性色AV无码一区二区三区人妻,伊人久久大香线蕉综合网,亚洲区与欧美区

基于DAG的Hive數(shù)據(jù)溯源方法[測(cè)試測(cè)量][數(shù)據(jù)中心]

數(shù)據(jù)溯源能夠快速定位數(shù)據(jù)的來(lái)源及其產(chǎn)生過(guò)程，對(duì)審計(jì)、數(shù)據(jù)生命周期管理都有很大幫助，是數(shù)據(jù)安全防護(hù)中的重要一環(huán)。針對(duì)傳統(tǒng)數(shù)據(jù)溯源機(jī)制難以應(yīng)用于Hive數(shù)據(jù)倉(cāng)庫(kù)中大規(guī)模、復(fù)雜的數(shù)據(jù)處理的問(wèn)題，提出了一種基于DAG的數(shù)據(jù)溯源方法，實(shí)現(xiàn)了對(duì)Hive中數(shù)據(jù)的溯源。最后通過(guò)實(shí)驗(yàn)對(duì)該方法的有效性以及性能進(jìn)行了測(cè)試與驗(yàn)證。

發(fā)表于：11/19/2020

基于零信任架構(gòu)的IoT設(shè)備身份認(rèn)證機(jī)制研究[通信與網(wǎng)絡(luò)][信息安全]

隨著物聯(lián)網(wǎng)技術(shù)與互聯(lián)網(wǎng)經(jīng)濟(jì)的發(fā)展，新技術(shù)態(tài)勢(shì)下的網(wǎng)絡(luò)安全威脅和風(fēng)險(xiǎn)不斷涌現(xiàn)與擴(kuò)散，新型應(yīng)用場(chǎng)景致使網(wǎng)絡(luò)安全邊界模糊、增加新的暴露面,安全風(fēng)險(xiǎn)不容忽視。提出基于零信任技術(shù)，利用區(qū)塊鏈、設(shè)備指紋、PKI/DPKI、人工智能、輕量化安全協(xié)議和算法等技術(shù)作為身份安全基礎(chǔ)設(shè)施，重點(diǎn)對(duì)身份安全基礎(chǔ)設(shè)施、物聯(lián)網(wǎng)安全網(wǎng)關(guān)、感知網(wǎng)關(guān)節(jié)點(diǎn)設(shè)備等身份認(rèn)證方案進(jìn)行設(shè)計(jì)和優(yōu)化。最后通過(guò)實(shí)驗(yàn)與分析，驗(yàn)證方案的實(shí)際效果。

發(fā)表于：11/19/2020

基于重點(diǎn)突發(fā)詞的突發(fā)事件檢測(cè)方法[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

由于突發(fā)事件具有突發(fā)性、聚眾性、破壞性，針對(duì)微博中發(fā)布的突發(fā)事件，避免由突發(fā)事帶來(lái)一系列社會(huì)問(wèn)題，提出一種結(jié)合用戶影響力和突發(fā)詞的突發(fā)事件檢測(cè)方法。為提取大量重點(diǎn)突發(fā)詞，使用詞影響力和詞狀態(tài)兩個(gè)指標(biāo)計(jì)算詞突發(fā)值，將大于一定閾值的詞作為突發(fā)詞；采用凝聚層次聚類方法，對(duì)突發(fā)詞集的共現(xiàn)矩陣進(jìn)行聚類得到熱點(diǎn)話題。之后將結(jié)果放入訓(xùn)練好的分類器對(duì)熱點(diǎn)話題進(jìn)行分類,最終得到突發(fā)事件及其類型。使用真實(shí)的微博數(shù)據(jù)對(duì)其進(jìn)行實(shí)驗(yàn)，對(duì)比使用分類器前后的實(shí)驗(yàn)結(jié)果，該方法可以有效過(guò)濾一般熱點(diǎn)話題，提高突發(fā)事件檢測(cè)的準(zhǔn)確率。

發(fā)表于：11/19/2020

面向低功耗無(wú)線傳感器網(wǎng)絡(luò)的智能拓?fù)淇刂扑惴╗通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

降低無(wú)線傳感器節(jié)點(diǎn)能耗是當(dāng)下拓?fù)渌惴ㄑ芯康闹攸c(diǎn)。通過(guò)對(duì)功率控制型算法進(jìn)行研究后發(fā)現(xiàn)，現(xiàn)有算法忽略多跳中繼區(qū)域問(wèn)題，從而增加節(jié)點(diǎn)的能耗。因此提出面向低功耗的智能拓?fù)淇刂扑惴?，該算法通過(guò)收集各節(jié)點(diǎn)功耗反饋信息后形成最大鄰近節(jié)點(diǎn)拓?fù)洌闅v所有鄰近節(jié)點(diǎn)后選擇能量消耗最小的路徑。對(duì)網(wǎng)絡(luò)連通性、節(jié)點(diǎn)度和能量消耗等性能指標(biāo)仿真分析，算法能夠消除不合理的多跳，降低每個(gè)節(jié)點(diǎn)的最大發(fā)射功率，維護(hù)全網(wǎng)絡(luò)的連通性，理論上具有一定的實(shí)際應(yīng)用價(jià)值。

發(fā)表于：11/19/2020

基于關(guān)聯(lián)規(guī)則的網(wǎng)絡(luò)異常檢測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[通信與網(wǎng)絡(luò)][信息安全]

入侵檢測(cè)技術(shù)是網(wǎng)絡(luò)安全防御的核心技術(shù)之一。由于網(wǎng)絡(luò)承載的帶寬流量日益增多，入侵檢測(cè)系統(tǒng)需要提供快速的檢測(cè)能力。Snort入侵檢測(cè)系統(tǒng)依靠將抓取的數(shù)據(jù)與規(guī)則匹配來(lái)判斷是否受到攻擊，因此規(guī)則的好壞決定了系統(tǒng)性能的高低。結(jié)合數(shù)據(jù)挖掘技術(shù)，設(shè)計(jì)實(shí)現(xiàn)一種基于關(guān)聯(lián)規(guī)則的關(guān)聯(lián)分析器插件來(lái)增強(qiáng)Snort對(duì)入侵的識(shí)別能力。首先利用Apriori對(duì)Snort產(chǎn)生的告警日志進(jìn)行數(shù)據(jù)挖掘，搜索隱藏的攻擊模式；然后，將關(guān)聯(lián)規(guī)則轉(zhuǎn)化為相應(yīng)的Snort規(guī)則。最后，利用SYN Flood攻擊測(cè)試規(guī)則增強(qiáng)的Snort系統(tǒng)的性能，結(jié)果表明，改進(jìn)后的Snort能夠提高對(duì)SYN Flood攻擊的檢測(cè)效率。

發(fā)表于：11/18/2020

一種六邊形分形寬帶天線的設(shè)計(jì)[其他][其他]

提出了一款應(yīng)用于L波段、S波段和C波段的六邊形分形寬帶微帶天線，該天線采用二階六邊形Sierpinski分形結(jié)構(gòu)作為輻射貼片，使用微帶饋電技術(shù)進(jìn)行饋電。通過(guò)仿真分析與模型優(yōu)化，天線的最終尺寸為36 mm×28 mm×1.6 mm，-10 dB阻抗相對(duì)帶寬為150.3%(1.10~7.76 GHz)，在1.10 GHz處有最大峰值增益7.80 dB。該天線具有結(jié)構(gòu)簡(jiǎn)單、體積小、帶寬大、增益良好的特點(diǎn)，可以適用于各種寬頻帶通信系統(tǒng)中。

發(fā)表于：11/18/2020

基于Linux的電力網(wǎng)關(guān)的設(shè)計(jì)與實(shí)現(xiàn)[通信與網(wǎng)絡(luò)][智能電網(wǎng)]

隨著智能電網(wǎng)建設(shè)的持續(xù)發(fā)展，智能用電領(lǐng)域也不斷發(fā)展。針對(duì)電力行業(yè)用戶端的需求，設(shè)計(jì)了一種基于Linux操作系統(tǒng)的電力網(wǎng)關(guān)。該網(wǎng)關(guān)采用AM335x作為處理器，運(yùn)用嵌入式編程實(shí)現(xiàn)網(wǎng)關(guān)相關(guān)功能，將智能電網(wǎng)用戶端電力設(shè)備的Modbus協(xié)議轉(zhuǎn)換成MQTT協(xié)議，再通過(guò)4G模塊將數(shù)據(jù)轉(zhuǎn)輸至云平臺(tái)。經(jīng)測(cè)試，該電力網(wǎng)關(guān)運(yùn)行穩(wěn)定高效，實(shí)現(xiàn)了傳統(tǒng)有線網(wǎng)絡(luò)和無(wú)線網(wǎng)絡(luò)的數(shù)據(jù)交互以及遠(yuǎn)程控制，滿足了電力行業(yè)用戶端的業(yè)務(wù)需求，同時(shí)為后期電力數(shù)據(jù)分析的數(shù)據(jù)來(lái)源提供了便捷途徑。

發(fā)表于：11/18/2020

為5G部署提速，華為發(fā)布5G微波長(zhǎng)距E-band創(chuàng)新解決方案[通信與網(wǎng)絡(luò)][5G]

11月16日，在MBBF2020上，華為發(fā)布5G微波長(zhǎng)距E-band創(chuàng)新解決方案，結(jié)合IBT智能波束跟蹤天線和高功率E-band，將E-band承載能力從20Gbps@3公里提升到20Gbps@5km，同時(shí)降低了站點(diǎn)部署的要求和限制，為5G部署提速。

發(fā)表于：11/18/2020

基于特征生成方法的Android惡意軟件檢測(cè)方法[測(cè)試測(cè)量][信息安全]

針對(duì)傳統(tǒng)特征工程中需要大量專家經(jīng)驗(yàn)和人力的不足，研究了基于特征生成方法的Android惡意軟件檢測(cè)方法?；赨C Berkeley的ExploreKit自動(dòng)特征生成方法，通過(guò)對(duì)原始特征計(jì)算獲得大量候選特征，根據(jù)候選特征的元特征預(yù)測(cè)其性能并進(jìn)行評(píng)估排序，使用貪心算法從中選出能夠提升模型性能的新特征。從APK中提取了敏感API、危險(xiǎn)權(quán)限等多種特征，在根據(jù)信息增益對(duì)特征進(jìn)行篩選后，輸入到特征生成框架中，使用C4.5、SVM和隨機(jī)森林等作為分類模型。實(shí)驗(yàn)證明，該方法使錯(cuò)誤率平均降低了24.6%，準(zhǔn)確率達(dá)到了96.5%，曲線下面積(Area Under Curve，AUC)達(dá)到了0.99。

發(fā)表于：11/17/2020

便攜式海水淡化系統(tǒng)設(shè)計(jì)[人工智能][工業(yè)自動(dòng)化]

針對(duì)小型漁船在海上缺少電力，難以支撐起大型海水淡化設(shè)備的問(wèn)題，設(shè)計(jì)一款環(huán)保型便攜式海水淡化系統(tǒng)。該系統(tǒng)以智能手機(jī)為上位機(jī)控制端，以STM32為主控制器的海水淡化系統(tǒng)為下位機(jī)，利用太陽(yáng)能風(fēng)能發(fā)電為系統(tǒng)電能驅(qū)動(dòng)，可實(shí)現(xiàn)智能控制設(shè)備、無(wú)線檢測(cè)系統(tǒng)電量，以及GPS定位以防止?jié)O船駛出經(jīng)濟(jì)專屬區(qū)，極大地克服了長(zhǎng)期喝蒸餾純凈水而造成微量元素缺失等弊端。實(shí)踐證明，該系統(tǒng)能有效地降低漁民出海帶淡水量，增加作業(yè)時(shí)長(zhǎng)，提高海船的續(xù)航力和自持力等，實(shí)現(xiàn)運(yùn)行效益的最大化。

發(fā)表于：11/17/2020

基于改進(jìn)CapsNet的色素性皮膚病識(shí)別的研究[通信與網(wǎng)絡(luò)][醫(yī)療電子]

皮膚病是醫(yī)學(xué)上的常見的、多發(fā)性疾病，因此皮膚檢測(cè)技術(shù)越來(lái)越受關(guān)注。卷積神經(jīng)網(wǎng)絡(luò)是常見的皮膚檢測(cè)方法，其模型結(jié)構(gòu)會(huì)丟失很多信息。CapsNet(膠囊網(wǎng)絡(luò))是在卷積神經(jīng)網(wǎng)絡(luò)之后的一種新的神經(jīng)網(wǎng)絡(luò)。CapsNet的矢量化特征能夠較好地表達(dá)空間關(guān)聯(lián)性，每一個(gè)capsule(膠囊)獨(dú)立地服務(wù)各自的任務(wù)。分析了CapsNet的基本結(jié)構(gòu)和主要算法，改進(jìn)了網(wǎng)絡(luò)模型從而避免過(guò)擬合現(xiàn)象發(fā)生，試圖基于改進(jìn)CapsNet針對(duì)預(yù)處理之后的皮膚圖像進(jìn)行識(shí)別，并與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的模型作對(duì)比。實(shí)驗(yàn)結(jié)果表明，使用改進(jìn)CapsNet對(duì)色素性皮膚病進(jìn)行識(shí)別可以有較好的識(shí)別效果，并且準(zhǔn)確率比傳統(tǒng)方法高出8%～10%。

發(fā)表于：11/17/2020

物聯(lián)網(wǎng)安全標(biāo)準(zhǔn)及防護(hù)模型研究概述[通信與網(wǎng)絡(luò)][物聯(lián)網(wǎng)]

伴隨物聯(lián)網(wǎng)技術(shù)與各垂直行業(yè)加速融合滲透，物聯(lián)網(wǎng)安全重要性日益凸顯。首先對(duì)物聯(lián)網(wǎng)安全挑戰(zhàn)的新特點(diǎn)進(jìn)行了總結(jié)，分析了物聯(lián)網(wǎng)安全威脅，對(duì)國(guó)內(nèi)外物聯(lián)網(wǎng)安全政策法規(guī)、標(biāo)準(zhǔn)發(fā)展和安全模型進(jìn)行了概述，最后對(duì)物聯(lián)網(wǎng)安全趨勢(shì)進(jìn)行了總結(jié)和展望。

發(fā)表于：11/16/2020

基于生成對(duì)抗網(wǎng)絡(luò)合成噪聲的語(yǔ)音增強(qiáng)方法研究[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

在語(yǔ)音增強(qiáng)領(lǐng)域，深度神經(jīng)網(wǎng)絡(luò)通過(guò)對(duì)大量含有不同噪聲的語(yǔ)音以監(jiān)督學(xué)習(xí)方式進(jìn)行訓(xùn)練建模，從而提升網(wǎng)絡(luò)的語(yǔ)音增強(qiáng)能力。然而不同類型噪聲的獲取成本較大，噪聲類型難以全面采集，影響了模型的泛化能力。針對(duì)這個(gè)問(wèn)題，提出一種基于生成對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Networks，GAN)的噪聲數(shù)據(jù)樣本增強(qiáng)方法，該方法對(duì)真實(shí)噪聲數(shù)據(jù)進(jìn)行學(xué)習(xí)，根據(jù)數(shù)據(jù)特征合成虛擬噪聲，以此擴(kuò)充訓(xùn)練集中噪聲數(shù)據(jù)的數(shù)量和類型。通過(guò)實(shí)驗(yàn)驗(yàn)證，所采用的噪聲合成方法能夠有效擴(kuò)展訓(xùn)練集中噪聲來(lái)源，增強(qiáng)模型的泛化能力，有效提高語(yǔ)音信號(hào)去噪處理后的信噪比和可理解性。

發(fā)表于：11/16/2020

移動(dòng)蜂窩網(wǎng)絡(luò)中D2D通信資源分配算法概述[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

Device-to-Device(D2D)通信是用于通信網(wǎng)絡(luò)中臨近設(shè)備間直接交換信息的技術(shù)。憑借有效提高頻譜利用率、減輕網(wǎng)絡(luò)負(fù)載、降低通信時(shí)延等特性，D2D技術(shù)已經(jīng)成為解決當(dāng)前高速流量增長(zhǎng)和海量設(shè)備接入的關(guān)鍵技術(shù)，其中資源分配作為D2D通信中的重點(diǎn)問(wèn)題之一，也正受到廣泛的研究和討論。首先對(duì)D2D通信技術(shù)進(jìn)行簡(jiǎn)介，其次重點(diǎn)介紹D2D通信中資源分配算法的研究現(xiàn)狀，最后總結(jié)研究中的重難點(diǎn)問(wèn)題，提出未來(lái)研究方向。

發(fā)表于：11/16/2020

A2B應(yīng)用面面觀[通信與網(wǎng)絡(luò)][工業(yè)自動(dòng)化]

縱觀歷史，會(huì)發(fā)現(xiàn)許多汽車行業(yè)利用相鄰和互補(bǔ)市場(chǎng)技術(shù)實(shí)現(xiàn)轉(zhuǎn)化的示例；工業(yè)、消費(fèi)電子和醫(yī)療健康行業(yè)只是其中幾個(gè)。從引進(jìn)采礦業(yè)的傳輸系統(tǒng)來(lái)實(shí)現(xiàn)汽車大規(guī)模生產(chǎn)的變革，到利用電子控制單元(ECU)的處理能力（該技術(shù)自30多年前首次運(yùn)用微控制器功能以來(lái)持續(xù)迅速發(fā)展），這種汽車行業(yè)借用技術(shù)轉(zhuǎn)化并充分發(fā)揮其優(yōu)勢(shì)的例子不勝枚舉?，F(xiàn)在，汽車行業(yè)也在回饋一項(xiàng)可以簡(jiǎn)化各種應(yīng)用中的音頻分配挑戰(zhàn)的技術(shù)。

發(fā)表于：11/14/2020