一种内网端点安全系统的设计

当前很多企业部署了内部网络,并将内网作为信息发布和共享的平台,确保内网安全和端点安全的要求与日俱增,随着攻击工具和手段的日趋复杂多样,传统的防范手段已不能保证内网安全和端点安全。文章针对端点安全,研究了对非安全网络端点的识别和隔离方法,提出了一种内网端点安全系统的设计方案,基于现有网络设备和标准协议,可实现入侵检测和访问控制的功能,成本较低、结构简单、管理方便。     

高速／变速跳频同步技术

跳频通信具有很强的抗干扰、抗衰落、抗截获能力。跳频速率、跳频带宽和跳频频点数是跳频通信主要的性能参数,而跳频同步则是跳频通信的关键技术。为了提高抗干扰能力,必须采用较高的跳频速率,采用可靠快速的跳频同步方法。以DSP＋DDS为支撑的宽带高速／变速跳频系统的跳频器可输出直接射频调制信号。基于相关码联合差错控制的快速跳频同步方法,有较短的初始同步时间及迟入网进入时间,具有较强的抗噪声干扰性能。     

路由侦测技术在共路信令上的实现

目前在调度通信网中,由于电话调度业务的特殊需求,调度业务要求在较差的通信环境下能够成功地进行呼叫。路由侦测技术可以有效地提高呼叫成功率,满足电话调度业务的需求。文中结合调度机大多采用共路信令作为局间信令的实现,描述了路由侦测技术在共路信令上的实现和应用。首先给出了路由侦测技术的实现技术和方法,然后提出应用路由侦测技术的局限性并给出解决方案。     

录音接口在程控交换系统上的实现

目前对程控交换机的录音主要是由外置录音系统通过并线的方式来实现,这种录音方式的前提是被录设备接口必须是标准接口设备,否则录音就很难实现。本文在程控交换机上的实现了一个标准录音接口,通过该接口可以实现标准录音系统对非标设备的录音。本文还通过分析录音的构成要素,借助智能网基本呼叫模型阐述了该技术的实现原理。     

RoR开发框架研究

近年来,随着Web应用的逐渐普及和需求的多样化,现有的Web应用开发框架已经不能满足开发者的需求,开发者们迫切需要一款能够简化开发过程、降低开发难度、提高开发效率的框架。而Web应用开发框架Ruby on Rails（RoR）的突起在极大程度上满足了这种需求。在简要介绍了RoR开发框架以及涉及到的关键技术的基础上,着重在框架性能上提出了改进的解决方案。     

低杂散低相噪频率合成器的设计

DDS＋PLL是目前频率合成技术的常用组合方式之一。首先就DDS＋PLL的几种常用合成方式的特点进行了简单介绍．然后着重利用DDS激励PLL的混频合成方式,实现了一种低杂散低相噪的频率合成器的设计。设计中首先在理论分析的基础上选出了合理的设计方案,然后对各项指标进行了可行性分析,尤其对输出相位噪声和组合杂散进行了详尽的阐述。最终通过理论分析,合理的选取时钟频率巧妙地避开了近端的杂散,用试验结果证明了该方案的可行性。     

嵌入式系统中Flash文件系统算法

主要论述了管理NANDFlash系统中直接寻址的算法实现,提出了建立节点树,底层节点动态位宽等概念,实现对不同类型闪存进行灵活可变的直接寻址,通过建立页数组实现增大文件系统的直接寻址范围也做了简要介绍.     

基于间歇控制的不确定主从Lur’e系统的指数同步

研究了不确定主从Lur’e系统的问歇控制同步问题．运用Lyapunov稳定性理论和S-过程,首先推导出保证标称主从Lur’e系统指数同步的一个充分条件．在此基础上进一步得到了具有范数有界不确定性主从Lur’e系统鲁棒指数同步的结果．这些同步判据以矩阵不等式的形式给出．另外我们还提出了一种最小化性能指标的优化策略．最后,通过两个数值例子验证了结果的有效性．     

FBMC系统改进序列算法的定时同步技术

为提高滤波器组多载波（Filter Bank Multicarrier,FBMC）系统在低信噪比下的定时同步准确率和抗频偏性能,基于FBMC系统与正交频分复用（Orthogonal Frequency Division Multiple,OFDM）系统的相似性,对OFDM系统定时同步中的Park测度函数进行改进并引入到FBMC系统中。利用共轭对称结构能够提高定时精度和加权处理能够更好地抵抗频偏影响的特点设计同步序列,进行共轭对称和加权处理。仿真结果表明,基于改进序列的Park算法相较共轭对称序列的TR1算法,其信噪比提前3 dB达到了100%定时准确率,实现了低信噪比下的高精度定时同步,且具有更强的抗频偏性能;相较原Park算法,相同信噪比下,改进序列的Park算法的频偏均方差（Mean Square Error,MSE)也小于原Park算法的频偏MSE,抗频偏性能表现更优。     

联邦学习中的隐私保护技术研究综述

近年来,联邦学习成为解决机器学习中数据孤岛与隐私泄露问题的新思路。联邦学习架构不需要多方共享数据资源,只要参与方在本地数据上训练局部模型,并周期性地将参数上传至服务器来更新全局模型,就可以获得在大规模全局数据上建立的机器学习模型。联邦学习架构具有数据隐私保护的特质,是未来大规模数据机器学习的新方案。然而,该架构的参数交互方式可能导致数据隐私泄露。目前,研究如何加强联邦学习架构中的隐私保护机制已经成为新的热点。从联邦学习中存在的隐私泄露问题出发,探讨了联邦学习中的攻击模型与敏感信息泄露途径,并重点综述了联邦学习中的几类隐私保护技术：以差分隐私为基础的隐私保护技术、以同态加密为基础的隐私保护技术、以安全多方计算（SMC）为基础的隐私保护技术。最后,探讨了联邦学习中隐私保护中的若干关键问题,并展望了未来研究方向。