⃝⃝可在www.sciencedirect.com上在线ScienceDirectICT Express 5（2019）155www.elsevier.com/locate/icte无线计算机网络中服务质量的概率分类Abdalah SalamaAbdalah，Reza Saatchi英国谢菲尔德哈勒姆大学材料与工程研究所接收日期：2018年7月9日;接受日期：2018年在线发售2018年摘要对用于传送各种类型的时间敏感应用（诸如互联网协议语音（VoIP））的无线计算机网络的依赖日益增加。服务质量（QoS）可以在无线计算机网络中发挥重要作用，因为它可以促进其性能的评估，并可以提供改善其操作的机制。在这项研究中，概率神经网络（PNN）和贝叶斯分类的VoIP流量处理延迟，抖动和丢包率这两种方法都成功地将VoIP数据包的传输分为低，中，高QoS类别，但总体上贝叶斯方法比PNN更准确通过准确确定网络c2018韩国通信与信息科学研究所（KICS）。Elsevier B.V.的出版服务。这是一个开放获取CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：服务质量;无线计算机网络;贝叶斯分类;概率神经网络1. 介绍服务质量（QoS）提供了通过促进业务优先化、资源预留、业务整形和监管、分组调度和队列管理操作来提高计算机网络性能的机制。这些操作对于多媒体业务的有效通信越来越重要。多媒体应用的时间敏感性意味着当它们的业务参数如延迟、抖动和分组丢失超过它们的界限时，用户的体验可能变得不令人满意。因此，评估由网络提供的QoS对于网络用户和网络服务提供商两者都是重要的，以用于确定各种应用的传输要求被满足得有多好，以及用于利用方法来提高网络性能。然而，在多媒体地址：MERI，Harmer 2201，Sheffield Hallam University，CityCampus，Howard Street，Sheffield S1 1WB，UK电子邮件地址：b3028922@my.shu.ac.uk（A. 萨拉马），r. shu.ac.uk（R. Saatchi）。同行评审由韩国通信和信息科学研究所（KICS）负责https://doi.org/10.1016/j.icte.2018.09.001网络.这些包括高业务吞吐量、网络的动态带宽、有限的资源（例如带宽）、应用传输需求的多样性已 经 报 道 了 一 种 基 于 主 动 测 量 和 平 均 意 见 得 分（MOS）方法评估连接特性的互联网协议语音（VoIP）QoS评估方法[7]。该研究使用用户对应用程序质量的意见来检查网络的性能。其他研究报告了使用人工智能对多媒体服务的QoS进行有效评估。他们报告说，测量的QoS是网络运行和资源（例如带宽）可用性的良好指标[8基于分析流量参数的QoS评估是定量的，但需要工具来处理和解释数据包的端到端传输测量[11]。这样的工具，显示有线和无线网络中的QoS评估的潜力的一个例子是人工神经网络（ANN）。已经报道了一种使用ANN进行实时协议（RTP）流量分析的高级QoS评估方法[10，12]。2405-9595/c2018韩国通信和信息科学研究所（KICS）。出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。156A. Salama和R.Saatchi/ICT Express 5（2019）155||∑|1t=tnp（X|t，θ）p（t）在这些研究中，通信网络使用称为NS2的软件包进行模拟网 络 流 量 的 参 数 最 初 分 为 多 个 QoS 类 的 非 监 督 学 习Kohonen神经网络。分类信息，然后进一步处理，以衡量网络通过该方法评估的总体QoS与使用模糊逻辑和回归分析的其他QoS评估技术相关性良好[10，12]。Kohonen神经网络，模糊c-均值（FCM）聚类和MLP和模糊推理系统（FIS）的QoS评价进行了比较，证明他们提供了可比的结果[8]。研究[8在FCM中，一段数据可以同时属于具有不同成员资格的多个集群，而不是只属于单个集群。FCM的局限性在于其操作（以及因此其结果）可能受到其初始启动条件和参数的影响它的训练也是迭代的，这在实时操作中可能是一个问题基于FIS的方法要求用户开发其知识库的规则，并确定其输入和输出的隶属函数的类型和参数。规则和隶属函数的参数特定于应用程序。基于MLP和Kohonen网络的QoS评估方法需要多次迭代来训练（参考文献1000中的1000次迭代）[8]）。MLP设计需要仔细确定其隐藏层中的神经元数量Kohonen输出是一个地图，需要用户解释以确定分组。线性回归假设输入和输出之间的相互关系是线性的。概率方法已被应用于一些贝叶斯网络的局限性已经被开发出来[18]。该方法被称为贝叶斯网络模型平均（BNMA）分类器。用于评估BNMA分类器的训练数据来自NSL-KDD数据集。他们的结果表明，BNMA分类器在检测准确率方面比朴素贝叶斯和贝叶斯网络分类器要好得多。这项工作表明，使用较小训练数据集的BNMA报告了用于监测和预测移动网络异常的贝叶斯方法[19]和用于网络入侵检测的ANN [20在这项研究中，贝叶斯和概率神经网络（PNN）为基础的方法，分为低，中，高类别的VoIP数据包传输的QoS分类。这些QoS评估方法只需要一次迭代来训练或校准。它们具有作为其操作的一部分的最小参数，例如PNN仅需要平滑参数，而贝叶斯方法需要先验概率值。他们适应评估VoIP的QoS与最小的发展限制。在下面的章节中，简要介绍贝叶斯分类和PNN，解释方法，并介绍和讨论结果。2. 贝叶斯分类贝叶斯分类是一种监督学习方法，通过概率处理不确定性，如分类，预测和建模。贝叶斯分类允许使用关于数据的先验信息作为分类的一部分[21贝叶斯p（e|h）p（h）分类相关网络操作[11]。这些方法中的一些使用从分组报头p（h|e）=p（e）⑴这可能不足以允许准确的QoS分析。开发了许多贝叶斯技术来对互联网流量进行分类[11]并评估Web服务的QoS[13，14]。已经报道了一种收集恶意用户信息的贝叶斯方法[15]。贝叶斯决策理论其中p（h）是假设h的先验概率，p（e）是假设h的先验概率。证据的先验概率e， p（h e）是给定e的h的概率，p（e h）是给定h的e的概率。使用贝叶斯体验质量（QoE）建模机制p（t |X，θ）=p（t1）p（X|t1，θ）（二）已报告，解决了测量和预测1p（X）与网络流量相关的问题[16]。用于确定QoE的参数包括位置、分组丢失率、延迟、抖动和用户满意度。该技术是上下文感知的，预测QoE的总体准确率为98.9%。智能自适应优先级已被证明对无线局域网中的QoS区分是有效的[17]。贝叶斯网络分类器作为预测模型被提出用于网络入侵检测，但它们显示出一些缺点[18]。其中p（t1）是类型t1的先验概率，p（Xt1，θ）是给定类型t1的X的概率密度函数，n是类型数。总概率为t=tnp（X）=p（X|t，θ）p（t）（3）t= t1当量（2）可以写成贝叶斯网络分类器的训练数据通常使用启发式方法贝叶斯网络分类器通常使用大型数据集进行训练，从而使其训练时间p（t|X，θ）= ∑p（t1）p（X|t1，θ）t=t1（四）消耗。然而，当训练数据大小较小时，单个贝叶斯网络分类器的性能可能由于其不能充分表示输入数据概率分布而显著降低。的一种处理方法θ未知，但校准数据集（Z）已知，因此p（X|t，θ）可以用q（X）代替|[24]，其中q（X|t，Z）=p（X|t，θ）p（θ |Z）d θ（5）θA. Salama和R.Saatchi/ICT Express 5（2019）155157t=t1p（t|X，θ）=∑1−nt1|x−xki∑∈⎨不，不，Ki=1（×因此，（4）成为p（t1）q（X|t1，Z）t=tn p（t）q（X|t，Z）（六）当量（6）是在校准数据Z上测量的类型t的情况下的观测X的预测密度函数。右边的Eq。（5）可以改写为[24]q （ X|t ， Z ） = Std（vt ， mt ，{1 +1}St）（7）其中存在n t个具有观测向量的t类型的情况x1，x2.. . ，xnt; vt是自由度（由n t给出1 ），mt是输入特征的均值向量，St是输入的协方差矩阵。是一个d维学生型密度函数，定义如下：标准d（v，b， c）=r [0. 5（v+1）]Fig. 1. 概率人工神经网络。理论[26]。如图1所示，PNN有四层：输入层、模式层（也称为隐藏层）、求和层和输出层。输入特征向量被馈送到n个输入神经元。输入层将这些数据转发给模式层中的神经元π0。5 d {[0. 5（v − d +1）]} |vc|0的情况。5×1+（X − b）T（vc）−1（X −b）0. 5（v+1）（八）其中它们被分成K个分类类型。模式层中的神经元通过使用以下形式的高斯核来计算来自输入层的输入模式x其中，r是gamma函数。因此，使用Eq.（8）对于已知类型的情形，可计算出p（Xt，θ）的必要值计算测试或评估的概率1k，i=（2πσ2）n/2exp −2、2σ2（十一）数据集，方程式（8）对于以下情况使用观测向量X 已知类型的数据，但保留均值和协方差矩阵（即校准信息），用于类型未知的情况的分类。为了进一步解释贝叶斯分类结果，可以计算相似性指数病例的该指数值较高表示该病例不是该类型的典型类型t和观测向量X的相似性指数由[24]给出，其中xki Rn是内核的中心，σ被称为平滑（扩展）参数，它指定内核的感受野的大小下一层（求和层）对每个组的输出单独求和，并通过组合先前添加的密度来提供输入属于预定义组的概率，MKp k（x）=wkiki（x）k= 1，. . .，组数（12）i=1A（t）=β德，⎩nt−d2w（X）2n−1nt（九）其中M 是类型k和wki是满足∑Mk wki= 1的正系数。哪里wt（X）+t输出层的神经元确定类别或基于贝叶斯决策规则的输入向量（x）的类型使用来自求和层中的神经元的信息wt（X）=（X−mt）TS−t1（X−mt）（10）β表示根据[25]的算法测量的不完全β函数，并且nt是类型t的个体的数量。3. 概率神经网络PNN将输入特征向量映射到多个预定义的分类类型。它没有任何局部极小值问题。PNN是由Specht [20]引入它主要是一个分类器的基础上的统计算法称为核判别分析。PNN训练需要已知类型的示例，以便推断最佳描述的近似函数其输入数据[26]。PNN的主要优点是：它的快速训练，本质上是并行的结构，并通过增加训练样本收敛到最优分类器。PNN与贝叶斯分类规则[20]和Parzen非参数概率密度函数估计即C（x）=argmax1≤k≤K（pk）（13）平滑参数需要指定为PNN训练的一部分4. 方法开发的QoS分类方法进行了评估，在网络实验室（面积：4米6米）的无线计算机网络。该网络如图2所示。该网络由两个无线CiscoAPRC接入点（AP）AIR-AP 1852组成，具有四个外部双频天线。CiscoCatalyst 3560交换机通过1Gbps有线电缆连接AP、广域网仿真器（WANem）和会话发起协议（SIP）服务器。该装置在连接到AP-1的PC-1和连接到AP-2的PC-2之间建 立 点 对 点 协 议 （ PPP ） 链 路 。 广 域 网 仿 真 器（WANem）安装在PPP连接的中心，2158A. Salama和R.Saatchi/ICT Express 5（2019）155==-==-表1图二. 网络拓扑。路径与低，中，高QoS类别，如图所示。3.第三章。基于表1准备了三个校准示例列表，其中包括用于训练文件的300个条目。这些代表不同的延迟、抖动和%PLR值，表征低、中和高QoS类别。图3指示了业务测量与每个QoS类型相关联的方式。当分组强烈地属于类别（例如，低QoS，由BC 1-route表示）时，则相关联的概率接近于1。对于BC-2（中等QoS）和BC-3（高QoS）遵循相同的操作BC-1使用来自低和非低QoS列表的示例，BC-2使用来自中等和非中等QoS列表的示例，BC-3使用来自中等和非中等QoS列表的示例从高和不高QoS列表中选择。 每一条路径都提供了一个VoIP QoS要求[7]。QoS范围延迟（ms）抖动（ms）PLR %高<150<1<2介质150–4001–32–4低>400人>3>4控制业务参数，即延迟、抖动和%PLR，从而为测量提供良好、中等和较差的QoS条件流量通过PPP链路发送，PC-1的流量通过WANem服务器传输到PC-2流量包含高清（HD）视频、VoIP和TCP流量。不同的流量，以代表实际的情况下，包括但VoIP和实时传输协议（RTP）的数据包进行了分析。VoIP传输由会话发起协议（SIP）服务器建立，并使用RTP。X-Lite Softphone软件运行在Microsoft WindowsSDK上，提供使用G711 a编解码器（CODEC）格式的SIPRTP的数据包大小为160字节，传输持续时间约为10分钟。WiresharkWarec [27]网络监控软件被用来通过考虑它们的协 议 来 捕 获 网 络 数 据 包 。 在 两 台 计 算 机 上 配 置 了WiresharkPwtc，PC-1连接到AP-1，PC-2连接到AP-2。这些Wireshark捕获的数据包用于测量VoIP RTP数据包的端到端延迟、抖动和丢包率（通过使用它们的序列号和时间戳）。然后用QoS分类方法（PNN和贝叶斯）对结果进行处理。对于贝叶斯和PNN方法，示例模式由300个条目组成，这些条目是基于表1中所示的ITU建议从记录的数据中提取的。贝叶斯和概率神经网络的方法提供的概率属于低，中，高QoS的传输数据包。接下来描述这些方法的实现。4.1. 贝叶斯方法贝叶斯方法处理包含用于传输的分组的延迟、抖动和%PLR的值的输入向量，并且产生指示QoS类别的输出。贝叶斯方法的算法由三个并行的概率值在0和1之间。为了对于组合的三个路径具有0和1之间的连续范围，来自路径的输出被映射为：对于通过BC-1路径分类的低QoS分组，0到0.33，对于通过BC-2路径分类的中等QoS分组，0.34到0.65，以及对于通过BC-3路径分类的高QoS分组，0.66到1。测试文件包含VoIP传输参数X=（x1延迟，x2抖动，x3 %PLR），用于持续约10分钟的交通。4.2. PNN方法图 1 所 示 的 PNN 结 构 具 有 三 个 输 入 ： 延 迟 、 抖 动和%PLR。训练（校准）包含300个示例，其特征在于不同QoS类别的延迟、抖动和%PLR的由于PNN是训练文件中每个示例的监督学习分类器，因此指定了相应的QoS类型（1=低，2=中，3=高）当参数（spread）的值接近零时，PNN充当最近邻分类器。在这项研究中，方程中的扩散（σ）值通过试验不同的值并考虑PNN对来自训练文件的示例的分类性能，将（11）选择为0.01测试文件包含VoIP传输参数X=（x1延迟，x2抖动，x3%PLR），（11）5. 结果和讨论图图4 a、b和c示出了来自网络的测量，即VoIP RTP业务的实际延迟、抖动和%PLR。相关流量是通过使用WANem产生的。图4d和e分别示出了贝叶斯和PNN方法的QoS输出。在开始时，QoS是高的延迟，抖动和%PLR是小的。然后，在1.2分钟时，接着是中等QoS。在第2.8分钟，QoS再次开始变高。从第5.5分钟开始，QoS相对于延迟、抖动和%PLR的变化在高、中和低之间波动图5a和b示出了贝叶斯和PNN方法的QoS分类箱形图。两种QoS的三种类型的中值（由每个框内的条形图显示）A. Salama和R.Saatchi/ICT Express 5（2019）155159图三. 贝叶斯方法流程图。图四、（ a）延迟，（b）抖动，（c）%PLR，（d）通过贝叶斯的QoS分类和（e）通过PNN的QoS分类。方法很接近。高QoS的中值在3.5分钟，中等QoS的中值在4.2分钟，低QoS的中值在7.8分钟这两种方法都有离群数据包的低QoS之间的0和4分钟。图6a和b提供了关于贝叶斯和PNN方法的分组分类的进一步细节。这两种方法提供了一致的结果，但是存在一些差异，例如在1.5和2.5分钟之间，PNN将一些分组分类为高QoS，而贝叶斯将它们分类为中等QoS。图7a和图7b提供了对分类的分析，根据延迟值，分别通过贝叶斯和PNN方法将分组分类为高、中或低QoS的原因。图中的红色表示高QoS，绿色表示中等QoS，蓝色表示低QoS。蓝色虚线位于150 ms处，表示ITU高QoS建议（表1）。有许多分组被分配到延迟小于150 ms的中等（绿色）QoS中，但抖动或%PLR很高。有一些1.5和2.5分钟之间的数据包被分配160A. Salama和R.Saatchi/ICT Express 5（2019）155图五. （a）贝叶斯和（b）PNN的QoS箱形图。见图6。数据包分类：（a）贝叶斯和（b）PNN。见图7。（a）贝叶斯和（b）PNN方法的延迟和QoS分类之间的关系。(For对本图图例中所指颜色的解释，读者可参考本文的网络版。）通过PNN作为高（红色）QoS，但是它们的延迟值超过150 ms。表2显示了使用ITU建议作为参考，通过贝叶斯和PNN方法分类为低、中和高QoS的分组的百分比。结果表明，贝叶斯方法具有更高的准确性相比，PNN的QoS分类。其原因可能部分是由于与贝叶斯方法相关联的预定义路径在其训练期间促进了更具体的示例（如图所示）。 3）。图 图8a-c示出了结晶性指数（使用等式11获得）。（9）），用于分别与路径BC-1、BC-2和BC-3相关联的测试文件中的分组的贝叶斯分类器。这些也对应于图3所示的流程图。该索引指示由延迟、抖动表2通过PNN和贝叶斯方法分类为高、中、低QoS的数据包的百分比。QoS类别%分类准确度贝叶斯概率神经网络高99.7 97.9中等98.6 97.3低100 94.9并且%PLR表征QoS类型，即，低、中、高。高重复性指数值指示业务向量不是该QoS类别的典型，并且因此误分类可以不归因于分类器而是归因于输入的适当性图 中 的蓝色圆圈。 8a-c 表示A. Salama和R.Saatchi/ICT Express 5（2019）155161见图8。（a）低（BC-1）、（b）中（BC-2）和（c）高QoS（BC-3）的贝叶斯分类器的非典型性指数图。蓝色点表示具有高概率和低重复性指数的数据包。红色点表示具有低概率和高可靠性指数的数据包，黑色点表示具有高概率的数据包，并且对于此类不典型。(For对本图图例中所指颜色的解释，读者可参考本文的网络版。）分别属于BC-1、BC-2和BC-3的分组即低、中和高QoS。这些数据包具有指示正确分类的高概率和低重复性指数图8a-c中的红色圆圈它们具有低概率和高重复性指数。图8a-c中的黑色圆圈这些具有高概率和高重复性指数。将图8a-c6. 结论提出了基于贝叶斯和概率神经网络的VoIP（RTP）业务QoS分类方法，并对其性能进行了评估。该方法被应用到一个基于实验室的无线网络。实验结果表明，这两种分类方法是有效的VoIP相关的数据包分为高，中，低QoS。然而，贝叶斯方法给出了一个更高的准确性分类数据包比PNN。所开发的方法的有效性进行了进一步的测试，使用一个验证性指数，确认分类包属于建议的类别。确认作者很高兴收到谢菲尔德哈勒姆大学（英国）副校长的博士学位。学生资助，使这项工作得以进行。利益冲突作者声明，本文中不存在利益冲突引用[1] H. Nourikhah，K.A. Mohammad，服务质量对用户满意度的影响：使用贝叶斯数据分析建模和估计体验质量分布，Electron. CommerceRes.Appl.17（2016）112-122。[2] A. Kazem，A.普尔哈吉Pedram，H. Abolhassani，BNQM：一个基于贝叶斯网络的网格服务组合QoS模型，专家系统。42（20）（2015）6828-6843中描述的。[3] A.萨拉马河Saatchi，D. Burke，使用模糊系统和回归模型组合的计算机网络流量参数的自适应采样技术，在：2017年第四届工业科学数学和计算机国际会议，MCSI 2017年，希腊科孚岛，8月，IEEE，2017年，pp. 24-26，在印刷中。[4] A.萨拉马河Saatchi，D. Burke，使用回归建模和模糊推理系统的网络流量自适应采样技术，见：Peter Cudd，Luc De Witte（编辑）， 利用技术的力量来改善生活。在健康技术和信息学研究，卷。242，IOS Press，2017，pp. 592-599[5] A.萨拉马河李文，应用模糊系统与回归模型于服务品质流量参数之适应性取样，应用数学模型与方法。（2017年）。[6] A. 萨 拉 马 河 Saatchi ， Derek Burke ， Fuzzy logic and regressionapproachesfor adaptive sampling of multimedia traffic in wirelesscomputernetworks，Technologies 6（1）（2018）24，1-17。[7] T. Mandarin，A. Nabavi，A.Z.拉瓦桑湾Ahangarbahan，通过模糊推理系统和模糊证据理论对VoIP服务中的QoS和QoE进行集成估计的实用模型，61（4）（2016）861-873。[8] A.萨拉马河Saatchi，D.k. Burke，无线网络服务质量评估和评估方法，第四届国际会议162A. Salama和R.Saatchi/ICT Express 5（2019）155关于灾害管理的信息和通信技术，ICT-DM，Munster，德国，12月，IEEE，2017，pp. 十一比十三[9] A.多格曼河Saatchi，S.陈晓，基于模糊C均值和回归模型的服务质量评价，北京大学出版社，2001。Eng.6（2012）58-65。[10] A. 多 格 曼 河 Saatchi ， Multimedia traffic quality of servicemanagementusing statistical and artificial intelligence techniques，IETCircuitsDevices Syst.8（5）（2014）367-377.[11] A.W. Moore，D.刘文，基于贝叶斯分析的网络流量分类方法，北京大学出版社. Eval. Rev. 33（1）（2005）。[12] A.多格曼河Saatchi，S. Al-Khayatt，使用神经网络的计算机网络服务质量评估，在：商业，工程和工业应用，ISBEIA，IEEE研讨会，pp. 217[13] K.徐，基于贝叶斯网络的Web服务QoS度量方法，见：不确定性推理与知识工程，URKE，2012年第2届IEEE国际会议，2012年。[14] Z.Z. Liu，Z.P. Jia，X. Xue，J.Y.一个可靠的Web服务组合，基于QoS动态预测、软计算. 19（5）（2015）1409-1425.[15] A.K. Chorppath，T.阿尔普坎湾Boche，贝叶斯机制和检测方法的无线网络与恶意用户，IEEE Trans. 暴徒Comput. 15（10）（2016）2452-2465。[16] K. 米特拉A。Zasla vsk y，C.一个简单的例子是QoE建模，测量和预测在移动计算系统，IEEE Trans. 暴徒Comput. 14（5）（2015）920-936。[17] Z. Yuan，无线局域网中多媒体传输的服务质量区分（博士论文），都柏林城市大学，2012年。[18] L. 肖 氏 Y. Chen ， C.K. Chang ， Bayesian model averaging ofBayesiannetwork classifiers for intrusion detection ， in ： ComputerSoftware andApplications Conference Workshops ， COMPSACW ，IEEE 38thInternational，IEEE，2014，pp. 128比133[19] Y.赖，Y。Chen，Z. Liu，Z. Yang，X.李，移动网络流量异常监测与预测，仿真。模型Pract. Theory 50（2015）176-188.[20] M.G. Raman，N. Somu，K. Kirthivasan，V.S. Sriram，基于超图和算术残差的概率神经网络在入侵检测系统分类中的应用，神经网络。92（2015）89-97。[21] I. Ben-Gal，F. Ruggeri，F.法尔廷河Kenett，Bayesian Networks，Encyclopedia of Statistics in Quality and Reliability，2007。[22] F. Taroni ， C.G.Aitken ， P.Garbolino ， A.Biedermann ， BayesianNetworksandProbability Inference in Forensic Science ， Wiley ，Chichester，2007，p. 372.[23] F.速度Jensen，An Introduction to Bayesian Networks，Vol.210，UCLPress，London，1996.[24] M.R. Saatchi，S.好吧，E.M.艾伦，B.W. Jervis，N. Hudson，使用多层感知器和预测性统计诊断的精神分裂症伴随负变的信号处理，IEEProc. - Sci. Meas. 142（4）（1995）269-276。[25] K.L. Majumder，G.P. Bhattacharjee，算法AS 63：不完全β积分，J。R. Stat. Soc. 序列C应用Stat. 22（3）（1973）409[26] D.F.概率神经网络，神经网络。3（1）（1990）109-118。[27] C. Sanders，Practical Packet Analysis：Using Wireshark to Solve Real-World Network Problems，No Starch Press，2017。
我的内容管理
展开
