为了提高基于属性加密技术的计算效率,对属性基加密构造中重要的一环——访问策略进行了优化,基于有序二元决策图(OBDD)提出了一种新型的无配对CP-ABE方案。一方面,所提方案基于椭圆曲线密码技术,将传统CP-ABE方案构造中复杂的双线性配对运算替换为较为轻量级的标量乘法,降低了方案整体的计算开销。另一方面,所提方案采用基于OBDD的访问结构,该类型访问结构不仅能表示任何关于属性的布尔表达式,还能同时支持访问策略中属性的正负值,密钥的长度不随属性的个数而正比变化,密文长度也仅与访问策略中有效路径的个数有关。安全性和性能分析结果表明,所提方案在判定性Diffie-Hellman (DDH) 假设下满足选择性选择明文安全,且方案的计算效率能满足物联网的实际应用需求。
针对以数据为中心的开放信息系统,亟需能够保护隐私的细粒度自适应访问控制,并平衡隐私保护与数据访问效用间平衡的问题,提出了一种面向隐私保护的多参与者理性风险自适应访问控制模型。该模型基于香农自信息提出了动态访问数据集的隐私量化方法,构造了访问请求隐私风险函数和用户隐私风险函数;进一步基于演化博弈在有限理性假设下构建多参与者的访问控制演化博弈模型,利用复制动态方程分析了访问控制参与者的动态策略选择,提出了该博弈模型的演化稳定策略选取方法。仿真和对比表明,所提出的模型能够有效动态自适应地保护隐私,具有更好的隐私风险适应性,有限理性参与者的动态演化访问策略选取更加符合实际场景。
基于矩阵中元素统计的方法,给出了计算周期为p<sup>2</sup>的q元序列k–错线性复杂度的新方法,其中,p,q为奇素数且q为模p<sup>2</sup>的本原元。给出了一个一般性的结论及其证明,并通过列举2类周期为p<sup>2</sup>的q元序列及其实例来验证结论的正确性。该方法不需要迭代计算,通过程序实现并与现有算法进行效率比较,结果表明所给出的新算法在计算周期为p<sup>2</sup>的q元序列的k–错线性复杂度方面效率明显更高。
针对Hadoop平台静态存储加密方案的加密算法单一、密钥管理复杂、加解密性能低,不能高效保护Hadoop数据安全的问题,提出了一套基于商用密码算法的 Hadoop 高性能加密与密钥管理方案。首先,提出基于国产商密算法的 Hadoop 平台三层密钥管理体系,优化二级密钥的组织结构;其次,提出异步流水模式的高并发加解密方法,替代 Hadoop 原有的串行加解密流程,并通过密文排序确保多加密线程的密文同步。实验结果表明,所提方案的密钥存取效率、文件读写速度快于原有Hadoop方案,所提方法可有效提升Hadoop平台密钥存取与加解密速度。
面向知识服务过程中内容资源的智能化、知识化、精细化和重组化的碎片性管理需求。深层分析并挖掘语义隐层知识、技术、经验与信息,突破已有传统文本到结构化查询语言(SQL)的语义分析技术瓶颈,提出基于预训练机制的自修正复杂语义分析方法PT-Sem2SQL。设计结合Kullback-Leibler差异技术的MT-DNN预训练机制,以加强上下文语义理解深度;设计专有增强模块,捕获句内上下文语义信息的位置;并通过自修正方法优化生成模型的执行过程,以解决解码过程中的错误输出。实验结果表明,PT-Sem2SQL 能够有效提高复杂语义的解析性能,准确度优于相关工作。
针对位置数据拥有者对数据使用者具有不同的信任程度时,会对使用者进行不同等级的划分并向其发布不同扰动程度的位置数据这一场景中的隐私泄露问题,提出了基于信息论中的互信息的隐私度量方法与保护问题。此外,基于互信息提出了度量攻击者获取不同等级的扰动数据而对真实位置数据进行更精确的推断分析所造成的隐私泄露的方法。借鉴用于求解率失真函数的Blahut-Arimoto算法提出了多等级位置隐私保护机制。实验结果表明,在上述2种问题场景中,所提位置隐私保护机制与基于差分隐私的位置隐私保护方法相比具有更低的隐私泄露,且当真实位置数据具有显著不同的受欢迎程度时,优势更明显。
为解决软件定义网络场景中,当前主流的基于启发式算法的QoS优化方案常因参数与网络场景不匹配出现性能下降的问题,提出了基于深度强化学习的软件定义网络QoS优化算法。首先将网络资源和状态信息统一到网络模型中,然后通过长短期记忆网络提升算法的流量感知能力,最后基于深度强化学习生成满足QoS目标的动态流量调度策略。实验结果表明,相对于现有算法,所提算法不但保证了端到端传输时延和分组丢失率,而且提高了22.7%的网络负载均衡程度,增加了8.2%的网络吞吐率。
针对Storm存在低效率、高能耗的问题,通过分析Storm平台的基本框架与拓扑结构,设计了资源约束模型、最优线程数据重组原则和节点降压原则,并在此基础上提出了基于 Storm 平台的数据迁移合并节能策略(DMM-Storm),包括资源约束算法、数据迁移合并算法和节点降压算法。其中资源约束算法根据资源约束模型,判断工作节点是否允许数据的迁移;数据迁移合并算法根据最优线程数据重组原则,设计了最优的线程数据迁移方法;节点降压算法根据节点降压限制条件,降低了工作节点的电压。实验结果表明,与现有的节能策略相比,执行DMM-Storm在不影响集群性能的前提下,有效降低了能耗。
针对回程干扰门限与链路容量限制下的超密集网络(UDN)场景,提出了一种基于整数线性规划和拉格朗日对偶分解的能量效率与频谱效率联合优化算法。所提算法首先将回程容量限制下的用户归属问题建模为整数线性规划(ILP)问题,基于动态规划的思想设计算法求解该问题,从而完成用户与微基站的连接;在此基础上,利用拉格朗日对偶分解,通过基于迭代的资源分配算法实现频谱资源和功率的分配。仿真结果表明,相较于传统算法,所提算法能显著提升系统的能量效率和频谱效率,同时可以更充分地利用微基站的业务承载能力。
在移动到移动传感网络中,利用无线信道的固有稀疏性,可将 FBMC/OQAM 系统信道估计作为一个压缩感知问题来研究,以提高系统频带利用率。首先,提出了一种新的基于Tanimoto系数的弱选择正则化正交匹配追踪(T-SWROMP)算法,以提高 LS 信道估计的精度。然后,分别用结合辅助导频和编码方法的 T-SWROMP方法来估计FBMC/OQAM系统中的信道频率响应。仿真结果表明,所提方法比传统的SWOMP方法具有更低的复杂度。此外,其在双选择信道下比传统的OMP、SWOMP和ROMP方法具有更好的BER性能。
基于中国剩余定理和四阶分圆类,对周期为N=2q(q为奇素数)的几乎四进制序列的构造方法进行了研究。根据序列y的y(0)和y(q)2个位置含0的个数对序列进行分类,构造得到了旁瓣值分别为{0,-2}、{0,2,-2}、{0,-2,-2i,2i},且具有好的平衡性的3类理想几乎四进制序列。所提构造方法得到的序列具有良好的自相关性和平衡性,扩大了现有理想平衡四进制序列的存在范围,为实际应用提供了更多性能优良的序列。
针对无线传感器网络分簇路由协议所筛选簇头节点的位置分布不均衡及转发节点的数据传输路径不合理会加剧节点能量消耗、缩短网络生存周期的问题,提出一种基于改进粒子群优化算法的分簇路由协议。在簇头选举过程中,通过定义节点的能量因子和位置均衡因子建立新的适应度函数,评估和选择更优的候选簇头节点;通过优化的自适应学习因子调整候选簇头节点的位置更新速度,扩大局部搜索并加快全局搜索的收敛速度。根据转发节点与基站的距离确定采用单跳还是多跳传输方式,设计一种基于最小生成树的多跳方法,为转发节点数据传输选择最优的多跳路径。仿真测试结果表明,基于改进粒子群算法的分簇路由协议能够选举能量与位置更均衡的簇头节点和转发节点,缩短了网络的通信距离,节点的能耗更低且更均衡,有效延长了网络生存周期。
针对机器学习算法在应用中存在的问题,构建基于智能启发算法的机器学习模型优化体系。首先,介绍已有智能启发算法类型及其建模过程。然后,从智能启发算法在机器学习算法中的应用,包括神经网络等参数结构优化、特征优化、集成约简、原型优化、加权投票集成和核函数学习等方面说明智能启发算法的优势。最后,结合实际需求展望智能启发算法及在机器学习领域的发展方向。
为解决大型系统中大量设备配置方式多样性导致人工安全设备配置复杂烦琐、容易出错、效率低下的问题,设计了一种基于动态模板的策略翻译及配置方法。通过构建基于编码的策略翻译模板,利用编码简单、通用、易计算的特点,指导归一化策略向设备个性化配置命令行转换,同时通过关键词对比法,保证策略配置的准确性。实验分析结果证明,所提策略翻译及配置方法具有强扩展性和高准确度。
为解决传统密钥交换协议无法进行三方密钥协商,不够灵活且安全性存在缺陷的问题,借助于秘密矩阵特征值,首先提出了一种可以抵御中间人攻击且简单灵活的三方密钥交换方案,但该方案无法对密钥交换的有效性进行验证,即无法防止不被中间人伪造。在此基础上,对秘密矩阵进行重新构建,其中矩阵阶数为大偶数,所有的特征值成对出现,相似于对角阵。基于所提的特殊秘密矩阵,引入验证环节对通信方的合法性进行验证,给出了基于特征值的可验证三方密钥交换协议。该协议既解决了三方密钥交换的问题,又可对身份合法性进行验证,证明基于特征值进行三方密钥交换协议设计是可行的,最终设计的协议兼具安全性和高效性。
针对现有推荐算法缺乏对用户偏好的考虑,推荐效果不理想的问题,提出了一种联合张量填补和用户偏好的推荐算法。首先,基于评分矩阵和项目所属类别矩阵构建用户–项目–类别的三维张量;然后,利用Frank-Wolfe算法进行迭代计算,填补缺失数据,同时基于张量数据构建用户类别偏好矩阵和评分偏好矩阵;最后,基于填补后的张量以及2个偏好矩阵设计联合推荐算法,并采用差分进化算法进行参数调优。实验结果表明,与一些常用算法和新近提出的算法相比,所提算法的推荐效果优于对比算法,其精度平均提升了1.96%~3.44%,召回率平均提升了1.35%~2.40%。