异构对等分布式存储中的DHitchhiker码

具有高可用性和安全性的去中心化存储因其应用的相同参数低码率RS(Reed-Solomon codes)码存在修复带宽较高的问题.对此,提出一种基于可信度的低修复带宽DHitchhiker码.首先将Hitchhiker码的第一子条带中的数据节点和部分校验节点捎带在余下的校验节点的第二个子条带上;接着将节点分类,让高可信节点存储余下的校验节点,低可信节点存储数据节点和部分校验节点,并让不同类型的节点采用不同的修复策略;最后理论结合实验证明,在修复低可信节点时,DHitchhiker可降低约25％的修复带宽;在整体上,未分类存放的DHitchhiker码可降低约0.5％的修复带宽,基于可信度的DHitchhiker码可降低约1％的修复带宽和2.5％ ～3.3％的修复时间.     

面向医学图像分割的多注意力融合网络

在深度医学图像分割领域中,TransUNet是当前先进的分割模型之一。但其编码器未考虑相邻分块之间的局部联系,在解码器上采样过程中缺乏通道间信息的交互。针对以上问题,提出一种多注意力融合网络（MFUNet）模型。首先,在编码器部分引入特征融合模块（FFM）来增强模型对Transformer中相邻分块间的局部联系并且保持图片本身的空间位置关系;其次,在解码器部分引入双通道注意力（DCA）模块来融合多级特征的通道信息,以增强模型对通道间关键信息的敏感度;最后,通过结合交叉熵损失和Dice损失来加强模型对分割结果的约束。在Synapse和ACDC公共数据集上进行实验,可以看出,MFUNet的Dice相似系数（DSC）分别达到了81.06%和90.91%;在Synapse数据集上的Hausdorff距离（HD）与基线模型TransUNet相比减小了11.5%;在ACDC数据集中右心室和心肌两部分的分割精度与基线模型TransUNet相比分别提升了1.43个百分点和3.48个百分点。实验结果表明,MFUNet在医学图像的内部填充和边缘预测方面均能实现更好的分割效果,有助于提升医生在临床实践中的诊断效率。     

异构去中心化存储中的LRC-RS混合编码

为解决去中心化存储中应用相同参数的低码率RS(Reed-Solomon codes)码导致的修复带宽较高和稳定节点资源浪费的问题,提出LRC-RS混合编码的编码策略.通过将节点按可信度分类,让高可信节点使用LRC编码,低可信节点使用低码率的RS编码,降低修复带宽和减少稳定节点存储开销.理论联系实验结果表明,在同等的冗余度和规定的可靠性下,LRC-RS码具有更低的修复带宽和磁盘I/O.     

一种均衡分配的修复校验节点的Piggybacks捎带设计

针对最初的减少校验节点修复带宽的Piggybacks捎带设计存在的问题,提出了一种均衡分配的Piggy-backs捎带设计(Balanced-Allocation Piggybacks Adding,BAPA).首先,通过分析给出了新的Piggybacks捎带规则,在此基础上得出了能进一步减少校验节点修复带宽的Piggybacking设计BARSR-Ⅰ和BARSR-Ⅱ.然后,给出了BARSR-Ⅰ和BARSR-Ⅱ中校验节点的修复过程以及平均修复带宽率的推导值.最后,给出了BARSR-Ⅰ和BARSR-Ⅱ下的编码复杂度和修复复杂度.通过与现有的Piggybacking设计对比分析表明,BARSR-Ⅰ和BARSR-Ⅱ能有效的减少校验节点的修复带宽.     

基于支持向量机的信用卡欺诈检测

针对信用卡使用过程中存在的欺诈消费行为,运用支持向量机(Support Vector Machine,SVM)建立信用卡欺诈检查模型,以期取得较好的预测分类能力。本文从模型建立、模型评估、模型分析较为详细地介绍了模型的设计与实现过程,并将此模型分类结果与ID3+BP神经网络分类结果进行比较,验证了该模型的可行性和SVM分类的有效性。     

基于遗传算法的噪声过滤协同训练算法

为解决分类器训练过程中由于无标记数据的引入,容易产生噪音、降低分类精度的问题,提出了基于遗传算法的噪声过滤协同训练算法(CGA)。充分利用遗传算法的寻优功能,产生高适应度的分类规则,达到辅助协同训练算法挑选有价值的无标记数据,降低噪音的引入,确保参与协同训练分类器的精度和性能得到有效更新的目的。在UCI数据集上的实验验证了该算法的有效性。     

基于图的半监督协同训练算法

针对协同训练算法对无标记数据挑选效率较低,导致噪声数据引入问题,提出了基于图的置信度估计半监督协同训练算法(CESL).利用样本数据自身的结构信息,显式计算无标记样本所属类别概率.同时,采用了多分类器隐式对无标记数据进行置信度估计,以提高无标记数据挑选标准.将显示计算和隐式估计结合对无标记数据进行选择,减低噪音数据的引入,更新分类器.在UCI数据集上的对比实验表明了该算法的有效性.     

基于负载均衡的纠删码修复流水线

大数据分布式存储系统中,修复流水线（Repair Pipelining,RP）减少90%的修复时间,有效地解决由于修复时间开销较大,纠删码不适用于存储热数据的问题.然而,现有的RP存在节点负载不均衡的问题,导致系统性能下降.通过研究后,设计节点负载均衡的纠删码修复流水线（Node Load Balancing-based Repair Pipelining,NLB-RP）,并根据性能评价指标提出计算节点负载的算法和计算修复时间的算法.理论分析及实验结果表明,在没有引入额外修复代价的情况下,NLB-RP从局部到整体有效地平衡并减少节点的负载.相比RP,NLB-RP的节点负载方差为0,即每个节点的负载相同.因此,NLB-RP具有最优的负载均衡性.     

基于置信度和神经网络的信用卡异常检测

针对信用卡使用过程中存在的异常消费行为,提出一种新的基于置信度和神经网络的信用卡异常检测方法以及采用ROC分析技术确定系统检测阈值方法,实现了对消费行为特征属性数据的置信度计算,利用BP神经网络建立了信用卡消费行为异常检测模型.实验结果表明,该检测模型不依赖于单个持卡用户,ROC分析技术的引入确保了检测的准确性和有效性,系统的实现对信用卡异常检测有较好的实用性和适应性.