基于贝叶斯攻击图的SDN安全预测方法

现有研究者采用威胁建模和安全分析系统的方法评估和预测软件定义网络（software defined network, SDN）安全威胁,但该方法未考虑SDN控制器的漏洞利用概率以及设备在网络中的位置,安全评估不准确。针对以上问题,根据设备漏洞利用概率和设备关键度结合PageRank算法,设计了一种计算SDN中各设备重要性的算法;根据SDN攻击图和贝叶斯理论设计了一种度量设备被攻击成功概率的方法。在此基础上设计了一种基于贝叶斯攻击图的SDN安全预测算法,预测攻击者的攻击路径。实验结果显示,该方法能够准确预测攻击者的攻击路径,为安全防御提供更准确的依据。     

面向SDWSN的分布式高效熵节能分簇路由算法

为提高软件定义无线传感器网络（software defined wireless sensor network,SDWSN）的寿命并降低数据传输能耗,设计一种基于萤火虫算法（fireflyalgorithm,FA）和生物地理学优化（biogeography-based optimization,BBO）的混合优化算法,并基于该混合优化算法,设计一种分布式高效熵节能分簇路由算法（distributed high-efficiency entropy energy-saving cluster routing algorithm,DHEEC）,将能量熵和混合优化算法用于簇头选择。仿真结果表明,混合优化算法在标准函数上的表现优于其他算法,DHEEC的10%节点死亡轮数比IFCEER提高了约41.05%,比DEEC-FA提高了约13.89%,并提高了能量利用率。     

基于LSTM流量预测的路由规划和切换

摘 要：随着近年网络技术的不断发展和演进，用户对网络资源的需求体量越来越大，内容越来越复杂，传统的网络架构很难满足当前灵活的网络需求。软件定义网络的革命性技术思想赋予了网络可编程性和可演进性，实现网络资源更灵活的管理。为了提高网络资源利用率，提出了基于LSTM模型的流量预测，为路由规划提供理论依据。通过提前预测网络流量，在流量激增之前进行防御措施保证网络的安全性和稳定性。实现基于流量预测的路由规划、无损路径切换等功能。     

基于学生知识追踪的多指标习题推荐算法

个性化习题推荐是教育信息化时代的重要课题，传统的习题推荐算法忽略了学生在学习过程中的遗忘规律，未能充分挖掘学生的知识掌握水平和相似学生的共性特征，推荐习题的评价指标单一，推荐习题的新颖度和多样性不足，不能合理地促进学生对新知识的学习或帮助学生查缺补漏。针对上述缺陷，提出一种基于学生知识追踪的多指标习题推荐方法，该方法分为习题初筛和再过滤两个模块，围绕习题推荐的新颖度、难度以及多样性 3 个指标展开研究，首先构造了一个结合学生遗忘规律的知识概率预测（student forgetting behavior based knowledge concept coverage prediction，SF-KCCP）模型，保证推荐习题的新颖性；接着基于动态键值的知识追踪（dynamic key-value memory networks for knowledge tracing，DKVMN）模型精准挖掘学生的知识概念掌握水平，以保证推荐合适难度的习题；最后将基于用户的协同过滤（user-based collaborative filtering，UserCF）算法融入再过滤模块，利用学生群体之间的相似性实现推荐结果的多样性。通过大量的实验证明，所提方法比一些现有的基线模型取得了更好的性能。     

2D/3D多模态医学图像配准算法研究

2D/3D多模态配准在医学影像导航手术中起着重要作用,主要用于提供术前三维图像和术中二维图像的实时信息,帮助医生精准定位病灶,规划手术路径,从而提高手术的安全性和效率。提出了一种2D/3D多模态医学图像配准算法,首先利用Swin Transformer优秀的特征提取能力,构建了初始姿态估计模型,实现姿态参数的快速预测;接着,为了提升整个配准方法的鲁棒性,引入基于Grangeat关系的粗配准方法;最后设计了基于梯度下降的精配准模块,以提升整个配准过程的精确性,且在该模块将Sobel微分算子与归一化互相关结合,提升了参数优化过程中的灵敏度。实验结果表明,所提配准方法在正位和侧位配准中的误差满足配准要求,配准成功率有显著提升。     

融合混合嵌入与关系标签嵌入的三元组联合抽取方法

三元组抽取的目的是从非结构化的文本中获取实体与实体间的关系，并应用于下游任务。嵌入机制对三元组抽取模型的性能有很大影响，嵌入向量应包含与关系抽取任务密切相关的丰富语义信息。在中文数据集中，字词之间包含的信息有很大区别，为了改进由分词错误产生的语义信息丢失问题，设计了融合混合嵌入与关系标签嵌入的三元组联合抽取方法（HEPA），提出了采用字嵌入与词嵌入结合的混合嵌入方法，降低由分词错误产生的误差；在实体抽取层中添加关系标签嵌入机制，融合文本与关系标签，利用注意力机制来区分句子中实体与不同关系标签的相关性，由此提高匹配精度；采用指针标注的方法匹配实体，提高了对关系重叠三元组的抽取效果。在公开的Du IE数据集上进行了对比实验，相较于表现最好的基线模型（Cas Rel）,HEPA的F1值提升了2.8%。