基于协作信誉和设备反馈的物联网边缘服务器信任评估算法

针对边缘服务器的安全问题,提出了一种集成了服务器协作信誉以及设备用户反馈的信任评估算法来提高边缘计算上下文的安全性.交互过程中,使用了一种基于客观信息熵理论的融合算法来聚合服务器间的协作信誉,同时采用了部分同态加密算法来防止交互过程中用户数据的泄露.交互结束后,选择高可信的设备节点计算反馈信任,克服了传统机制的恶意反馈...     

高清晰度电视释疑

高清晰度电视简称为HDTV(HighDefinition Television),通俗地讲就是影音质量超过DVD、逼近于现实世界的电视。据报道,从2003年1月1日起,美国10家最大的有线电视公司已正式开始用数字电视信号向用户提供高清晰度的电视节目。同时,美国联邦通信委员会要求今后在市场上销售的电视机必须是数字电视机。美国国会已经通过决议,要求在2006 年12月前完成模拟到数字的转换。我国主要城市的有线数字电视产业化也已启动。中国将在2006年全面开播数字电视,2015年关闭模拟电视信道。因此,现在选购电视机就要有意识地注意这个发展趋势了。现将国内外读…     

基于JavaCard的移动代理安全模型研究

欲阻止恶意主机攻击移动代理,代理中的代码信息和数据信息必须被隐藏起来。同时,还要使它们对于执行环境来说是可访问和可执行的。现有措施大都采用软件方法(如密码技术),但并不足以解决恶意主机问题。一个完全不同的方法就是使用可信赖的且可抵御攻击的JavaCard来保护移动代理。本文讨论用JavaCard保护移动代理的机理,同时给出我们所设计的一个JavaCard的安全模型。     

SAR图像舰船目标检测算法的对比研究

SAR图像舰船目标检测有二种经典算法:双参数CFAR算法和K-分布CFAR算法。本文分析了二种算法的特点,使用RADARSAT卫星不同模式SAR图像分别进行实验,给出二种算法的适应性。     

基于SAR子孔径序列图像配准的海洋动态信息获取

合成孔径雷达(SAR)在海洋遥感中发挥着重要的作用。海洋的动态信息如洋流的运动和海浪的传播等是海洋信息中的重要组成部分。但是通常的SAR海洋图像信息处理是将SAR图像作为海面的瞬时状态进行处理,无法获取海洋的动态信息。该文采用子孔径分割的方法获取海面的具有连续时间间隔的序列图像,通过改进的相位相关法对序列图像间的对应部分进行亚像素级配准,获取了海面各个部分的海浪纹理信息运动的速度大小和方向。仿真实验表明改进的配准方法具有1/10像素精度和极强的噪声鲁棒性。对序列图像间相同的舰船目标,分别采用该文提出的配准法与较成熟的"尾迹法"计算的舰船速度基本一致,证明了该文方法的有效性。     

半盲最小二乘恒模算法研究

恒模算法(CMA)是一种广泛应用于阵列处理、均衡、多用户检测中的盲算法.最小二乘恒模算法(LSCMA)由于其全局收敛性及稳定性受到关注.本文针对CDMA系统下行链路,基站知道小区内用户码字而小区外干扰用户码字未知的情形,提出一种适用的半盲LSCM多用户检测(MuD)算法.它将非盲多用户检测(本文中选用解相关MUD)与盲多用户检测技术(本文中选用LSCM检测器)相结合,首先根据小区内已知用户的信息,利用解相关MUD抵消小区内其它用户的干扰,接着利用LSCM算法抵消剩余的干扰.文中将SB-LSCM算法与已经提出的半盲解相关算法、LSCM算法和解相关算法进行了复杂度、SIR和BER性能的比较,并对SB-LSCM算法的SIR性能进行了理论分析.仿真结果表明SB-LSCM算法能够获得与半盲解相关相当的SIR的性能,但是其复杂度更低且在系统负荷大时能够获得优于半盲解相关算法的BER性能.另外,SB-SLCM算法能够获得较LSCM算法更快的收敛速度以及更加优良的性能.     

智能车与网联技术分析

为了助力车联网技术科学的普及,主要介绍车联网产业政策及标准进展,并系统介绍了车联网发展的目标、车联网的组成、系统架构、解决方案、关键技术、测试方法、网络安全、基础建设及产业链急需突破的技术,比如芯片及传感器的成本问题等。     

基于蚁群算法的无线传感器网络数据聚合路由算法

传感器网络为减少冗余数据的传输耗能。降低延迟,需要在路由过程中采用数据聚合技术。文中采用定向传输方式,在消息路由机制基础上提出了一种基于蚁群算法的数据聚合路由算法。该算法主要思想在于将节点能耗、传输距离与聚合收益3方面作为启发因子,通过一组称为“蚂蚁”的人工代理寻找到达汇聚节点的最优路径。该算法利用蚁群算法的正反馈效应来达到数据汇集的目的,不需要网络节点维护全局信息,因此是一种实现数据聚合在能量与时延上折中的分布式路由算法。理论分析和仿真结果说明了新算法的有效性。     

基于分类器决策融合的红外图像目标识别方法

提出基于分类器决策融合的红外图像目标识别问题。采用稀疏表示分类（Sparse representation-based classification,SRC）和卷积神经网络（Convolutional neural network,CNN）作为基础分类器。对于测试样本,首先基于SRC进行分类,并根据输出的决策变量判断决策可靠性。当判定识别结果可靠时,则识别过程结束,输出目标类别。反之,根据SRC的结果遴选部分置信度较高的候选类别,并在下一阶段针对这一步类别采用CNN进行确认分类。此外,将CNN的输出结果与SRC进行线性加权融合处理,根据融合结果做出最后的目标类别决策。提出方法通过综合SRC和CNN两者分类器的优点,综合提升红外目标识别性能。同时,这种层次化的决策融合方式避免了对所有样本的两次分类过程,整体上能够保证识别算法的效率。实验采用五类日常生活中常见的车辆目标红外图像进行,分别设置了原始样本条件、噪声样本条件以及遮挡样本条件。通过与部分现有方法进行对比,结果反映了提出方法的有效性和可靠性。     

指定测试者的基于身份可搜索加密方案

对指定测试者的基于身份可搜索加密(dIBEKS)方案进行了研究。指出Tseng等人所提dIBEKS方案并不是完全定义在基于身份密码系统架构上,而且方案不能满足dIBEKS密文不可区分性。首次提出了基于身份密码系统下的指定测试者可搜索加密方案的定义和安全需求,并设计了一个高效的dIBEKS新方案。证明了dIBEKS密文不可区分性是抵御离线关键字猜测攻击的充分条件,并证明了新方案在随机预言模型下满足适应性选择消息攻击的dIBEKS密文不可区分性、陷门不可区分性,从而可以有效抵御离线关键字猜测攻击。