移动边缘计算中的时延和能耗均衡优化算法

为了提升移动边缘计算（MEC）网络中的任务卸载效用,提出了一种基于任务卸载增益最大化的时延和能耗均衡优化算法.通过分析通信资源和计算资源对时延和能耗这2种性能指标的制约关系,将原问题分解为联合发射功率子信道分配子问题和MEC计算频率分配子问题.通过Karush-Kuhn-Tucker条件,导出了最优的MEC计算频率闭式解.此外,提出了一种基于二分法的发射功率分配算法和基于匈牙利二部图匹配的子信道分配算法.仿真结果表明,提出的算法相比传统算法可以显著提升用户的任务卸载效用.     

智能动作标签在花样滑冰赛事场记中的应用探索

AI动作识别与体育赛事结合成为一个热点,产生了基于深度学习的体育视频智能动作标签这个未来具备高应用价值的研究领域。本文就花样滑冰项目智能动作标签研究方法及技术关键点,视频训练集、验证集、测试集发挥的作用,结合北京2022年冬奥会花滑赛事进行的测试数据、分析,指出了下一步努力的方向,同时对未来基于动作标签的业务场景进行了展望。     

一种信息中心移动自组网中的数据访问控制机制

针对信息中心移动自组网场景中节点间间歇连接和网内泛在缓存的特点,提出一种基于门限秘密共享机制的数据访问控制机制.通过构建辅助密钥块,降低了消费者解密的开销和网络节点的存储资源消耗.同时,通过引入双变量单向函数,保障了消费者子秘密份额的唯一性,减少了消费者侧秘密份额管理所带来的空间开销.仿真和理论分析结果表明,该机制显著降低了消费者侧的解密开销,良好地适应了信息中心移动自组织网络场景.     

水下无线光通信中MIMO技术研究现状

水下无线光通信(UWOC)具有大容量和高速率等优势,然而受水下复杂环境和光学器件带宽的影响,实际通信范围和传输速率受到制约。多输入多输出(MIMO)技术将空间单流数据转换为多流数据并行传输,可以扩展UWOC的通信距离,缓解水下吸收、散射效应和湍流引起的通信性能下降,因而受到广泛关注。基于此,文章围绕UWOC中的MIMO技术,分析和总结了MIMO-UWOC的信道模型、研究现状、实验装置与原型以及发展趋势与展望。     

BOOM-KV:基于RDMA的高性能NVM键值数据库

随着英特尔傲腾数据中心持久化内存模块(DCPMM)开始进入市场以及远程直接内存访问(RDMA)硬件成本的降低,设计融合非易失性内存(NVM)和RDMA的键值(KV)数据库面临新的机遇和挑战。构建基于NVM和RDMA的KV数据库的关键在于设计一个高效的通信协议。遗憾的是,现有工作或采用NVM不感知的RDMA协议,或采用低效的NVM感知的RDMA协议,这导致它们无法最大化KV数据库的性能。本文提出了BOOM协议——一种新型的NVM感知的RDMA协议。相较于NVM不感知的协议,BOOM协议允许直接对远端NVM进行RDMA操作,消除了冗余的数据拷贝;相较于现有的NVM感知的协议,它可以显著减少元数据请求,降低KV请求的端对端延迟。在BOOM协议的基础上构建了BOOM-KV,并针对服务端中央处理器(CPU)利用率和宕机持久化等问题进一步进行优化。将BOOM-KV与最新的研究成果进行对比,结果表明,BOOM-KV能显著降低请求延迟,其中PUT延迟最大降低了42%,GET延迟最大降低了41%,并且展现出良好的扩展性。     

基于局部感知的车辆重识别算法

针对车辆重识别技术中难以通过全局外观特征准确识别不同车辆之间细微差异性的问题,提出一种基于局部感知的车辆重识别算法(local-aware based vehicle re-identification,LVR)。获取全局宏观特征以保留图像的上下文信息;利用空间变换网络的对齐模块对车辆图像进行分块,获取车辆局部细节信息;采用由粗到细的关键点检测方法获取局部关键点特征。在两个大型车辆数据集(即VeRi和VehicleID)上的评估结果表明,该算法具有较好的重识别效果。     

网络行为仿真综述

网络行为描述了网络上各类元素对象动态交互过程.它以各类网络服务协议及应用为运行载体,形成不断变化的丰富多样的网络行为,反映出网络拓扑结构给定时间内网络上的场景特点.网络行为仿真主要包括运行框架、背景流仿真、前景流仿真,将生产网络环境下网络行为按需映射到测试网络环境,提供一种按需灵活定制仿真再现能力.网络仿真应用场景不断发展,包括性能分析评估、产品和技术验证、网络入侵检测、网络攻防演练与研究发展等.为总结现有研究成果和存在的不足,分析未来发展趋势,梳理了网络行为仿真的相关概念和研究框架,从框架、背景流、前景流等技术层面总结了网络行为仿真的国内外研究现状,并对相关商业产品和开源软件工具进行了系统地分析调研,最后对网络行为仿真的未来发展进行了展望.     

基于自监督图对比学习的视频问答方法

视频问答作为一种跨模态理解任务,在给定一段视频和与之相关的问题的条件下,需要通过不同模态语义信息之间的交互来产生问题的答案.近年来,由于图神经网络在跨模态信息融合与推理方面强大的能力,其在视频问答任务中取得了显著的进展.但是,大多数现有的图网络方法由于自身固有的过拟合或过平滑、弱鲁棒性和弱泛化性的缺陷使得视频问答模型的性能未能进一步提升.鉴于预训练技术中自监督对比学习方法的有效性和鲁棒性,在视频问答任务中利用图数据增强的思路提出了一种图网络自监督对比学习框架GMC.该框架使用针对节点和边的两种数据增强操作来生成相异子样本,并通过提升原样本与生成子样本图数据预测分布之间的一致性来提高视频问答模型的准确率和鲁棒性.在视频问答公开数据集上通过与现有先进的视频问答模型和不同GMC变体模型的实验对比验证了所提框架的有效性.     

匿名网络综述

匿名网络旨在公开网络环境中保护用户通信隐私.自Chaum提出Mix网以来,相关研究在几十年中不断取得进展.如今,匿名网络已发展成以Mix网、DC网或PIR (private information retrieval)为基础,并结合多种设计要素,使之适用于各种应用场景和威胁模型.从匿名概念出发,介绍匿名网络领域的发展情况,分类阐述代表性研究工作及其设计选择,并系统地从匿名性、延迟和带宽开销等角度进行分析.     

基于空间语义信息特征融合的目标检测与分割

高质量的特征表示可以提高目标检测和其他计算机视觉任务的性能.现代目标检测器诉诸于通用的特征金字塔结构以丰富表示能力,但是他们忽略了对于不同方向的路径应当使用不同的融合操作,以满足其对信息流的不同需求.提出了分离式空间语义融合（separated spatial semantic fusion,SSSF）,它在自上而下的路径中使用通道注意模块（channel attention block,CAB）来传递语义信息,在自下而上的路径中使用具有瓶颈结构的空间注意模块（spatial attention block,SAB）来通过较少的参数和较少的计算量（相比于直接利用不降维的空间注意模块）将精确的位置信号传递到顶层.SSSF十分有效,并且具有很强大的泛化能力：对于目标检测,它可以将AP提高1.3%以上,对于自上而下的路径进行语义分割的融合操作,它可以将普通加和版本的AP提高约0.8%,对于实例分割,所提方法能够在所有指标上提高实例分割的包围框AP和掩膜AP.