SCI论文（www.lunwensci.com）:
摘要：远程桌面是一种实现计算机桌面远程控制的软件,随着机器学习技术的不断发展,逐渐有研究开始了对远程桌面的优化设计。为了提升远程桌面的编解码速度及同时使其运行机制得到优化,本次研究提出了以多层卷积神经网络为基础来设计编解码器,并以此来提升远程桌面模型的整体性能优化。研究中首先利用多层卷积神经网络来实现图片压缩的优化,也就是实现编解码器的优化,并对卷积神经网络进行优化设计,并将基于多层神经网络的编解码器应用在远程桌面设计中,实现较优的图片压缩,最终构建出基于多层卷积神经网络编解码的远程桌面优化模型。经过测试,结果显示优化设计的卷积神经网络的损失率较低,并且基于卷积神经网络的编解码器的性能较优化前的性能而言,得到了较为明显的提升。此外从远程桌面软件的应用效果中可以得知,服务端的读取速度最高可以达到7.43m/s,并且通过参试者的实验,可以得知设计的远程桌面软件的使用率能在3个月内到90%以上,在加上集运专家的前景分析,可以得知软件的应用效果较好,并具有较为明朗的前景。研究结果为远程桌面控制研究提供了一定的理论支持。
关键词：远程桌面；机器学习技术；编解码；多层卷积神经网络
Optimization Design of Remote Desktop Model Based on Multi-layer Convolutional Neural Network Encoding and Decoding
CHAO Pei,ZENG Wei,WANG Song
(Heze Jiazheng Vocational College,Heze Shandong 274000)
【Abstract】：Remote desktop is a kind of software to realize the remote control of computer desktop,with the continuous development of machine learning technology,research has gradually begun to optimize the design ofremote desktop.In order to improve the codec speed of remote desktop and optimize its operation mechanism,this research proposes to design codec based on multilayer convolutional neural network,so as to improve the overall performance optimization of remote desktop model.In the research,firstly the multilayer convolutional neural network is used to optimize the picture compression,that is,to optimize the codec,the convolutional neural network is optimized,and the codec based on multilayer neural network is applied to the remote desktop design to achieve better image compression,finally,a remote desktop optimization model based on multilayer convolutional neural network codec is constructed.After testing,the results show that the loss rate of the optimized convolutional neural network is low,and the performance of the codec based on convolutional neural network is significantly improved compared with that before optimization.In addition from the application effect of remote desktop software,the maximum reading speed of the server can reach 7.43m/s,and through the experiment of the participants,it can be seen that the utilization rate of the designed remote desktop software can reach more than 90%within three months,in addition to the prospect analysis of centralized transportation experts,we can know that the application effect of the software is good and has a clearer prospect.The research results provide some theoretical support for the research of remote desktop control.
【Key words】：remote desktop;machine learning technology;encoding and decoding;multilayer convolutional neural network
0引言
远程桌面控制在过去常受到计算机技术发展的限制,导致其在很长一段时间内难以得到发展。近年来,随着网络技术的不断发展,互联网等技术的进步带动了远程桌面的技术突破,但是外设条件的改善只能在一方面提升远程桌面效果,内部核心技术的突破才是实现远程桌面实时性和清晰度保障的关键[1,2]。目前,智能技术也逐渐在众多技术发展中崭露头角,于是大量的研究人员及学者开始尝试将基于智能技术的机器学习技术应用到远程桌面软件设计及优化中[3,4]。其中最常见的是将智能技术应用到编解码器的优化设计中,主要原因在于编解码器是决定图片压缩效果的关键,而图片压缩模型的优劣也是决定远程桌面模型好坏的关键。但是从目前市面上的各种远程桌面控制软件来看,其图片压缩效果并不能够满足人们所需,主要表现为图片的压缩质量偏低,并常会出现图片受损的现象[5]。鉴于此,本次研究将设计基于多层卷积神经网络优化的编解码器来实现图片压缩质量的控制,同时通过RBF协议来优化编解码器,最终实现远程桌面模型的优化设计。希望借此能够为远程桌面软件的设计提供相应的思路,并实现智能技术在应用中的突破。
1基于多层卷积神经网络编解码的远程桌面模型构建
1.1基于多层卷积神经网络编解码器的远程桌面模型总体架构
远程桌面的存在增加了人们使用计算机的便捷性,使得人们在家就能够安全地对远程电脑桌面进行控制[6]。远程桌面最早的提出是微软为了方便网络管理员进行计算机管理,现如今远程桌面已经逐渐普及,一般的远程桌面控制的总体设计框架如图1所示。
图1中显示用户在远程桌面的使用中首先需要输入地址才能够成功访问远程服务端,经认证的用户才能够利用远程桌面控制系统进行桌面操作和管理。在操作界面,一般服务端的实际操作可以通过菜单选项中进行查看。远程桌面控制主要的任务是实现图片的压缩,传统的远程桌面控制采用的是基于VNC机制的控制软件,但是仍然在日常操作使用中会出现网络延迟较长的现象[7,8],因此本次研究将在传统的控制软件基础上构建基于多层卷积神经网络的图片压缩模型,实现远程桌面控制的更高效,也为客户带来更好的体验环境。图片的压缩是基于编解码算法来进行的,为了获取更高效率的图片压缩模型,研究中采用多层卷积神经网络来进行编解码系统的架构设计,如图2所示。
图2中显示,本次研究提出的基于多层卷积神经网络的编解码器是将传统的FE变换以及FD变换模块替换成两个卷积神经网络来进行图片数据下采样和降维。编解码器的作用是将图片数据导入,然后利用第一层的卷积神经网络对图片数据进行卷积操作和池化操作,但是由于以上操作不可逆的特点,图片数据或多或少会产生一定程度的压缩损失,但是研究中编解码系统的图片压缩结构采用的是端到端,能够将损失降到最低[9]。同时在对图像进行码字重建中,同样采用卷积神经网络进行升维重建,但是卷积神经解码网络并不是采用传统的卷积操作来实现图片数据的下采样,而是进行反卷积操作实现数据的上采样。其中,卷积神经网络的内部结构包括三个卷积层、两个池化层、全连接层。在任一卷积层中,其卷积核会与前一层的输出结果产生滑动卷积,进而产生特征图内包含的所有特征像素值。
在池化层中,池化窗口在前一层输出的特征图中进行滑动采样,由此产生该网络层中特征图的所有特征像素值,常见的池化处理分为平均池化操作与最大池化操作,前者是指将位于池化窗口中的特征像素值全部相加,随后再除以其中的像素个数,即可获取到池化层中的平均值；后者是指对比分析池化窗口中的所有特征像素值,将其中的最大值进行采样处理,最后将其作为最大池化处理的特征像素值。
1.2远程桌面优化模型详细设计
在远程桌面的总体架构及基于多层卷积神经网络图片压缩模型的总体架构之上,同时对卷积神经网路进行了更进一步的优化设计,在此基础上,对远程桌面软件的详细设计进行进一步的阐述。首先将基于卷积神经网络的编码网络设计如图3所示,如卷积神经网络的设计,基于多层卷积神经网络编解码的编码器结构中具有多层卷积操作。
图3中显示基于多层卷积神经网络的编码网络是利用多层卷积来实现图像的采样并得到降维后的特征图。第一层的下采样结构中的卷积核作用是实现对原始图像的1/2下采样,以此得到高维特征图,并利用激活函数来实现神经网络的非线性化。第二层的下采样结构是实现图像的1/4的采样,同时将得到的特征图利用激活函数进行操作。第三层的下采样结构利用内部的卷积核实现原始图像的1/8下采样,同样需要利用激活函数。第四层卷积核进行卷积操作来获取原始图像的1/16。
远程桌面控制是通过服务端和客户端之间的交互来实现的,客户端的事件发生后,客户端机器就将事件指令发送至服务端一侧,服务端机器就对该事件实行执行操作,并且将更新后的图片及GUI指令发送至客户端,最后通过客户端将内容展现在用户面前[10-12]。研究中根据远程桌面的控制模型设计,基于多层卷积神经网络的编码技术,实现远程桌面控制模型的优化设计如图4所示。
图4中显示,服务段和客户端之间的连接采用的是TCP/IP协议进行连接的,同时基于VNC协议,分为了VNCClient和VNCServer之间互通的RFB协议,VNCClient是远程桌面控制模型的控制端,VNCServer则是被控制端。用户在客户端使用远程桌面时,首先需要在客户端选择服务端并输入服务端的IP地址,利用协议信息实现客户端和服务端之间的初次连接。连接中需要经过三个步骤,首先客户端和服务端之间需要实现编解码方式、安全协议等的确认；其次需要完成初始化工作,即服务端对桌面的第一帧画面进行编码,将编码结果传送到客户端上,客户端进行解码操作,将画面展示在桌面上；最后则是客户端和服务端之间的正常交互,服务端根据客户端的发起事件来将执行结果GUI指令和更新变化传送给客户端。当客户端接收到GUI指令和图像后,将图像进行解码,得到解码图像只有进行原图重建,最后实现桌面图像的绘制。其中关于图像增量的更新获取采用Hook策略来进行,其流程如图5所示。
图5中显示,Hook作为Windows系统中的一种消息处理策略,可作为一种用来监控其他进程的窗口。在桌面发生变化时,也就会产生新的消息,那么此时系统就会对新消息进行解析,形成GUI指令,利用Hook获取出现变化的区域,之后来对变化区域进行更新绘制。最后更新后的信息经过重新绘制显示在显示器中,同时将更新数据进行拷贝,将数据发送至被控制端VNCServer。
2远程桌面优化模型的测试结果及应用效果
2.1基于多层卷积神经网络的编解码系统测试
对于研究中所设计的卷积神经网络的性能测试,利用Borland Delphi 6.0对其进行编写,将15万张图片来进行卷积神经网络图片压缩的训练,数据集中包含了网页图片、Windows系统桌面,将其中的80%作为训练集,剩余20%作为测试集进行卷积神经网络的性能测试,结构显示如图6所示。
图6中显示,随着迭代次数的不断增加,卷积神经网络模型的损失率不断降低,当迭代次数达到18次后,模型的损失率下降速度开始减缓,直到迭代次数达到40次以后,开始趋于平缓,而模型的损失率也已经降到了5%左右。总体来说,模型的检测时间较短,虽然并未表现出非常快的检索速度,根据模型训练损失率来看,模型在拥有低损失的同时仍然取得了较快的训练时间,也表明此次研究所设计的卷积神经网络模型拥有较高的性能。与此同时,远程桌面模型的开发环境同样使用Borland Delphi 6.0开发程序进行,对图片的压缩效果通过分析图像的帧数来进行,主要测试方法是分析经卷积神经网络优化前后的编解码器的帧数、帧以及码率,如图7所示。
从图7(a)中可以看出,在经过多层卷积神经网络优化后的编解码器对图像处理的帧数获取效果呈现较为稳定的状态,而优化前的编解码在对图像进行压缩中,图像的帧数极不稳定,图像的帧数出现了较大的波动,也就表明存在较大的跳帧率。从图7(b)中可以看出,随着时间的不断增长,优化前的图像压缩效果显示,图像的帧随着时间的增加不断增加,也就是说随着时间的增长,图像或视频的播放效果逐渐降低,而经过多层卷积神经网络优化后的编解码系统在对图像或视频的解析中,在时间达到20s之后,其帧变化逐渐稳定,在一定的范围内波动。从图7(c)中可以看出,经多层卷积神经网络优化前的编解码系统在对图像解析后的码率总体呈现逐渐下降的趋势,并在15s之前表现出了急速下降的现象,而经过多层卷积神经网络优化后的编解码系统在对图像解析后的码率持续呈现较为稳定的状态。综上所述,经过多层卷积神经网络优化后的编解码器在测试中效果较好,较优化前的编解码系统而言,具有解析效果较好且稳定的优势。
2.2远程桌面模型的应用效果
本次研究中对于远程桌面模型的实际应用效果进行测试,主要测试方法为通过分析服务端和客户端的速度来进行,在客户端中实现对服务端的远程桌面操控以满足客户端的基本需求,主要测试对象为操作者在客户端的写入速度以及服务端主界面图像的读取速度,如图8所示。
图8中显示,在客户端一侧,操作者的写入速度随着时间的推移,式中保持在稳定的速度,这样操作的目的是为了检验在写入速度不变的基础上,服务端对信息及图像的读取速度的变化。因此从主要观察对象服务端的读取速度中可以看出,随着操作时间的增加,服务端的读取速度开始增加,直到操作时间达到了25s时,达到了最高的读取速度为7.43M/s。最后随着操作时间的增加,开始呈现下降趋势,分析原因在于,操作时间的增加,逐渐增加了服务端负荷,也就导致服务端计算机在接受信息方面呈现速度下降的现象。但是也不难看出,随着操作时间的不断增加,服务端计算机读取速度始终高于最开始的读取时间,也就表明系统在信息编码及解析中能够做到较好的效果,使得计算机读取速度受到时间的影响较小。此外,将优化设计的远程桌面控制系统应用于实际应用中,随机选择100名测试者,免费为其安装研究设计的远程桌面软件,对所有参试者实行长达3个月的随访调查,观察参试者使用远程把桌面的使用率变化,如图9所示。
从图9(a)中可以看出,在跟踪调查的前两周,远程桌面软件的使用率长期保持在10%使用率之下,也就是说明在前期使用远程桌面软件的参试者较少。随着时间的推移,在第4周之后,远程桌面的软件使用率开始增长至40%,相比于前两周而言具有较明显的涨幅。同时,可以发现,跟踪调查时间的到了第8周之后,远程桌面软件的使用率达到了70%以上,说明已经有大量的参试者开始尝试使用远程桌面软件进行远程办公操作。最后在第12周,软件使用率已经达到了90%以上,也就表明,研究设计的远程桌面控制软件能够在3个月内达到较高的使用率,也从另一方面体现出了软件设计的可行性和有效性。图9(b)显示的是3个月内的使用者在使用远程桌面软件之后的体验满意度,图中显示,关于操作便捷性的平均打分最高,达到了92.4分,软件操作界面美观程度的打分最低,仅为79.8分,这也在一定程度上说明了部分未使用软件的用户大概率应该是由于软件操作界面的美观较差导致的,造成这个结果的原因在于远程桌面模型设计时并未在美观程度上做大量工作,这也是下一步研究将要解决的问题。
软件或系统的成熟型是需要通过其前景来观察,本次研究将采用专家问卷调查来分析远程桌面在实际应用的前景。测试中拟定问卷调查,专家通过对软件的实用性、适用性以及安全性来打分,专家问询数为12名,其中4名为软件设计专业的博士,4名均为拥有多年设计经验的科技企业高管,剩余4名专家为具有多年教学经验的大学教授,结果如表1所示。
如表1所示,4名博士对软件的安全性打分为9.5分,对其实用性和适用性的打分偏低,均在9分以下。
而企业高管对远程桌面软件的评分在实用性上的打分最高,达到了9.6分,也就表明在企业高管看来,研究设计的远程桌面在实际应用中具有较大的应用价值,从企业高管来看其具有较好的应用前景。从教授的打分结果可以看出,教授对软件的安全性的打分较高,也同样达到了9.5分,并且在适用性中的评分也是三类专家中最高的,达到了9.1分。也就说明在教授层面,其普遍认为研究设计的远程桌面软件具有较高的安全性,并且教授也认为该软件具有较强的适用性。综上所述,从专家层面分析远程桌面的前景,可以得知不同领域的专家对软件的评价不一,但是综合而言,研究设计的远程桌面软件具有较为稳定的安全性。并且由于企业高管对软件的市场实用性的了解程度最大,由企业高管打分结果来看,远程桌面软件具有较高的实用性,以上结果说明研究设计的远程桌面具有较为明朗的前景。
3结语
网络通信技术等技术的进步,也带动了如机器学习技术等新技术的发展,紧接着,远程桌面技术也逐渐在传统行业及日常生活中凸显出其重要作用。并且随着互联网技术等先进计算机技术的发展,远程桌面技术更是焕发出了新的活力,各种各样的远程桌面软件如雨后春笋般踊跃出现,在为人们生活带来便捷的同时也迎来了新的挑战。随着人们的需求量逐渐增加,市场上的远程桌面软件的缺点和弊端也逐渐暴露出来,因此急需要对远程桌面的功能进行进一步的优化设计。本次研究中为了满足市场上的需求,提出了基于多层卷积神经网络的编解码器来进行图片压缩模型的优化设计。同时针对远程桌面软件,设计了VNCClient和VNCServer之间互通的RFB协议的结构。最后在软件测试中显示,研究设计的卷积神经网络具有较低的损失率,并且比较了优化前后的图像质量变化,得出优化后的效果明显,也就表明,图片压缩后的质量能够得到保障。此外将远程桌面软件应用于实际中显示,其读取速度最高达到了7.43M/S,而在跟踪调查中也发现参试者的使用率在最后达到了90%以上,并且在专家的前景预测即评价中对软件的实用性和安全性给出了较高的评价。以上结果表明研究设计的基于多层卷积神经网络编解码的远程桌面具有较强的安全性,并且在使用中的应用效果也满足需求,但是不可否认从参试者的评价中,软件的操作界面美观程度还需要进一步改善,这也是下一步研究的关键点。
参考文献
[1]SHARMA S,BAWA V S,KUMAR V.A Novel Two-stage Residual Learning Based Convolutional Neural Network for Image Super Resolution[J].Fundamenta Informaticae,2019,168(2-4):335-351.
[2]SUN Y N,XUE B,ZHANG M J,et al.Evolving Deep Convolutional Neural Networks for Image Classification[J].IEEE Transactions on Evolutionary Computation,2020,24(2):394-407.
[3]MA J,YU H.Study on the Computer Desktop Image Compression Technology Based on Clustering Algorithm[J].Paper Asia,2019,2(1):11-14.
[4]PATRASCU M B,POTTEL J,PINUS S,et al.From Desktop to Benchtop with Automated Computational Workflows for Computer-aided Design in Asymmetric Catalysis[J].Nature Catalysis,2020,3(7):574-584.
[5]CAO Z H,MU S M,DONG M P.Two-attribute E-commerce Image Classification Based on a Convolutional Neural Network[J].The Visual Computer,2020,36(8):1619-1634.
[6]GAO M,WANG F,SONG P,et al.BLNN:Multiscale Feature Fusion-Based Bilinear Fine-Grained Convolutional Neural Network for Image Classification of Wood Knot Defects[J].Journal of Sensors,2021(1):1-18.
[7]SUN Z,WANG X Y,YAN X Y.An Iterative Gradient Convolutional Neural Network and Its Application in Endoscopic Photoacoustic Image Formation from Incomplete Acoustic Measurement[J].Neural Computing and Applications,2021,33(14):8555-8574.
[8]LIN D Y,XU G L,XU W J,et al.SCRSR:An Efficient Recursive Convolutional Neural Network for Fast and Accurate Image Super-resolution[J].Neurocomputing,2020,398(20):399-407.
[9]CHEN H G,HE X H,AN C H,et al.Adaptive Image Coding Efficiency Enhancement Using Deep Convolutional Neural Networks[J].Information Sciences,2020,524:298-317.
[10]HAN Z,LI L,JIN W,et al.Convolutional Neural Network Training for RGBN Camera Color Restoration Using Generated Image Pairs[J].IEEE Photonics Journal,2020,12(5):1-15.
[11]HAN L,ZHANG H C,XIANG Z X,et al.Desktop Lighting for Comfortable Use of a Computer Screen[J].Work,2020,68(2):1-13.
[12]García-Sevilla M,Mediavilla-Santos L,Ruiz-Alba M T,et al.Patient-specific Desktop 3D-printed Guides for Pelvic Tumour Resection Surgery:a Precision Study on Cadavers[J].International Journal of Computer Assisted Radiology and Surgery,2021,16(3):397-406.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/50531.html
