123,123

基于多模態(tài)特征融合的Android惡意程序檢測方法研究[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

現(xiàn)有Android惡意程序檢測方法主要使用單模態(tài)數(shù)據(jù)來表征程序特征，未能將不同的特征信息進行充分挖掘和融合，導(dǎo)致檢測效果不夠理想。為了提升檢測的準(zhǔn)確率和魯棒性，提出一種基于多模態(tài)特征融合的Android惡意程序檢測方法。首先對權(quán)限信息進行編碼處理并將Dalvik字節(jié)碼數(shù)據(jù)可視化為“矢量”RGB圖像，然后構(gòu)建前饋神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)分別對文本和圖像模態(tài)表征的數(shù)據(jù)進行特征提取，最后對提取的不同模態(tài)特征向量分配不同的權(quán)重并相加進行融合后對其進行分類。實驗結(jié)果表明，該方法對Android惡意程序的識別準(zhǔn)確率和F1分?jǐn)?shù)都達到了98.66%，且具有良好的魯棒性。

發(fā)表于：1/21/2025 4:51:23 PM

基于自主創(chuàng)新的并行可切換控制系統(tǒng)設(shè)計[模擬設(shè)計][工業(yè)自動化]

我國持續(xù)推動科技自立自強、技術(shù)自主創(chuàng)新。在工業(yè)控制領(lǐng)域，自主安全將成為未來一段時間的主旋律。在此背景下，提出了一種雙控制系統(tǒng)切換的工業(yè)控制系統(tǒng)核心控制器自主創(chuàng)新能力建設(shè)方案。系統(tǒng)選用了主流進口PLC產(chǎn)品和全國產(chǎn)PLC產(chǎn)品，設(shè)計搭建了一套并行可切換的雙控制系統(tǒng)，對現(xiàn)場各類終端設(shè)備進行信號采集與切換控制。通過對比兩套PLC控制系統(tǒng)的功能、性能，驗證該方案能夠?qū)崿F(xiàn)國產(chǎn)PLC可達到進口PLC同等技術(shù)水平、實現(xiàn)同等功能，且系統(tǒng)運行穩(wěn)定、可靠。該方案在不破壞現(xiàn)有工控系統(tǒng)場景的情況下，以低成本的方式逐步進行驗證推廣，為工業(yè)控制系統(tǒng)核心控制器國產(chǎn)化提供技術(shù)支撐。

發(fā)表于：1/21/2025 4:41:39 PM

基于小波分析的水電站饋線故障快速檢測算法研究[測試測量][工業(yè)自動化]

針對水電站饋線微機繼電保護裝置常用采樣算法時間偏長的現(xiàn)狀，以及現(xiàn)代化繼保裝置對于切斷故障的時效性要求越趨嚴(yán)格，提出了一種基于Symlets5小波的饋線微機保護算法。通過研究分析Symlets5小波分解重構(gòu)后的故障信號高頻分量波形模極大值，發(fā)現(xiàn)Symlets5小波算法最快能夠在故障發(fā)生后在2/n~5/n周期內(nèi)判定短路故障的發(fā)生，并計算出故障后信號幅值。Symlets5小波算法可作為保護算法啟動的判據(jù)或者與其他算法配合使用，可大大提高饋線保護裝置切斷故障線路的時效性，保護水電站饋線運行安全。

發(fā)表于：1/20/2025 5:23:00 PM

數(shù)字示波器模擬輸入帶寬測試方法研究[測試測量][工業(yè)自動化]

分析了數(shù)字示波器帶寬的概念，研究分析兩種示波器帶寬測試方法。搭建示波器帶寬測試專用硬件平臺，并實現(xiàn)了自動化測試。測試了指定示波器產(chǎn)品的帶寬，使用提出的方法得到對應(yīng)的波特圖，驗證了方法的可行性。該硬件平臺和自動化測試方法不僅適用于示波器帶寬測試，而且適用于各類數(shù)據(jù)采集產(chǎn)品的模擬輸入帶寬測試。

發(fā)表于：1/20/2025 5:12:00 PM

適用于超聲電機驅(qū)動器的雙H橋電路設(shè)計[模擬設(shè)計][工業(yè)自動化]

超聲電機作為新型電機，其電機驅(qū)動器的設(shè)計至關(guān)重要?；?.18 μm高壓CMOS工藝設(shè)計了一款適用于超聲電機驅(qū)動器的雙H橋集成電路，本集成電路包含兩個相同的獨立裸芯，搭配簡單的外圍電路能夠?qū)崿F(xiàn)兩路不同相位電壓的輸出。同時，內(nèi)部集成了邏輯控制模塊可兼容TTL、CMOS兩種輸入電平，集成自適應(yīng)死區(qū)控制可避免同一橋臂直通。最后，通過驗證板實測可滿足100 kHz的兩路不同相位電壓的輸出，可完成對超聲電機的有效驅(qū)動。

發(fā)表于：1/20/2025 4:36:46 PM

一種基于AHB總線DMA控制器驗證方法[模擬設(shè)計][工業(yè)自動化]

針對傳統(tǒng)芯片驗證平臺驗證用例復(fù)用性差、驗證時間長的問題，提出了一種基于AHB總線DMA控制器驗證方法。通過該方法修改優(yōu)化的驗證平臺可移植性高，具有模擬聯(lián)動IP產(chǎn)生請求、回復(fù)與中斷信號的功能，支持在傳輸中對AHB總線隨機注入錯誤的能力。為證明方法的有效性，對DMA控制器UVM驗證平臺架構(gòu)進行修改優(yōu)化，并復(fù)用該平臺構(gòu)建Image2D控制器UVM驗證平臺，分別收集兩個驗證平臺代碼覆蓋率。實驗結(jié)果表明，該方法能夠提高驗證平臺調(diào)試排錯速度，提升驗證平臺兼容性，節(jié)約15%以上的驗證開發(fā)時間，并保證驗證平臺代碼覆蓋率為100%。

發(fā)表于：1/20/2025 4:21:21 PM

基于AES和SM4加密算法的固態(tài)硬盤設(shè)計與實現(xiàn)[模擬設(shè)計][信息安全]

硬盤安全存儲是固態(tài)硬盤（SSD）相關(guān)技術(shù)中的一個核心問題。基于SATA接口，提出了一種在SSD控制器設(shè)計時，添加硬件模塊實現(xiàn)多種加密算法來進行SSD存儲數(shù)據(jù)的加解密方法，實現(xiàn)了AES和SM4兩種算法。實驗表明，方案中設(shè)計的SSD進行加密讀速率為223 MB/s，寫速率159 MB/s，提出的加密算法對SATA硬盤的讀寫速度無影響。方案中的加密算法為硬件并行輸入，對SATA接口的速度和其他因素沒有干擾，因此保證了加密速度較快、兼容性高、安全性高和靈活性強的優(yōu)勢。

發(fā)表于：1/20/2025 4:05:53 PM

SerDes鏈路協(xié)同仿真與無源鏈路優(yōu)化設(shè)計[人工智能][工業(yè)自動化]

隨著SerDes鏈路信號傳輸速率的提升，信道鏈路經(jīng)過芯片封裝和印刷電路板過孔、AC電容和連接器等，會導(dǎo)致信號完整性（Signal Integrity， SI）挑戰(zhàn)進一步增大。提出基于SerDes 32 Gbps-NRZ信道傳輸系統(tǒng)，優(yōu)化無源信道中的BGA過孔、AC耦合電容焊盤、FMC連接器（FPGA Mezzanine Card Connector）處Pin腳設(shè)計，提升了通道阻抗的一致性，建立了更為準(zhǔn)確的無源鏈路通道模型，并結(jié)合芯片有源IBIS-AMI模型，對比分析優(yōu)化前后鏈路信道對眼圖的影響，保證了32 Gbps-NRZ高速信號的穩(wěn)定傳輸。

發(fā)表于：1/20/2025 3:50:00 PM

基于ERNIE-CAB-CNN的稀土專利文本分類模型[EDA與制造][工業(yè)自動化]

針對稀土專利文本專業(yè)性強的特點以及現(xiàn)有的文本分類方法存在的不足，鑒于類別注意力在計算機視覺領(lǐng)域的廣泛應(yīng)用和取得的良好效果，提出了一種用于文本分類的類別注意力模塊（Category Attention Module，CAB），并結(jié)合預(yù)訓(xùn)練模型ERNIE和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）構(gòu)建了一個用于稀土專利文本分類的創(chuàng)新模型ERNIE-CAB-CNN。模型使用ERNIE對專利文本進行向量化，得到語義信息更加豐富的向量表示后，通過CAB為文本中各個類別的重要特征賦予較高權(quán)值，使模型可以更準(zhǔn)確地區(qū)分不同類別的特征。最后用CNN進一步提取文本中其他關(guān)鍵局部特征，得到的最終文本向量表示用于分類。通過Patsnap專利數(shù)據(jù)庫官方網(wǎng)站檢索下載稀土專利數(shù)據(jù)構(gòu)建數(shù)據(jù)集進行實驗，實驗結(jié)果表明，稀土專利文本分類模型ERNIE-CAB-CNN在測試集上分類的準(zhǔn)確率、精確率、F1分?jǐn)?shù)分別為82.68％、83.2％、82.06％，取得了良好的分類效果。

發(fā)表于：1/20/2025 3:36:00 PM

基于動態(tài)自適應(yīng)計算引擎的MobileNetV3網(wǎng)絡(luò)加速器設(shè)計[模擬設(shè)計][工業(yè)自動化]

現(xiàn)有面向高效輕量化MobileNetV3網(wǎng)絡(luò)的加速方法通常采用高度定制的計算引擎進行模型計算，從而限制了加速器的可擴展性使其僅適用于小型網(wǎng)絡(luò)或資源豐富的硬件平臺。針對此問題，提出了基于動態(tài)自適應(yīng)計算引擎的MobileNetV3網(wǎng)絡(luò)加速器。首先，設(shè)計了局部感知區(qū)域卷積的流水線推理架構(gòu)實現(xiàn)特征、權(quán)重的高度并行處理和緩沖調(diào)度。其次，提出全局自適應(yīng)的點卷積方法優(yōu)化點卷積，并結(jié)合空間探索獲得最優(yōu)的參數(shù)配置以實現(xiàn)最大計算并行性。此外，加速器可以根據(jù)模型參數(shù)變化動態(tài)配置以適應(yīng)不同場景。實驗結(jié)果顯示加速器推理速度為8 F/s，是現(xiàn)有方法速度的2.7倍。

發(fā)表于：1/20/2025 3:23:30 PM