基于对象模型的联邦成员开发框架研究

通过分析联邦开发与运行过程(FEDEP),针对联邦成员之间信息交互的联邦对象模型FOM,提出以对象模型为中心的联邦成员开发框架.在基于对象模型的联邦成员开发框架中,从联邦开发者的角度封装RTI内部对象模型操作,通过建立对象模型的静态与动态管理服务,不仅降低联邦成员与不同仿真应用中FOM的耦合性,而且通过对象管理的透明,能够快速将对象模型嵌入联邦成员开发框架中的仿真层,实现联邦成员的快速开发与集成.     

分布式网络监控系统中监控点动态接入的研究

对网络数据监控系统中设备动态接入问题作了详细分析,用面向对象的方法设计和实现了通用数据采集设备软件对象.测试表明,通用数据采集设备对象能很好地工作,解决了不同采集设备接入数据监控系统的问题.     

分布对象管理的联邦交易模型

分布对象管理是实现分布对象互操作的一个重点.该文通过扩展ODP中的基本交易模型,实现了对象服务的局部管理,提出了一种新的联邦交易模型,使用联邦交易空间和信任度的概念实现了大规模互操作环境中的对象服务的全局管理,给出了分布对象服务的联邦搜索过程和联邦搜索规则,以及联邦查询的最佳搜索路径选择算法,研究并提出了联邦交易的实现结构模型和建立联邦和约的协商协议.     

多核环境下面向仿真组件的HLA 成员并行框架

提出了一种面向仿真组件的并行联邦成员框架,以解决基于HLA(high level architecture)复杂仿真系统联邦成员开发的问题,并提升多核处理器环境下联邦成员的运行性能.并行联邦成员框架通过仿真组件的组合、装配来构建联邦成员.通过仿真引擎管理、数据分发管理、对象管理、组件管理服务和负载平衡功能,并行联邦成员框架为仿真模型构建了一个多核的并行执行环境,并确保并行成员能与RTI正确交互.通过实验来研究并行成员框架引入的额外开销,并比较并行成员和普通成员的性能.实验结果表明,并行框架能够充分利用多核处理器的计算能力来减少仿真系统运行时间,提高系统性能.     

装备保障训练联邦仿真模型邦员SOM的开发

仿真模型联邦成员SOM描述了该联邦成员在联邦运行过程中能够公布和需要预定的数据及相关信息。它的开发是分析和设计装备保障训练联邦对象模型（FOM）的基础,也是仿真模型联邦成员开发的难点。在系统分析了HLA仿真对象模型（SOM）的概念和原理的基础上,总结了SOM的设计原则和开发过程,并结合分布式装备保障模拟训练联邦的开发实践,简要描述了仿真模型联邦成员SOM的开发。     

HLA多联邦桥接工具的实现结构

比较HLA联邦网络互联的三种实现方式的优缺点,并阐述了联邦桥接工具的理论结构,它可以支持具有不同联邦对象模型的对等联邦间的互操作,进行多联邦间对象属性和交互的信息交换.     

自适应性成员与对象模型映射

自适应性是指所开发的联邦成员不仅可以在当前联邦运行,而且可以加入到其它联邦中的特性;提出自适应性成员是为了解决联邦成员重用的问题,对象模型映射是自适应性成员的关键技术.文章提出了一种实现自适应性成员的方法：在运行时间框架（RTI）和联邦成员仿真模型间加入中间件层,对象模型映射就是这个中间件层的核心部分.文章重点论述了在仿真对象模型（SOM）和联邦对象模型（FOM）间建立映射关系时,可以处理和需要研究的问题.     

一种面向电能量数据的联邦学习可靠性激励机制

联邦学习解决了数据安全日益受到重视条件下的数据互用难题,但是传统联邦学习缺少鼓励和吸引数据拥有方参与到联邦学习中的激励机制,联邦学习审核机制的缺失给恶意节点进行破坏攻击提供了可能性.针对这个问题,文中提出基于区块链技术的面向电能量数据的可靠的联邦学习激励机制.该方法从对数据参与方的训练参与进行奖励和对数据参与方的数据可...     

基于C#的OPC客户端设计

现代工业生产过程的数据采集要求高采样率和传输的高实时性,而现有OPC数据采集客户端不能满足要求.为了解决这个问题,通过分析OPC标准、服务器数据访问接口和组建对象模型,并结合当前工业控制中数据采集的特点,设计实现了基于订阅式数据采集方式的OPC客户端.该方案在解决当前工业数据采集中遇到的问题具有较高的应用价值.并在实际的生产环境中验证了其与标准OPC服务器在数据传输的稳定性和实时性,为生产过程控制提供了可靠的数据基础.     

联邦学习可视化:挑战与框架

联邦学习是一种保证数据隐私安全的分布式机器学习方案.与传统的机器学习的可解释性问题类似,如何对联邦学习进行解释是一个新的挑战.文中面向联邦学习方法的分布式与隐私安全性的特性,探讨联邦学习的可视化框架设计.传统的可视化任务需要使用大量的数据,而联邦学习的隐私性决定了其无法获取用户数据.因此,可用的数据主要来自服务器端的训练过程,包括服务器端模型参数和用户训练状态.基于对联邦学习可解释性的挑战的分析,文中综合考虑用户、服务器端和联邦学习模型3个方面设计可视化框架,其包括经典联邦学习模型、数据中心、数据处理和可视分析4个模块.最后,介绍并分析了2个已有的可视化案例,对未来通用的联邦学习可视分析方法提出了展望.     

联邦学习中的隐私问题研究进展

随着大数据、云计算等领域的蓬勃发展,重视数据安全与隐私已经成为世界性的趋势,不同团体为保护自身利益和隐私不愿贡献数据,形成了数据孤岛.联邦学习使数据不出本地就可被多方利用,为解决数据碎片化和数据隔离等问题提供了解决思路.然而越来越多研究表明,由谷歌首先提出的联邦学习算法不足以抵抗精心设计的隐私攻击,因此如何进一步加强隐私防护,保护联邦学习场景下的用户数据隐私成为一个重要问题.对近些年来联邦学习隐私攻击与防护领域取得的成果进行了系统总结.首先介绍了联邦学习的定义、特点和分类;然后分析了联邦学习场景下隐私威胁的敌手模型,并根据敌手攻击目标对隐私攻击方法进行了分类和梳理;介绍了联邦学习中的主流隐私防护技术,并比较了各技术在实际应用中的优缺点;分析并总结了6类目前联邦学习的隐私保护方案;最后指出目前联邦学习隐私保护面临的挑战,展望了未来可能的研究方向.     

联邦学习贡献评估综述

数据不动的联邦学习框架是多个数据持有方合作训练机器学习模型的新范式.多个数据持有方参与联邦学习时的贡献评估是联邦学习的核心问题之一.参与方贡献评估需要兼顾有效性、公平性和合理性等要素,在理论方法与实际应用中均面临多项挑战.贡献评估首先需要明确如何度量数据价值,然而数据估值存在主观性与依赖于实际任务场景的特点,如何设计有效、可靠并对恶意数据鲁棒的数据估值指标是第一大挑战.其次,联邦学习合作中的参与方贡献评估是经典的合作博弈问题,如何制定公平合理的参与方贡献评估方案,实现参与方一致认可的博弈平衡是第二大挑战.最后,参与方贡献评估往往计算复杂度高,同时,联邦学习中围绕模型的数据估值时间开销大,因此,在实践中如何设计高效且准确的近似算法是第三大挑战.近年来,为了有效地解决上述挑战,学术界对联邦学习中的贡献评估问题展开了广泛的研究.首先,简要介绍联邦学习与参与方贡献评估的背景知识;然后,综述数据估值指标、参与方贡献评估方案和相关优化技术;最后,讨论了联邦学习贡献评估仍面临的挑战并展望未来研究的发展方向.     

联邦控制: 面向信息安全和权益保护的分布式控制方法

本文提出一种基于联邦智能的分布式控制方法—联邦控制. 作为联邦生态的核心环节, 联邦控制从联邦智能的需求响应出发, 以联邦数据的信息安全和权益保护为目标, 以区块链、平行系统为技术支撑, 为大型复杂系统提供高效、安全、可靠的控制与管理.     

基于数据质量评估的公平联邦学习方案

联邦学习中用户的数据数量不同得到的聚合权重不同,数据质量不同也会对参与联邦训练的用户聚合权重产生影响。针对传统联邦学习中因单一因素确定聚合权重导致的贡献不公平问题,并且基于用户的数据数量和用户的数据质量提出一种基于数据质量评估的公平联邦学习方案。首先,结合相对熵定义了评估公平标准。然后,运用熵权法定义用户数据质量计算方法,根据用户数据质量得分和数据数量得分计算用户的综合得分,并用综合得分作为用户的贡献。最后,根据用户的综合得分定义用户的聚合权重设计公平的隐私保护联邦学习方案。实验分析表明,所提出的方案比传统联邦学习方案更加具备公平性。     

联邦学习综述

近年来,随着人工智能中数据孤岛、数据隐私和安全等问题的逐步显现,联邦学习作为能解决上述问题的技术而被广泛关注,目前已被应用于金融、医疗等领域.介绍了联邦学习的定义、分类、国内外的开源架构,剖析了联邦学习中的用户隐私和数据安全,指出了联邦学习面临的困难与挑战,并做出了展望.     

地震网格数据采集与遥现系统设计

数据采集与遥现是地震网格的重要功能,它负责从数据采集设备获取实验数据并传递给远程的实验参与者.分析了开放网格体积结构(OGSA)和数据流服务工具包令牌缓冲网络总线(RBNB),提出了地震网格数据采集与遥现系统的总体框架和工作流程,对数据采集系统的网格服务工厂(GRSF),网格服务实例(GRSI)、对象映射等实现中的关键技术进行了探讨.     

基于Reptile的个性化联邦学习算法

在联邦学习背景下,由于行业竞争、隐私保护等壁垒,用户数据保留在本地,无法集中在一处训练.为充分利用用户的数据和算力,用户可通过中央服务器协同训练模型,训练得到的公共模型为用户共享,但公共模型对于不同用户会产生相同输出,难以适应用户数据是异质的常见情形.针对该问题,提出一种基于元学习方法 Reptile的新算法,为用户学习个性化联邦学习模型. Reptile可高效学习多任务的模型初始化参数,在新任务到来时,仅需几步梯度下降就能收敛到良好的模型参数.利用这一优势,将Reptile与联邦平均(federated averaging, FedAvg)相结合,用户终端利用Reptile处理多任务并更新参数,之后中央服务器将用户更新的参数进行平均聚合,迭代学习更好的模型初始化参数,最后将其应用于各用户数据后仅需几步梯度下降即可获得个性化模型.实验中使用模拟数据和真实数据设置了联邦学习场景,实验表明该算法相比其他算法能够更快收敛,具有更好的个性化学习能力.     

基于HLA的语音通信模拟系统

依据高层体系结构标准,通过分析语音通信模拟系统的体系结构,定义联邦成员的仿真对象模型,调用运行时间框架的API实现联邦成员的交互,根据语音通信实时仿真的特点,从应用层的角度提高语音通信模拟系统实时性,运用声明管理和数据分发管理进行数据过滤,设置全局时钟进行联邦成员间地时间同步。实验结果表明,采用的方法能够满足语音通信模拟系统的开发需求。     

基于SNMP的数据采集框架

数据采集模块是对嵌入式网络设备进行监控和管理的基础,由于采集对象的复杂性和多样性,对数据采集框架的兼容性和扩展性提出了更高的要求.基于B/S模型、嵌入式Internet技术、网络管理技术、多线程技术、提出了一种远程Web数据采集管理模块,解决了数据采集模块兼容性和扩展性较差的问题,形成了通用性强、扩展性强、可移植性强的远程Web数据采集管理框架.该框架实现了采集协议可拓展、采集任务调度策略可拓展,对嵌入式网络设备的智能监控管理起到了重要作用.     

面向联邦学习的对抗样本投毒攻击

为了解决传统的机器学习中数据隐私和数据孤岛问题,联邦学习技术应运而生.现有的联邦学习方法采用多个不共享私有数据的参与方联合训练得到了更优的全局模型.然而研究表明,联邦学习仍然存在很多安全问题.典型地,如在训练阶段受到恶意参与方的攻击,导致联邦学习全局模型失效和参与方隐私泄露.本文通过研究对抗样本在训练阶段对联邦学习系统进行投毒攻击的有效性,以发现联邦学习系统的潜在安全问题.尽管对抗样本常用于在测试阶段对机器学习模型进行攻击,但本文中,恶意参与方将对抗样本用于本地模型训练,旨在使得本地模型学习混乱的样本分类特征,从而生成恶意的本地模型参数.为了让恶意参与方主导联邦学习训练过程,本文进一步使用了“学习率放大”的策略.实验表明,相比于Fed-Deepconfuse攻击方法,本文的攻击在CIFAR10数据集和MNIST数据集上均获得了更优的攻击性能.