想利用ISAPI技术监测IIS有多少流量，分别是哪些站点

iwebsms 2006-10-22 09:39:59

一台服务器上面运行很多网站，可能有几百个
现在每个网站的流量并不清楚
想写个程序，统计每个站点的流量，并记录在数据库中

不知道哪位对ISAPI技术有深入的研究
只想用.net技术完成这个功能

...全文

216 3 打赏收藏转发到动态举报

写回复

3 条回复

切换为时间正序

请发表友善的回复…

发表回复

stone_soup 2006-10-22

打赏
举报

回复

Mark

jijl2001 2006-10-22

打赏
举报

回复

楼上正解

menuvb 2006-10-22

打赏
举报

回复

去网上载份监测IIS的软件就全都解决了。

内容概要：本文详细介绍了一种基于六维超混沌系统和DNA编码的彩色数字图像加密与解密方法，并系统分析了其抗噪声和抗裁剪性能，所有算法均通过Matlab代码实现。该方案充分利用六维超混沌系统对初值的高度敏感性和伪随机特性，结合DNA序列的生物特性和编码规则，设计了一套完整的图像加密流程，包括像素置乱、扩散变换以及DNA层级的加解密操作，从而显著提升了图像数据的安全性与保密性。文中还通过多种攻击测试（如高斯噪声、椒盐噪声和局部裁剪）验证了算法的鲁棒性，结果表明该加密机制在复杂攻击环境下仍能有效恢复原始图像，具备良好的实用价值与工程应用潜力。; 适合人群：具备Matlab编程基础，从事信息安全、图像处理或密码学相关研究的研究生、科研人员及工程技术人员。; 使用场景及目标：①为数字图像在军事通信、医疗影像传输、金融信息安全等高敏感领域提供高强度加密保护方案；②研究混沌系统与生物编码相结合的新型图像加密机制的设计原理与实现路径；③评估加密算法在实际信道中面对噪声干扰与数据丢失时的恢复能力，优化其抗攻击性能。; 阅读建议：此资源以Matlab代码为核心载体，理论与实践紧密结合，建议读者在学习过程中动手运行并调试代码，深入理解混沌映射、DNA编码/解码规则及图像置乱扩散机制的实现细节，同时可通过修改参数或攻击类型进行扩展实验，全面提升对现代图像加密技术的认知与创新能力。

原创 Node.js 命令行工具源码与完整文档，包含 README、MIT License、自动化测试、真实运行截图和原创授权声明。适合开发者学习工程化实现、复现测试流程与二次开发；解压后按 README 运行 npm test 和 node src/index.js。不含第三方受限素材、模型权重或品牌资源。

原创 Node.js 命令行工具源码与完整文档，包含 README、MIT License、自动化测试、真实运行截图和原创授权声明。适合开发者学习工程化实现、复现测试流程与二次开发；解压后按 README 运行 npm test 和 node src/index.js。不含第三方受限素材、模型权重或品牌资源。

内容概要：本文提出了一种基于高创新模型MS-TCN-TiDE的短期负荷预测方法，该模型融合多尺度时序卷积网络（MS-TCN）与时间依赖密集编码器（TiDE），专为电力系统短期负荷预测任务设计。通过Python代码实现，模型能够有效捕捉电力负荷数据中的多尺度时间特征和复杂时序依赖关系，显著提升在非理想电网工况下的预测精度。研究系统性地涵盖了模型架构设计、训练流程、参数优化及实验验证全过程，并利用真实数据集验证了其在短期负荷预测中的优越性能与强鲁棒性。; 适合人群：具备一定Python编程能力和深度学习基础，从事电力系统分析、能源管理、负荷预测等相关领域的科研人员及工程技术人员，特别是研究生、高校教师和电力行业的研发工作者。; 使用场景及目标：①应用于电网调度、能源管理系统中的短期电力负荷预测任务；②为智能电网、综合能源系统提供高精度的负荷数据支撑；③作为深度学习在时序预测领域应用的研究范例，推动MS-TCN与TiDE模型在工业级场景中的创新实践与技术转化。; 阅读建议：建议读者结合文中提供的Python代码进行动手实践，深入理解模型结构与训练细节，同时可在不同数据集上复现实验结果，进一步探索模型的泛化能力、优化潜力及在复杂工况下的适应性表现。

内容概要：本文提出了一种融合多尺度时序卷积网络（MS-TCN）与TiDE稠密编码器的深度学习模型，用于实现长周期电力负荷的直接多步预测。该模型通过多尺度卷积结构有效捕捉电力负荷序列在不同时间粒度下的局部模式与周期性特征，同时借助TiDE的编码-解码架构对全局时序依赖关系进行高效建模，从而提升中长期负荷预测的精度与鲁棒性。研究系统阐述了模型的整体架构设计、数据预处理流程、训练优化策略及实验验证过程，结果表明，该方法在多个真实电力负荷数据集上均显著优于传统的ARIMA、LSTM等基准模型以及单一结构的深度学习模型，具备良好的工程应用前景。此外，文中配套提供了完整的Python代码实现，便于读者复现与拓展。; 适合人群：具备一定深度学习基础和时间序列分析经验，从事电力系统规划、能源管理、智能电网等相关领域的科研人员、工程技术人员及研究生。; 使用场景及目标：①应用于电网企业开展中长期电力负荷预测，辅助制定发电计划、检修安排与调度策略；②为综合能源系统优化、电力市场竞价与需求响应等业务提供高精度的负荷数据支撑；③作为深度学习在能源预测领域的典型应用案例，促进人工智能技术在新型电力系统中的深度融合与落地实践。; 阅读建议：建议读者结合所提供的Python代码，动手复现模型并进行调试，深入理解多尺度卷积与TiDE结构的设计理念与协同机制，同时可在不同地区、不同季节的负荷数据集上开展迁移实验，以全面评估模型的泛化能力与适应性。

16,718

社区成员

110,521

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章