2020国产综合在线入口,新国产三级视频在线播放,日本三级欧美三级人妇视频

基于緩存機(jī)制的Hyperledger Fabric并發(fā)沖突檢測(cè)方法[其他][其他]

Hyperledger Fabric(Fabric)是一個(gè)受關(guān)注度較高的許可鏈平臺(tái)，具有高度模塊化、可定制化和可插拔的特點(diǎn)。針對(duì)Fabric在高并發(fā)的場(chǎng)景下會(huì)出現(xiàn)并發(fā)沖突導(dǎo)致交易無(wú)效的問(wèn)題，提出一種沖突檢測(cè)與處理的方法,即利用緩存交易寫集的方式在執(zhí)行階段檢測(cè)交易是否沖突，最大程度減小沖突交易在Fabric系統(tǒng)的資源消耗。實(shí)驗(yàn)結(jié)果表明，在具有沖突交易的場(chǎng)景下，提出的方法能降低平均交易時(shí)延，提高系統(tǒng)有效交易吞吐量；并且在沒(méi)有沖突交易的情況下，不會(huì)明顯降低性能。

發(fā)表于：7/5/2022

分布式VANETs中車流自適應(yīng)的低沖突TDMA-MAC協(xié)議[通信與網(wǎng)絡(luò)][汽車電子]

在分布式車載自組織網(wǎng)絡(luò)中，動(dòng)態(tài)變化的雙向車流會(huì)嚴(yán)重影響基于slot分組的TDMA-MAC協(xié)議降低沖突的效果以及整體協(xié)議的安全性與可靠性，對(duì)此設(shè)計(jì)一種車流自適應(yīng)的低沖突TDMA-MAC協(xié)議TALC-MAC。采用slot占用率作為分組調(diào)整的判斷依據(jù)，設(shè)計(jì)詳細(xì)的分組擴(kuò)展與收縮策略以適應(yīng)車流實(shí)際分布。同時(shí)優(yōu)化幀內(nèi)slot分組方案與節(jié)點(diǎn)預(yù)約slot的策略，進(jìn)一步降低網(wǎng)絡(luò)中發(fā)生沖突的概率。仿真實(shí)驗(yàn)結(jié)果表明TALC-MAC能有效適應(yīng)雙向車流的動(dòng)態(tài)變化，保持協(xié)議整體低沖突的特性。

發(fā)表于：7/5/2022

基于凸優(yōu)化的FSO/RF自動(dòng)請(qǐng)求重傳協(xié)議方案[其他][其他]

針對(duì)FSO/RF混合鏈路的高效可靠數(shù)據(jù)傳輸問(wèn)題,研究系統(tǒng)在二進(jìn)制相移鍵控（BPSK）調(diào)制與ARQ差錯(cuò)控制模式下雙鏈路重傳協(xié)作的優(yōu)化設(shè)計(jì)方法?；贔SO信道雙伽馬（Gamma-Gamma）分布的湍流模型和RF信道Nakagami-m分布的衰落模型,推導(dǎo)得出混合鏈路平均包錯(cuò)誤率與吞吐量的解析表達(dá)式,并運(yùn)用凸優(yōu)化求解方法得出吞吐量最優(yōu)解時(shí)的數(shù)據(jù)重傳協(xié)作比例系數(shù)。在不同大氣湍流強(qiáng)度與衰落因子條件下,計(jì)算分析了FSO/RF混合鏈路ARQ數(shù)傳方案的平均包錯(cuò)誤率與吞吐量性能。數(shù)值結(jié)果表明,采用優(yōu)化后的ARQ雙鏈路重傳比例策略,可有效提高混合鏈路傳輸?shù)目煽啃耘c數(shù)據(jù)吞吐量性能。

發(fā)表于：7/5/2022

基于直接高階注意力和多尺度路由的圖神經(jīng)網(wǎng)絡(luò)[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

圖神經(jīng)網(wǎng)絡(luò)中的注意力機(jī)制在處理圖結(jié)構(gòu)化數(shù)據(jù)方面表現(xiàn)出優(yōu)異的性能。傳統(tǒng)的圖注意力計(jì)算直接連接的節(jié)點(diǎn)之間的注意力，并通過(guò)堆疊層數(shù)隱式獲取高階信息。盡管在圖注意力機(jī)制方面目前已有廣泛的研究，但用于注意力計(jì)算的堆疊范式在建模遠(yuǎn)程依賴方面效果較差。為了提高表達(dá)能力，設(shè)計(jì)了一種新穎的直接注意力機(jī)制，這一機(jī)制通過(guò)K階鄰接矩陣直接計(jì)算高階鄰居之間的注意力。通過(guò)自適應(yīng)路由聚合過(guò)程進(jìn)一步傳播高階信息，這使得聚合過(guò)程更靈活地適應(yīng)不同圖的特性。在引文網(wǎng)絡(luò)上的節(jié)點(diǎn)分類任務(wù)上進(jìn)行了大量的實(shí)驗(yàn)。實(shí)驗(yàn)表明，該方法優(yōu)于最先進(jìn)的基線模型。

發(fā)表于：7/5/2022

地鐵運(yùn)營(yíng)崗位應(yīng)急處置培訓(xùn)的語(yǔ)音識(shí)別研究[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

地鐵交通運(yùn)營(yíng)是一種整體性活動(dòng)，離不開(kāi)各部門間的協(xié)調(diào)配合,地鐵運(yùn)營(yíng)崗位應(yīng)急處置培訓(xùn)系統(tǒng)應(yīng)用于多個(gè)崗位的聯(lián)合培訓(xùn)。該系統(tǒng)通過(guò)語(yǔ)音識(shí)別來(lái)實(shí)現(xiàn)模擬崗位間語(yǔ)音交互及對(duì)培訓(xùn)過(guò)程智能評(píng)價(jià)的功能。提出的語(yǔ)音識(shí)別方法可實(shí)現(xiàn)離線網(wǎng)絡(luò)下對(duì)地鐵培訓(xùn)專業(yè)術(shù)語(yǔ)的高識(shí)別精度，利用深度全序列卷積神經(jīng)網(wǎng)絡(luò)（DFCNN）和鏈接時(shí)序分類（CTC）構(gòu)建聲學(xué)模型，對(duì)應(yīng)急處置培訓(xùn)用語(yǔ)進(jìn)行整理并構(gòu)建專業(yè)術(shù)語(yǔ)庫(kù)，基于統(tǒng)計(jì)學(xué)構(gòu)建語(yǔ)言模型。實(shí)驗(yàn)結(jié)果表明，該語(yǔ)音識(shí)別方法能夠有效識(shí)別地鐵應(yīng)急處置培訓(xùn)用語(yǔ)，為地鐵運(yùn)營(yíng)崗位人員的培訓(xùn)和考核提供更全面的評(píng)價(jià)指標(biāo)。

發(fā)表于：7/5/2022

基于方向一致?lián)p失的輕量車道線檢測(cè)[通信與網(wǎng)絡(luò)][汽車電子]

目前，輕量型車道線檢測(cè)網(wǎng)絡(luò)存在彎道檢測(cè)效果差、網(wǎng)絡(luò)感受野不夠與實(shí)時(shí)性受限等問(wèn)題，故提出了一種改進(jìn)的輕量型車道線檢測(cè)網(wǎng)絡(luò)模型。首先，為提高彎道檢測(cè)效果，設(shè)計(jì)了一種方向一致?lián)p失，以使模型適用于彎道場(chǎng)景。其次，為在增強(qiáng)網(wǎng)絡(luò)實(shí)時(shí)性的同時(shí)提高其感受野，提出將自注意力機(jī)制與RepVGG相融合的網(wǎng)絡(luò)作為模型的主干網(wǎng)絡(luò)。該模型在CULane測(cè)試集上測(cè)試的總F1-measure達(dá)到了70.7%，在Tusimple測(cè)試集上測(cè)試的準(zhǔn)確率達(dá)到95.92%，其平均推斷速度達(dá)到了408 FPS。實(shí)驗(yàn)結(jié)果表明，該模型相較于目前輕量型模型在性能上有一定的提升，尤其對(duì)彎道場(chǎng)景下的車道線檢測(cè)效果提升明顯。

發(fā)表于：7/5/2022

基于注意力機(jī)制的無(wú)監(jiān)督單目標(biāo)跟蹤算法[其他][其他]

為提升目標(biāo)跟蹤精度，設(shè)計(jì)一種基于注意力機(jī)制的無(wú)監(jiān)督單目標(biāo)跟蹤算法。該算法使用DCFNet網(wǎng)絡(luò)作為基本網(wǎng)絡(luò)，通過(guò)前向跟蹤和后向驗(yàn)證實(shí)現(xiàn)無(wú)監(jiān)督跟蹤。為結(jié)合上下文信息，引入特征融合方法，且將DCFNet網(wǎng)絡(luò)每一層所提取的特征通過(guò)雙線性池化調(diào)整分辨率以便進(jìn)行特征融合；為關(guān)注不同特征通道上的關(guān)系，引入通道注意力機(jī)制SENet模塊；設(shè)計(jì)一個(gè)反向逐幀驗(yàn)證方法，在反向驗(yàn)證中間幀的基礎(chǔ)上再預(yù)測(cè)第一幀，進(jìn)而減少判別位置的誤差。在公共數(shù)據(jù)集OTB-2015上的測(cè)試結(jié)果顯示，本算法AUC分?jǐn)?shù)達(dá)60.6%，速度達(dá)61FPS。與無(wú)監(jiān)督單目標(biāo)跟蹤UDT算法相比，所設(shè)計(jì)算法取得了更優(yōu)的目標(biāo)跟蹤性能。

發(fā)表于：7/5/2022

交通場(chǎng)景下基于深度強(qiáng)化學(xué)習(xí)的感知型路徑分配算法[其他][其他]

路徑分配問(wèn)題是交通數(shù)字孿生系統(tǒng)的重要研究方向之一，其重點(diǎn)是綜合考量行駛需求的動(dòng)態(tài)變化以及路網(wǎng)信息的實(shí)時(shí)改變，實(shí)現(xiàn)高效合理的路徑規(guī)劃。現(xiàn)階段一些經(jīng)典的分配算法如粒子群、Dijkstra等算法及其優(yōu)化模型僅能達(dá)到全局靜態(tài)最優(yōu)，忽略了現(xiàn)實(shí)交通中的復(fù)雜變化。而逐漸推出的各種深度學(xué)習(xí)算法雖能進(jìn)行全面的時(shí)空預(yù)測(cè)，但受限于海量歷史數(shù)據(jù)的歸納分析以及較高的運(yùn)算成本，難以大規(guī)模應(yīng)用。鑒于此，提出了一種靜態(tài)分配算法與深度強(qiáng)化學(xué)習(xí)算法結(jié)合的感知型路徑分配算法,在行駛中依據(jù)實(shí)時(shí)路網(wǎng)信息和車輛當(dāng)前狀態(tài)，實(shí)現(xiàn)全局路徑動(dòng)態(tài)再分配及更新，相關(guān)算法的精度和效率在仿真實(shí)驗(yàn)中得到驗(yàn)證。

發(fā)表于：7/5/2022

MATLAB到高性能C的代碼轉(zhuǎn)換系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[可編程邏輯][其他]

MATLAB被廣泛應(yīng)用于算法設(shè)計(jì)及驗(yàn)證，但由于平臺(tái)限制及性能因素影響，實(shí)際工作中通常使用C語(yǔ)言及高性能庫(kù)來(lái)重寫和優(yōu)化代碼。人工轉(zhuǎn)換MATLAB到C工作繁瑣，而大部分已有的自動(dòng)轉(zhuǎn)換方法又難以解決MATLAB的高性能矢量運(yùn)算和庫(kù)函數(shù)與C的對(duì)接問(wèn)題。為此，設(shè)計(jì)了一個(gè)MATLAB到高性能C的自動(dòng)轉(zhuǎn)換系統(tǒng)，通過(guò)將MATLAB代碼轉(zhuǎn)換為中間表示，進(jìn)一步轉(zhuǎn)換為C代碼。同時(shí)，將MATLAB的高性能矢量運(yùn)算和庫(kù)函數(shù)對(duì)接到高性能C函數(shù)庫(kù)Math Kernel Library(MKL)上。在相同MATLAB代碼上的實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)轉(zhuǎn)換生成的C代碼性能與人工編寫的C代碼相當(dāng)，優(yōu)于已有的轉(zhuǎn)換方法生成的C代碼。

發(fā)表于：7/5/2022

民用無(wú)人機(jī)領(lǐng)域數(shù)據(jù)與飛行安全法律規(guī)制研究[通信與網(wǎng)絡(luò)][航空航天]

無(wú)人機(jī)技術(shù)是當(dāng)今工業(yè)互聯(lián)網(wǎng)發(fā)展的助力之一，尤其是5G技術(shù)與無(wú)人機(jī)技術(shù)的結(jié)合成為推動(dòng)工業(yè)向數(shù)字化轉(zhuǎn)型升級(jí)的重要力量。但是，在無(wú)人機(jī)大規(guī)模應(yīng)用的同時(shí)，也不能忽視其給行業(yè)帶來(lái)的風(fēng)險(xiǎn)與挑戰(zhàn)。主要討論民用無(wú)人機(jī)存在的隱私侵權(quán)問(wèn)題及其造成的數(shù)據(jù)安全問(wèn)題和“黑飛”問(wèn)題，并對(duì)比中外法律法規(guī)提出有關(guān)法律體系建設(shè)的建議。

發(fā)表于：7/5/2022

大數(shù)據(jù)技術(shù)中的隱私保護(hù)法律問(wèn)題[通信與網(wǎng)絡(luò)][信息安全]

大數(shù)據(jù)技術(shù)廣泛應(yīng)用的同時(shí)也帶來(lái)了諸多問(wèn)題，對(duì)用戶隱私和數(shù)據(jù)安全造成了嚴(yán)重侵害。由于大數(shù)據(jù)發(fā)展速度快和法律屬性界定復(fù)雜等原因，現(xiàn)行法律法規(guī)存在一定的滯后，對(duì)此類問(wèn)題適用性不佳，需要隨著大數(shù)據(jù)技術(shù)的發(fā)展進(jìn)行及時(shí)的改進(jìn)，從而適應(yīng)日新月異的網(wǎng)絡(luò)環(huán)境。

發(fā)表于：7/5/2022

保留格式加密的雙擾工作模式[通信與網(wǎng)絡(luò)][信息安全]

在通常的分組密碼ECB或CBC工作模式下，當(dāng)數(shù)據(jù)分組的分組長(zhǎng)度較小時(shí)，可能會(huì)因?yàn)槊芪慕M重復(fù)導(dǎo)致明文信息泄露。為此，給出了一種適用于保留格式加密算法的創(chuàng)新工作模式。以加密初始向量為起點(diǎn)，用一種密鑰參與運(yùn)算的非線性遞歸方法產(chǎn)生不可預(yù)測(cè)序列，并以加擾形式將該序列作用到分組迭代變換的輸入和輸出數(shù)據(jù)組中。即明文組變換到密文組的過(guò)程由明文加擾、分組加密和密文加擾三步構(gòu)成。這樣的工作模式將使得攻擊者難以獲得和積累明密對(duì)，以及實(shí)施已知明文攻擊。這將在一定程度上消除某些密碼算法因?yàn)槊魑慕M空間較小而存在的安全缺陷。因此，該工作模式適用于某些保留格式加密算法或分組較小的輕量級(jí)分組算法。

發(fā)表于：7/5/2022

基于CL-PKC的衛(wèi)星通信認(rèn)證技術(shù)研究[通信與網(wǎng)絡(luò)][航空航天]

隨著衛(wèi)星通信技術(shù)的不斷發(fā)展，衛(wèi)星通信組網(wǎng)技術(shù)受到越來(lái)越多的關(guān)注，其相關(guān)的安全問(wèn)題也更加突出。針對(duì)衛(wèi)星通信認(rèn)證技術(shù)進(jìn)行研究，分析了衛(wèi)星網(wǎng)絡(luò)的特點(diǎn)和安全認(rèn)證需求，提出了一種基于身份的密碼體制認(rèn)證方案，實(shí)現(xiàn)了身份認(rèn)證和密鑰協(xié)商，以及對(duì)合法用戶的身份信息的保護(hù)功能。并進(jìn)行仿真實(shí)驗(yàn)對(duì)協(xié)議的安全可行性進(jìn)行了驗(yàn)證，結(jié)果表明，該方案達(dá)到了安全、高效的認(rèn)證效果。

發(fā)表于：7/5/2022

基于變分自編碼器和三支決策的工控入侵檢測(cè)算法[其他][工業(yè)自動(dòng)化]

為了更精確地提取工控入侵?jǐn)?shù)據(jù)集特征和更精準(zhǔn)地分類惡意數(shù)據(jù)，使得入侵檢測(cè)方法滿足當(dāng)前工業(yè)控制網(wǎng)絡(luò)的安全需求，提出了基于變分自編碼器(Variational Autoencoder，VAE)和三支決策理論(Three-way Decisions，TWD)的新型工業(yè)控制網(wǎng)絡(luò)入侵檢測(cè)算法(VAE-TWD)。該算法利用變分自編碼器強(qiáng)大的感知能力對(duì)高維數(shù)據(jù)進(jìn)行降維映射和特征提取，再對(duì)正常和惡意數(shù)據(jù)利用三支決策理論進(jìn)行即刻決策，劃分入正向決策域和負(fù)向決策域。而對(duì)于邊界域內(nèi)不確定的數(shù)據(jù)，將通過(guò)不同粒度的特征，選擇適當(dāng)數(shù)據(jù)構(gòu)成新的訓(xùn)練集并擴(kuò)充到原有數(shù)據(jù)集中。然后重復(fù)決策過(guò)程，直至決策域中數(shù)據(jù)為空，規(guī)避盲目決策的風(fēng)險(xiǎn)。實(shí)驗(yàn)結(jié)果表明VAE-TWD算法提升了對(duì)工控入侵檢測(cè)的特征提取能力和分類能力，且在準(zhǔn)確率、檢出率、誤報(bào)率、F1得分等指標(biāo)上均優(yōu)于對(duì)比算法，有效提高了工控入侵檢測(cè)的性能。

發(fā)表于：7/5/2022

基于擠壓激勵(lì)網(wǎng)絡(luò)的惡意代碼家族檢測(cè)方法[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

惡意代碼已經(jīng)成為威脅網(wǎng)絡(luò)安全的重要因素?；跈C(jī)器學(xué)習(xí)的惡意代碼檢測(cè)方法已經(jīng)取得較好的效果，但面對(duì)相似的惡意代碼家族，往往效果不佳。對(duì)此，提出了一種基于擠壓激勵(lì)網(wǎng)絡(luò)的檢測(cè)算法，由卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)與擠壓和激勵(lì)(Squeeze-and-Excitation，SE)模塊構(gòu)成。CNN先快速提取惡意代碼的圖像特征，SE模塊對(duì)多通道特征圖進(jìn)行全局平均池化，將全局信息壓縮，然后通過(guò)全連接層自適應(yīng)學(xué)習(xí)，并將每個(gè)通道特征圖賦予不同的權(quán)重來(lái)表示不同的重要程度，指導(dǎo)激勵(lì)或抑制特征信息。實(shí)驗(yàn)結(jié)果表明，該方法相對(duì)于傳統(tǒng)機(jī)器學(xué)習(xí)方法有更好的檢測(cè)效果，與深度學(xué)習(xí)算法相比檢測(cè)效果也有一定的提升且參數(shù)量大大減少。

發(fā)表于：7/5/2022