用于QUIC基准测试的网络模拟器 该项目构建了一个测试框架，该框架可用于在各种网络条件下对QUIC实现的性能进行基准测试和测量。 它使用网络模拟器来模拟网络条件和交叉流量，以及将真实世界与模拟世界联系起来。 它使用docker隔离和强制客户端和服务器之间的流量流经模拟网络。 框架 该框架使用docker-compose组成三个docker映像：网络模拟器（在目录中找到）以及客户端和服务器（在各个QUIC实现目录中找到，对于简单的shell，在目录中找到） 。 该框架在主机上使用两个网络： leftnet （IPv4 193.167.0.0/24，IPv6 fd00：cafe：cafe：0 :: / 64）和rightnet （IPv4 193.167.100.0/24，IPv6 fd00：cafe：cafe :hundred_points: ：/ 64）。 leftnet连接到客户端rightnet映像， righ

Network_Traffic_Analyse 网络流量在线分析系统的设计与实现（C语言） 该系统具有以下功能：（1）实时抓取网络数据。（2）网络协议分析与显示。（3）将网络数据包聚合成数据流，以源IP，目的IP，源端口，目的端口及协议（4）计算并显示固定时间间隔内部网络连接（双向流）的统计量。数据的基础上分析不同网络应用的流量特征。 详细内容：（1）能够实时抓取网络中的数据包。并实时显示在程序界面上。用户可自定义过滤条件以抓取所需要的数据包。（2）分析各个网络协议格式，能够显示（3）采用哈希链表的形式将网络数据以连接（双向流）的形式存储。（4）计算并显示固定时间。间隔内网络连接（双向流）的统计量（如上行与下行的数据包数量，上行与下行的数据量大小等）。例如，抓取间隔（如30分钟）的网络流量，进入段时间以固定时长（如1分钟）为单位分开几个时间片，计算网络连接在每一个时间片内的相关统计量。并在

在大数据时代，社交网络已成为互联网上人类交流与互动的重要体现。 识别网络中有影响力的传播者，在疾病爆发，病毒传播和舆论控制等各个领域都起着至关重要的作用。 基于这三种基本集中度测度，提出了一种应用偏好关系分析和随机游走技术的综合算法PARW-Rank，用于评估节点影响。 对于每个基本度量，分析网络中每个节点对之间的优先级关系，以构建部分优先级图（PPG）。 然后，通过结合针对三种基本度量的偏好关系来生成综合偏好图（CPG）。 最后，通过在CPG上进行随机游走来确定节点的排名。 此外，使用五个公共社交网络进行比较分析。 实验结果表明，与现有的单一中心测度方法相比，我们的PARW-Rank算法可以实现更高的精度和更好的稳定性。

复杂网络学习分析工具pajek经典之作，值得认真学习思考.

真棒图神经网络：图神经网络的论文清单

COMP90015分布式系统分配2

PyTorch 神经网络。

shenduxuexi,Deep Convolutional Network Cascade for Facial Point Detection

olaf的经典脑网络书籍，脑科学研究必选

神经网络 Hebb 学习规则的简单 Matlab 代码。 这对NN初学者学生有好处。 它可以应用于简单的任务，例如逻辑“和”、“或”、“非”和简单的图像分类。