共查询到20条相似文献,搜索用时 31 毫秒
1.
2.
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. 相似文献
3.
4.
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. 相似文献
5.
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。 相似文献
6.
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. 相似文献
7.
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. 相似文献
8.
9.
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. 相似文献
10.
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. 相似文献
11.
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. 相似文献
12.
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. 相似文献
13.
14.
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。 相似文献
15.
16.
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. 相似文献
17.
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. 相似文献
18.
19.
20.
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. 相似文献