时间敏感网络（Time-Sensitive Networking，简称TSN）是一种网络技术，主要针对实时性、低延迟和高可靠性有严格要求的应用场景，如工业自动化、音频视频流传输、汽车网络以及航空航天等。TSN是建立在IEEE 802.1标准框架下的一系列子标准，旨在确保网络数据传输的精确性和一致性。 IEEE 802.1Q标准是TSN的核心部分之一，它定义了虚拟局域网（VLAN）桥接协议。在2014年修订的IEEE Std 802.1Q-2014版本中，对原有的2011版进行了更新，以适应不断发展的网络需求。该标准不仅规范了VLAN桥接的基本功能，还涵盖了TSN的关键特性，如时间同步、流量调度、优先级队列和帧间间隔控制等。 1. **时间同步**：TSN网络中的设备需要精确的时间同步，以确保数据在预定的时间点准确传输。这通过IEEE 802.1AS（通用精确时间协议，Generalized Precision Time Protocol）实现，允许网络设备与一个全局参考时钟进行同步，从而达到微秒级的精度。 2. **流量调度**：TSN引入了复杂的流量控制策略，如IEEE 802.1Qbv（时间感知调度，Time-Aware Shaper），确保关键数据包能够在指定的时间窗口内优先传输，保证服务质量（QoS）。 3. **优先级队列**：利用IEEE 802.1P的优先级标记，TSN能够为不同类型的流量分配不同的优先级，确保高优先级的数据包不被低优先级的数据包阻塞。 4. **帧间间隔控制**：IEEE 802.1Qci（帧间隔控制，Frame Spacing Control）规定了帧之间的最小间隔，防止数据包碰撞，确保数据流的连续性和稳定性。 5. **故障恢复和冗余**：TSN还包含了故障检测和快速恢复机制，如IEEE 802.1CB（帧重复，Frame Replication and Elimination）和802.1Qcc（协作桥接，Coordinated Switching），以提高网络的可靠性。 6. **管理与配置**：TSN网络的管理和配置通常依赖于IEEE 802.1CBRS（集中式带宽资源管理，Centralized Bandwidth Resource Scheduling）和802.1Qcc，确保网络资源的有效分配和动态调整。 TSN的这些特性使得它在实时应用中具有显著优势，能够提供传统以太网所无法比拟的性能。随着物联网（IoT）、5G通信和自动化技术的发展，TSN有望在未来的工业和消费市场中发挥越来越重要的作用。

IEEE Standard for a Transport Protocol for Time-Sensitive Applications in Bridged Local Area Networks

力敏垫 参考：

弹性蛋白 Elasticsearch插件，用于在密集的浮点和稀疏布尔向量上进行相似性搜索。 文献资料 如果您想为Elastiknn做出贡献，请参阅developer-guide.md。 社区 如果您有疑问，错误等，请在上。 用户数 您正在使用Elastiknn吗？ 如果是这样，请考虑提交拉取请求以在下面列出您的组织。 ：使用Elastiknn进行数百万个图像集中的反向图像查找 建物 建造 地位 Github CI构建 Github发布版本 发行版 神器 释放 快照 资料下载 Elasticsearch插件zip文件 Elastiknn的Python HTTP客户端 具有精确和近似向量相似性模型的Java库 带Lucene查询和Elastiknn中使用的构造的Java库 Elastiknn JSON API的Scala案例类和圆形编解码器 基于elastic4s的Elast

sensitive-word-filter     该项目作为一个敏感词检测工具，具有敏感词获取、敏感词处理、敏感词替换等基本功能，还支持用户自己实现对应的敏感词获取器 和 敏感词解析器实现一些自定义的功能。 实现原理     底层的实现原理采取的是AC自动机算法,AC自动机是在KMP算法和字典树上演变出来的一种多模匹配的算法。时间复杂度只取决于待分析文本的长度，和敏感词的数量无关。     有兴趣的小伙伴可以阅读关于KMP 和 AC自动机相关的文档或者博客，相信你会收益颇丰 jar包下载 代码示例 // 1.word.txt 敏感词不完善 SensitiveWordFilter sensitiveWordFilter = new SensitiveWordFilter(); // 普通字符替换 System.out.println(sensitiveWordFilter.replaceF

Sensitive-word-filtering 敏感词过滤 直接从Java版DFA算法实现，转移过来，并未作修改，词库直接从百度搜索的一个暂用。 可替换成其他词库，也可自行添加词条。 在项目init方法中调用ReadSwfDict加载词库 在检查点调用Match方验证，或调用Repl方法替换 具体使用见swf_test.go

Sensitive敏感词过滤类，源代码分享（本人开发的代码，可以使用，但是禁止通过其他方式进行转载，谢谢）

资源对北汇信息TSN Time Sensitive Network 时间敏感网络业务进行简介

集成学习是通过集成多个基分类器共同决策的机器学习技术,通过不同的样本集训练有差异的基分类器,得到的集成分类器可以有效地提高学习效果。在基分类器的训练过程中,可以通过代价敏感技术和数据采样实现不平衡数据的处理。由于集成学习在不平衡数据分类的优势,针对不平衡数据的集成分类算法得到广泛研究。详细分析了不平衡数据集成分类算法的研究现状,比较了现有算法的差异和各自存在的优点及问题,提出和分析了有待进一步研究的问题。

用于成本敏感分类的Adaboost扩展CSExtension 1 CSExtension 2 CSExtension 3 CSExtension 4 CSExtension 5 AdaCost Boost CostBoost Uboost CostUBoost AdaBoostM1实施集群中所有列出的“成本敏感分类”算法。 它们是需要基础算法（例如决策树）的元算法，此外，还需要投票标准，例如最低期望成本标准。输入还需要加载arff文件和成本矩阵（上载arff和成本文件样本供用户参考）扩展程序使用weka进行分类，并生成分类模型以及混淆矩阵。 对于给定的数据集和成本矩阵