CMM实践中的分布式软件工程管理框架

分布式计算机体系结构的进展,使得客户/服务器软件工程被分布式软件工程所代替。CMM(CapabilityMaturityModel)已被软件组织所认识和重视,CMM实践中的软件工程的管理机制是软件质量保障的关键因素。该文介绍一种符合CMM思想、支持CSCW、适合分布式系统结构的管理框架,通过CMM角色定义、过程定义、过程流与文档流的管理以及对CMM角色行为的协同控制,帮助软件企业有效地控制软件过程、增强开发效率、改进软件产品质量。     

一个基于分布式多层结构的安全应用系统的实现

给出了基于以COM/DCOM/COM 分布式对象技术为核心的分布式多层体系结构的、具有强大安全保障机制的公文系统的设计及实现方法 ,并介绍了系统的安全机制。     

活动流程查看器的研究与实现

介绍了基于CMM和ISO 90 0 0族标准的分布式协同软件质量保障平台的工作过程和主要思想 ,以及平台中活动流程查看器的设计思想和实现方法     

车载自组网无证书条件隐私保护认证方案

车载自组网（VANET）在共享交通数据、提升行车效率、减少交通事故等方面具有明显优势,对智能交通系统的构建至关重要。与此同时,车与车之间、车与基础设施之间的安全通信,车辆的隐私保护（如身份隐私、位置隐私）,交通消息的高效认证等问题亟待解决。为了实现安全性和效率的平衡,首先,分析并证明最近提出的方案——条件隐私保护无证书聚合签名方案（CPP-CLAS）不能抵抗公钥替换攻击;其次,在此基础上提出一种新型VANET无证书条件隐私保护认证方案,方案中的车辆在申请部分私钥时不依赖安全信道,并采用聚合认证和批量认证技术批量验证签名;最后,在随机预言机模型下证明了所提方案具有不可伪造性。性能分析表明,与同类型方案相比,所提方案在没有增加验证开销的基础上,将签名阶段的计算效率至少提升了66.76%,通信带宽需求至少降低了16.67%,验证了该方案更加适用于资源受限的VANET。     

适用于物联网环境的无证书广义签密方案

无证书广义签密方案不仅可以解决证书管理和密钥托管问题,而且可以根据实际需求分别作为加密方案、签名方案或签密方案,在资源受限的物联网环境中具有广泛的应用场景。但是,通过具体的攻击方法证明Karati等的方案不能抵抗伪造攻击,文中总结了攻击者成功伪造的原因。针对上述问题,提出了一种无双线性配对的无证书广义签密方案,并在随机预言模型下基于计算性Diffie-Hellman问题和离散对数问题对该方案进行了安全性证明。性能评估结果表明,与现有方案相比,该方案在计算代价及通信开销方面具有优势,适用于资源受限的物联网设备之间数据的安全传输。     

一种新的基于身份的认证密钥协商协议

设计一种能够提供PKG前向安全的基于身份的认证密钥协商协议,在标准模型中证明其具有已知密钥安全、完美前向安全、抗密钥泄露伪装攻击等安全特性。该协议的安全性建立在BDDH假设的基础上,与安全性建立在其他困难问题基础上的同类协议相比,其运算效率相当,安全性更高。     

多任务学习的不平衡SVM+算法

处理不平衡数据分类时,传统支持向量机技术（SVM）对少数类样本识别率较低。鉴于SVM+技术能利用样本间隐藏信息的启发,提出了多任务学习的不平衡SVM+算法（MTL-IC-SVM+）。MTL-IC-SVM+基于SVM+将不平衡数据的分类表示为一个多任务的学习问题,并从纠正分类面的偏移出发,分别赋予多数类和少数类样本不同的错分惩罚因子,且设置少数类样本到分类面的距离大于多数类样本到分类面的距离。UCI数据集上的实验结果表明,MTL-IC-SVM+在不平衡数据分类问题上具有较高的分类精度。     

基于REESSE3+算法的改进算法

REESSE3+算法是苏盛辉教授于2014年提出的一个8轮迭代的分组密码算法。本文在REESSE3+算法的基础上做出了一些改进,提出了一种新的改进算法。由于REESSE3+算法受到了来学嘉教授提出的IDEA算法的启发,采用了3个不相容的群运算来保证其安全性,因此采用来学嘉教授提出的马尔科夫密码模型来对REESSE3+(16)算法和16位输入的改进算法进行比较。通过实验发现,在面对差分攻击时,16位输入的改进算法比原REESSE3+(16)算法更加安全。     

自适应权重多视角度量学习的遥感图像场景分类方法

遥感图像易受光照和气象条件等干扰因素的影响,且随着遥感设备分辨率的提高,遥感图像中出现了更多的地表细节的问题.为了提高遥感图像的场景分类的准确度,提出一种自适应权重多视角度量学习方法.首先使用多个视角下的数据特征学习具有分辨力的度量空间,使在度量空间内同类图像紧凑,异类图像尽可能地远离;然后引入权重向量,在度量学习的过程中自适应地调节各视角间的权重关系;最后利用核技巧扩展至非线性空间,更有效地挖掘隐藏于视角间的关联和互补信息.在Google和WHU-RS遥感图像数据集上的实验结果表明,该方法具有良好的分类性能,平均分类准确率分别达到90.26％和92.62％,显著优于对比的单视角和多视角分类方法.