ZnO/C/TiO2复合纳米材料制备及其光催化性能

以金属有机骨架MOF-5为前驱体,在氮气气氛下高温处理得ZnO/C,通过水热法将ZnO/C负载到TiO2中获得ZnO/C/TiO2纳米复合光催化剂,对其晶体结构、形貌特征、成分等进行了表征,采用正交实验法考察了MOF-5处理温度、ZnO/C负载量、钛酸丁酯加入量对复合光催化剂催化降解甲基橙性能的影响. 结果表明,TiO2的比表面积为87.5 m2/g, ZnO/C/TiO2的比表面积为109.0 m2/g. 制备ZnO/C/TiO2的最佳条件为MOF-5处理温度600℃,ZnO/C负载量0.07 g,钛酸丁酯加入量1.5 mL. 甲基橙用紫外灯照射90 min,以TiO2为催化剂时降解率为62.1%,以ZnO/C/TiO2为催化剂时降解率达99.5%,光催化活性大大提高.     

基于自律计算的入侵容忍模型

针对当前入侵容忍系统缺乏自适应能力的问题,借鉴自律计算的思想,提出了一个自律容侵模型。利用自律反馈机制对网络连接的可信度进行实时分析,生成初始信度,并通过信度阈值的自主学习与调整实施动态信度优化,完成对可疑信息和可信信息的服务分流,实现对可疑连接的自律容忍。仿真结果表明,具有自律反馈机制的入侵容忍模型可以有效增强系统的自适应能力。     

计算机免疫应用研究

主要介绍了计算机免疫在网络安全方向的几个应用领域:生物启发的病毒检测、生物启发的入侵检测、生物启发的风险评估以及神经网络和遗传算法在入侵检测研究中的应用.首先介绍人体免疫系统的安全机制及特性;其次总结生物启发的病毒检测的相关工作及分布式计算机病毒免疫系统(distributed computer virus immune system, CVIS)的工作原理及系统结构;再次描述生物启发的入侵检测的研究现状及相邻比特匹配规则,简述生物启发的风险评估;然后阐述了神经网络在误用检测中的应用以及遗传算法的适应函数;最后指出计算机免疫的研究方向.     

新形势下的“计算机网络”教学研究与实践

"计算机网络"逐渐成为高校计算机专业的核心课程之一,但课程建设的起步相对较晚,而且不同高校的计算机专业对本课程的教学目标、内容、手段甚至重视程度有着不同的理解。本文总结了多年讲授"计算机网络"的心得和思考,从目标、内容及手段等方面探讨了如何提高"计算机网络"课程的教学质量以满足学生学习的多种需要,使得考试成绩和实践能力协调发展。     

可信网络连接中的可信度仿真评估*

可信网络连接(TNC)是对可信平台应用的扩展,也是可信计算机制与网络接入控制机制的结合。针对当前TNC研究中缺乏对网络连接进行定量评估的问题,提出了一种网络连接可信度仿真评估方法。该方法根据网络连接属性与评估值之间存在的非线性映射关系,利用BP网络模型及LM优化算法对网络连接可信度进行评估。仿真结果表明该方法具有较好的预测评估准确率。     

一种具有自律特征的入侵容忍系统模型

针对当前入侵容忍系统缺乏自律性的问题,提出一种基于自律计算的入侵容忍系统模型.系统模型关键模块涵盖了入侵行为的检测评估、自律管理者的自主学习与自律容侵中心的容侵措施;同时通过检测评估中心构建进程危险函数,产生入侵行为的危险函数值,由自律管理者动态比较和调整危险函数值与入侵阈值的关系,实现了对入侵行为的自律容忍.最后通过实验分析了系统对入侵行为的自律容侵过程.     

基于自律计算的系统服务可信性自优化方法

提出了一种基于Q学习的系统服务性能自优化方法.该方法通过感知网络系统的服务性能状态参数变化,利用前馈神经网络的非线性映射关系得到执行动作,综合系统服务性能变化情况及服务的可用性来计算环境奖赏函数值,利用Q学习的自学习特性和预测能力,使系统服务性能达到最优.仿真结果表明,该方法对优化系统整体可信性和服务效用具有明显的优越性.     

基于有向感知模型的无线传感器网络节点部署

针对随机部署的有向传感器节点,建立基于有向传感器节点的感知概率模型.采用分布式算法,通过节点间的联合感知概率移动有向传感器节点,提高待监测区域内目标点被感知到的概率.本文提出可移动的节点部署算法,该算法使用较少的节点实现对目标区域的合理覆盖,并提高总体覆盖效果.仿真结果表明,该算法有效地减少了有向传感器节点的使用,同时保证了较好的覆盖效果.     

一个基于自律计算的系统服务性能自优化机制

系统在遭受入侵或异常攻击的情况下,如何自治地为用户提供非降级服务是网络安全技术中的终极目标.结合鞅差逼近原理,提出了一个基于自律计算的系统服务性能自优化机制( self-optimization mechanism based on autonomic computing,SOAC).该机制能够根据先验自优化知识和内部环境参数信息,以自优化率极小和服务性能极大的要求发掘自优化函数的收敛趋势,实施动态自优化;之后更新最佳自优化模式集,建立并调节预测模型,完成静态自优化,提升自优化预测的精准度,两个层次彼此交互,实现动态变化环境中的系统服务性能自主增长过程,仿真实验结果验证了SOAC机制的有效性与优越性.