权限动态分配（精选三篇）
权限动态分配 篇1
1 基于路径的逐日动态模型
1.1 流量更新模型
以流量更新为基础的模型从网络流量的角度切入来描述系统的演化过程。大多数以流量更新为基础的逐日动态模型采用了连续形式。它的路径切换原则是基于每条路径的实际出行成本, 并且最后的稳态 (平衡状态) 是DUE。其中最为经典的模型主要有:
1.1.1 比例切换调整过程Smith (1984)
其中fi表示路径i上的流量;ci表示路径i上的走行成本;[x]+=max (x, 0) ;Rw表示OD对w的路径集合。
1.1.2 网络试错调整过程Friesz等 (1994)
1.1.3 投影动态系统Nagurney和Zhang (1997)
Yang和Zhang (2009) 等人将上述几个固定需求下的模型统一归结为“理性行为调整过程” (RBAP) :随着时间的演化 (天数) , 整个交通网络的整体出行成本在前一天的基础上降低。除了上述这些平衡点收敛到UE的模型外, 还有一些其他模型。Jin (2007) 在先进先出的规则下建立了FIFO逐日动态系统, 其平衡状态不仅仅是DUE, 而且是DUE的一个超集。Guo和Liu (2011) 在有限理性 (BRUE) 的框架下, 探讨了不可逆的交通路网改变对于整个交通流的影响。有限理性下的逐日动态模型最后的收敛点是一个BRUE集合。尽管BRUE的假设在仿真和实证研究中被广泛应用, 但是基于BRUE的动态交通流理论研究还不是很多。
1.2 感知更新模型
基于感知更新的模型把网络交通流的演化看作是出行者对路网出行成本的感知和学习之后的结果。大多数以感知更新为基础的逐日动态模型采用了离散形式。由于整个步长的大小对于系统稳定性的影响很大, 离散动力学模型的稳定性分析比连续模型更为复杂。从数学上来说, 连续模型就是离散模型的特殊极端情况 (时间间隔趋于0) , 而在模型的标定和用于实际交通流的预测中, 连续模型不得不先转化为离散模型。一般假设出行者拥有所有关于交通状况的先前记忆, 然后基于这些记忆做出他们的路径选择, 一般路径选择采用SUE的分配方式, 或者更具体一点, 基于LOGIT的路径选择。当感知成本与实际成本发生偏差的时候, 出行者会通过一些特定的规则去“矫正”他们对路网的感知成本, “矫正”的参考主要是基于新的出行经历或者是实时发布的交通信息, 这样的“矫正”过程我们称之为学习行为。通常而言, 感知成本的更新遵从所谓的“指数平滑”规则, 也就是说, 新的感知成本是之前感知成本与新经历或者实时发布的交通状态的线性组合。这类模型的稳态就是随机用户均衡点。
其中Cn代表出行者的感知成本;β表示在对出行成本进行感知时, 过去经验所占的比重。Pr表示选择路径的概率。这类模型最早可以追溯到Horowitz (1984) , 他在只有两个路段的简单路网下, 建立了一个离散的动力学系统, 而其学习行为的参数 (指数平滑的权重) 是随着时间而变化的。他的探究表明, 学习行为的参数会影响整个交通系统随着时间演化的稳定性。Watling (1999) 则在一个更一般化的网络下探究了基于感知成本更新模型的稳定性。Bie和Lo (2010) 进一步探究了这类模型的稳定性, 并且在吸引域的框架下探究了这类模型的一些性质。
2 基于路段的逐日动态模型
基于路径的模型就是使用路径流量作为变量来对模型进行构建。出行者通过选择连接OD之间的一条路径来完成其整个出行, 因此基于这样的表达是很直观的。大部分的逐日动态模型都采用此种方式进行建模, 基本建模的思路实际就是不同路径之间的流量通过对出行者行为的不同假设来进行切换。但是这样的模型也存在着一些问题 (He等, 2010) 。
第一, 在现实生活中, 路径流量就是很难被观测到的数据。大部分的线圈探测器, 视频识别等技术能够很方便地观测到路段上面的交通流量, 而路径的交通流量需要对整个车辆进行路径的跟踪及推导。第二, 基于路径的模型会存在路径重叠的问题, 从而影响模型的可靠性。第三, 在一个大型的路网中, 随着路段数量的增多, 路径的枚举量会快速增多, 从而导致路径流量之间的切换计算量很大。
从现阶段的文献来看, 基于路段的模型数量还是远小于基于路径的模型数量的。He等 (2010) 最先使用基于路段流量的模型来对出行者的逐日选择进行建模, 通过构建一个在可行域 (凸域) 最小化问题来对出行者的惰性以及灵敏度进行分析, 然后通过一个一阶微分方程组来完成路段流量的更新。
其中, δ是正值参数, 它决定了流量的切换速率。y-x提供了路段流量的切换的方向。在给定当前路段流量x的前提下, y通过求解下面的最优化问题得到:
其中, D (x, y) 目标交通流模式与当前交通流模式之间的距离, ||y-x||2反映了出行者的惰性。当λ很小时, 用户更倾向于留在当前路段, 而当λ很大时, 用户倾向于切换到最短路上以期使出行成本降低。在这之后, Han (2012) 等人对其模型性质 (诸如不变集和稳定性等) 进行了进一步的理论性质分析。He等 (2012) 人构建了一个“预测-矫正”模型来对明尼苏达双城的I-35W桥坍塌以及修复前后的交通流变化进行分析。出于理论性质分析的方便以及出行者路径切换描述的直观性, 学者们更倾向于使用基于路径的模型。而从模型现实应用来看, 基于路段的模型更为可取。
3 结论
随着先进交通出行信息系统的发展, 出行者可以方便地获取包括实时和历史在内的交通数据。逐日动态模型有很强的灵活性可以将不同的行为假设融入进来, 探究不同出行信息发布对于交通流量的影响。后续还可以将拥挤收费、信号控制等拥堵控制手段融入到模型来增强交通系统的表现。
参考文献
[1]郭仁拥, 黄海军.ATIS环境下交通配流的动态演化模型[J].管理科学学报, 2008, 02:12-19.
[2]韩凌辉.多种交通网络条件下出行者的出行选择行为分析[D].北京交通大学, 2014.
[3]张丹.基于逐日动态分配模型的拥挤收费研究[D].西南交通大学, 2014.
权限动态分配 篇2
院系： 年级： 姓名： 学号： 指导教师
2009年12月
一、课程设计题目
本次课程设计的题目为：导航菜单树及其权限分配。
二、系统需求分析与设计
需求分析
依据课程实际的题目，我们可以分析出本系统由两部分组成：导航菜单树，导航菜单树的权限管理。系统根据登陆用户所拥有的不同权限，赋予其对菜单树的不同访问和操作。
1． 导航菜单树的设计
导航菜单树的模式与windows系统的资源管理器类似，可以展开和收缩，用户通过对导航菜单树的节点进行操作来实现对不同的页面和内容进行访问。
2． 导航菜单树的权限管理
导航菜单树的权限管理部分要实现的功能为：用户在登陆以后，系统通过存储在数据库中的用户信息来判断此用户所拥有的权限，并根据用户的权限来控制用户对不同信息的访问，限制用户对无权限内容的访问。
数据库设计
数据库的设计很简单，只需要在数据库中创建两个表，一个用来存储用户信息，一个用来存储用户权限。
用户的信息内容为：用户名，用户密码。
用户的权限分为三种：visitor，member，admin。
表的截图如下：
图1.用户信息表
图2.用户权限表
三、系统具体实现
1.登陆实现
登陆模块需要用户输入用户名和密码，然后系统判断用户输入是否有误，若用户正确则进入导航树菜单页面，错误则提示用户并重新输入。
输入页面代码：
基于动态门限的波长分配算法 篇3
动态门阈值T (i, j) 定义为在时刻tj时, 波长子集W Pi相对应的的门限值, 它是依据波长实时使用状态, 即波长tj时刻的占用情况来计算:
其中, μ>1 (常数) , 动态门限阈值和μ值可以通过神经网络预测器和遗传算法求出。
1波长集的划分
假设全部光纤的连接都是双向连接, 并且可用的波长数目{λ1, λ2, …λw}均相同。连接请求分为m个等级, 分别对应m个优先级{P1, P2, Pm}, 并且从P1到Pm的权限越来越弱, 即P1的权限最高, Pm的权限最低。即首先到来的连接请求权限最高, 最后到来的连接请求权限最低。把这些波长数目{λ1, λ2, …λw}分成m个波长子集, 这m个波长子集分别用{W P1, W P2, W Pm}来表示。对于这些可用波长子集, 有两个限制条件:一是保证每个波长不能被重复划分, 即它只能属于一个波长子集;二是保证权限高的的连接请求占用的波长数目, 远远大于低权限的连接请求占用的波长数目。采用不均等分配的方法, 对波长数目进行分配, 保证权限高的连接请求拥塞率远远低于低权限的连接请求。
2算法的设计
基于动态门限的波长分配算法的流程如下:
步骤1:根据权限的数目m值和每条链路的空闲波长数目Q值, 划分波长子集。
步骤2:根据连接请求的权限p在对应的波长子集中寻找空闲的波长。当对应的波长子集中存在空闲的波长时, 就接着执行步骤3;如果没有对应波长子集中空闲波长, 则直接执行步骤4。
步骤3:为连接请求分配一个空闲波长, 此时使用的是FF算法。
步骤4:在比权限p低一级的权限对应的波长子集中继续寻找空闲波长, 如果此时有空闲波长, 跳出执行步骤3;如果依然不存在空闲波长, 则接着执行步骤5。
步骤5:计算出比权限p高一级的权限动态门限阈值, 如果此时的权限p建立的光通道的平均波长利用率比高一级的动态门限阈值要低, 跳出执行步骤3;如果利用率比计算出动态门限阈值要高, 那么禁止当前的连接请求, 并标识网络拥塞一回。
步骤6:当完成光通路建立的后, 被占用的波长重新获得自由, 再次刷新网络波长的占用情况。
3仿真结果分析
分别选择N SFN ET网络和一个16节点的网状网络作为仿真网络。其中N SFN ET网络是一个具有14个节点和21条链路的拓扑的不规则网络, 而16个节点的网状网络则是具有比较规则的网络拓扑结构。设定到达每个节点的连接请求有3个不同的权限等级, 且这些连接请求的到达率均满足相同的泊松分布, 服务时间满足均值为μ的指数分布。
从网络的拥塞概率方面分析, 仿真结果如图1和图2所示:
在图1所示的N SFN ET网络中, 权限为3的光通道的拥塞率下降了15.91%, 权限为2的光通道的拥塞率下降了13.51%, 权限为1的光通道的拥塞率略上升了1.58%。在图3.4所示的16节点的网状网络中, 权限为3的光通道的拥塞率下降了20.29%, 权限为2的光通道的拥塞率下降了17.01%, 权限为1的光通道的拥塞率略上升了2.47%。
综上所述, 当引入动态门限后, C P策略波长分配算法的局限性得到解决。当一些波长子集耗尽时, 使用动态门限可以依据实时网络占用的状态, 实时监控波长子集的分配的情况, 当到来的连接请求, 达到了这些波长子集所要求的动态门限阈值条件, 这些连接请求就会被通过来占用这些空闲的波长, 提高了网络资源的使用率, 在一定程度上降低完全分割策略波长分配算法导致的网络拥塞, 该算法与完全分割策略波长分配算法相比, 性能有了很大的改善。
摘要：目的:为了寻找一条适合的光通路, 并合理地调配网络资源, 扩大现有的网络资源的使用率, 达到最大限度的增加通信通道的容量, 降低完全分割策略波长分配算法导致的网络拥塞。方法:引入动态门限的概念, 利用基于遗传算法的神经网络预测器求出门限值, 根据实时网络动态划分各个波长子集。结果:动态门限可以对各个波长子集进行灵活划分, 解决全分割策略波长路由分配的局限性, 降低网络拥塞的发生率。结论:该算法与分割策略波长分配算法相比, 性能有了很大的改善, 此算法在一定程度上降低完全分割策略波长分配算法导致的网络拥塞, 提高整个网络的公平性。
关键词：CP策略,动态门限,神经网络,拥塞率
参考文献