现有法语命名实体识别（NER）研究中，机器学习模型多使用词的字符形态特征，多语言通用命名实体模型使用字词嵌入代表的语义特征，都没有综合考虑语义、字符形态和语法特征。针对上述不足，设计了一种基于深度神经网络的法语命名实体识别模型CGC-fr。首先从文本中提取单词的词嵌入、字符嵌入和语法特征向量；然后由卷积神经网络（CNN）从单词的字符嵌入序列中提取单词的字符特征；最后通过双向门控循环神经网络（BiGRU）和条件随机场（CRF）分类器根据词嵌入、字符特征和语法特征向量识别出法语文本中的命名实体。实验中，CGC-fr在测试集的F1值能够达到82.16%，相对于机器学习模型NERC-fr、多语言通用的神经网络模型LSTM-CRF和Char attention模型，分别提升了5.67、1.79和1.06个百分点。实验结果表明，融合三种特征的CGC-fr模型比其他模型更具有优势。

对对等网络（P2P）的流量问题进行了分析，指出P2P流量问题产生的原因。融合网络运营商、地理位置等信息，提出了一种节点智能选择机制。该机制优先选择属于相同运营商和地理位置接近的节点作为数据交换对象，最大限度地将数据流量控制在本地网络和同一运营商的网络中，从而减少骨干网和网络出口的负载，同时提高了数据传输性能。在Bit Torrent (BT)系统中融合智能选择机制后，Tracker智能选择的节点在往返时延、路由跳数上均得到优化，实验数据表明该机制能有效减少“流量旅行”，提高P2P传输效率。

对PPLive进行了系统的研究，提出了相应的爬虫设计方案，并以该爬虫为平台对PPLive网络进行了相关的主动测量，最后给出了PPLive用户行为特征的相关分析。研究结果为PPLive或其他基于P2P 的IPTV系统测量研究提供了有效的方法。