计和更新。 关键词 网络流量 预 测，. /+012 小 波 变 换，自 适 应 ,- 模 型（,,-），滑 动 窗 口 式 多 项 式 拟 合，递推最小二乘（-34） " 引 言 因为网络流量预测涉及到对流量异常情况的联 动处理，及时性非常重要，所以网络流量预测模型的 当前，互联网业务量急剧增长，虽然平均网络带 计算量大小也 是 一 个 关 键 问 题。 另 外，以 往 网 络 流 宽随之不断提高，但 由 于 互 联 网 具 有 大 规 模 和 分 散 量预测模型大都以当前大量数据样本为依据估计模 管理的特征，局部 资 源 短 缺 的 现 象 几 乎 是 不 可 避 免 型参数，而网络是一个动态的复杂巨系统，随着时间 的，网络性能和服务质量方面的问题还是非常突出。 的推进，统计特征会发生变化，模型参数可能不再准 在网络资源有限的情况下，建立网络流量模型，预测 确，需要根据新的样本数据重新估计参数［:］。 网络负载，及时做出控制或调整，将会极大提高网络 综合 以 上，在 网 络 流 量 在 线 预 测 中 有 两 个 需 要 性能和服务质量。 解决的重点问题：一，在 应 用 许 可 的 计 算 量 范 围 内， 针对 网 络 流 量 的 预 测 的 研 究，有 很 多 不 同 的 方 法。最初主要有基于自回归（*1/0+56+522708，,-）或自 回归 滑 动 平 均（ ,-9,）的 预 测 模 型［!，:］，算 法 较 简 单，短期预测具有较高的精确度，但不适合于长期预 测。神经网络预测［$］可以用来实现非线性时间序列 尽可能提高模型准确性，在准确性相当的情况下，尽 可能降低计算量；二，实 现 模 型 参 数 的 在 线 修 正，避 免人工干预。本文以网络流量监控中的在线预测为 目的，提出了基于无抽取 )**+ 小波变换的网络 流 量 在线预测方法。本文从不同角度分析了网络流量及 预测模型，适于描述网络流量的不稳定性，但是其训 练的复杂性和计算复杂度都很高。建立在流量自相 似基础上的 ;,-<9, 模型［(］可以同时捕捉网络流量 的长相关和短相 关 特 征，在 小 时 间 尺 度 和 多 步 网 络 其在小波域的统 计 特 征，根 据 流 量 统 计 特 征 建 立 了 由 . /+012 小波变 换、基 于 自 适 应 ,- 模 型 和 滑 动 窗 口多项式拟合构 造 的 在 线 预 测 模 型，并 通 过 实 验 对 比证实了该模型的准确性以及在线参数修正对预测 流量预测上有 较 好 的 表 现，但 计 算 量 较 大。 基 于 小 结果的影响。 波变换的预测 在 经 济 等 领 域 较 多 应 用［&］，最 近 已 被 用于网络 流 量 的 长 期 预 测［=］和 中 短 期 预 测［’，#］，使 ! 网络流量时间序列特征分析 预测准确性得到 较 大 提 高，但 小 波 变 换 也 增 加 了 流 很多网络流量模型假设网络流量属于平稳时间 量模型的计算量。 序列，这可以简化模型的复杂性，但这种假设只适用 " ! 国家 #=$?%!’ 专项（:""(?研 (?,,?"!）和国家自然科学基金（="&’$!$(）资助项目。 男，!%’$ 年生，博士生；研究方向：网络安全、网络流量监控；通讯作者，>?@*7A：B*86C586D1 E F*G/&!# H I7/ H 5J1 H G8 （收稿日期：:""&?!"?":） —"::!—
    王风宇等：基于小波变换的网络流量在线预测模型 于短期小时间尺 度 的 情 况，实 际 上 网 络 流 量 在 较 大 时间 尺 度 上 表 现 为 非 平 稳 时 间 序 列［!］。 图 " 是 #$%#& 测量的 %’()*+,- 大学 校 园 网 出 口 ./01 线 路 2 天的 34 分 组 流 量 数 据。 根 据 网 络 监 控 的 一 般 需 求，本文以 567, 为 时 间 间 隔 统 计 34 分 组 到 达 的 数 量。可以看出，网 络 流 量 在 该 时 间 尺 度 上 具 有 明 显 的趋势性 和 周 期 性。 #$%#& 使 用 专 用 分 组 捕 获 网 ［":］作为流量测量工具，其网络流量数据被 研 卡 8%9 究者比较多地 采 用［;］，本 文 流 量 分 析 与 实 验 均 采 用 了其测量数据。 图 ! "#$%&’() 大学校园网出口 *+,- 线路 . 天的网络流量（万 / 012(） 对于存在趋 势 项 的 时 间 序 列，需 要 通 过 平 稳 化 预处理去掉趋势项后再进一步分析建模。传统的方 法是使用 %&3<% 模型，该方法通过对非平稳时间序 列作差分，直到得到平稳序列为止，这样就可以对它 建立适当 的 %&<% 模 型 进 行 预 测。 然 而 该 方 法 在 对原时间序列进 行 差 分 处 理 时，会 损 失 变 化 相 对 缓 慢的趋势项，而且在滤掉趋势项的同时，也把低频部 分的平稳随 机 序 列 的 信 息 随 之 滤 掉。 在 %&3<% 模 型之前 用 方 差 分 析 法（ %#.=%）对 时 间 序 列 进 行 平 稳化，可以使这种状况有所改善［>］。 为了 适 应 网 络 流 量 在 线 预 测，降 低 小 波 变 换 的 计算量，本文采用了以 ! D（" ? >，" ? >）作 为 低 通 滤 波 器的 E CAF’B 小 波 变 换 方 法。 在 进 行 小 波 分 解 时 要 注意分 解 级 次 对 预 测 精 度 的 影 响。 分 解 的 级 次 较 少，则近似信号序列不够平滑，起不到小波分解的作 用，分解的级次太 多 则 各 细 节 信 号 序 列 在 模 拟 中 产 生的误差会累积 到 最 终 模 拟 预 测 结 果 中，从 而 使 模 拟误差增 大。 对 上 述 流 量 时 间 序 列 作 1 级 小 波 分 解，在该时间尺度 上 即 可 以 分 离 出 较 为 平 滑 的 近 似 信号，图 > 是其中两天的分解序列。 早期的网络流量研究把网络数据包到达视为短 用 游 程 检 验 法［"1］对 上 述 小 波 分 解 信 号 的 平 稳 相关过程，而近期研究表明，广域网流量能够用长相 关 ? 自相似过程更准确地 模型化［""］。网 络 流 量 长 相 关的物理含义是指流量在不同的时间尺度内存在突 发现象（@’ABC），而短相关模型随着时间尺度的增大， 突发性会趋于消失。网络流量的这一特征使传统的 短相关模型的适用性有所降低。 小波变换可以将非平稳时间序列分解为多个较 性进行检验，三层 细 节 信 号 接 近 平 稳，但 非 平 稳；而 近似 信 号 是 显 著 非 平 稳、相 对 平 滑 的。 用 G.H0 IJ#K3#L 建模方法［"1］对 细 节 信 号 进 行 模 型 识 别，三 层细节信号的偏 相 关 函 数 均 是 截 尾 的，而 自 相 关 函 数均是拖尾的。 针 对 网 络 流 量 在 小 波 域 的 特 征，细 节信号适合 采 用 %& 模 型，对 近 似 信 号 则 可 采 用 多 项式拟合方法。 平稳的细节信号及一个经低通滤波而比原序列平滑 现有网络流量预测模型大都需要预先获取大量 得多的近似信号，从 而 可 以 自 动 将 趋 势 项 分 离 到 单 样本数据并计算 出 固 定 的 模 型 参 数，但 由 于 网 络 流 独的一层。小波变换通过伸缩和平移运算对信号进 量状况的复杂性 以 及 分 解 信 号 的 非 平 稳 性，随 着 时 行多尺度分析，这 与 自 相 似 业 务 的 多 尺 度 特 征 是 类 间的推进，流量状况会不断改变，需要及时调整参数 似的。小波变换对具有长程依赖性的信号能够起到 去相关的作用，当 基 本 小 波 函 数 是 整 数 位 移 正 交 归 一的小波 基 时，小 波 系 数 不 再 具 有 长 相 关 性 质［">］， 以适应变化。因此我们提出了在小波分解的基础上 用基于递推最小二乘法的自 适应 %& 模 型 和 滑 动 窗 口式多项式拟合 来 动 态 跟 踪 网 络 流 量 的 变 化，不 但 从而在细节信号部分可以采用简单有效的传统的短 提高了准确性，还 避 免 了 样 本 数 据 占 用 大 量 存 储 空 相关模型。因此本文采用小波变换方法作为网络流 间。 量模型的基础。 —">>"—
    高技术通讯 !22: 年 .! 月 第 .: 卷 第 .! 期 图 ! 三层小波分解序列（万 " #$%&） ! 高速网络流量在线预测模型 基于上面对网络流量特征的分析，我们建立了网 络流量在线预测模型的基本框架：首先用无抽取 "##$ 小波变换对网络流量测量获得的时间序列进行分解， 得到细节信号和近似信号；然后对细节信号部分使用 自适应 %& 模型建立预测模型，对近似信号部分则使 用滑动窗口式多项式拟合方法建立预测模型；最后在 细节信号和近似信号部分分别进行预测的基础上，再 用小波重构获得原始时间序列的预测值。 ! ’ ( 无抽取 )**+ 小波变换方法 小波分解和重构通常使用基于多分辨率分析的 ’#((#) 算法。采用 ’#((#) 算 法 对 原 始 信 号 进 行 分 解 的过程中，每分解一次，新的信号序列的点数就要比 上一级减少一半。该算法不能对某一时间点在各尺 度层上建立直观 的 关 系，更 重 要 的 是 不 具 有 时 移 不 变性，如果删除时间序列最初的一些值，所得小波变 换的系数 与 原 来 的 不 同，需 要 重 新 计 算，这 限 制 了 ’#((#) 算法用于在线 计 算。 因 此 本 文 采 用 无 抽 取 的 * )$+,- 离散小波变换算法［./，0］。 * )$+,- 小 波 变 换 为 一 冗 余 变 换，长 度 为 ! 的 时 间序列，在每一个时间尺度上的分解序列长度仍然是 !。这样在每一个时间 尺度的同一时间 点 就 可 以 建 立直接联系，而且具有时移不变性。设输入时间序列 为 "（ #），则可以用离散低通滤波器 1 得到尺度系数： （ #） $2 % "（ #） （ #） $& ’ . 3 % ! ( % ) 3 —!!!.— *（ (）$& （ # ’ ! &(） （.） 根据 * )$+,- 小波变换 的性质，各尺度下 的细 节系 数 可通过尺度系数来表示，即 （ #） （!） ，$, ｝为原时间序列直 到分辨率 （ & 4 .，!，- - - ，, ）为 各 尺 度 下 为近似信号。原时间序列可以由细 % $& 则集合｛+. ，…，+, , 的小波变换，其中 +& 的细节信号，$, 节信号和近似信号重构，即有 （ #） +& ’ . ，+! （ #） ) $& ’ . "（ #） （ #） % $, （ #） +& （5） , ’ ! & % . 无 抽 取 "##$ 小 波 变 换 是 在 * )$+,- 小 波 变 换 算 法的基础上以 * 4（. 6 !，. 6 !）作 为低通 滤 波 器，根 据 公式（.）和（!），尺度系数和小波系数的计算方法为 （ #）） ’ $& $& ’ . （ #） （ #） % 2 - 0（ $& （ #） % $& （ # ) ! &） （ #） +& ’ . ) $& ’ . （/） 我们称这 个 变 换 为 无 抽 取 "##$ 小 波 变 换。 在 任 何 时间点 # ，都 不 用 # 以 后 的 数 据 来 计 算 尺 度 系 数 和 小波系数，也就是说随着获取的数据增加，不必重新 计算前面 的 系 数。 无 抽 取 "##$ 小 波 变 换 的 这 个 特 点使其适用于在线计算。 ! ’ ! 基于 ,-. 的自适应 /, 模型 自适 应 %& 模 型 与 普 通 %& 模 型 的 区 别 在 于 自 适应 %& 模型 的 自 回 归 系 数 是 时 间 # 的 函 数，也 就 是说是随着时间 变 化 而 变 化 的。 , 阶 自 适 应 %& 模 型（%%&）的一般形式是： .（ #）4 /. （ #）7 .（ # 8 .）9 … 9 /, （ #）7 .（ # 8 ,）9! （ #） 4 /（ #）0 7 1（ # 8 .）9! （ #） （0）
    （ !）是高斯白 噪 声，"# ! 其中 实数，&（ !）是随机变量，! 为时间或样本序号。 （ ! ）（ # ! "，#，$ $ $ ，% ）是 设 ! 时刻自适应 $% 模型的参数向量为 "（ !）!［ "" （ !）］ 与其对应的网络流量样本数据向量为 （ !），…，"% （ !），"# ’（ ! & "）!［ &（ ! & "），&（ ! & #），…，&（ ! & %）］ 设 ! & " 时刻 "（ ! & "）的 估 计 值 为 ("（ ! & "），则 一 步 预测的误差为 )（ !） + ("（ ! + "）, - ’（ ! + "） （’） * &（ !） 自适应 $% 模型的 %() 估计为 .（ !）! ’（ ! & "）, * /（ ! & "）* ’（ ! & "） + " 0（" & 12） （,） （-） 3（ !）! /（ ! & "）* ’（ ! & "）0 .（ !） ("（ !）! ("（ ! & "）+ 3（ !）, * )（ !） （.） /（ !）! /（ ! & "）& 3（ !）* ’（ ! & "）, * /（ ! & "） （"/） 其中 3（ !）为增 益 向 量，/（ ! ）为 样 本 相 关 矩 阵，是 一 个 % 阶方 阵，12 为更 新系数。如果给定 /（ ! & "）， ("（ ! & "）以及 12 的 初 始 值，根 据 式（’）0（"/）就 可 以实现模 型 参 数 的 递 推 估 计［"1］。 增 益 向 量 和 相 关 + 12 * /（ ! & "） 矩阵的初始值对 计 算 结 果 影 响 很 小，可 以 取 零 向 量 和单位矩阵。更新系数 12 对参数估计的收敛速度 影响较大。更新 系 数 小 则 振 荡 较 小，但 识 别 延 迟 会 比较大，较大的更新系数可以减小识别延迟，但会引 起剧烈的振荡［"’］。 12 的值需要根据实验结果比较 选取，本文选取 12 ! / 2 /#。 ! " # 滑动窗口多项式拟合 滑动窗口式多项式拟合是多项式拟合的递推最 小二乘实现［",］，仅需要一次矩阵乘法就可以 实 现 模 型参数的 修 正，计 算 量 小，准 确 度 高。 设 有 3 个 相 ），求一个 5（ 5 3 ，&3 异点（ 4" 3 & "）次多项式 6（ 4），使它在 4# 点上取值尽量接近 （ # ! "，#，$ $ $ ，3）。设所求的多项式为 &# ），…，（ 43 ），（ 4# ，&" ，&# 6（ 4） * "/ 7 "" 4 7 "# 4# 7 … 7 "545 5 * ! 8 * / "848（ 5 9 3 + "） 王风宇等：基于小波变换的网络流量在线预测模型 最小二乘法就是选择 "8 （ 8 * /，"，$ $ $ ，5），使 3 5 （ " * ! # * " ! 8 * / "84 8 # + &8 ）# * # （ "" ，"# ，…，"3 ） 达到最小值，该式的 解 可 以 用 矩 阵 :/ * ’ 的 解 来 表示，记 :, 为 : 的转置矩阵，则有 :,:/ * :,’，记 :,: * ; ，若 < ; < " /，只要在式 :,:/ * :,’ 两边 同乘以 ; + "，可得 / * ; + " :,’ （""） 这样就可以求得系数矩阵 /。假设滑动窗口的大小 为 3 ，即用前面 3 个测量数据作多项式拟合，预测下 一时间段 数 据。 由 于 : 的 取 值 只 与 3 有 关，所 以 （""）式中 ; & " :, 的 值 可 以 预 先 计 算。 随 着 新 的 测 ，其 余 元 素 依 次 上 移， 量数据的获得，去除 ’ 中 的 &" 新的测量数据 加 在 最 后，根 据 式（""）模 型 参 数 得 以 不断调整，这样就 实 现 了 滑 动 窗 口 式 多 项 式 拟 合 参 数 / 的估计。 4 实验结果分析 实验从两个角度进行了分析，一是正常情况下， 近期流量预测的 准 确 性；二 是 经 过 一 段 时 间 流 量 状 况发生较大变化 或 网 络 阶 段 性 异 常 情 况 下，流 量 预 测的准确 性，用 于 验 证 模 型 参 数 在 线 修 正 的 作 用。 为了对预测的准 确 度 做 出 一 个 量 化 分 析，设 预 测 误 差率为 )== ! 5 (’ & ’ 5 0 (’ 式中 ’ 是实际值，(’ 是 ’ 的预测值。 我们使 用 前 面 提 到 的 $6789:;< 大 学 校 园 网 测 量数 据，用 该 小 波 模 型 作 了 1 天 的 预 测。通 过 实 验 比较，在小波分解 的 近 似 信 号 部 分 选 择 了 二 次 多 项 式拟合，滑动窗口 3 ! 1，自适应 $% 模型的更新系数 12 ! / 2 /#。 图 4 是 某 一 天 流 量 " 步 预 测 的 结 果。 图 = 是该模 型 预 测 误 差 率 )== 低 于 某 个 百 分 比（横 轴）的概率 6｛)== 3 >｝（纵轴）。在上述实验数 据 下， 该模型一步预测 到 五 步 预 测 的 平 均 误 差 率 分 别 为： , 2 - ? 、"# 2 # ? 、"1 2 4 ? 、#4 2 # ? 和 4# 2 = ? 。 图 # $%&’()*+ 校园网一天网络流量 , 步预测（万 - ./0*） —4##"—
    高技术通讯 ’DDG 年 &’ 月 第 &G 卷 第 &’ 期 信号，提高了模型的预测准确性，同时降低了小波分 解的计算量；利用递推最小二乘（"-.）实 现了 !" 模 型和多项式拟合 参 数 的 在 线 递 推 修 正，不 但 解 决 了 普通模型需要定 期 更 新 模 型 参 数 的 问 题，参 数 估 计 也更加准确。 网络流量的不稳定性、周期性、长相关性等复杂 特征使流量预 测 难 度 较 大。 不 同 协 议、不 同 时 间 尺 度下的流量特征 都 有 所 不 同，这 些 都 会 对 网 络 流 量 预测的准确性产生影响。网络流量预测模型的建立 图 ! 小波预测误差率累积分布概率 和选取要以实际应用目的为前提。 我 们 比 较 了 该 小 波 模 型 和 基 于 方 差 分 析 的 !"#$! 模型的 准 确 性。 首 先 选 取 % 天 的 流 量 数 据 作为样本估计 !"#$! 模型的参数，然后分别用两种 模型对随后 两 天 的 数 据 作 了 & 步 预 测，结 果 如 图 % 中的 &、’ 两 组 对 比 图 形 所 示，小 波 模 型 的 准 确 度 比 !"#$! 模型要高，其 中 纵 轴 为 误 差 率。然 后 选 取 了 另外两天比样本 数 据 波 动 幅 度 更 强 的 流 量 数 据，在 !"#$! 模型参数保持 不 变 的 情 况 下 作 & 步 预 测，实 验结果如图 % 中 的 (、) 组 图 形 所 示，!"#$! 模 型 和 该小波模型之间的误差率的差距加大。这说明该小 波模型采取的递推式参数调整可以保持模型的准确 性，在网络 流 量 特 征 发 生 变 化 时，模 型 适 应 能 力 更 强。 图 " 小波模型 #$%&# 模型适应性 比较（纵轴为误差率） ) 结 论 本文在无抽取 *++, 小波变换的基础 上，结 合 自 适应 !" 模型 和 滑 动 窗 口 式 多 项 式 拟 合 方 法，建 立 了基于小波变换的递推式高速网络流量在线预测模 型。该模型具有 以 下 几 个 优 点：利 用 小 波 分 解 把 网 络流量时间序列分解为多个更加平稳或平滑的分量 —)’’&— 参考文献 ［ &］ .+/0 !，-1 . 2 3,45167+81917: +/+9:;1; <= /47><,? 7,+==16 2 #/： 3,<64451/0; <= #@ABCB$ ’DDD，’DDD 2 ()’E(%& ［ ’］ 邹伯贤，刘强 2 基于 !"$! 模型的网络流量预测 2 计算 机研究与发展，’DD’，(F（&’）：&G)%E&G%’ ［ (］H+,,+= ! !，*+818 # I，.++5+>1 H @，47 +9 2 !H$ JK971J4E 51+ 7,+==16 L,451671<,?; 2 #/：3,<64451/0; <= M9<8+9 N+7+ @47><,?1/0 &FF( 2 OOEP) ［ )］舒炎泰，王雷，张连芳等 2 基于 A!"#$! 模型的 #/74,/47 网络业务预报 2 计算机学报，’DD&，’)（&）：)GE%) ［ %］ "4/+K5 B，.7+,6? Q -，$K,7+0R A 2 3,45167116X Q，N1/5+ 3 2 !/ 4JL1,16+9 ;7K5: <= 7R4 #/：#UUU 3,<,? 7,+==16 2 64451/0; <= *10R 34,=<,J+/64 N1;7,18K745 C <= #/74,/47 7,+==16 2 #/：3,<6 <= #UUU #@ABCB$， $+,6R ’DD) ［&D］ $16R449 Q，N<,? L+6?47; 2 #/：3,<64451/0; <= 7R4 !C$ .#MCB$$ #/E 74,/47 $4+;K,4J4/7 I<,?;R
    王风宇等：基于小波变换的网络流量在线预测模型 ［!"］ #$%&’( ) * + ,$% -.’/0%1% 2(3%4%1 10(&’5607：8%--.&9 1$% : )%-./.&% (&- M.6469N #6/.%1N，K$./(96，=>>>，!BA!@!BA= ,06;’ (&- )(44(1 (4960.1$7’ + /$+(0’’*&- ，!<<=，">（!>）：="?"@="A= !""" #$%&’%()*+&’ +& ,*-&%. ［!B］ #/$4694 C，D6E%01 ’ # *，F;01 #/$%44%0 G H + C /0.1%0.6& 560 (-(I1.3% (;160%90%’’.3% 76-%4’ + J&：H06/%%-.&9’ 65 1$% ==&- C&&;(4 J&1%0&(1.6&(4 K6&5%0%&/% 65 1$% JLLL L&9.&%%0.&9 .& ［!?］ 孙钦东，张德运，高鹏 + 基 于 时 间 序 列 分 析 的 分 布 式 拒 绝服务攻击检测，计算机学报，=>>B，=A（B）：O?O@OOP ［!O］ 张尚剑，刘永 智 + 用 滑 动 窗 口 多 项 式 拟 合 法 实 时 预 测 运动目标轨迹 + 光电工程，=>>P，P>（"）：="@=O !"#$"% &’%($)*$+" +, "%*-+’. *’/,,$) 0/1%( +" -/2%#%* *’/"1,+’3 （! D%’%(0/$ K%&1%0 65 J&5607(1.6& J&1%44.9%&1 (&- J&5607(1.6& #%/;0.1N，J&’1.1;1% 65 K67I;1.&9 ,%/$&6469N， 8(&9 F%&9N;! !! ，Q;& R.(6/$;&! !!! ，#$%& 8%.-6&9!!!! K$.&%’% C/(-%7N 65 #/.%&/%’，M%.S.&9 !>>>A>） （!! G0(-;(1% T&.3%0’.1N 65 K$.&%’% C/(-%7N 65 #/.%&/%’，M%.S.&9 !>>>P<） （!!! D%’%(0/$ K%&1%0 65 K67I;1%0 U%1260V (&- J&5607(1.6& #%/;0.1N ,%/$&6469N， W(0E.& J&’1.1;1% 65 ,%/$&6469N，W(0E.&，!B>>>!） （!!!! J&’1.1;1% 65 L4%/106&./ (&- .&5607(1.6& L&9.&%%0.&9， R.’(& *.(616&9 T&.3%0’.1N，R.’(& O!>>"<） 401*’/)* M(’%- 6& &6&@-%/.7(1%- W((0 2(3%4%1 10(&’5607，( 0%/;0’.3% I0%-./1.6& 76-%4 65 &%1260V 10(55./ .’ I06I6’%- + ,$.’ 76-%4 -%/67I6’%’ 1$% &%1260V 10(55./ 1.7% ’%0.%’ 2.1$ &6&@-%/.7(1%- W((0 2(3%4%1 10(&’5607 5.0’14N，1$%& I0%-./1’ (II06X@ .7(1% ’.9&(4 2.1$ CCD 76-%4 (&- I0%-./1’ -%1(.4%- ’.9&(4 2.1$ ’4.-.&9 2.&-62 I64N&67.(4 5.11.&9，0%@/67I6’%’ 1$% I0%-./@ 1.6& 3(4;% 65 60.9.&(4 ’%0.%’ 5.&(44N + ,$.’ 76-%4 &61 6&4N .7I063%’ 1$% (//;0(/N 65 &%1260V 10(55./ I0%-./1.6&，E;1 (4’6 .7@ I4%7%&1’ 1$% 6&4.&% ;I-(1% 65 76-%4 I(0(7%1%0’ EN 0%/;0’.3% %’1.7(1.6& + 5%6 -+’(1：&%1260V 10(55./ I0%-./1.6&，: 106;’ 2(3%4%1 10(&’5607，(-(I1.3% (;160%90%’’.3% 76-%4，’4.-.&9 2.&-62 I64N&67.(4 5.11.&9，0%/;0’.3% 4%(’1 ’Y;(0%（DZ#） —B==!—
    分享到：
    赞 收藏

    相关推荐

    资料库

    网络技术

    共收录2367份资料，累计7个分类，关注成员有19位，主要包括：综合布线,网管软件,网络监控,网络设备,其它,系统集成,网络基础

    热门标签

    综合布线 网管软件 网络监控 网络设备 其它 系统集成 网络基础

    最新资料