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。

采用被动测量技术分析了PPStream点播系统的节点发现和分发协议，研究了视频缓冲图（Buffer-Map）的结构特点和主要功能，在此基础上设计并实现了一款用于获取PPStream点播节目用户Buffer-Map信息的分布式主动测量爬虫系统，使用该爬虫对PPStream点播系统的用户观看行为进行了分类统计，首次提出了用户观看粘度的概念并做量化统计分析,发现用户观看粘度与平均观看长度成正比，与累计概率曲线斜率成反比。

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。