没有合适的资源?快使用搜索试试~ 我知道了~
≥软件X 10(2019)100341IRIC:一个用于二进制不平衡分类的朱兵,高子涵,赵俊凯,Seppe K.L.M.范登布鲁克ba四川大学商学院,成都610064比利时鲁汶大学决策科学与信息管理系,鲁汶3000ar t i cl e i nf o文章历史记录:接收3可以2019收到修订版2019年9月21日接受2019年10月2日保留字:不平衡分类R语言集成库并行实现a b st ra ct不平衡分类是数据挖掘和机器学习中的一个具有挑战性的问题,已经提出了大量的解决方案。在本文中,我们介绍了一个名为IRIC的R库,它集成了广泛的不平衡二进制分类解决方案。IRIC不仅提供了一个新的实现一些国家的最先进的技术不平衡分类,但也提高了效率的模型建立使用并行技术。该库及其源代码是免费提供的。©2019作者由爱思唯尔公司出版这是CC BY许可下的开放获取文章(http://creativecommons.org/licenses/by/4.0/)中找到。代码元数据当前代码版本v1.1指向此代码版本所用存储库的永久链接https://github.com/ElsevierSoftwareX/SOFTX_2019_167法律代码许可证GNU general public licensev3.0使用Git的代码版本控制系统软件代码语言使用R(3 .第三章。3 .第三章。0个)编译要求、操作环境依赖性R、Rtools链接到开发人员文档/手册https://github。com/shuzhiquan/IRIC/blob/master/ReferenceManual. pdf问题支持电子邮件zhubing@scu.edu.cn1. 介绍类不平衡数据的分类是数据挖掘和机器学习领域的一个研究热点[1]。类不平衡是指一个类的实例数量明显多于其他类的实例数量,少数类通常是建模者最感兴趣的,这在许多现实世界的应用程序中非常常见。类不平衡构成了一个挑战,因为标准分类器通常偏向于类不平衡数据集上的大多数类[2],这通常会导致高的整体准确性,但对少数民族的准确性低。然而,少数人阶级通常是利益阶级。考虑例如包含98个否定实例和2个肯定实例的二进制类数据集。如果所有的实例都被分类为阴性,则获得98%的高总体准确度,尽管少数阳性实例的准确度为零。*通讯作者。电子邮件地址:zhubing@scu.edu.cn(B. Zhu)。https://doi.org/10.1016/j.softx.2019.100341在过去的几年里,已经提出了许多技术来减轻阶级不平衡的影响。其中许多已经在不同的编程语言中实现,如Java,R和Python。由于其灵活性和丰富的可视化功能,R是数据分析的首选工具之一,一些类不平衡解决方案在几个现有的R包中可用也就是说,据我们所知,没有R包包含一套全面统一的解决方案来解决不平衡分类的设置,这对于学术研究和工业应用都很不方便,因为人们通常需要处理多个包。此外,一些流行的算法还没有在R中提供因此,本文介绍了一个用于二进制不平衡分类的R库IRIC(IntegratedRlibraryforImbalancedC classification)IRIC的主要贡献有三个方面:首先,这是第一个集成了大量二进制不平衡分类任务解决方案的R库。其次,它提供了一个新的,最近的算法,这是不可用于任何当前的R包的实现。第三,该库提供了基于装袋的集成解决方案的并行实现,2352-7110/©2019作者。 由Elsevier B.V.出版。这是一篇开放获取的文章,使用CC BY许可证(http://creativecommons.org/licenses/by/4.0/)。可在ScienceDirect上获得目录列表SoftwareX期刊主页:www.elsevier.com/locate/softx2B. Zhu,Z.高,J.Zhao等人粤ICP备1003441号表1用于不平衡分类的可用R包概述包版本战略号技术不平衡[3]1.0.0数据级别12安斯莫特·阿达辛BLSMOTE,DBSMOTEMWMOTE、PDFOSRACOG,RSLSMOTERWO,SLMOTESmote,wRACOG不平衡[4]2.0数据级别9ubOver,ubUnder托梅克·斯穆特ubOSS、ubCNNubENN、ubNCL家庭[5]1.3数据级别6ADASYN、ANS、SLS边缘-SMOTE,RSLSDBSMOTE,SMOTE[6]1.0.0基于集成4RUSBoost,SMOTEBaggingSMOTEBoost,UnderBaggingDMwR [7]0.4.1数据级别1击杀玫瑰[8]0.0-3数据级别1随机过采样减少模型构建的运行时间我们希望IRIC提供一个方便的框架,研究人员和从业者一样,在设置二进制不平衡分类。本文的其余部分组织如下:第2节介绍了问题和背景。第3节更详细地描述了软件框架。第4节提供了更多的实施细节以及实证结果。第5节给出了一个示例,最后第6节给出了结论和未来的工作。2. 问题和背景不平衡分类在许多不同的领域都很常见,如市场营销[9],金融[10]和医学诊断[11]。为了减少类不平衡的负面影响,已经提出了大量的方法。一般来说,这些技术可以分为三种策略:那些在算法层面上工作的策略,那些在数据层面上工作的策略,以及最后一种利用基于集成的学习的方法[12]。算法级方法试图调整现有的算法或开发新的算法,使其更倾向于识别不平衡分类中的少数类。典型的示例方法是成本敏感的学习技术,例如成本敏感的决策树[13]。数据级方法试图通过在数据预处理阶段从原始数据中恢复来平衡类分布,并且是不可知的 分类器技术的使用,使它们成为实践中的热门选择。合成少数过采样技术(SMOTE)可能是最知名的数据级方法[14]。基于集成的方法通常将算法级或数据级方法嵌入到基于集成的学习算法中。例如,AdaC2 [2]将成本敏感方法集成到集成学习框架AdaBoost中。SMOTEBagging [15]结合了基于SMOTE采样和bagging的集成模型。上述三种策略中提出的许多方法已经用不同的语言实现。对于Java,两个著名的Java软件工具KEEL和Weka提供了处理不平衡分类的函数KEEL有一个名为“不平衡分类”的模块,其中包含来自三个不同技术家族的许多算法,用于不平衡分类[16]。与此同时,Weka[17]仅限于成本敏感和基于简单采样的解决方案。对于Python,库imbalanced-learn[18]提供了一系列用于不平衡分类的方法,并在popu之上工作。scikit-learn数据挖掘库。具体来说,它包含四组方法:欠采样、过采样、组合过采样和欠采样以及基于集合的学习。作为一个越来越流行的平台,CRAN软件包库中也提供了几个R软件包,用于不平衡的分类。最近,包不平衡[3]发表,它提供了基于过采样的技术,包括五种新颖的过采样算法。另一个软件包,不平衡[4],包含九个众所周知的不平衡分类采样技术,如随机过采样,SMOTE和单边选择(OSS)。接下来,smotefamily[5] pack-age提供了各种过采样技术的集合,实现了SMOTE及其变体。ebmc[6]包包 含 四 个 流 行 的 基 于 集 成 的 解 决 方 案 , 即 SMOTE- Boost ,RUSBoost,UnderBagging和SMOTEBagging。DMWR[7]包实现了一个完整的方法列表来执行不同的数据挖掘任务。它不是专门设计的以解决不平衡的分类任务,尽管它确实包括SMOTE算法。最后,软件包ROSE[8]包含一种称为随机过采样示例(ROSE)的采样方法表1提供了用于不平衡分类的R包的比较摘要。包含在我们库IRIC中的技术已用粗体标记可以看出,每个包都实现了上述三种策略的所有可能方法的子集,并且没有R包包含来自三种不同策略的广泛解决方案。这种缺乏整合的情况使得从业人员和研究人员在所有可用的方法中找到自己的方式并进行比较研究非常耗时。此外,我们还发现一些经典算法尚未在R中实现,例如RBBagging[19],EasyEntrance和BalanceCascade [20]。3. 软件框架IRIC是用R语言编写的。IRIC库的详细信息在代码元数据中提供。当前版本(v1.1)包括19流行的解决方案对二进制不平衡分类从前面提到的三种策略。IRIC的架构如图所示。1.一、IRIC由三个模块组成,分别对应于算法级、数据级和基于集成的策略三类解。算法层模块包含代价敏感技术,目前支持[13]提出的代价敏感决策树。数据级模块由三种采样方法组成,B. Zhu,Z.高,J.Zhao等人粤ICP备1003441号3我表2Fig. 1. IRIC库架构。• RBBagging。大致平衡袋法(RBBagging)是一种实验中使用的数据集总结数据集源区域观察次数#属性IR(%)智利操作者南美5 300416.0KDDKDDcup 2009欧洲50 0002317.3韩国操作者东亚26 224114.2欠 采 样 、 过 采 样 和 混 合 采 样 。 过 采 样 子 模 块 包 括 SMOTE 、MWMOTE [21]、ADASYN [22]和随机过采样。欠采样子模块包含两种方法:随机欠采样和CLUS [23]。Smo-teENN、SmoteTL [24]和SPIDER [25]包含在混合采样子模块中。基于集成的模块有三个子模块 : BalanceBagging , BalanceBoost 和 HybridEnsemble 。BalanceBagging 子 模 块 有 四 个 基 于 bagging 的 集 成 解 决 方 案 :RUSBagging , ROSBbagging , SMOTEBagging [15] 和 RBBagging[19] 。 BalanceBoost 子 模 块 由 三 个 基 于 提 升 的 解 决 方 案 组 成 :RUSBoost [26],SMOTEBoost [27]和AdaC2 [2]。EasyEntrance和BalanceCascade [20]组成了HybridEntrance子模块。以下八种方法是首次在R中实现的,在现有文献中经常被用作基准:CSC 4. 五、CSC 4.5由[13]提出,并将高成本与错误分类少数实例相关联,以改变训练集的类分布,从而诱导成本敏感的树。SmoteENN。SmoteENN是[24]提出的一种采样方法。它首先使用SMOTE从原始数据集进行采样,然后通过删除基于Wilson编辑的最近邻规则(ENN)[ 28 ]错误分类的实例来清理采样数据SmoteTL.与SmoteENN类似,SmoteTL也清理使用SMOTE采样的数据集。它在SMOTE采样后使用Tomek链接清理采样数据。蜘 蛛 SPIDER ( Selective Preprocessing of InbalancedData)是由[25]提出的。它是一种在少数类局部过采样后,从多数类中过滤困难实例的采样方法。基于集合的学习[19]。RBBagging算法的关键在于它采用负二项抽样来产生大致平衡的数据子集来训练基分类器。AdaC2。AdaC2是由[2]提出的,用于改善不平衡数据的分类性能。该算法将代价项引入AdaBoost学习框架,通过将代价项嵌入AdaBoost的权值更新公式中,使学习偏向少数类实例。我们选择实现AdaC2而不是其他成本敏感的提升技术,如AdaC1和AdaC3,因为它的性能更好[2]。BalanceCascade。 与EasyEncade类似,BalanceCascade[20]还使用bagging作为主要的集成方法,并使用Adaboost训练每个包。的临界差异BalanceCascade指导子分类器的采样过程。EasyEntrance。EasyEnsemble是由[20]提出的基于混合集成的解决方案。它采用了双集成方案,在装袋迭代中进行随机欠采样它以无监督的方式执行装袋以训练基本分类器。4. 执行情况和实证结果IRIC库及其文档在GitHub上提供。为了证明IRIC中技术的实现,在本节中进行了两组实验:首先,我们验证了基于装袋的技术的并行实现的效率。其次,我们比较了IRIC和其他软件包之间的重叠技术的实现。在模型构建过程中,基于装袋的集成学习解决方案通常以顺序的方式生成基本分类器的子集,而我们提供了基于装袋的解决方案的并行实现来生成用于训练的子集为了评估其效率,我们建立了一个实验,比较效率的模型建立在一个顺序的方式与并行的方法。如表1所示,ebmc包·······4B. Zhu,Z.高,J.Zhao等人粤ICP备1003441号表3基于SMOTEBagging(以秒为单位)和AUC的模型构建运行时。数据集运行时AUC非平行/IRIC并行/IRICNonparallel/ebmc非平行/IRIC并行/IRICNonparallel/ebmc智利467.344.87433.440.7140.7220.705KDD4459.4525.854747.250.6920.6680.681韩国660.3616.64693.030.7400.8040.795表4不同包装的重叠技术的实验结果技术包运行时AUC智利KDD韩国智利KDD韩国不平衡2.9465.216.750.6760.6530.663ADASYNsmotefamily2.1951.655.560.7100.6530.672IRIC1.7317.642.550.6770.6600.683MWMOTE不平衡5.03634.7934.360.6900.6170.692IRIC2.1243.453.670.6540.6660.720不平衡0.962.631.410.6620.6580.738随机过采样ROSE0.922.921.640.6770.6700.700IRIC0.841.260.870.6830.6710.709不平衡1.012.691.200.6500.6460.711随机欠采样0.781.500.910.7010.6630.695IRIC0.580.860.660.7220.6660.719RUSBoostebmc10.89129.9919.470.6470.7180.834IRIC21.79164.6223.060.7160.6800.817RUSBaggingebmc8.6579.588.750.7170.7010.826IRIC8.0876.067.860.7090.7010.774不平衡3.1253.826.040.6680.6500.686不平衡3.7245.036.640.7910.6570.706SMOTE smotefamily3.0356.366.250.7150.6480.683DMwR1.8359.684.530.6830.6410.674IRIC1.676.961.810.6830.6560.696SMOTEBoostebmc108.43551.12251.310.7450.7000.819IRIC275.844453.6552.470.7650.7580.644还包括以顺序方式实施基于装袋的解决方案。因此,ebmc的基于装袋的解决方案也被用作顺序实现的基准。在这个实验中使用了来自电信行业的三个真实世界的二进制不平衡数据集[29]。表2显示了数据集的更多细节,包括不平衡比(IR)、观察次数(观察次数)以及属性的数量(#Attr.)。袋子的数量被设置为40,CART [30]被用作基础学习者。实验在R(v3.6.1)上进行,使用具有2.2GHz Intel i5双核CPU和4GB RAM存储器的计算机。SMOTEBagging的实验结果如表3所示。具体来说,运行时间是指在五次运行中构建模型的平均时间。如表3所示,并行实现大大加快了SMOTEBagging的模型构建过程。例如,“智利”数据集上的运行时间从这些改进适用于IRIC中实现的其他基于装袋的算法。至于重叠技术的比较,实验是在上述相同的三个数据集和计算环境下进行的。实验结果见附录中的表4。在实验中,朴素贝叶斯被用作分类器的采样方法。表4中的结果表明,IRIC中重叠技术的实现在分类性能和建模时间方面与其他软件包中的实现具有可比性。5. 说明性示例在本节中,我们将提供一个基于RBBagging的IRIC使用示例。数据集12345678910111213141516171819在上面给出的代码中,第3行和第5行加载必要的包和数据。第7行加载IRIC提供的函数文件。第9用户可以参考GitHub存储库中的在线文档和用户手册,以获得更详细的使用示例。#ExampleofRBBagging#负载的包插入符号为数据划分库(插入符号)#Loadanexampledatasettloa d(“Korean.RDa“)#Importhepro rid decriptfileforrRBBaggingsourrc e(“BalanceBagging.R“)#Datasplitsub<-creataParti ton(krean$Ch urn,p=0. 75,list=FALSE)trainset-Korean[sub , ]testset-Korean[-sub , ]str(trainset)#CallRBBagingforormodeltraingtrain_RB<-bbaging(trainset[,1:30],trainset[,“Churn“],type=“RBBagging“)#Prdictionpre_RB-predict(train_RB,testset[,1:30],type =“class“)B. Zhu,Z.高,J.Zhao等人粤ICP备1003441号56. 结论在许多实际的分类任务中,类不平衡问题的处理是非常重要的。在本文中,我们提出了一个称为IRIC的R库,通过统一几种方法来提高不平衡分类的效率,其中许多方法是第一次在R中实现。该库提供了19种流行的技术,用于来自三组不同解决方案的不平衡分类,其中八种是R中的新实现。IRIC还通过使用并行性提高了基于装袋的方法的效率,这被证明可以显着减少运行时间。在未来的工作中,我们将继续维护该库,并将更流行的不平衡分类技术纳入其中。竞合利益作者声明,他们没有已知的竞争性财务利益或个人关系,可能会影响本文报告的工作致谢本工作得到了国家自然科学基金(批准号:71401115)和四川大学基金(批准号:20000000)的资助。skqy 201742)。阑尾 重叠技术参见表4。引用[1] 克劳奇克湾从不平衡数据中学习:开放的挑战和未来的方向。Prog ArtifIntell 2016;5(4):221-32. http://dx.doi.org/10.1007/s13748-016-0094-0.[2]孙毅,王毅,王毅.对不平衡数据分类的成本敏感提升。Pattern Recognit2007;40(12):3358网址://dx.doi.org/10.1016/j.patcog.2007.04.009网站。[3]Cordón Cordacio,García Salvador,Fernández Alberto,Herrera Francisco.不 平 衡 : 不 平 衡 数 据 集 的 预 处 理 算 法 。 2018 年 , R 包 版 本 1.0.0 。https://CRAN.R-project.org/package=imbalance网站。[4]达尔·波佐洛·安德里亚,凯伦·奥利弗,邦坦皮·詹卢卡.不平衡:不平衡的方法选择竞赛。2015年,R包版本2.0。http://CRAN.R-project.org/package=unbalanced网站。[5]瓦查拉萨克Smotefamily:基于SMOTE的类不平衡问题的过采样技术集合.2019年,R包版本1.3.1。https://CRAN.R-project.org/package=smotefamily网站。[6]陈浩祥。 EBMC:类的基于集成的方法不平衡问题。2017年,R包版本1.0.0。https://CRAN.R-project.org/package=ebmc.[7]托 尔 戈 湖 使 用 R 进 行 数 据 挖 掘 , 通 过 案 例 研 究 进 行 学 习 。 Chapman 和Hall/CRC; 2010,http://www.dcc.fc.up.pt/~ltorgo/DataMiningWithR。[8]卢纳尔登·尼古拉,梅纳尔迪·乔凡娜,托雷利·尼古拉. ROSE:一个二元不平衡学习的软件包。R J2014;6(1):82-92.[9]Amin A,Anwar S,Adnan A,Nawaz M,Howard N,Qadir J等人,比较过 采 样 技 术 处 理 类 不 平 衡 问 题 : 客 户 流 失 预 测 案 例 研 究 。 IEEE Access2016;4:7940-57. http://dx.doi.org/10.1109/ACCESS.2016.2619719网站。[10]Sanz JA,Bernardo D,Herrera F,Bustince H,Hagras H.一个紧凑的演化区间值模糊规则为基础的分类系统的建模和预测的现实世界的金融应用与不平衡的数据。IEEE跨模糊系统2015;23(4):973-90.http://dx.doi.org/10.1109/TFUZZ的网站。2014.2336263。[11]Mazurowski MA,Habas PA,Mendada JM,Lo JY,Baker JA,TourassiGD.训练用于医疗决策的神经网络分类器:不平衡数据集对分类性能的影响。神经网络2008;21(2):427-36. http://dx.doi.org/10.1016/j.neunet.2007.12.031网站。[12]Fernández A,García S,Galar M,Prati RC,Krawczyk B,Herrera F.从不平衡的数据中学习。Springer International Publishing; 2018,http://dx.doi.org/10.1007/978-3-319-98074-4_2网站。[13]凯山一种引入代价敏感树的实例加权方法。IEEE跨知识数据工程2002;14(3):659-65. http://dx.doi.org/10.1109/TKDE的网站。2002.1000348。[14]Chawla NV,Bowyer KW,Hall LO,Kegelmeyer WP. SMOTE:综合少数群体过采样技术。J Artificial Intelligence Res2002;16(1):321-57.[15]王S,姚X.基于集成模型的非平衡数据集多样性分析。2009年IEEE计算智能与数据挖掘研讨会。IEEE; 2009,p.324比31[16][10] Triguero I , González S , Moyano JM , García S , Alcalá-Fdez J ,Luengo J,et al. KEEL 3.0:一个用于数据挖掘多阶段分析的开源软件。Int JComput Intell Syst2017;10(1):1238-49.[17]Hall M , Frank E , Holmes G , Pfahringer B , Pittemann P , Witten IH.WEKA数据挖掘软件:更新。ACM SIGKDD Explor Newsl2009;11(1):10-8.[18]Lemaittre G,Nogueira F,Aridas CK. Imbalanced-learn:一个Python工具箱,用于解决机器学习中不平衡数据集的诅咒。J Mach Learn Res 2017;18(17):1http://jmlr.org/papers/v18/16-365.html[19]作者:Hido S,Kashima H,Takahashi Y.不平衡数据的粗略平衡装袋。StatAnal Data Min2010;2(5-6):412-26.[20]刘晓艳,吴建,周志华.探索性欠采样的类不平衡学习。IEEE TransSyst ManCybernB2009;39(2):539-50.http://dx.doi的网站。org/10.1109/TSMCB.2008.2007853。[21]Barua S , Islam MM , Yao X , Murase K. 用 于 不 平 衡 数 据 集 学 习 的MWMOTE-多数加权少数过采样技术。IEEE跨知识数据工程2013;26(2):405-25. http://dx.doi.org/10.1109/TKDE的网站。2012.232.[22]何华,杨B,加西亚EA,李S。ADASYN:用于不平衡学习的自适应合成采样方法。IEEE International Joint Conference on Neural Networks,2008。第1322- 1328页。http://dx.doi.org/10.1109/IJCNN的网站。2008.4633969。[23]林文春,蔡昌芳,胡永华,张俊生。类不平衡数据中基于模糊的欠采样。Inform Sci 2017;409:17-26.[24]Batista GE,Prati RC,Monard MC.对平衡机器学习训练数据的几种方法的行为的研究。ACM SIGKDD ExplorNewsl2004;6(1):20-9.[25]Stefanowski J,Wilk S.对不平衡数据进行选择性预处理以提高分类性能。在:数据仓库和知识发现国际会议。Springer; 2008,p.283比92 网址://dx.doi.org/10.1007/978-3-540-85836-2_27网站。[26]吴文辉,李文辉. RUSBoost:缓解阶级不平衡的混合方法。IEEE TransSystManCybern2010;40(1):185-97.http://dx.doi.org/10.1109/TSMCA.2009.2029559网站。[27]Chawla NV,Lazarevic A,Hall LO,Bowyer KW. SMOTEBoost:提高少数类 在boosting 中 的 预 测 。 在: 欧洲 会 议 的 原 则 , 数 据 挖 掘 和知 识 发 现 。Springer; 2003,p. 107比19[28]威尔 逊DL 使用 编辑数 据的最 近邻规 则的渐近 性质。 IEEE TransSyst ManCybern1972;SMC-2(3):408-21.http://dx.doi的网站。org/10.1109/TSMC.1972.4309137。[29]朱B,Baesens B,Vanden Broucke SK。流失预测中类别不平衡问题的实证比较。Inf sci2017;408:84-99.[30]张文辉,王晓刚.分类和回归树Wadsworth and Brooks;1984.
下载后可阅读完整内容,剩余1页未读,立即下载
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- 京瓷TASKalfa系列维修手册:安全与操作指南
- 小波变换在视频压缩中的应用
- Microsoft OfficeXP详解:WordXP、ExcelXP和PowerPointXP
- 雀巢在线媒介投放策划:门户网站与广告效果分析
- 用友NC-V56供应链功能升级详解(84页)
- 计算机病毒与防御策略探索
- 企业网NAT技术实践:2022年部署互联网出口策略
- 软件测试面试必备:概念、原则与常见问题解析
- 2022年Windows IIS服务器内外网配置详解与Serv-U FTP服务器安装
- 中国联通:企业级ICT转型与创新实践
- C#图形图像编程深入解析:GDI+与多媒体应用
- Xilinx AXI Interconnect v2.1用户指南
- DIY编程电缆全攻略:接口类型与自制指南
- 电脑维护与硬盘数据恢复指南
- 计算机网络技术专业剖析:人才培养与改革
- 量化多因子指数增强策略:微观视角的实证分析
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)