基于耦合系数的无标度网络模型(BA-S)的中心化研究

针对基于耦合系数的无标度网络演化模型中的节点进行中心化研究,首先对常用的中心化指标进行了分析,接着对经典的无标度(BA)模型和演化的BA-S模型中各节点的几种指标进行了累积概率分布研究,最后对两种模型的中心化程度和效率进行了中心化测试对比研究,结果证明,演化的BA-S模型较BA模型具有更强的鲁棒性以及抗故障的能力。     

发布区块链CNWW3标准的高并发快速交易及交易验证体系模型

当前去中心化区块链网络无论在学术界还是产业界都是非常值得关注的领域,已经有非常多的平台和应用,体现出了旺盛的生命力。去中心化区块链网络自身非常突出的优点,如安全性、数据唯一防篡改等特点,使得越来越多的传统的中心化服务有着向去中心化平台转移需求。但是现有去中心化区块链网络本身存在缺陷,特别是在TPS较低的情况下,存在无法承载现有中心化系统所提供的服务的问题。通过系统地讨论该问题并提出了整套机制,通过有效去中心化、交易分层和网络分片的组合机制,可以在保证去中心化区块链网络的安全性、扩展性和去中心化性上,极大地提高网络单位时间内处理事务的能力,从而能有效地支持传统中心化应用向去中心化平台转移,完成业务和技术的双重升级。本文研究基于区块链标准网络应用Web3. 0(ChainNetWork Web3. 0,CNWW3)模型标准。     

NOBEL: 一种基于拓扑信息与监督学习的蛋白质复合物识别方法

蛋白质复合物对于生物学家有效了解细胞组织和功能具有重要意义,如何通过计算方法从蛋白质-蛋白质相互作用(PPI)网络中识别复合物是当前研究热点之一。然而,由于PPI网络中存在大量假阴性和假阳性噪声数据且现有已知蛋白质复合物并不完整,使得如何克服PPI网络的噪声问题,以及更好地利用已知蛋白质复合物,成为蛋白质复合物识别亟待解决的关键问题。为此,该文提出一种基于蛋白质复合物拓扑信息,利用监督学习进行蛋白质复合物识别的算法(NOBEL)。首先,NOBEL根据蛋白质的生物信息和拓扑信息构建加权PPI网络,降低了网络中的噪声问题;然后,通过加权PPI网络和未加权PPI网络提取复合物拓扑信息作为特征,并根据提取的特征训练监督学习模型,使得监督学习模型能有效学习复合物蕴含的信息;最后,将训练好的模型应用于PPI网络识别蛋白质复合物。作者在四种真实PPI网络上进行了实验,实验结果表明,NOBEL与其他七种蛋白质复合物识别算法相比,在F-measure方面分别至少提高了4.39%(Gavin)、1.32%(DIP)、2.39%(WI-PHI_core)和2.34%(WI-PHI_extend)。     

基于主成分分析的代谢网络中心化

中心化分析有助于识别复杂网络中的重要节点,已经被广泛应用于代谢网络研究中。当前,人们已经提出了多种中心化指标,然而如何合理地综合使用它们是一个严峻的挑战。本文使用主成分分析来整合多种中心化方法。首先简单介绍了主成分分析的基本概念及其原理等,随后构造了人类代谢网络的巨强连通成分,并使用10种中心化指标计算了该模型中各代谢物的中心化值作为样本进行主成分分析。最后,我们以第一主成分为例,论证了主成分分析可以合理地整合多种中心化方法用于代谢网络研究。     

蛋白质相互作用网络演化模型研究进展

研究蛋白质相互作用网络的演化机制及模型对于理解生物系统的进化及组织形成过程具有重要的意义。到目前为止,已经出现了多种依赖不同演化机制的蛋白质相互作用网络演化模型,这些模型有针对性地体现了真实蛋白质相互作用网络中出现的某些拓扑特征,但同时也具有一定的局限性。通过对典型蛋白质相互作用网络演化模型进行研究,从模型的构建机理、演化模型及真实蛋白质相互作用网络的拓扑特征等方面进行了分析和比较,并总结了各个模型的特点。最后,对蛋白质网络演化模型的进一步发展提出了自己的看法,为深入理解蛋白质相互作用网络演化模型提供有益参考。     

深度残差网络的无人机多目标识别

传统目标识别算法中,经典的区域建议网络(RPN)在提取目标候选区域时计算量 大,时间复杂度较高,因此提出一种级联区域建议网络(CRPN)的搜索模式对其进行改善。此外, 深层次的卷积神经网络训练中易产生退化现象,而引入残差学习的深度残差网络(ResNet),能 够有效抑制该现象。对多种不同深度以及不同参数的网络模型进行研究,将两层残差学习模块 与三层残差学习模块结合使用,设计出一种占用内存更小、时间复杂度更低的新型多捷联式残 差网络模型(Mu-ResNet)。采用 Mu-ResNet 与 CRPN 结合的网络模型在无人机目标数据集以及 PASCAL VOC 数据集上进行多目标识别测试,较使用 ResNet 与 RPN 结合的网络模型,识别准 确率提升了近 2 个百分点。     

激酶与磷酸酶交互网络的中枢

蛋白激酶与磷酸酶是细胞信号转导途径中的最重要元素,最近出版了酵母的全局蛋白激酶与磷酸酶交互(KPI)网络。由于缺乏详尽的热力学参数,拓扑的(或结构的)分析方法被用于研究该网络,例如,度中心化指标被用于识别该网络中央的蛋白。但是,对真实世界的网络模型使用单一的中心化指标明显不合理,需要组合多种指标综合考虑。本文首先比较了14种不同的中心化指标,然后将它们应用于蛋白激酶与磷酸酶交互网络,最后确定了该网络的10个中央的蛋白并讨论了它们的生物学意义。     

节点重要性指标在加权网络中的应用

复杂网络的中心化有助于发现复杂网络中的重要节点,因而具有重要的应用价值。将中心化的研究推广到了加权网络,首先在一个小的加权网络模型上刻画了几种重要的中心化指标,通过定量分析,指出了不同中心化指标的特点;并将三种节点重要性指标应用于BBV网络,分别对这三种中心化指标最大的节点进行目标免疫,通过模拟病毒传播趋势,得出节点的强度指标对这种网络的传播影响最大。     

基于Web Service的蛋白质相互作用网络PSE

为了让蛋白质相互作用网络研究人员高效共享大量的生物实验数据和方便的利用与蛋白质相互作用网络相关的各种工具及方法,提出了一个基于Web Service的面向蛋白质相互作用网络PSE的方法.通过分析蛋白质相互作用网络研究的特点,指出面向蛋白质相互作用网络PSE需要基于Web Service技术.在此基础上,设计了面向蛋白质相互作用网络PSE的体系结构,体系结构符合SOA(service-oriented architecture)的标准要求,具有很好的可扩展性.实验结果表明了面向蛋白质相互作用网络PSE的有效性.     

区块链环境下电商消费者网络多子群混合增长模型构建及特性研究

为探究区块链环境下电商消费者行为的复杂网络特性,在对传统局域网络与BBV增长网络研究的基础上,针对区块链环境下电子商务消费者行为的特性,提出2个方面的创新优化： （1）建立基于声誉的有限信任共识机制; （2）构建基于去中心化特性的消费者社团交互选择的智能合约。将共识机制与智能合约融入多子群混合增长模型中,研究在特定参数下,区块链电商消费者网络在复杂网络结构方面的特性。实证研究表明：即使是在具有去中心化、去信任的区块链电子商务环境下,消费者网络依旧会呈现出节点幂律分布的特点和小世界特性。在多子群混合增长模型中,消费者社团划分明显,消费者之间会出现“富者愈富”的马太效应,但是与传统网络电子商务消费者网络相比,其社团结构则更为松散,具有反垄断的特性。实验表明,在该环境下消费者的消费行为更加自由与透明。     

深度区域网络方法的细粒度图像分类

目的 在细粒度视觉识别中,难点是对处于相同层级的大类,区分其具有微小差异的子类,为实现准确的分类精度,通常要求具有专业知识,所以细粒度图像分类为计算机视觉的研究提出更高的要求。为了方便普通人在不具备专业知识和专业技能的情况下能够区分物种细粒度类别,进而提出一种基于深度区域网络的卷积神经网络结构。方法 该结构基于深度区域网络,首先,进行深度特征提取任务,使用VGG16层网络和残差101层网络两种结构作为特征提取网络,用于提取深层共享特征,产生特征映射。其次,使用区域建议网络结构,在特征映射上进行卷积,产生目标区域;同时使用兴趣区域（RoI）池化层对特征映射进行最大值池化,实现网络共享。之后将池化后的目标区域输入到区域卷积网络中进行细粒度类别预测和目标边界回归,最终输出网络预测类别及回归边框点坐标。同时还进行了局部遮挡实验,检测局部遮挡部位对于分类正确性的影响,分析局部信息对于鸟类分类的影响情况。结果 该模型针对CUB_200_2011鸟类数据库进行实验,该数据库包含200种细粒度鸟类类别,11 788幅鸟类图片。经过训练及测试,实现VGG16+R-CNN （RPN）和Res101+R-CNN （RPN）两种结构验证正确率分别为90.88%和91.72%,两种结构Top-5验证正确率都超过98%。本文模拟现实环境遮挡情况进行鸟类局部特征遮挡实验,检测分类效果。结论 基于深度区域网络的卷积神经网络模型,提高了细粒度鸟类图像的分类性能,在细粒度鸟类图像的分类上,具有分类精度高、泛化能力好和鲁棒性强的优势,实验发现头部信息对于细粒度鸟类分类识别非常重要。     

混合无线网络容量及延迟性能的研究

混合无线网络是在Ad hoc网络中添加基站的新型网络模型，其容量是评估网络性能的重要参数。本文研究了混合无线网络的容量问题。首先建立了谊网络的网络模型，在考虑延迟时间的基础上提出一种新的路由策略，一定程度地保证了数据传输的实时性。在此基础上运用图论中数学计算的方法推导了混合无线网络容量数学期望的分析表达式，这是本文的重要结论，对于未来混合无线网络的设计与分析都具有指导意义。     

改进Faster R-CNN模型的CT图磨玻璃密度影目标检测

目的 针对Faster R-CNN （faster region convolutional neural network）模型在肺部计算机断层扫描（computed tomography，CT）图磨玻璃密度影目标检测中小尺寸目标无法有效检测与模型检测速度慢等问题，对Faster R-CNN模型特征提取网络与区域候选网络（region proposal network，RPN）提出了改进方法。方法 使用特征金字塔网络替换Faster R-CNN的特征提取网络，生成特征金字塔；使用基于位置映射的RPN产生锚框，并计算每个锚框的中心到真实物体中心的远近程度（用参数“中心度”表示），对RPN判定为前景的锚框进一步修正位置作为候选区域（region proposal），并将RPN预测的前景/背景分类置信度与中心度结合作为候选区域的排序依据，候选区域经过非极大抑制筛选出感兴趣区域（region of interest，RoI）。将RoI对应的特征区域送入分类回归网络得到检测结果。结果 实验结果表明，在新冠肺炎患者肺部CT图数据集上，本文改进的模型相比于Faster R-CNN模型，召回率（recall）增加了7%，平均精度均值（mean average precision，mAP）增加了3.9%，传输率（frames per second，FPS）由5帧/s提升至9帧/s。特征金字塔网络的引入明显提升了模型的召回率与mAP指标，基于位置映射的RPN显著提升了模型的检测速度。与其他最新改进的目标检测模型相比，本文改进的模型保持了双阶段目标检测模型的高精度，并拉近了与单阶段目标检测模型在检测速度指标上的距离。结论 本文改进的模型能够有效检测到患者肺部CT图的磨玻璃密度影目标区域，对小尺寸目标同样适用，可以快速有效地为医生提供辅助诊断。     

基于深度卷积神经网络的图像重建算法

视频或者图像在传输过程中,可能出现随机性的误码、突发性的误码、传输中的丢包等等,对解码出的图像数据也会有严重的影响.本文提出了基于深度学习的图像重建算法：一种基于图像背景预测生成模糊区域内容的无监督图像重建神经网络模型.为了重建出逼真的图像,神经网络模型需要既理解整个图像的内容,又为缺失的部分重构出一个合理的假设.损失函数包含标准像素级重建损失和对抗损失,在训练卷积神经网络模型时,能够更好地处理图像中的结构细节产生更清晰的结果.通过实验可以发现本文设计的深度卷积神经网络模型与基于样本插值的算法相比在图像重建中有着较好的效果.     

D2SNet: Dynamics of diffusion and dynamic human behaviour in social networks

In this paper, we present an original and formal framework, the D2SNet model designed to combine both the social network evolution and the diffusion dynamics among individuals. We have conducted experiments on three social networks that show identical characteristics as real social networks. A formal definition of the model is provided and we describe its implementation in a simulation tool. We represent human behaviors and information dissemination strategies by standard and synthetic scheme. In a first step, we study the impact of network growing strategies only and we highlight important parameters such as the evolution speed and mainly the kind of strategies that favour or not the spread. Then we study a more complete evolution strategy that involves link creation and deletion. We provide a deep analysis on the impact of each parameter such as evolution speed, creation and deletion probabilities and dynamic human behaviors on the diffusion amplitude and coverage. Our study gives a novel and useful insight in the diffusion process in a dynamic context.     

Adversarial Heterogeneous Network Embedding with Metapath Attention Mechanism

Heterogeneous information network (HIN)-structured data provide an effective model for practical purposes in real world. Network embedding is fundamental for supporting the network-based analysis and prediction tasks. Methods of network embedding that are currently popular normally fail to effectively preserve the semantics of HIN. In this study, we propose AGA2Vec, a generative adversarial model for HIN embedding that uses attention mechanisms and meta-paths. To capture the semantic information from multi-typed entities and relations in HIN, we develop a weighted meta-path strategy to preserve the proximity of HIN. We then use an autoencoder and a generative adversarial model to obtain robust representations of HIN. The results of experiments on several real-world datasets show that the proposed approach outperforms state-of-the-art approaches for HIN embedding.

     

网络安全的发展与研究

该文分析了网络安全问题的现状,在系统地介绍了网络安全系统的设计原则的基础上,提出了一种新的网络安全模型P2DR,并对网络安全的未来发展趋势进行了详细探讨.     

基于PKI和RBAC构建安全区域网络

计算机网络是信息社会最重要的基础设施。针对园区网络的安全控制问题,提出了基于公钥基础设施和基于角色的访问控制模型的区域网络安全模型,并说明了系统的工作过程和模型的特点。试验表明基于该模型的信息系统可提供高水平的安全服务。     

企业内外网信息安全的常见问题及应对建议

安全便利的计算机网络,是企业生产经营信息化的必要条件.本文对企业计算机内外网中常用的虚拟局域网隔离、访问权限隔离、移动存储介质等方法的安全隐患进行了分析.为应对各种隐患带来的数据泄密的威胁,我们建议内外网采用完全物理隔离的架构,同时使用完全物理隔离的双网计算机,并根据企业需要的安全等级使用相应的数据交换方式,监控和限制内网到外网的数据传递,确保企业经营活动具备安全可靠的网络和计算机环境.     

DEM: Deep Entity Matching Across Heterogeneous Information Networks

Heterogeneous information networks, which consist of multi-typed vertices representing objects and multi-typed edges representing relations between objects, are ubiquitous in the real world. In this paper, we study the problem of entity matching for heterogeneous information networks based on distributed network embedding and multi-layer perceptron with a highway network, and we propose a new method named DEM short for Deep Entity Matching. In contrast to the traditional entity matching methods, DEM utilizes the multi-layer perceptron with a highway network to explore the hidden relations to improve the performance of matching. Importantly, we incorporate DEM with the network embedding methodology, enabling highly efficient computing in a vectorized manner. DEM’s generic modeling of both the network structure and the entity attributes enables it to model various heterogeneous information networks flexibly. To illustrate its functionality, we apply the DEM algorithm to two real-world entity matching applications: user linkage under the social network analysis scenario that predicts the same or matched users in different social platforms and record linkage that predicts the same or matched records in different citation networks. Extensive experiments on real-world datasets demonstrate DEM’s effectiveness and rationality.