针对LDPC重建问题,提出了一种可直接重建LDPC稀疏校验矩阵的算法。首先,根据传统重建算法原理,详细分析了传统重建算法存在的缺陷以及缺陷存在的原因;其次,基于LDPC稀疏矩阵的特性,通过多次随机抽取码字中部分比特序列进行高斯消元,同时为了可靠实现抽取的比特序列能包含校验节点,基于一次抽取包含校验节点的概率,确定多次随机抽取的次数;最后,在误码条件下,基于疑似校验向量关系成立的统计特性和最小错误判决准则,实现稀疏校验向量的判定。仿真结果表明,所提算法在误码率为0.001的条件下,针对目前IEEE 802.11协议中大部分LDPC的重建率能达到95%以上,且噪声稳健性优于传统的重建算法,同时所提重建算法不仅不再需要对校验矩阵稀疏化处理,而且对于双对角线与非双对角线形式的校验矩阵都具有较好的通用性。
为了提高同态加密算法在多用户云计算场景下的实用性,构造了一个基于NTRU的多密钥同态代理重加密方案。首先利用密文扩张思想提出了一种新的NTRU型多密钥同态密文形式,并基于此设计了相应的同态运算和重线性化过程,从而形成一个支持分布式解密的NTRU型多密钥同态加密方案;然后借助于密钥交换思想设计了重加密密钥和重加密过程,将代理重加密功能集成到该NTRU型多密钥同态加密方案中。所提方案保留了多密钥同态加密和代理重加密的特性,而且在用户端的计算开销较低。将所提方案应用于联邦学习中的隐私保护问题并进行了实验,结果表明,所提方案基本不影响联邦训练的准确率,加解密、同态运算和重加密等过程的计算开销也可接受。
为了验证Grad-CAM解释方法的脆弱性,提出了一种基于对抗补丁的Grad-CAM攻击方法。通过在CNN分类损失函数后添加对Grad-CAM类激活图的约束项,可以针对性地优化出一个对抗补丁并合成对抗图像。该对抗图像可在分类结果保持不变的情况下,使Grad-CAM解释结果偏向补丁区域,实现对解释结果的攻击。同时,通过在数据集上的批次训练及增加扰动范数约束,提升了对抗补丁的泛化性和多场景可用性。在ILSVRC2012数据集上的实验结果表明,与现有方法相比,所提方法能够在保持模型分类精度的同时,更简单有效地攻击Grad-CAM解释结果。
为了解决已有图注意力机制在进行链接预测相关任务时,容易造成注意力分配向某些出现频率高的关系倾斜的问题,提出了一种基于层级注意力机制的链接预测模型。在链接预测任务中,通过设计分层注意力机制,根据预测任务中的关系对知识图谱中与给定实体相连的不同类型的关系给予不同的注意力。在关注多跳邻居实体特征的同时,更关注关系特征以找到符合目标关系的关系类型。在多个基准数据集上与主流模型进行对比实验,实验结果表明,所提模型性能优于主流模型,并具有较好的稳健性。
根据Wi-Fi和LTE的频谱划分决策分别取决于全局信道状态信息(CSI)和局部CSI,提出了双时间尺度频谱划分算法,在较大时间尺度上根据全局CSI划分Wi-Fi频谱,在较小时间尺度上根据局部CSI划分LTE频谱。设计了自适应反馈补偿机制以提高双时间尺度算法的跟踪性能。此外,得到双时间尺度算法能够无差错地跟踪上均衡点的充分条件。仿真实验表明,双时间尺度算法能够以非常低的开销实现较好系统性能。
通过有效地捕获城市私家车出行的时空特征,提出一种多源异构数据融合的私家车流量预测模型。首先,融合私家车轨迹和城市区域数据表征城市私家车的出行分布;其次,通过多视角时空图建模私家车出行和城市区域之间的动态关联,设计了多图卷积-注意力网络以提取车流量演变的时空特征;最后,进一步融合时空特征与天气等外部特征,联合预测私家车流量。在长沙市和深圳市采集的真实数据上进行验证,实验结果表明,与现有的模型相比,所提模型的均方根误差约降低了11.3%~20.3%,平均绝对百分误差约降低了10.8%~36.1%。
针对物理层安全研究中主窃信道具有相关性的场景,研究了主窃信道间的相关性对系统安全性能产生的影响,推导得到了遍历保密容量及中断概率的精确计算式,以及主窃信道的信道状态差异较大和较小这2种场景下的渐近计算式,并通过仿真验证了理论分析的正确性。研究结果表明,信道相关性会造成遍历保密容量的损失,但信道相关性强并不一定表明通信中断概率大。当目标速率设置合理时,信道相关性的影响与接收端平均信噪比有关,在高信噪比区域,强相关性会降低中断概率;在低信噪比区域,强相关性会增大中断概率;在中信噪比区域内,相关性几乎不影响系统的中断概率。基于上述结论,可以根据接收端信噪比、信道增益比、相关性等条件合理地设置系统参数,维护系统的安全性能。
面向高性能虚拟网络转发架构及设备VPP,通过重构数据平面的流水线处理模块,设计了基于矢量数据包处理技术的带内网络遥测方案,并在此基础上通过引入源路由机制引导遥测报文走向,实现了一种带内全网遥测的扩展案例。最后,基于虚拟机组网方式,搭建网络拓扑并进行网络性能评测。实验结果表明,该遥测系统能够在0.13 ms精度的遥测时间间隔下覆盖被测网络链路,并能以较小代价实时监测虚拟网络的链路拥塞情况。鉴于虚拟网络设备已在数据中心内被广泛部署,该方案通过高精度的虚拟网络测量覆盖,有望为数据中心内多租户网络和网络功能虚拟化的大规模部署提供可靠性保障。
针对无线传感器网络节点能量有限、负载不均衡的问题,提出了一种基于粒子群优化模糊C均值的分簇路由算法POFCA。POFCA分别从成簇阶段和数据传输阶段进行了优化。成簇阶段,首先使用粒子群优化算法优化模糊C均值算法,克服了模糊C均值对初始聚类中心的敏感,并根据节点剩余能量和相对距离动态更新簇首,平衡簇内负载。数据传输阶段,基于距离因子、能量因子和节点负载设计了路径评价函数,并使用猫群优化算法为簇首搜寻最优路由路径,在平衡簇首负载的同时又不会加剧中继节点负载。仿真结果表明,与 LEACH 和LEACH-improved算法相比,POFCA能有效地平衡网络负载,降低网络能耗,延长网络生命周期。
针对无线供能反向散射通信系统中信道不确定性以及安全性问题,提出一种考虑系统安全性的稳健机会约束优化算法。首先,在考虑窃听数据传输速率约束、最小能量收集约束和设备反射率约束条件下,建立一个基于信道不确定性的最大化系统传输速率最小值的优化问题。为求解该问题,应用基于伯恩斯坦型不等式的安全近似方法,将原不确定性问题转换为确定性优化问题。然后,结合不等式的性质,引入相应的辅助变量,将确定性优化问题转换为凸优化问题,并利用标准的凸优化算法进行求解。最后,仿真结果表明了所提算法的有效性。
针对目前关于分层超立方网络的可靠性研究不够系统,严重制约了其应用和推广的问题,以分层超立方网络为研究对象,在得到分层超立方网络相关拓扑性质的基础上,通过理论推导得到了n维分层超立方(HHCn)在PMC模型和MM*模型下的h-额外条件诊断度和t/s-诊断度。此外,设计了HHCn在PMC模型和MM*模型下的t/s-诊断算法,并分析了其时间复杂度。研究结果表明,HHCn的h-额外条件诊断度是其传统诊断度的约h+1倍, t/s-诊断度是其传统诊断度约 s+1 倍。该结果进一步完善了分层超立方网络的可靠性指标,为其应用和推广提供了重要的理论依据。
针对DHR系统服务体在面临共同漏洞时的系统脆弱性问题,提出了一种改进的DHR架构——IDHR。该架构在 DHR 的基础上,首先引入根据执行体间的异构性对执行体集进行划分的执行体划分模块,以极大增强各执行体池之间的异构性。在此基础上,改进调度模块中的动态选择算法,即采用先随机选择执行体池,再从执行体池中随机选择执行体的方式,以提高在共同漏洞下 DHR 系统的安全性。最后,通过随机模拟执行体和仿真Web服务器2种实验方案,从攻击成功率和被控制率2个方面对所提IDHR架构进行安全性评估。实验结果表明, IDHR架构的安全性,尤其是在共同漏洞未知情况下,明显优于传统DHR架构。
研究了唯密文攻击下TWINE密码的安全性,即在唯密文故障攻击下,利用SEI、MLE、HW、GF、GF-SEI、GF-MLE、Parzen-HW、MLE-HE、HW-HE和HW-MLE-HE等一系列区分器进行分析,能够以至少99%的成功概率恢复TWINE密码的主密钥。仿真实验表明,所提新型区分器MLE-HE、HW-HE和HW-MLE-HE可以有效地减少故障数并提高攻击效率。研究结果为分析物联网中轻量级密码算法的安全性提供了重要参考。
针对6G时代电力物联网海量终端接入冲突严重、队列积压大、能量效率低等问题,提出了一种基于上下文学习的接入控制算法。所提算法基于强化学习和快速上行链路授权技术,考虑终端活跃与休眠2种状态,优化目标为在终端接入服务质量需求的长期约束下最大化网络总能量效率。利用李雅普诺夫优化对长期优化目标与约束进行解耦,将长期优化问题转化为单时隙独立的确定性子问题,并利用基于终端状态感知的上置信界算法进行求解。仿真结果表明,所提算法能够在满足终端接入服务质量需求的同时,有效提高网络总能量效率。相较于传统快速上行链路授权算法,所提算法可提高平均能量效率 48.11%,提高满足接入服务质量需求的终端比例54.95%,降低平均队列积压83.83%。
针对基于密文策略的属性加密(CP-ABE)在低时延需求较高的雾计算环境中,存在加解密开销大、属性更新效率低的问题,提出了一种雾计算中细粒度属性更新的外包计算访问控制方案,使用模加法一致性秘密(密钥)分享技术构建访问控制树,将加解密计算操作外包给雾节点,降低用户加解密开销;结合重加密机制,在雾节点建立组密钥二叉树对密文进行重加密,实现对用户属性的灵活更新。安全性分析表明,所提方案在决策双线性 Diffie-Hellman 假设下是安全的。仿真实验结果表明,所提方案中用户加解密时间开销相比其他方案更小,属性更新效率更高。
为了解决城市环境下的 C-V2X 车辆拓扑高度动态化且车辆节点负载能力有限的问题,提高车辆缓存的利用率,减轻基站负荷,提出了负载约束下的车辆缓存节点选择算法。首先,通过定义链路稳定性度量,构建预测权重邻接矩阵,微观地描述车辆拓扑关系;其次,在负载约束和无重叠覆盖约束下构建目标函数,以最少的缓存节点实现全覆盖且最大化簇平均链路权重;最后,引入贪婪思想并合理定义节点状态,求解负载约束下车辆拓扑的最小支配集,并择优选择服务邻居节点。仿真结果表明,所提算法在缓存节点个数和簇平均链路权重均值方面接近全局最优,其重复应答率恒为零,请求应答率可达理论上界并可有效提高缓存源应答次数。
为了满足 5G 系统低时延高可靠的需求,针对单缓存终端直传(D2D)协作边缘缓存系统,提出了一种基于传输时延的缓存策略。运用随机几何理论,将请求用户和空闲用户的动态分布建模为相互独立的齐次泊松点过程,综合考虑内容流行度、用户位置信息、设备传输功率以及干扰,推导出用户的平均传输时延与缓存概率分布的关系式。以平均传输时延为目标函数建立优化问题,提出了一个低复杂度的迭代算法,得到平均传输时延次优的缓存策略。仿真结果表明,该缓存策略在传输时延方面优于常见的几种缓存策略。
边缘计算在自动驾驶的环境感知和数据处理方面有着极其重要的应用。自动驾驶汽车可以通过从边缘节点获得环境信息来扩大自身的感知范围,也可以向边缘节点卸载计算任务以解决计算资源不足的问题。相比于云计算,边缘计算避免了长距离数据传输所导致的高时延,能给自动驾驶车辆提供更快速的响应,并且降低了主干网络的负载。基于此,首先介绍了基于边缘计算的自动驾驶汽车协同感知和任务卸载技术及相关挑战性问题,然后对协同感知和任务卸载技术的研究现状进行了分析总结,最后讨论了该领域有待进一步研究的问题。
针对现有联盟链共识机制因可拓展性不足,无法在支持大规模网络的同时满足低时延、高吞吐量和安全性的问题,采用网络分片的思想,提出一种适用于联盟链的带有监督节点的两级共识机制——RBFT。首先对网络节点进行分组,组内采用改进的Raft机制进行共识,然后由每个组内选出的领导者组成网络委员会,网络委员会内部采用PBFT机制进行共识。研究结果表明,在大规模网络环境下,相比PBFT和Raft,RBFT在具备拜占庭容错能力的同时可以保证高共识效率,因而具有更高的扩展性。
针对现有的基于属性的身份认证方案均是基于单授权中心实现的,存在密钥托管问题,即密钥生成中心知道所有用户的私钥,提出了一种基于属性的多授权中心的身份认证方案。所提方案结合分布式密钥生成技术实现用户属性私钥的(t,n)门限生成机制,可以抵抗最多来自 t-1 个授权中心的合谋攻击。利用双线性映射构造了所提方案,分析了所提方案的安全性、计算开销和通信开销,并与同类型方案做比较。最后,以多因子身份认证为例,分析了所提方案在电子凭据应用场景中的可行性。分析结果表明,所提方案具有更优的综合性能。
针对图像采集和传输过程中所产生噪声导致后续图像处理能力下降的问题,提出基于生成对抗网络(GAN)的多通道图像去噪算法。所提算法将含噪彩色图像分离为RGB三通道,各通道基于具有相同架构的端到端可训练的GAN实现去噪。GAN生成网络基于U-net衍生网络以及残差块构建,从而可参考低级特征信息以有效提取深度特征进而避免丢失细节信息;判别网络则基于全卷积网络构造,因而可获得像素级分类从而提升判别精确性。此外,为改善去噪能力且尽可能保留图像细节信息,所构建去噪网络基于对抗损失、视觉感知损失和均方误差损失这3类损失度量构建复合损失函数。最后,利用算术平均方法融合三通道输出信息以获得最终去噪图像。实验结果表明,与主流算法相比,所提算法可有效去除图像噪声,且可较好地恢复原始图像细节。