基于领域驱动的MIS系统细粒度权限模型研究

权限管理是管理信息系统(MIS)中非常重要的组成部分,现有部分系统中的权限管理过于粗糙或混乱,无法实现较为完整细致的权限管理;而其它的权限管理方案理论虽好,但与当今主流的软件开发方式和框架不相符,且不具备可实现性,无法应用于实际开发的信息系统。为此本文基于领域驱动设计的思想,对传统的基于角色访问控制(RBAC)模型进行细化和改进,在此基础上构建一个基于领域驱动的MIS系统细粒度的权限模型,然后再实现该模型,以展示权限系统构建的全过程,从而给目前权限系统的开发提供一个较完善的解决方案。本文给出了权限实现的详细方法和技术。     

一种新的IP DiffServ over OBS网络体系结构

由于消除了网络中间层，并可以更好地应用先进的光技术，IP—over—WDM已经被认为是下一代全光互联网首选的网络结构。目前，光突发交换(OBS)正在作为一种在IP—over—WDM网络中理想的光骨干网交换方案进行研究。光突发交换(OBS)的基本思想是将控制信道和数据信道分离，并且融合了粗粒度光电路交换和细粒度光分组交换各自的优点以实现IP和WDM的有效结合。     

FGS视频均等质量流化算法

细粒度扩展编码(FGS:Fine-Granularity-Scalability)由于具有很强的灵活性和较好的视频流化性能已经被MPEG-4和H.26L等标准所采用。论文在相关研究的基础上,采用了基于滑动窗口的算法来进行FGS视频的均等质量流化。该算法通过FGS的失真模型,使用二分法对当前窗口中的所有帧进行速率分配。实验表明,该算法可以较好地实现速率的优化分配,使连续图像质量的变化更加平滑。     

MCL-YOLO：一种细粒度特定辐射源识别方法

特定辐射源识别（Specific Emitter Identification, SEI）广泛应用于电子对抗、频谱管控、无线网络安全等军民领域。针对传统SEI方法依赖先验知识、普适性差、细粒度任务难以精细识别的问题,首先,利用接收机组建采集系统,采集Wi-Fi辐射源信号的数字频谱余晖图数据,建立国内首个特定辐射源识别数据集;其次,提出关注目标局部细微特征的Mutual Channel Loss-YOLO(MCL-YOLO)网络模型,充分挖掘数字频谱余晖图三维信息,高度聚焦子类间微小差异,实现细粒度特定辐射源识别;最后,在Wi-Fi辐射源个体数据集（WFED）上进行对比实验验证。实验结果表明,MCL-YOLO在WFED上精确率（Precision, P）、召回率（Recall, R）、F1测度（F1-Score, F1）和均值平均精度（mean Average Precision, mAP）比YOLOv5s分别提高2.9%、2.5%、2.7%、1.1%。充分证明其能聚焦相似特征间的细微差异,提高模型在细粒度SEI任务中的有效性。     

融合图卷积和胶囊网络的内容感知排序推荐

为提升内容感知推荐算法的性能,提出一种基于排序学习融合胶囊网络和图卷积网络的内容感知推荐算法。构建图卷积网络学习文本特征并捕获非连续和长距离的语义信息,利用胶囊网络提取文本信息中的层次结构信息,融合这两个网络学习文本的细粒度特征;基于项目偏好排序和文本内容相关性排序,构建一个基于扩展BPR模型的联合似然函数损失函数,实现Top-N的排序推荐。真实数据集的实验结果表明,该算法有效提升了推荐性能。     

电子材料可控共享控制模型——基于政务联盟链

为解决现有电子材料共享方法中存在的访问权限不明、原有基于属性的访问控制方法不能完全满足需求、数据安全难保证等问题,提出一种基于政务联盟链的访问控制模型。明晰政务材料不同权限主体的划分方法,应对政务中存在的多头管理、权属不明的问题,并后续通过添加有序多重签名的方法保障各方权益;融合基于属性的访问控制方法和基于事务访问控制方法,满足材料共享应用细粒度化访问控制和动态事务响应的需求;通过改进的基于属性基的加密算法提升模型的整体安全性。算法评估表明,该模型在计算开销上整体优于现有算法,可实现政务链上细粒度化、动态化、安全可靠的电子材料“可控共享”应用。     

基于融合池化和注意力增强的细粒度视觉分类网络

细粒度视觉分类核心是提取图像判别式特征.目前大多数方法引入注意力机制,使网络聚焦于目标物体的重要区域.然而,这种方法只定位到目标物体的显著特征,无法囊括全部判别式特征,容易混淆具有相似特征的不同类别.因此,文中提出基于融合池化和注意力增强的细粒度视觉分类网络,旨在获得全面判别式特征.在网络末端,设计融合池化模块,包括全局平均池化、全局top-k池化和两者融合的三分支结构,获得多尺度判别式特征.此外,提出注意力增强模块,在注意力图的引导下通过注意力网格混合模块和注意力裁剪模块,获得2幅更具判别性的图像参与网络训练.在细粒度图像数据集CUB-200-2011、Stanford Cars、FGVC-Aircraft上的实验表明文中网络准确率较高,具有较强的竞争力.     

区块链环境下基于细粒度授权隐私保护的空间众包任务分配模型

物联网蓬勃发展促使空间众包广泛应用,其任务分配主要依赖中心化平台,而中心化服务器一旦受到分布式拒绝服务攻击,众包系统将完全瘫痪.此外,在众包应用中,任务分配的合理性,高昂的平台服务费,隐私保护策略也需要同时考虑.本文提出了一种区块链环境下的空间众包任务分配模型.利用去中心化的区块链取代原有的中心化平台,构建了投标分数阈值动态变化的拍卖模型进行任务分配,同时基于密文策略的属性加密实现细粒度授权,加强任务内容的隐私保护.本文在私有链下使用真实数据集进行试验,并与现存的空间众包模型做了对比分析,实验结果表明,本文提出的模型在任务分配时总路径更短,花费成本更低,更具有合理性.     

基于多视角融合的细粒度图像分类方法

细粒度图像分类的目标是区分同一个常见类下的不同子类,由于数据集往往存在较大的类内差异和较大的类间相似性,细粒度图像分类相比于传统图像分类具有更大的挑战性。以往工作中,基于组件的方法和基于注意力的方法致力于挖掘图像中的判别力区域,而忽视了用来区分易混淆类别的微弱差异。为了解决以上问题,本文提出了一个基于多视角融合的细粒度图像分类方法,包含两个分支,其中一个分支基于特征图挖掘图像的局部特征,另一个分支则学习图像的全局特征。同时引入一种嵌入损失,与传统多分类交叉熵损失函数结合增强特征的判别性,进而提升模型的分类性能。所提方法仅使用图像级标签,在CUB-200-2011,Stanford Cars和FGVC Aircraft这三个基准数据集上的分类准确率分别达到了88.3%,94.3%和92.4%,实验结果表明所提方法相比其它细粒度图像分类方法具有一定的优越性。      

基于时空约束密度聚类的停留点识别方法

轨迹停留点的识别是轨迹分析、出行活动语义挖掘的关键。针对基于密度聚类的停留点识别方法对时空信息的表达缺陷,提出新的时空约束停留点识别方法,在密度聚类中引入轨迹的间接时空特征表示,将具有时空相似性的轨迹点进行聚合;采用与聚类过程相统一的时空特征约束对轨迹簇进行细粒度识别。算法在进行约束的时候再次利用到聚类时候所用的输入数据特征,特征的充分利用提高了识别的准确率。实验结果验证了本文方法的有效性。