SIP vs XMPP

最新推荐文章于 2024-01-08 22:22:54 发布
最新推荐文章于 2024-01-08 22:22:54 发布
阅读量149 收藏
点赞数
原文链接：http://www.cnblogs.com/kernel-zyc/p/4415180.html
版权

sip和xmpp都是应用层的协议，主要用来在互联网上发送语音和即时通讯IM，rfc3521定义了sip，rfc3920定义了xmpp。xmpp来自即时通讯系统，sip类似语音和视频通信。

xmpp协议主要负责数据的交换，sip主要负责端与端的链接建立，维护，终结，2者不是一个概念

随后，xmpp协议增加了jingle协议后，支持语音，视频 而sip协议添加了simple协议后，支持数据交换

sip协议，有sip报文格式的头部和内容2部分组成，是基于文本格式的，十分平面化，解析不容易被继承，而xmpp是采用xml进行传输数据的

sip的连接建立通道与数据传送通道是各自独立的，连接建立在sip client 与 server之间，而数据传送通道是在client---client之间之间进行的，这个对视频、音频文件的传送业务很适合。

xmpp协议的连接与数据的传递通道是一体的，client只与server建立连接，而client与client之间是没有连接的。client之间传送的通道是client1 --- server1 ------ server2 ------ clent2 。这种方式看起来扩展性差，server压力很大，但是能够实现很好的业务功能，比如留言，广播，群聊，状态更新，blog，微博等。

xmpp服务器对比：http://hi.baidu.com/chs_garea/item/74468028891943c5dcf69a3b

个人认为：openfire可以优点是用java编写 。缺点是不支持群集功能

ejabberd: 主要缺点是用erlang开发，是俄罗斯人开发的，很少有人懂，支持群集

jabberd:是用c语言开发

企业内部部署IM使用 Wildfire + Spark 是最佳的组合

公开地址：http://blog.youkuaiyun.com/learnios/article/details/23334597

 

 

 

 

转载于:https://www.cnblogs.com/kernel-zyc/p/4415180.html

机器学习(Machine Learning)与深度学习(Deep Learning)资料汇总
ZhangPY的专栏
02-28 7170
《Brief History of Machine Learning》 介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning. 《Deep Learning in Neural Networks: An Overview》 介绍:这是瑞士人工智能实验室Jurgen Schmidhuber写的最
机器学习(Machine Learning)&深度学习(Deep Learning)资料
热门推荐
weixin_30756499的博客
07-07 1万+
##机器学习(Machine Learning)&深度学习(Deep Learning)资料(Chapter 1)---#####注:机器学习资料[篇目一](https://github.com/ty4z2008/Qix/blob/master/dl.md)共500条,[篇目二](https://github.com/ty4z2008/Qix/blob/master/dl2.md)开始更新...
Joint Learning
06-18
Joint Learning Neuronal Skeleton and Brain Circuit Topology with Permutation Invariant Encoders for Neuron Classification
joint learning
Hello Word!
06-01 763
用途：domain差别较大的数据集之前联合训练的方法 方法：同一个backbone，不同的classifier。大的数据集训练n 个batch，小的数据集训练1个batch lr steps的确定：根据实现而不同。一种是将两种数据集中的样本数量加总之后计算总的数据量，然后根据 10,20,30个epoch去就计算lr每次下降所需的训练steps个数 Loss nan的问题： ...
AttSum: Joint Learning of Focusing and Summarization with...
weixin_33794672的博客
08-01 200
引 最近读的几篇paper都是用seq2seq的思路来解决问题，有点读厌烦了，今天换个口味。分享一篇extractive式的paper，AttSum: Joint Learning of Focusing and Summarization with Neural Attention，AttSum是本文所阐述的摘要系统的名称。 (点“阅读原文”获取本文)...
多任务学习(Multi-Task Learning)
小小何先生的学习之旅
08-28 9955
  本节主要聊聊从单任务到多任务 (Multi-Task) 的机器学习。   那什么是Multi-Task Learning呢？我们又是怎么来做这个Multi-Task Learning的呢？ What is Multi-Task Learning？   首先我们需要知道什么是一个task呢？在一个task里面我们会有一个量化的指标，有这个task生成出来的数据，以及我们会有一个model去opt...
Joint Learning of QA and QG阅读笔记
Sofan He
01-16 861
SCIR “Joint Learning of Question Answering and Question Generation” 阅读笔记
【行人检测】之Joint Deep Learning联合深度学习(附源码)
delltdk的专栏
04-30 1万+
新近研究ICCV2013的一篇文章，《Joint Deep L》
机器学习与深度学习资料
Jason Ding的专栏
04-23 4568
《Brief History of Machine Learning》 介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning. 《Deep Learning in Neural Networks: An Overview》 介绍:这是瑞士人工智能实验室Jurgen Schmidhuber写的最新版本《神经网络与深
[论文阅读] Joint learning of foreground, background and edge for salient object detection
xiongxyowo的博客
01-08 932
尽管在显著性检测方面取得了重大进展，但当场景复杂时，特别是当显着性和非显着性区域相似或显着性对象具有复杂的轮廓时，预测显着性仍然具有挑战性。 以前的先进方法很少探索图像背景下的学习。事实上，图像的背景和前景包含互补信息。 在这项工作中，我们建议将显着性检测任务分解为三个子任务：前景感知、背景抑制和边缘细化。更具体地说，我们的解码器由三个分支组成：前景感知分支、背景抑制分支和边缘细化分支。每个分支的目标是学习特定的特征来进行预测。同时，我们设计了具有可控调节因子的区域焦点损失函数来监督训练阶段每个分支的学习。
论文笔记Joint Learning of Answer Selection and Answer Summary Generation in Community Question Answering
Herbe_chanceux的博客
09-26 1020
目前，社区问答（CQA）在学术界和工业界都备受欢迎。但是也存在问题：答案繁多、冗长，导致其在选择上给社区用户带来了很大的不便。为了解决这些问题，针对CQA特定任务的答案选择和生成答案摘要两大任务，本文提出了一种新的联合学习模型。具体来说，设计了一种问题驱动的指针生成器网络，该网络旨在利用问题答案对之间的相关信息来生成答案摘要。同时，在进行问题答案对相关性排序时，利用答案摘要去除原有答案中的噪声。
《Joint Learning of Named Entity Recognition and Entity Linking》论文笔记
solejay
10-06 992
Joint Learning of Named Entity Recognition and Entity Linking 2019 ACL Abstract 大多数 EL 方法忽视实体识别部分，假定正确的实体已经被识别出来。这篇论文对 NER 和 EL 进行联合学习，来利用他们之间的相关性，得到一个更健壮和更具通用性的系统。实验发现联合学习比单个学习效果更好，并且在 NER 和 EL 任务达到 SOTA。 1 Introduction NER 和 EL 是两个基础的 NLP 任务，NER 负责检测和识别命
Joint Learning Architecture for Multiple Object Tracking and Trajectory Forecasting 详细解读
Juwenile的博客
02-24 376
以FairMOT跟踪器为基准，将轨迹预测添加到多目标跟踪中以代替卡尔曼滤波器来进行运动预测。
论文阅读：Joint Learning of Single-image and Cross-image Representations for Person Re-identification
yuanchheneducn的博客
03-02 1194
哈尔滨工业大学（/香港理工大学）的作者Faqiang Wang等采用pairwise comparison and triplet comparison联合学习特征，并在CUHK03，CUHK03，VIPeR上进行实验。网络结构： 文章分析了SIR(single image representation) 是CIR(cross image representation)的特殊形式。（欧式距离，马氏
读论文9——On Joint Learning for Solving Placement and Routing in Chip Design
Liu_First的博客
12-27 2302
目录abstractIntroduction二级目录三级目录 abstract 在现在的芯片设计流程中，布局和布线是两个很关键的步骤。而机器学习的引入，在GPU加速和减少对人类专家的依赖方面，有很大的优势。当然，现在还有一些基础的问题亟待解决：可扩展性、奖励设计、端到端学习范式。为了实现端到端的布局学习，作者将强化学习和基于梯度的优化方案结合，提出了基于联合学习的宏和标准单元格布局的方法。为了连接布局和随后的布线工作，作者还提出了一种通过强化学习的联合学习方法。该方法包括一个重要的设计：多视图嵌入模型。用它
Joint Learning of Convolutional Neural Networks and Temporally Constrained Metrics for Tracklet Asso
升级迭代
11-26 794
来源：CVPR2016 创新点： 为轨迹关联联合学习CNN网络和时间约束的度量标准。不同于已经存在的基于轨迹关联的跟踪方法，本文提出了一种新颖且有效的方法来获得基于判别式外观的轨迹相似度模型（discriminative appearance-based tracklet affinity models）。所提方法联合学习了CNN网络和时间约束度量标准。在本文方法中，一种孪生CNN网络
弱监督论文简读：Joint Learning of Saliency Detection and Weakly Supervised Semantic Segmentation
LYX的博客
03-05 1427
结论 在提取器的基础上，后加简单的网络结构即可让网络学习到想学习的目标，说明我们对网络学习能力的了解还不够深入，重点在于如何给定网络一个特定的学习目标。对于弱监督，找两个可交互迭代提升的任务尤为重要。 ...
论文阅读《Joint Learning of Single-image Cross-image Representations for Person Re-identification》
RaymondWong的博客
04-15 2692
文章尝试分析SIR和CIR之间的关系以及如何通过融合两种方法来综合效率（efficiency）和准确度（effectiveness）
联邦学习(联合学习) Federated Learning(FL) (数据孤岛)(隐私计算)
hxxjxw的博客
08-24 1万+
联邦学习，是联邦机器学习的简称, 也叫联合学习，联盟学习 谷歌公司和微众银行分别提出了不同的“联邦学习”(Federated Learning)算法框架 联邦学习是一种机器学习设定，其中许多客户端在中央服务器的协调下共同训练模型，同时保持训练数据的去中心化及分散性。 联邦学习的长期目标：在不暴露数据的情况下分析和学习多个数据拥有者的数据。（目的：解决数据孤岛） 联邦学习通过联合多方在不泄露或汇聚各方原始数据的前提下进行联合建模 一般来说联邦学习中进行交换的数据是进行加密的模型或梯...
multi-view multi-label learning
最新发布
03-25
### 多视图多标签学习的概念与方法 多视图多标签学习（Multi-View Multi-Label Learning, MVML）是一种结合了多视图学习和多标签学习的方法。它旨在利用来自不同视角的数据特征来提高分类性能，尤其是在处理复杂数据集时更为有效。 #### 1. 基本定义 多视图多标签学习的核心在于如何有效地融合多个视图的信息以提升预测精度。每个视图可以看作是从不同的角度描述同一个样本[^1]。例如，在图像识别任务中，颜色直方图可能是一个视图，而纹理特征可能是另一个视图。通过整合这些视图中的互补信息，模型能够更全面地理解输入数据。 #### 2. 方法类别 根据具体实现方式的不同，MVML 可分为以下几类： - **基于集成的学习 (Ensemble-based Methods)** 此类方法通常会针对每一个单独的视图构建独立的基础分类器，并最终采用某种策略组合它们的结果。这种方法的优点是可以充分利用各个视图的独特特性。 - **联合表示学习 (Joint Representation Learning)** 联合表示学习试图找到一种统一的方式将所有视图映射到同一低维空间内进行后续操作。典型代表有CCA(Canonical Correlation Analysis)及其变体。 - **深度神经网络框架下的解决方案** 随着深度学习技术的发展，越来越多的研究者开始探索使用深层架构解决MVML问题。比如引入注意力机制(Multi-head attention mechanism)，使得模型能够在训练过程中动态调整各视图的重要性权重[^2]。 #### 3. 数据预处理技巧 对于实际应用而言，除了设计合理的算法外还需要注意一些重要的前期准备工作： - 应用适当的数据增强(Data Augmentation Techniques)可以帮助缓解过拟合现象并增加泛化能力； - 当面对不平衡标签分布的情况时，则需采取相应的平衡措施如重采样或者代价敏感型损失函数等手段加以应对。 ```python import numpy as np from sklearn.multiclass import OneVsRestClassifier from sklearn.svm import SVC # Example of Binary Relevance approach using SVMs. X_train = [[0], [1], [2], [3]] y_train = [ [0, 1], [1, 1], [1, 0], [0, 0] ] classifier = OneVsRestClassifier(SVC(kernel='linear')) classifier.fit(X_train, y_train) print(classifier.predict([[0.8]])) ``` 上述代码片段展示了二元相关法(Binary Relevance)的一个简单实例，其中`OneVsRestClassifier`配合支持向量机完成多标签分类任务。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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