基于零知识交互式证明和Bayesian信誉网的小世界P2P模型

针对当前P2P(Peer-to-Peer)系统在网络拓扑和信誉评估机制结合方面的不足,设计一种基于角色和信誉访问控制机制的可信小世界P2P(SW-R2P)模型.模型使用零知识交互式证明(ZKIP)算法,在不传输节点身份相关信息的前提下安全地验证对等节点的组信息,并以此作为构建小世界网络拓扑的基础.通过Bayesian信誉网对节点和组的多方面信誉进行评估,从而影响节点的各种操作和组之间连接的建立.仿真实验结果表明,SW-R2P模型在资源查找成功率、网络聚合度以及节点信誉偏差等方面的性能优于Chord和R2P模型.SW-R2P模型结合了ZKIP算法、Bayesian信誉网和小世界拓扑的优势,实现了一种可信、安全和高效的P2P网络架构.     

具有隐私保护的车联网空间众包任务分配方法

为了解决传统车联网空间众包中集中式空间众包服务器不可信和易遭受攻击给用户隐私带来极大威胁的问题,提出区块链架构下具有隐私保护的车联网空间众包任务分配方法. 基于区块链技术,设计分布式可信的车联网空间众包系统. 采用多密钥全同态加密算法实现任务分配,支持对不同车辆用户 (密钥) 的密文数据进行任务分配,降低隐私泄露的可能性. 实验分析表明,采用该方法能够有效地保护用户隐私信息,任务分配的计算时间开销与现有研究方法相比下降了34.3%,提高了任务分配的效率.     

基于多层Bayesian信任网的P2P负载均衡模型

针对基于信誉机制的P2P(Peer-to-Peer)网络中的负载不均衡现象,提出一种基于多层Bayesian信任网的P2P负载均衡模型,介绍了如何在Bayesian信任网中引入多种负载指标以及它们之间的各种关联,并且使用该结构预测P2P网络中各服务节点的负载,使整个网络达到负载均衡.对包含负载指标的多层Bayesian信任模型和动态负载模型进行了实验比较.实验结果表明:基于Bayesian信任网的P2P网络负载均衡模型运用节点的历史交互信息,结合Bayesian预测理论,影响资源请求节点选择服务节点,实现P2P负载的有效均衡,确保整个P2P网络资源利用的高效性、节点服务的可靠性以及整个网络的稳定性.     

一种基于位置服务的动态虚拟交通诱导系统

交通诱导系统将经过处理的交通状态数据发布在公共平台上,供人们作为选择路径的参考。在一定时间内用户接收过多的信息,不仅影响到所需信息的辨别率,而且分散驾驶员的注意力,从而产生安全隐患。针对该问题,采用交通路网动态规划方法,提出一种基于位置服务的动态虚拟交通诱导系统,利用用户所处环境数据以及地图匹配算法提高用户定位精度;通过交通路网动态规划,过滤多余的道路交通状态信息,精简发布信息量;运用数据交换层技术以及坐标转换算法,扩大系统在移动设备上的适用范围,提高交通状态信息的发布效率。实验结果表明,该系统定位准确率达到95%以上,平均减少了70%的信息发布量。     

面向服务外包人才培养的CDIO公共实训模式改革

针对浙江省服务外包产业发展现状和专业人才培养的不足,结合当前国际上教育流行的基于项目的学习模式CDIO,提出基于CDIO的服务外包方向学生实训模式改革。介绍该模式通过全方位的校企合作,创新高校专业人才培养,设计"可定制式"和"流水线式"项目实训,并构建公共实训平台进行资源共享。实践证明,该模式在杭州师范大学杭州国际服务工程学院的实践,为全省高校和服务外包企业提供了优质、高效、创新的实训服务,取得了较好的成果。     

区块链架构下具有条件隐私的车辆编队跨信任域高效群组认证研究

为了均衡车辆编队跨信任域身份认证的安全和效率,提出了区块链架构下具有条件隐私的车辆编队跨信任域高效群组认证方案。设计了面向车辆编队身份认证的新型区块结构BM-Tree,通过多信任域间链上认证参数共享为跨信任域群组认证提供支撑;采用动态匿名进行车辆身份隐私保护,通过双线性映射进行信任域参数变换,实现了具有条件隐私的跨信任域群组认证;提出了基于BM-Tree的高效群组认证协议,实现了车辆编队批量身份认证和重认证。所提方案在安全性和计算开销方面明显优于现有跨信任域认证方法,相比BLA、MDPA和BBA,整体认证时延平均减少了29%、25%和53%。     

基于层次分析法的车联网多因素信誉评价模型

针对车联网（VANETs）场景下存在的恶意车辆节点和虚假信息的问题,提出基于层次分析法（AHP）的车联网多因素信誉评价模型. 该模型综合考虑车辆行为、消息、环境等因素对车辆节点信誉的影响,建立车辆信誉评价模型;面向多应用场景信息（安全行驶、交通管理、商业娱乐）,使用层次分析法量化各因素及不同类型信息对车辆信誉的影响程度;基于反馈机制根据信息的不同类型进行车辆节点的信誉更新,实现车联网车辆的信誉评估. 实验表明,该模型在恶意车辆节点达到25%的情况下,车辆决策正确率能够达到92%以上. 该方案能够有效防止车辆接收虚假信息,准确检测出网络中的恶意车辆节点,提高车辆接收信息的可信度.     

基于强化学习的多路口可变车道协同控制方法

为了解决传统的可变导向车道控制方法无法适应多路口场景下的复杂交通流的问题,提出基于多智能体强化学习的多路口可变导向车道协同控制方法来缓解多路口的交通拥堵状况. 该方法对多智能体强化学习 (QMIX)算法进行改进,针对可变导向车道场景下的全局奖励分配问题,将全局奖励分解为基本奖励与绩效奖励,提高了拥堵场景下对车道转向变化的决策准确性. 引入优先级经验回放算法,以提升经验回放池中转移序列的利用效率,加速算法收敛. 实验结果表明,本研究所提出的多路口可变导向车道协同控制方法在排队长度、延误时间和等待时间等指标上的表现优于其他控制方法,能够有效协调可变导向车道的策略切换,提高多路口下路网的通行能力.     

面向高速公路抛洒物检测的动态背景建模方法

针对高速公路抛洒物检测中传统的固定背景建模方法容易因开放环境变化产生大量的前景噪声,动态背景建模方法容易因抛洒物的静止特性导致前景对象快速融入背景,提出基于背景分离高斯混合模型（BS-GMM）的动态背景建模方法. 该方法对传统高斯混合模型的背景划分和模型匹配方法进行改进,设计基于像素点的高斯分布背景模型权值的衰减状况进行背景建模和背景更新的方法,既能减少开放环境大量环境噪声的影响,也能对抛洒物快速进入静止状态后的准确检测,在计算性能上能够达到实时检测的效果. 实验结果证明,BS-GMM方法在抛洒物检测过程中产生的噪声数量比其他方法少,且对静止超过20 s的物体能够作为前景目标提取,因此能够有效地应用于高速公路抛洒物的准确识别.     

基于区块链的车联网数据安全共享方案

针对传统车联网（IoV）数据易被篡改、访问控制不够灵活的问题,提出基于区块链和带权密文策略属性基加密的车联网数据安全共享方案. 该方案由路侧单元共同维护区块的生成、验证和存储,实现分布式数据存储,保证数据不可篡改;基于属性对链上数据进行访问控制,保证只有授权的访问者才能访问数据内容;针对车联网场景下多实体、多角色的数据共享需求,通过挖掘车联网数据访问角色间属性权限的关联关系,构造基于多属性的层级访问策略制定方法,简化访问控制策略的复杂度. 实验分析表明,该方案能够实现对车联网数据的安全存储与灵活访问控制,所构建的层级访问策略制定方法能够有效降低车辆的计算和传输开销,满足车联网场景下多实体、多角色的访问需求.