基于隐私保护的可证明安全委托计算协议

通过云计算提供的委托计算服务能够为委托方节省大量的计算时间和计算成本,但如何保证委托计算的隐私性和可证明安全性是具有挑战性的问题。结合全同态加密和多线性映射技术的优势,提出基于隐私保护的可证明安全多元多项式委托计算协议。根据委托计算的输入输出隐私安全需求设计委托计算安全模型,通过多线性映射方案和全同态加密技术构造任意第三方可公开验证的委托计算协议,并在标准模型下基于多线性Diffie-Hellman困难性问题假设证明协议的安全性与隐私性。实验与性能分析结果表明,该协议可保证安全性,同时能够减少计算成本,满足大数据环境下委托计算模式的应用需求。     

基于差分的图像感知哈希算法

现有图像感知算法侧重于减少相似图像感知哈希值间的差异性,较少关注增大不同图像感知哈希值间的差异性问题.针对这一局限性,提出并实现循环贯序差分和拉普拉斯算子两种基于差分的图像感知哈希算法,并分别在小规模相似图像集合和大规模不同图像集合上进行测试.与现有图像感知哈希算法相比,所提算法体现了图像像素点间的局部关联性,增加了不同图像哈希值间的差异,显著提升了不同图像的区分概率.     

基于散列技术的多层关联规则算法的改进

为发现精准的关联规则,对多层关联规则问题进行研究,提出基于散列技术的Hash_Cumulate多层关联规则算法.通过对原有Cumulate算法进行分析,对Cumulate算法有较多冗余候选集影响算法运行时间的缺点进行改进,提出在产生候选2项集时判断其中两项的关系进行删减,将候选2项集映射到散列表中进行筛选,减少候选集数量,进而减少扫描事务集的时间,提高算法运行效率.通过对原Cumulate算法与Hash_Cumulate算法进行实验比较和实例分析,验证Hash_Cumulate算法具有较高的运行效率.     

某型机载通信对抗设备自动测试系统设计与实现

针对机载通信对抗设备电路单元种类多、测试诊断困难的问题,在分析了机载通信对抗设备测试需求的基础上,综合运用自动测试、面向信号设计、TPS(Test Program Set,测试程序集)可移植等技术,以计算机为核心,以PXI仪器、GPIB仪器为依托,以多种总线接口为纽带,构建了一种可靠性高、通用性好、操作简便、可扩展性强的自动化测试系统。根据系统设计方案,对系统软硬件平台组成、信号接口及适配、信号调理及扩展、软件功能设计等关键技术进行阐述。经使用证明,该系统能够对机载通信对抗系统中各子系统的外场可更换单元（Line Replaceable Unit,LRU）实现功能检查、性能测试、故障检测与隔离等功能,提高了部队地面综合保障能力。     

3元◢n◣立方体网络的◢t/k◣可诊断度研究

可诊断度是评估多处理器系统可靠性的一个关键指标.t/k诊断策略通过允许至多k个无故障处理器被误诊为故障处理器,从而极大提高了系统的可诊断度.与t可诊断度和t1/t1可诊断度相比,t/k可诊断度可以更好地反映实际系统的故障模式.3元n立方是一种性质优良并且应用广泛的网络拓扑,在许多分布式多处理器的构建中被用做底层网络.根据一些引理以及确定系统为t/k可诊断的充分条件,研究得出当n≥3及0≤k≤n,3元n立方是tk,n/k-可诊断的,其中tk,n=2(k+1)n-(k+1)(k+2).这个结果显示,在选择恰当的k值时,3元n立方的t/k可诊断度tk,n远大于其t可诊断度2n和t1/t1可诊断度4n-3.     

基于注意力机制的图像超分辨率重建

目前,单幅图像超分辨率重建取得了很好的效果,然而大多数模型都是通过增加网络层数来达到好的效果,并没有去发掘各通道之间的相关性。针对上述问题,提出了一种基于通道注意力机制（CA）和深度可分离卷积（DSC）的图像超分辨率重建方法。整个模型采用多路径模式的全局和局部残差学习,首先利用浅层特征提取块来提取输入图像的特征;然后,在深层特征提取块中引入通道注意力机制,通过调整各通道的特征图权重来增加通道相关性,从而提取高频特征信息;最后,重建出高分辨率图像。为了减少注意力机制带来的巨大参数影响,在局部残差块中使用了深度可分离卷积技术以大大减少训练参数,同时采用自适应矩估计（Adam）优化器来加速模型的收敛,从而提高了算法性能。该方法在Set5、Set14数据集上进行图像重建,实验结果表明不仅该方法重建的图像具有更高的峰值信噪比（PSNR）和结构相似度（SSIM）,而且所提模型的参数量减少为深度残差通道注意力网络（RCAN）模型的参数量的1/26。     

基于部分加权损失函数的RefineDet

针对目标检测网络单阶改进目标检测器（RefineDet）对类间不平衡数据集中小样本类别检测性能差的问题,提出一种部分加权损失函数SWLoss。首先,以每个训练批量中不同类别样本数量的倒数作为启发式的类间样本平衡因子,对分类损失中的不同类别进行加权,从而提高对小样本类别学习的关注程度;然后引入多任务平衡因子对分类损失和回归损失进行加权,缩小两个任务学习速率的差异;最后,在目标类别样本数量存在大幅差异的Pascal VOC 2007数据集和点阵字符数据集上进行实验。结果表明,与原始RefineDet相比,基于SWLoss的RefineDet明显提高了小样本类别的检测精度,它在两个数据集上的平均精度均值（mAP）分别提高了1.01、9.86个百分点;与基于损失平衡函数和加权成对损失的RefineDet相比,基于SWLoss的RefineDet在两个数据集上的mAP分别提高了0.68、4.73和0.49、1.48个百分点。     

基于阈值和极端随机树的实时跌倒检测方法

针对基于可穿戴设备的跌倒检测存在的实时性与准确性无法兼得的问题,提出一种阈值和极端随机树融合的实时跌倒检测方法。在该方法中,可穿戴设备只需计算阈值量,无需确保跌倒检测的准确率,从而减少了计算量;同时,上位机利用极端随机树算法确保了跌倒检测的准确率。可穿戴设备通过阈值的方法过滤了大部分日常动作,因此减少了上位机检测的动作数据量。这样一来所提方法既满足了跌倒检测的高准确率,又满足了实时性。另外,为了降低跌倒检测的假阳性率,可穿戴设备融合了姿态角度传感器和压力传感器,上位机中加入了反馈机制。当检测结果出现假阳性时,通过上位机将检测错误的样本加入非跌倒数据集中进行再训练,模型经过这样的不断学习会生成适合个人的报警模型,且这种反馈机制为降低跌倒检测的假阳性率提供了新思路。实验结果表明,在1 259个测试样本中,所提方法具有平均99.7%的准确率,最低0.08%的假阳性率。     

基于可拆分倒排索引的可搜索加密方案

为快速检索云环境下的加密数据,提出了一种高效的适用于批量数据处理场合的可搜索加密方案。首先,由客户端创建两个倒排索引,分别是存储了文件-关键词映射的文件索引和用于存储关键词-文件映射的空的搜索索引;然后,将这两个索引提交给云服务器。搜索索引是在用户检索过程中由云端根据搜索凭证和文件索引逐渐更新建立的,记录了已被检索关键词的检索结果,该方法将搜索索引的构建时间有效分摊了到了每次检索过程中并节省了存储空间。索引采用基于key-value结构的集合存储方式,支持索引的同时合并和拆分,即在添加和删除文件时,由客户端根据要添加或删除的文件集生成对应的文件索引和搜索索引,然后服务器对索引进行合并和拆分,从而实现文件的快速批量添加和删除。测试结果表明,所提方案极大提高了文件更新的效率,适用于批量数据处理。通过泄露函数证明了该方案能满足自适应动态选择关键词攻击下的不可区分性安全标准。     

基于粗糙集的无向图最小支配集启发式算法

图的最小支配集在许多领域有广泛应用,但其求解是一个NP问题.针对现有近似求解算法的复杂度和精度有待改进的问题,基于粗糙集理论提出一种低复杂度、高精度的最小支配集启发式求解算法.首先,利用图的邻接矩阵构造诱导决策表,证明了图的最小支配集与其诱导决策表的最小属性约简等价.然后,提出一种启发式的最小支配集近似算法.该方法采用前向和后向搜索机制,有效提高了最小支配集求解的近似精度;采用累积策略计算诱导决策表的正域,有效降低了计算复杂度.最后,在公用数据集上与典型算法进行了实验对比分析,结果表明该算法在运行效率方面具有明显优势,能得到更高精度的近似最小支配集,且输出结果具有较好的稳定性.