BidQuoteObserver


#pragma once
 
#include "stock.h"
#include <map>
#include <deque>
#include <string>
 
class BidQuoteObserver 
{
public:
	BidQuoteObserver();
	~BidQuoteObserver();
	int BidQuoteReceivedconst StockBid::Bid& stBid );
 
private:
 
	std::map<std::string, std::dequeStockBid::Bid > > mapQuoteHistory;
	
};
 

#include "stdafx.h"
#include "BidQuoteObserver.h"
 
#include <iostream>
 
using namespace std;
 
BidQuoteObserver::BidQuoteObserver()
{
}
 
BidQuoteObserver::~BidQuoteObserver()
{
}
 
int BidQuoteObserver::BidQuoteReceivedconst StockBid::Bid& stBid )
{
	string sStockCode = stBid.stock_code;
	mapQuoteHistory[ sStockCode ].push_back( stBid );
	cout << "add one bid. time:" << stBid.update_time << ", price:" << stBid.price 
		 << ", code:" << stBid.stock_code  <<  ", size is " <<  mapQuoteHistory[ sStockCode ].size() << endl;
	map<stringdequeStockBid::Bid > >::iterator itr = mapQuoteHistory.find( sStockCode );
 
	// 保持deque的大小最小
	if ( itr->second.size()  > 2 )
	{
		// 向前探测一个消息,如果价格不同,则删除之前insert的元素,只保留当前元素
		dequeStockBid::Bid >::reverse_iterator itrQ = itr->second.rbegin();
		++itrQ;
 
		if ( itrQ->price !=  stBid.price )
		{
			itr->second.clear();
			itr->second.push_back( stBid );
			return 0;
		}
	}
 
	int iMaxSameSeconds = 30;
	if ( itr->second.size()  >= iMaxSameSeconds )
	{
		dequeStockBid::Bid >::reverse_iterator itrQ = itr->second.rbegin();
		int iSteadyPrice = 0;
		int iSameCount = 0;
		for ( ; itrQ != itr->second.rend(); ++itrQ  )
		{
			int iCurrPrice = itrQ->price;
			if ( iSteadyPrice == 0 )
			{
				iSteadyPrice = iCurrPrice;
				iSameCount = 1;
			}
			else
			{
				if ( iSteadyPrice == iCurrPrice )
				{
					++iSameCount;
				}
				else
				{
					// 有不一样的,就不要再向前扫描了
					break;
				}
			}
 
			if ( iSameCount >= iMaxSameSeconds )
			{
				cout << "WARNNING:stock : " << itr->first   << " "  <<  iSameCount << " seconds not updated.iPrice:" 
					<< iSteadyPrice  << ", iNow : " << stBid.update_time << endl;
				break;
			}
		}
	}
 
	if ( itr->second.size() > iMaxSameSeconds   )
	{
		itr->second.pop_front();
	}
 
	return 0;
}


内容概要:论文提出了一种名为 CLE-TFE的加密流量分类框架,通过监督对比学习和多任务学习同时处理数据包级和流级分类任务。主要创新点包括:1)使用监督对比学习增强数据包和流的表示;2)在字节级流量图上进行图数据增强以捕获细粒度语义不变特征;3)提出跨级多任务学习,在单一模型中同时完成两个分类任务。实验表明,CLE-TFE在两个任务上均取得最佳性能,且计算开销仅为预训练模型(如 ET-BERT)的约 1/14。此外,论文还详细介绍了 CLE-TFE框架的各个组件实现,包括字节级图编码器、时序融合编码器、对比学习头等,并展示了训练流程示例和实验结果。 适合人群:具备一定机器学习和深度学习基础的研究人员、工程师,尤其是从事网络安全、流量分析等相关领域的专业人士。 使用场景及目标:①研究和开发高效的加密流量分类系统;②理解监督对比学习和多任务学习在实际问题中的应用;③探索如何通过图数据增强和双层次对比学习提升模型性能。 阅读建议:由于该论文涉及较多的技术细节和数学推导,建议读者先通读全文掌握整体框架,再深入研究各模块的具体实现。在实践中可以尝试复现论文提供的代码,并根据自己的数据集调整模型结构和超参数。同时,注意理解监督对比学习和多任务学习的协同机制,这对于提升模型性能至关重要。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值