Témák listája

• Polish the student’s knowledge on C++ language. • Install NS3 and learn about the NS3 environment, which is an open-source, discrete-event network simulator, which is used by research and educational purposes. • Learn about the different TCP models in NS3. • Understand the tutorial example codes of the NS3 such as first.cc, second.cc etc. • Learn about the Congestion Control Algorithms. • Do some measurements in Transmission Control Protocol TCP based on the NS3

The main goals of this project are to learn about the different TCP models in NS3, learn about Congestion Control Algorithms, discover the NS3 environment, do some measurements in TCP based on the NS3, and investigate the ability of the Network Simulator software (NS3) for applying different computer network environments. At the end of the project, the student will be able to write his own code on NS3 or merge the available example codes of NS3 to apply different network scenarios.

Previous and current networking paradigms always introduced new technologies incorporated in various applications over the internet. Some of them demand high transmission throughput or low delay, which led to new issues since it increased the traffic over the internet. Congestion refers to the issue where the processing is slower than the receiving rate. Such an issue causes packet loss and, in some cases, collapses the whole network. Thus, it is crucial to address such problems by implementing a congestion control algorithm to handle such cases. No congestion control mechanism was implemented in the original standardized TCP design. Later, new mechanisms were designed, such as slow start, congestion avoidance, additive increase, multiplicative decrease, etc. Finally, new variants of TCP appeared to manage the congestion window differently, such as TCP Tahoe, Reno, NewReno, Vegas, Hybla, etc. This project aims to implement the specified TCP variants and analyze their performance in different network conditions to create a comprehensive and generalized idea regarding their performance.

Az adatközpontoknak és internetes adatcserélő-központoknak egyre nagyobb kihívást jelent a folyamatosan növekvő Quality of Service (QoS) igények kielégítésé. Ezt tovább nehezíti az a szolgáltatókra nehezedő teher, amit az infrastruktúrát célzó kibertámadások jelentenek. Ezek a támadások nagy spektrumot lefednek technológia háttér és komplexitás tekintetében; különösen nagy erőforrásokat igényel a DDoS (Distributed Denial of Service) támadások kivédése. Bár ilyesfajta támadások már évtizedek óta léteznek, viszont az IoT- (Internet of Things)és mobiltelefon-alapú botnetek elterjedésével olyan ütőképességre tettek szert, ami tíz éve elképzelhetetlen volt. Már kis szolgáltatóknál is mindennaposak a 100Gbps sávszélességű támadások. Ezeknek a támadásoknak a detektálásában és mitigálásában nagyon komoly kutatási potenciál van, mivel a jelenlegi megoldások döntő többsége „erőből” (nagyon sok processzor felhasználásával) és szoftver-alapú megoldásokkal működik. A DDoS-támadások sávszélessége azonban 5 nagyságrenddel gyorsabban növekedett az elmúlt 20 évben, mint a processzorok órajel -frekvenciája; emiatt a piacvezető gyártók és kutatók lépés hátrányba kerültek. A piacvezető Netscout Arbor-nak nincs 100Gbps interface-cel rendelkező terméke, míg a Cisco legmagasabb kategóriájú tűzfala is összesen 1x100Gbps kezelésére alkalmas - és arra is csak úgy, hogy a minimálisan szükséges feature-set van bekapcsolva rajta. Mindezekkel szemben a hardver-támogatott megoldások gyorsabban és hatékonyabban képesek a nagy tömegű támadásokat észlelni, mint szoftveres társaik. A hardveres támogatású DDoS-detekció lényege a forgalmi minták anomália-detekciója; ráadásul a párhuzamos feldolgozási architektúra miatt a detekció nem másodpercekben vagy percekben, hanem órajel-ciklusokban mérhető. Az FPGA-alapú hálózati hardveres gyorsítók elérhetősége jelentősen nőtt az elmúlt évtizedben.

A VID2SPEECH témakör során a beszélő arcának (elsősorban ajkának) mozgásából generálunk beszédet, tipikusan deep learning eszközök használatával. Ehhez többféle mély tanuló eljárás is alkalmazható, melyek a bemenő adatok (ajakvideó) és a cél adatok (beszéd spektrális paraméterei) különböző reprezentációi közötti összefüggést becsülik meg. "A beszédhangok az artikulációs szervek (hangszalagok, nyelv, ajkak stb.) koordinált mozgásának eredményéből állnak elő. Az artikuláció és a keletkező beszédjel kapcsolatát gépi tanulás alapú eszközökkel is vizsgálták már. Az artikuláció-akusztikum konverzió eredményei a szakirodalomban elsősorban az ún. 'Silent Speech Interface' (SSI, magyarul 'némabeszéd-interfész') rendszerek fejlesztéséhez járulnak hozzá. Az SSI lényege, hogy az artikulációs szervek hangtalan mozgását felvéve a gépi rendszer ebből beszédet szintetizál, miközben az eszköz használója valójában nem ad ki hangot. A hallgató feladata mély neurális hálózat alapú (pl. Konvolúciós és rekurrens neurális hálózatok) megoldás megismerése és továbbfejlesztése a Silent Speech Interface témakörben. A kidolgozott módszerek hozzájárulhatnak beszédsérültek számára kommunikációs segédeszköz készítéséhez."

Speech is the most used and natural way for people to communicate. The goal of a VC system is to determine a transformation that makes the source speaker's speech sound as if the target speaker uttered it. This project aims to present a rule-based voice conversion system for emotion capable of converting neutral speech to emotional speech (i.e., angry, fear, happy, sad, surprise, etc.).