Geohash编码抗k近邻攻击的脆弱性分析

Geohash编码作为一种降维技术目前已应用于空间数据库和空间数据引擎中,但其安全性还有待进一步研究。文章关注Geohash编码存在的安全漏洞,从理论上分析了此种降维技术产生推理通道的原因,并提出一种基于k近邻查询的加密Geohash字段重构算法,通过观察大量k近邻查询响应中的明文信息进行统计推断并重构出加密Geohash的原始值。对加密兴趣点数据库进行重构实验,实验表明,观察到的查询响应数量越多,重构值的精确度越高。在Geohash编码精度为30 bit的情况下,当观察到100000到3000000次查询响应时,重构值与原始值平均误差为0.074%到0.015%。该实验揭示了Geohash编码在抵抗k近邻查询推理攻击方面的脆弱性及形成机理,将促进相关地理信息系统行业的安全应用与研究。     

基于互信息的多块k近邻故障监测及诊断

由于传统的k近邻故障监测不考虑过程的局部信息,只建立一个全局模型,因此提出一种基于互信息的多块k近邻故障监测方法。首先,考虑建模数据的非线性和非高斯等特性,基于变量间的互信息进行子块构建;然后,利用k近邻方法对每个子块进行建模与监测,子块中的k近邻模型反映了更多的过程局部特征;最后,将所有子块的监测结果通过贝叶斯推断方法进行融合,并采用基于马氏距离的故障诊断方法辨识故障源。通过对田纳西-伊斯曼过程和高炉炼铁过程中的应用仿真,监测结果表明所提方法的可行性和有效性。     

Novel Apriori-Based Multi-Label Learning Algorithm by Exploiting Coupled Label Relationship

It is a key challenge to exploit the label coupling relationship in multi-label classification (MLC) problems. Most previous work focused on label pairwise relations, in which generally only global statistical information is used to analyze the coupled label relationship. In this work, firstly Bayesian and hypothesis testing methods are applied to predict the label set size of testing samples within their k nearest neighbor samples, which combines global and local statistical information, and then apriori algorithm is used to mine the label coupling relationship among multiple labels rather than pairwise labels, which can exploit the label coupling relations more accurately and comprehensively. The experimental results on text, biology and audio datasets shown that, compared with the state-of-the-art algorithm, the proposed algorithm can obtain better performance on 5 common criteria.     

基于k-近邻域中心偏移的鲁棒性异常检测算法

针对大多数基于距离和密度的异常检测算法敏感于近邻参数k的问题,提出了一种鲁棒性异常检测标准——k-近邻域中心偏移异常因子(COOF).数据结点的k-近邻域中心位置会随着近邻参数k的变化而发生迁移,鉴于异常结点要比正常结点对k-近邻域中心位置偏移量的影响更大,通过累加因递增k而产生的偏移量来表征数据结点的异常程度,并在COOF基础上实现了鲁棒性的异常检测算法.通过综合数据和真实数据的实验仿真可知,COOF不仅对近邻参数k具有鲁棒性,而且相比基于距离的k最近邻算法、基于局部距离的异常因子和基于密度的局部异常因子具有更稳定且更准确的异常检测性能.     

基于散射光谱的材质分类识别研究

有效的甄别、掌握空间碎片的状态,是合理利用太空资源和在轨航天器规避风险的前提,为了安全、持续地开发和利用空间资源,基于散射光谱,使用夹角余弦和欧式距离嵌入K临近法(KNN-AC-ED),并与经典的朴素贝叶斯分类器作为对比,对实验室测得的空间碎片中常用的四种材质进行分类识别。分类识别的结果显示,KNN-AC-ED法比经典的朴素贝叶斯分类器总体分类精度高4%。研究表明:朴素贝叶斯分类器需要提取每个光谱曲线的三个特征,而特征提取费时费力;KNN-AC-ED法利用光谱线型和强度两种信息,不仅全面的反应了光谱的信息,且计算相对更快捷。通过对空间碎片常用材质的分类,为进一步研究空间碎片的尺寸、材质等信息提供一定的借鉴意义。     

基于距离约束稀疏/组稀疏编码的自动图像标注

为解决图像自动标注中的语义鸿沟问题,有效选择并利用图像特征,提出基于距离约束稀疏/组稀疏编码（distance constraint sparse/group sparse coding,DCSC/DCGSC）的2种特征选择算法,并分别应用到图像自动标注任务中。考虑到不同特征基相似性对图像语义相似性的贡献不同,定义了度量二者相关性的距离约束正则项。将该正则项分别集成到稀疏/组稀疏编码的特征选择模型中,使选择的特征在保证稀疏性/组稀疏性的同时,优先选择与语义相似性描述最接近的视觉特征基。利用在训练图像集中学习的特征权值,寻找测试图像的K最近邻（K nearest neighbor,KNN）图像,并通过标签转移实现图像标注。在Corel5K图像库上测试标注性能,集成多特征的DCGSC查准率、查全率和标注正确的关键词个数可达32%、34%和151,优于其他相关标注算法。而对于单特征图像,使用DCSC也能改善标注性能。可见,距离约束对特征选择和图像标注是有效的。     

Soft sensor modeling method based on hybrid model of nearest neighbor and neural network

Soft-sensing modeling can effectively solve the problems of large measurement lag, high price, and complex maintenance of online analytical instruments in the production process. At present, neural network based on data-driven is one of the main tools of soft sensor. In the process of modeling data collection, the collection of dominant variables is much more difficult than that of auxiliary variables, resulting in a large amount of unlabeled data. However, traditional soft sensor modeling methods ignore these unlabeled data and only use a small amount of labeled data for modeling, which has negative effect on the prediction accuracy of the model. To solve the problem of label missing, the nearest neighbor algorithm is used to pseudo label the unlabeled data. At the same time, a network structure is designed by combining convolution operation and gated recurrent unit neural network (GRU) to further utilize the unlabeled data, extract the dynamic feature from data at different time, and improve the prediction accuracy of the neural network. Finally, the method is applied to the prediction of propane concentration on the top of propylene distillation column. The results show that the model can solve the problem of label missing in the nonlinear dynamic system and has higher prediction accuracy.     

受限模糊网络可信近邻查询

针对不确定网络环境下的近邻查询问题,给出一种新的解决方法.将不确定网络建模为模糊图,定义模糊图中两点间的可信最短路径距离和可信最短路径期望距离,在可信距离基础上,提出模糊图可信近邻查询概念,并给出网络距离受限条件下的模糊图可信近邻查询算法和即时可信近邻查询算法.算法采用模糊模拟方法降低问题难度,使用网络距离约束缩小搜索空间,运用优先队列快速得到满足精度ε要求的可信近邻查询结果.算法的时间复杂度分别为O((2r +Ar)(e+nlgn)+hlgh+ lgn)和O(e+ (n+1)lgn).理论分析与实验结果表明,可信近邻查询算法能够从模糊角度解决不确定网络环境下的近邻查询问题.     

一种混合局部搜索算法的遗传算法求解旅行商问题

针对遗传算法容易产生早熟现象以及局部寻优能力较差的缺点,提出一种求解旅行商问题的高效混合遗传算法。该算法首先用加权最近邻法产生初始种群,对种群中相同的个体,用K-近邻法产生新的个体代替相同的个体,然后淘汰适应性较差的个体,用交叉操作产生新的个体,最后,对部分个体进行3-opt优化变异,对种群中优秀个体用改进的Lin-Kernighan算法进行优化。对TSPLIB中部分实例的仿真结果表明,所提出的混合局部搜索算法的改进遗传算法在求解TSP问题时可以高效地获得高质量的解。     

基于单神经元PID的WSNs邻居节点级功率控制算法

针对无线传感器网络(WSNs)中功率控制算法不能实时地调整节点功率和能量消耗较大等问题,提出了一种基于单神经元PID的邻居节点级功率控制算法.该算法结合WSNs传输功率模型,通过实时地控制邻居节点的数量,调整每个节点的功率,动态控制网络的能耗.仿真结果表明:该算法能根据网络连通性要求调整传感器节点的功率,实时性好,收敛速度快,有效地降低了网络的整体能耗.