一种基于动态散列和事务压缩的关联规则挖掘算法

关联规则挖掘搜索给定数据集中反复出现的数据模式,找到它们之间的相关性。分析了经典Apriori算法存在的时空效率低的缺点和数据形式对算法效率的影响。提出一种基于动态散列和事务压缩技术的改进,动态应用散列技术减小候选频繁项集的规模和数据库扫描次数,应用事务压缩技术缩小数据库中事务量的长度和总数,从而提高了算法的时间空间效率。与Apriori算法进行的比较验证了新算法的正确性与效率。     

一种结合散列与位表挖掘频繁项目集算法

在频繁项集的挖掘中,很多算法都是基于Apriori的。这些算法有两个共同的问题:一是把整个数据库装入内存,占用大量的空间;二是在产生候选项集和计算支持度时花费了大量的时间。为了提高效率,提出了一种基于位表挖掘频繁项目集的算法Hash-BFI。按照水平和垂直的方向把数据库压缩到位表内,以大大节省内存空间。引入散列函数计算频繁二项集,完全通过AND, OR运算得到候选项集和计算候选项集支持度,并进行剪枝,从而提高了算法效率。     

基于MD5的迭代散列算法

分析网络中用户名、密码的存储方式及其存在的风险。在此基础上分析MD5散列算法的弱点及其破译手段。针对这些破译方法提出基于MD5的迭代散列算法。该算法可以避免第二类生日攻击,并有效提高第一类生日攻击的复杂度,对于破解效率最高的彩虹表也具有免疫性,能够加强密码的安全性能,从而提高网络中信息传递和存储的安全性。     

基于分布式压缩感知和散列函数的数据融合隐私保护算法

针对群智感知网络数据融合传输过程中隐私泄露、信息不完整、数据窜改等安全问题,提出了一种基于分布式压缩感知和散列函数的数据融合隐私保护算法。首先,采用分布式压缩感知方法对感知数据进行稀疏观测,去除冗余数据;其次,利用单向散列函数求取感知数据观测值的散列值,将其和不受限的伪装数据一起填充到感知数据观测值中,达到隐藏真实感知数据的目的;最后,在汇聚节点提取伪装数据之后,再次获取感知数据的散列值并验证数据的完整性。仿真结果表明,该算法兼顾了数据的机密性和完整性保护,同时大大降低了通信开销,在实际应用中具有很强的适用性和可扩展性。     

基于压缩感知的遥感成像稀疏重构性能分析

压缩感知是一种新型的信息论，打破了传统的Shannon-Nyquist采样定理，能够以少量数据完成信号采样。稀疏重构是压缩感知由理论到实际的关键环节，为了将压缩感知有效地应用于遥感成像领域，研究了稀疏重构对遥感成像过程的影响。针对稀疏重构理论模型，分析了重构误差的成因；同时，针对典型的凸优化类算法和贪婪类算法，利用峰值信噪比指标对遥感图像重构误差进行评价。在仿真实验中，定量考察遥感图像在不同压缩采样率、不同重构算法下的稀疏重构性能。结果表明，稀疏重构算法能够成功重构遥感图像，各算法在不同压缩采样率下均表现出了较好的重构质量，整体上能够满足遥感成像应用，验证了压缩感知稀疏重构方法在遥感成像中应用的可行性。     

基于协议分析的散列模式入侵检测方法

对网络入侵检测系统的工作方式和常用模式匹配算法进行分析,给出了一种基于协议分析的高效散列模式方法,并使用应用层协议的分析,利用多层次的散列表来构造检测规则集的模式树。在目前网络流量不断增大、入侵特征规则数量迅速增加的情况下,可以有效地提高网络入侵检测系统的工作效率并降低误报率。     

基于中文词组查找的散列算法

本文从研究汉字机内码表示出发，提出新的中文词组查找的散列算法，这种散列算法的特点是：（１）如果中文词组直接桶存储，在服从一般概率分布条件下，查找的平均工作量为Ｏ（Ｎ）；（２）如果分级存储，对不同的中文信息处理环境，无论关键字状况怎样，都能以相同方法建立索引，其查找平均工作最也为Ｏ（Ｎ）。此外，本文还给出了算法在自动分词，规则匹配等方面的应用。     

基于Logistic映射的单向散列函数研究

混沌动力学系统在一定的参数范围内出现混沌运动,且其产生的混沌序列具有良好的伪随机性、遍历性和初值敏感性。通过采用Logistic混沌映射构造单向散列函数采生成散列值,实验结果表明：该方法实现简单,对初值有高度的敏感性,具有良好的单向散列性能。     

基于压缩金字塔核稀疏表示的人脸识别

人脸识别中光照、伪装及姿态等变化一直是富有挑战性的问题,其中特征提取是很关键的一步。为提高人脸识别率,结合压缩感知和空间金字塔模型,本文提出了一种新的特征提取方法,首先用尺度不变特征变换算法提取图像特征,然后与随机生成的字典进行稀疏编码,再用金字塔模型分层提取不同尺度空间的特征,并用最大池融合特征,最后运用核稀疏表示分类。在Extended Yale B,AR 和CMU PIE人脸数据库上的实验结果表明,该方法对于人脸图像的光照、伪装及姿态等变化有较强的鲁棒性,而且该算法有较快的运行速度。     

基于散列值的广域网服务发现

服务发现是网络自配置的重要内容.局域网服务发现方案已日臻完善并且应用到实际系统之中.对于广域网,由于客户和服务的分布性、动态性及数目众多的特点,必须解决包括可伸缩性在内的诸多问题.良好的可伸缩性是指在客户和服务的数目不断增长的情况下,服务发现系统仍然能够保持正确的功能和稳定的性能.提出了一种基于散列值的广域网服务发现方案.其方法是在服务表示模型和匹配条件的基础上,根据类型名和属性名集合为服务信息生成散列值,为服务请求生成散列值域.散列值指示负责存储服务信息的服务目录,散列值域指示有可能满足服务请求的服务目录.为服务目录指定值域,并使得所有的服务目录能够按照值域间的关系组织成一棵内容编址树.根据散列值将服务信息转发并存储到特定值域的服务目录上,根据散列值域将服务请求转发到有可能使其得到满足的服务目录上,从而实现广域网范围内的服务发现.模拟系统以及分析和对比表明,这一方案可以有效克服已有方案的局限,达到良好的可伸缩性.     

基于散列和归并技术的有效并行排序方法

本文提出一个在共享存储多处理机系统上实现的快速、有效的并行排序算法：将长度为ｎ的待排序数据划分成ｐ个长度为ｎ／ｐ的子序列，引入散列技术并行地对这ｐ个子序列的数据进行二次散列排序，这一阶段所需的平均时间为Ｏ（ｎ／ｐ）；最后并行地将ｐ个有序子序列归并成一个长度为ｎ的有序序列，归并阶段所需的时间为Ｏ（ｎ－ｎ／
／ｐ）。整个排序算法的并行执行代价为Ｏ（ｎｐ）。本排序方法可以拓以网络并行机群环境。     

基于稀疏查找表的色彩变换插值算法研究

使用均匀查找表执行色彩变换的传统方法会占用大量内存资源.针对均匀查找表大小随输入维数增长而成指数增长的特点,提出稀疏查找表方法,通过将整个设备空间分层为不同维数的子空间,在包含重要色彩组合的区域完成合理密度的抽样,优化查找表大小,更有效地节约内存空间.研究表明基于稀疏查找表的插值算法比传统方法更适用于三通道以上的多通道设备色彩变换,是新一代色彩管理系统的一个重要改进.     

基于散列函数的数字签名

散列函数又称哈希函数(hash)。它以任意长度的子串为输入，其输出为固定长度的伪随机子串。由于给定输入后输出是固定的，因此它是确定函数。其固定的输出长度较短，一般只有几十个字节。如目前业界使用的MD5函数，输出为16个字节；SHA1为20个字节。散列函数的输入空间是无限集合，而输出是有限集合，因此散列函数不是一一映射。散列函数输出长度愈长，安全性愈高。     

基于稀疏快速傅里叶变换的信号压缩处理

随着数据采集能力和采样频率的不断提高,采用传统的奈奎斯特采样定理会获得海量的数据,这给信号的存储和传递带来了极大挑战。提出基于稀疏快速傅里叶变换的信号压缩方法,利用信号在频域的稀疏性,压缩信号所需的存储空间,在保证拥有足够小的误码率的前提下,以高概率重构原始信号。     

基于表驱动法的编程模式

基于表驱动法的编程模式是为了应对较为复杂的逻辑结构,它提供了一种较简单的替代方案--表。在编程中表现为一个复杂的数组,通过简单的查询来简化复杂的代码逻辑,可以将数据或行为封装在一个数组内,达到简化复杂性目的。     

基于差值信号稀疏模型的分布式压缩感知

利用无线传感器网络的空间相关性,构建了一种差值信号稀疏模型,该模型适用于对同一物理现象或事件进行监测的传感器网络应用。在差值信号稀疏模型的基础上,提出了一种适用于该模型的分布式压缩感知算法,该算法能够在节点间不通信的情况下实现对差值信号的编码。仿真结果表明,与单独重构相比,提出的算法可以用更少的观测值联合重构出信号群,以能量有效的方式满足了无线传感器网络的应用。     

一种基于单向散列函数的人机结合认证系统

本文基于单向散列函教的特性,提出了一种新型的身份认证方案。该方案不仅能够提供通信双方的相互认 证,而且能防范重放和窃听等攻击手段。     

基于WSNs的压缩频谱感知稀疏基设计

研究了现有利用无线传感器网络(WSNs)进行区域压缩频谱感知的算法,针对其运算量大,准确性有限的问题,设计了以子带基作为稀疏基进行压缩感知(CS)的算法;证明了子带基作为稀疏基的正交性和完备性;同时计算表明子带基满足重构的约束等距条件.仿真结果显示:以子带基进行重构可以准确给出频谱的占用位置和幅值,比传统的边缘检测算法提高了压缩频谱感知的准确性和鲁棒性,同时具有更高的压缩比,运算量小,适于在WSNs中实施.     

基于压缩感知改进算法的MIMO-OFDM稀疏信道估计

结合压缩感知理论（CS）,针对压缩采样匹配追踪算法在多输入多输出正交频分复用（MIMO_OFDM）系统信道估计应用中需要利用信号稀疏度的先验条件,而实际中稀疏度又难获得的情况,提出一种信号稀疏度自适应的压缩采样改进匹配追踪算法（CoMSaMP）。该算法采用具有理论支撑的原子弱选择标准作为预选方案,并设置首次裁剪阈值来减少算法多余的迭代,降低算法在信道估计中的复杂度,裁剪方式的改进保证了重构精度的提高,最终实现MIMO-OFDM稀疏信道估计中信号的稀疏度自适应。仿真结果表明：与原算法相比,该算法在同等信噪比条件下具有更优的信道估计性能,从而提高了频谱利用率,同时降低了复杂度,在稀疏度较高时,提出的算法具有更好的对噪声的抗干扰能力。