基于零知识交互式证明和Bayesian信誉网的小世界P2P模型

针对当前P2P(Peer-to-Peer)系统在网络拓扑和信誉评估机制结合方面的不足,设计一种基于角色和信誉访问控制机制的可信小世界P2P(SW-R2P)模型.模型使用零知识交互式证明(ZKIP)算法,在不传输节点身份相关信息的前提下安全地验证对等节点的组信息,并以此作为构建小世界网络拓扑的基础.通过Bayesian信誉网对节点和组的多方面信誉进行评估,从而影响节点的各种操作和组之间连接的建立.仿真实验结果表明,SW-R2P模型在资源查找成功率、网络聚合度以及节点信誉偏差等方面的性能优于Chord和R2P模型.SW-R2P模型结合了ZKIP算法、Bayesian信誉网和小世界拓扑的优势,实现了一种可信、安全和高效的P2P网络架构.     

基于旅游影响感知与态度的居民类型划分——以周庄古镇为例

以周庄为例,利用社会调查和市场细分方法,对旅游地居民感知与态度进行实地调查,据此划分居民类型,以揭示居民对旅游发展的整体认知结构,了解不同类型居民对旅游的感知与态度,刻画不同类型居民的人口统计学特征,剖析不同类型居民对旅游发展态度的原因。通过对比国内外研究,分析周庄居民类型及其共性与个性。     

周庄旅游客源市场空间结构研究

基于客源市场结构相关理论,结合游客问卷调查数据,系统分析了周庄国内旅游客源市场的人口学特征、空间分布特征和旅游流动模式。研究表明,长三角地区作为核心客源市场对于周庄的持续发展起着非常大的作用。客源市场和地理集中指数都不高,说明游客来源地比较分散,客源市场吸引范围较广。依据客源市场空间结构与客流空间特征,可以将周庄国内客源市场划分为长三角、北京、广东等一级市场,东部沿海与长江中下游"T"字型区域的二级市场以及其他机会市场3个目标层次。     

基于朴素基因表达式编程挖掘紧致函数

基因表达式编程(GEP)是一种基因型和表现型相分离的进化新模型,为了挖掘紧致的函数关系,分析了进化系统各因素对挖掘紧致函数的影响,提出了带紧致压力的适应度函数来进化函数紧致解。实验表明,带有紧致压力的适应度函数能自动进化计算机程序,适合挖掘的紧致关系,在挖掘紧致函数中,朴素基因表达式编程(NGEP)比GEP提高效率21.7%,与不带压力的系统相比,GEP的平均压缩了31.2%,NGEP系统平均压缩了42.5%;NGEP较GEP更容易发现紧致解,且函数表达形式更容易理解,丰富了NGEP理论.     

BaO 对不同温度焙烧的 La1.6Sr0.4NiO4催化 NO 直接分解活性的影响

通过 XRD、 H2‐T PR、 NO‐T PD 等分析测试手段,研究了一定量的 BaO 对不同温度制备的La1.6 Sr0.4 NiO4催化NO直接分解活性的影响。研究发现低温焙烧得到的样品对NO直接催化分解活性高于高温焙烧得到的样品,且催化剂本身活性越大, BaO对其催化NO直接分解的活性促进作用越大。     

大模数齿轮磨损后的堆焊修复工艺研究

通过试板的工艺试验，探索选用适当的焊条、采用适当的焊接工艺和焊后热处理工艺来修复ＺＧ４５钢大模数齿轮磨损齿面的可能性。试验结果表明，联合使用Ｄ１３２＋Ｄ１１２或Ｄ１３２＋Ｊ４２２进行堆焊，均可满足堆焊修复工艺的要求。     

一种CPU和FPGA的快速交换数据方法

为了提高CPU读写FPGA的速度,提出了一种基于Burst方式的CPU和FPGA快速交换数据的方法.CPU在完成第一次读写之后,FPGA会记录该地址,并使双口RAM的地址自动递增,不需要CPU再给出地址,这样CPU可以操作多个连续地址中双口RAM的数据.经过测试,该方法可以大大提高CPU和FPGA进行数据交换的速度.     

隐马尔可夫模型及其最新应用与发展①

隐马尔可夫模型是序列数据处理和统计学习的一种重要概率模型,已被成功应用于许多工程任务中。首先介绍了隐马尔可夫模型的基本原理,接着综述了其在人的行为分析、网络安全和信息抽取中的最新应用。最后对最近提出来的无限状态隐马尔可夫模型的原理及最新发展进行了总结。     

基于贪心策略的多目标攻击图生成方法

为解决网络脆弱性分析中攻击图生成方法存在的状态组合爆炸问题,使生成的攻击图能用于网络中多个目标主机的脆弱性分析,本文提出了一种基于贪心策略的多目标攻击图生成方法。该方法引入节点关联关系,采用贪心策略精简漏洞集,从所有攻击路径中选取使攻击者以最大概率获取网络节点权限的攻击路径,生成由这些攻击路径所构成的攻击图。算法分析和实验结果表明,该方法的时间和空间复杂度都是网络节点数和节点关联关系数的多项式级别,较好地解决了状态组合爆炸的问题,生成的攻击图覆盖了攻击可达的所有节点,能够用于网络中多个目标主机的脆弱性分析。     

基于多学习策略的网页信息抽取方法

由于网页信息具有异构和动态的特点,致使现有的大多数网页信息抽取方法都存在适用性差的问题。为此,将传统的文本分类器和隐式马尔可夫学习策略结合起来,提出了一种基于多学习策略的网页信息抽取方法。该方法在获得网页文本记录的局部最优分类抽取结果基础上,还利用了整个网页文本结构信息对抽取结果进行进一步优化。实验结果表明,该方法不需要对新的站点进行学习,就能获得较高的信息召回率和抽取精度,具有较强的适用性。