使用深度学习对加密流量进行分类 该存储库包含在2018年DTU Compute的硕士学位论文中使用和开发的代码。 教授一直是该硕士论文的导师。 来自一直是该项目的联合主管。 在本文中，我们研究和评估了使用神经网络对加密网络流量进行分类的不同方法。 为此，我们创建了一个具有流/非流焦点的数据集。 数据集包括七个不同的类，五个流分类和两个非流分类。 本文是对Napatech A / S的初步概念验证。 我们提出了一种新颖的方法，其中利用了网络流量的未加密部分，即标头。 这是通过将会话中的初始标头串联起来，从而形成一个签名数据点来完成的，如下图所示： 通过使用前8个和16个标头创建的数据集在此存储库的datasets文件夹中可用。 我们通过在串联头数据集上运行t-SNE来探索数据集。 从下面的t-SNE图可以看出，该图显示了合并的所有单个数据集，似乎可以对单个类进行分类。 在使用基于标头

配合使用 Solarwinds NetFlow Traffic Analyzer-NTA-v3.5-Full-SLX

网上就找到,懒得找你就下我这个

MGEN Version 5.x 该目录包含NRL Multi-Generator（MGEN）测试工具集版本5.x的源代码。 MGEN版本5基于MGEN 4.2b6。 传输类已抽象，并添加了新功能。 需要Protolib： //www.nrl.navy.mil/itd/ncs/products/protolib The MGEN build expects the "protolib" source tree (or a symbolic link to it) to be located in the top level of the "mgen" source tree. For example, to download and build on Linux: git clone https://github.com/USNavalResearchLaboratory/

最新3dMax夜晚行车灯光轨迹一键生成插件Traffic Trails 支持3dmax2018.2或更高版本 + Vray渲染器 使用方法： 1.首先沿道路放置虚拟对象，确保虚拟对象在放下时出现，完成虚拟对象后按ESC键； 2.点击“红色或黄色轨迹”按钮生成； 3.为3ds Max和VRay使用日光系统并将其设置为夜间，可在红色/黄色材质中应用渐变坡度贴图加入干扰。

该设计严格按照现实中的交通灯设计，利用vhdl硬件描述语言实现，设计一个交通信号灯控制器，由一条主干道和一条支干道汇合成十字路口，在每个入口处设置红、绿、黄三色信号灯，红灯亮禁止通行，绿灯亮允许通行，黄灯亮则给行驶中的车辆有时间停在禁行线外。 2、 红、绿、黄发光二极管作信号灯，。 3、 主干道处于常允许通行的状态，支干道有车来时才允许通行。主干道亮绿灯时，支干道亮红灯；支干道亮绿灯时，主干道亮红灯。 4、 主、支干道均有车时，两者交替允许通行，主干道每次放行45秒，支干道每次放行25秒，设立45秒、25秒计时、显示电路。 5、 在每次由绿灯亮到红灯亮的转换过程中，要亮5秒黄灯作为过渡，使行驶中的车辆有时间停到禁行线外，设立5秒计时、显示电路。

积分管理系统java源码 traffic 智能交通站务管理系统 ###关键技术： (1)、开发框架：JAVA、SWT、SWING、SpringBoot； (2)、运行环境：≥JDK8； (3)、连接池：proxool 0.9.1； (4)、消息队列：ActiveMQ； (5)、接口：Axis2(1.7.9)； (6)、接口部署：≥Tomcat8、Jboss等； ###系统特色： (1)、前端界面经典Ribbon样式自适应，外观显示、字体等用户可自定义，win7\win10系统下完美运行； (2)、客户端为C/S架构，操作灵活方便人机交互性强，硬件设备易接入，系统自动版本检测和升级； (3)、服务端接口安全可靠，请求传输加密，运行安全可靠，易扩展B/S应用、手机APP、微信小程序、公众号接入； (4)、系统支持多数据源运行，数据库可共用也可以相互独立存储，数据库按业务子系统分为： 4.1、站务系统数据库 4.2、保险票数据库 4.3、语音系统数据库 4.4、快件系统数据库 4.5、平台系统数据库 (5)、系统封装开发组件完善，开发规范、结构清晰，易维护和扩展； 5.1、系统封

附有论文，交通信号灯识别源程序。采DDPG深度强化学习方法。给出了LOSS损失函数图像

颜色分类leetcode 交通灯图像分类 Udacity 自动驾驶汽车纳米学位顶点项目。 系统集成 概述 感知子系统对车辆前方的交通灯颜色进行动态分类。 在给定的模拟器和测试站点环境中，汽车面对单个交通灯或一组 3 个处于相同状态（绿色、黄色、红色）的交通灯。 我们假设不可能同时在不同的州有多个交通灯。 我们考虑了不同的方法来解决交通灯分类任务： 使用CNN对整个图像进行分类； 物体（红绿灯状态）检测； 使用单独模型的物体（交通灯）检测和分类。 考虑到红绿灯始终处于相同状态，并专注于创建轻量级和快速模型，我们选择了对整个图像进行分类的方向。 这种方法使用卷积神经网络，它将前置摄像头的整个图像作为输入，并预测交通灯状态（我们决定使用红色/无预测类）作为输出。 我们在 MobileNet 架构上使用了迁移学习技术和 Tensorflow Image Retraining Example（教程：，代码：）。 数据集 有多个数据集可用于模型训练： 来自 Udacity 模拟器的图像（图像以及来自前置摄像头的地面实况可作为 ROS 主题提供）； rosbag，在 Udacity 的测试站点上捕获

Unity3D智慧交通AI插件Urban Traffic System ，大量人物和车辆模型