摘要:随着电子商务的快速发展, 中小件快递数量急剧增多, 快递行业最后一公里配送面临诸多挑战, 亟需更高效、更环保的配送模式. 小型无人机具有配送效率高、成本低、环保、部署灵活等优点, 受到物流行业和学术界的广泛关注. 针对无人机在最后一公里配送中的创新应用与路径规划问题, 系统总结了当前4类典型配送模式: 无人机独立配送(一机多包配送模式、无人机中继停靠配送模式), 车和无人机并行配送(无人机和卡车并行配送模式、带中转点的无人机和卡车并行配送模式), 车和无人机协同配送(无人机同车起降配送模式、无人机异车起降配送模式、无人机-公共交通协同配送模式、无人机送货取货一体配送模式、无人机卡车途中起降配送模式), 车和无人机混合配送(无人机-卡车多模式融合配送模式). 然后, 对无人机最后一公里配送路径规划算法进行分类总结, 并梳理了现有无人机参与最后一公里配送的相关测试数据集. 最后, 探讨了最后一公里配送中无人机的未来应用与研究方向.

摘要:操作系统内核是计算机系统中最基本的软件组件, 它控制和管理计算机硬件资源, 并提供访问和管理其他应用程序所需的接口和服务. 操作系统内核的安全性直接影响整个计算机系统的稳定性和可靠性. 内核模糊测试是一种高效、准确的安全漏洞检测方法. 然而目前内核模糊测试工作中, 存在系统调用间关系的计算开销过大且容易误判, 以及系统调用序列构造方式缺乏合理能量分配以至于很难探索低频系统调用的问题. 本文提出以N-gram模型学习系统调用间关系, 根据系统调用的出现频次信息和TF-IDF信息优先探索出现频次低或者TF-IDF值高的系统调用. 我们以极低的开销, 在Linux 4.19和5.19版本的24 h实验中分别提升了15.8%、14.7%的覆盖率. 此外, 我们挖掘到了一个已知CVE (CVE-2022-3524)、8个新崩溃, 其中一个获得了CNNVD编号(CNNVD-2023-84723975).

摘要:模糊测试在挖掘协议软件安全漏洞、提高安全性方面发挥着巨大的作用. 近年来将状态引入服务端程序模糊测试受到广泛关注. 本文针对现有方法未充分利用协议模糊测试过程信息、无法持续关注重点状态, 导致模糊测试效率较低的问题, 提出了基于双重覆盖信息协同的协议模糊测试方法. 首先, 本文提出的状态选择算法, 通过建立状态空间到程序空间的映射, 利用启发式的计算方法为每个状态设置权重, 以引导模糊测试持续关注更可能存在缺陷的状态. 其次, 快速探测种子不影响状态但改变程序覆盖的位置, 并限制变异位置以充分测试重点状态对应的代码区域. 本文在基线工具AFLNet和SnapFuzz上验证了改进算法的有效性, 并最终集成实现了协议模糊测试工具C2SFuzz. 对LightFTP、Live555等协议服务端程序最新版进行了实验后, 发现5个未知的漏洞.

摘要:支持向量机(support vector machine, SVM)是一种基于结构风险最小化的机器学习方法, 能够有效解决分类问题. 但随着研究问题的复杂化, 现实的分类问题往往是多分类问题, 而SVM仅能用于处理二分类任务. 针对这个问题, 一对多策略的多生支持向量机(multiple birth support vector machine, MBSVM)能够以较低的复杂度实现多分类, 但缺点在于分类精度较低. 本文对MBSVM进行改进, 提出了一种新的SVM多分类算法: 基于超球(hypersphere)和自适应缩小步长果蝇优化算法(fruit fly optimization algorithm with adaptive step size reduction, ASSRFOA)的MBSVM, 简称HA-MBSVM. 通过拟合超球得到的信息, 先进行类别划分再构建分类器, 并引入约束距离调节因子来适当提高分类器的差异性, 同时采用ASSRFOA求解二次规划问题, HA-MBSVM可以更好地解决多分类问题. 我们采用6个数据集评估HA-MBSVM的性能, 实验结果表明HA-MBSVM的整体性能优于各对比算法.

摘要:信息技术的不断发展和智能终端设备的普及导致全球数据存储总量持续增长, 数据面临的威胁挑战也随着其重要性的凸显而日益增加, 但目前部分计算设备和存储设备仍存在缺乏数据保护模块或数据保护能力较弱的问题. 现有数据安全存储技术一般通过加密的方式实现对数据的保护, 但是数据的加解密操作即数据保护过程通常都在应用设备上执行, 导致应用设备遭受各类攻击时会对存储数据的安全造成威胁. 针对以上问题, 本文提出了一种基于DICE的物联网设备证明存储方案, 利用基于轻量级信任根DICE构建的可信物联网设备为通用计算设备(统称为主机)提供安全存储服务, 将数据的加解密操作移至可信物联网设备上执行, 消除因主机遭受内存攻击等风险对存储数据造成的威胁. 本文工作主要包括以下3方面: (1)利用信任根DICE构建可信物联网设备, 为提供可信服务提供安全前提. (2)建立基于信任根DICE的远程证明机制和访问控制机制实现安全认证和安全通信信道的建立. (3)最终利用可信物联网设备为合法主机用户提供可信的安全存储服务, 在实现数据安全存储的同时, 兼顾隔离性和使用过程的灵活性. 实验结果表明, 本方案提供的安全存储服务具有较高的文件传输速率, 并具备较高的安全性, 可满足通用场景下的数据安全存储需求.

摘要:由于Java Web应用业务场景复杂, 且对输入数据的结构有效性要求较高, 现有的测试方法和工具在测试Java Web时存在测试用例的有效率较低的问题. 为了解决上述问题, 本文提出了基于解析树的Java Web应用灰盒模糊测试方法. 首先为Java Web应用程序的输入数据包进行语法建模创建解析树, 区分分隔符和数据块, 并为解析树中每一个叶子结点挂接一个种子池, 隔离测试用例的单个数据块, 通过数据包拼接生成符合Java Web应用业务格式的输入, 从而提高测试用例的有效率; 为了保留高质量的数据块, 在测试期间根据测试程序的执行反馈信息, 为每个数据块种子单独赋予权值; 为了突破深度路径, 会在相应种子池中基于条件概率学习提取数据块种子特征. 本文实现了基于解析树的Java Web应用灰盒模糊测试系统PTreeFuzz, 测试结果表明, 该系统相较于现有工具取得了更好的测试准确率.

摘要:源代码迁移技术旨在将源代码从一种编程语言转换至另一种编程语言, 以减轻开发人员迁移软件项目的负担. 现有研究通常利用神经机器翻译(NMT)模型将源代码转换为目标代码, 但这些研究忽略了代码结构特征, 导致源代码迁移性能不佳. 为此, 本文提出了基于代码语句掩码注意力机制的源代码迁移模型CSMAT (code-statement masked attention Transformer). 该模型利用Transformer的掩码注意力机制(masked attention mechanism), 在编码时引导模型理解源代码语句的语法和语义以及语句间上下文特征, 在译码时引导模型关注并对齐源代码语句, 从而提升源代码迁移性能. 本文使用真实项目数据集CodeTrans进行实证研究, 并使用4个指标评估模型性能. 实验结果验证了CSMAT的有效性, 同时验证了代码语句掩码注意力机制在预训练模型的适用性.

摘要:目前, 基于局部注意力机制的卷积神经网络(CNNs)用于亲属关系识别特征提取获得了不错的效果, 但基于卷积神经网络的主干模型提升不明显, 同时鲜有研究者使用具有全局信息捕获能力的自注意机制. 因此, 提出使用基于一种无卷积主干特征提取网络的S-ViT模型, 即用具有自全局注意力机制的Vision Transformer作为基础主干特征提取网络, 通过构建孪生网络与具有局部注意力机制的CNN相结合, 扩大传统分类网络, 用于亲属关系识别相关问题的研究. 最终实验结果表明, 相比RFIW2020挑战赛领先的方法, 所提出的方法在亲属关系识别3个任务上获得了良好的效果, 第1个任务中获得了76.8%验证精度排名第二, 第2个和第3个任务中排名第三, 证明了该方法的可行性和有效性, 为亲属关系识别提出了一种新的解决方法.

摘要:在自动驾驶领域, 由于道路背景复杂以及小目标信息缺失, 现有目标检测算法存在检测精度低的问题. 由于车载摄像头视角较为固定, 道路上的目标在图像空间中的分布具有一定的规律, 可以为自动驾驶汽车进行目标检测提供更为丰富的信息. 因此, 提出一种改进YOLOv5s的空间特征增强网络(SE-YOLOv5s). 在YOLOv5s的颈部网络中添加位置注意力模块(location attention module, LAM), 该模块能够根据道路目标在图像中的分布特征进行加权, 增强网络对目标类别位置分布的感知和定位能力. 设计一种小目标增强模块(small target enhancement module, STEM), 将浅层特征和深层特征进行融合, 可以获得更丰富的小目标语义信息和空间细节信息, 提高小目标检测效果. 实验结果表明, 改进模型对不同尺度目标检测精度均有所提高, AP_S提高2.8%, AP_M提高2.5%, AP_L提高2%.

摘要:在软件定义广域网(SD-WAN)中, 链路故障会导致大量丢包, 严重时会引起部分网络瘫痪. 现有的流量工程方法通过在数据平面提前安装备份路径能够加快故障恢复过程, 但在资源受限的情况下难以适应各种网络故障情况, 从而使恢复后的网络性能下降. 为了保证网络在故障恢复之后的性能并减少备份资源的消耗, 本文提出一种基于拥塞及内存感知的主动式故障恢复方案(CAMA), 不仅能够将受影响数据流进行快速重定向, 还能实现负载均衡避免恢复后潜在的链路拥塞. 实验结果表明, 与已有方案相比, CAMA能有效利用备份资源, 在负载均衡上有较好的性能, 且仅需少量备份规则即可覆盖所有单链路故障情况.

摘要:视神经炎(optic neuritis)是一种眼部神经疾病, 会造成儿童和成人的急性视神经损伤, 严重时会有致盲的风险. 因此, 视神经炎早期发现和诊断, 对患者的恢复有着巨大的帮助. 基于视神经炎视网膜图像病变特征不明显, 人工诊断分类困难且准确率不高等问题, 本文设计了一种改进的混合注意力机制CS-CBAM模块, 并将CS-CBAM模块融合到改进的AlexNet网络, 形成一个具有更深层次的AlexNet2_att视神经炎分类模型, 从而实现视神经炎图像的自动分类. 首先, 对数据集中的视网膜图像进行图像尺寸调整, 去除图像冗余信息, 直方图均衡化和数据增强等预处理操作; 然后, 在AlexNet网络的基础上, 引入批归一化层以提高训练速度, 之后, 在改进后的AlexNet网络中融入我们所提出的混合注意力机制CS-CBAM, 形成AlexNet2_att模型; 最后, 使用来自大连市第三人民医院的临床数据对本文模型进行性能评估, 实验结果表明, 该模型的分类准确率可达99.19%. 实验结果证明本文模型具有良好的实用性和鲁棒性, 有很高的实用价值, 可以辅助医生进行视神经炎分类与诊断.

摘要:传统的故障诊断方法在对轴承故障进行判定时, 存在特征提取不充分, 时序特性运用不完全且计算较为复杂的问题. 对于此问题, 本文提出一种基于多尺度卷积神经网络(multi-scale convolutional neural network, MCNN)、双向门控循环单元(bidirectional gated recurrent unit, BiGRU)和注意力机制(attention)的组合诊断方法. 该方法首先使用MCNN对信号数据进行多尺度特征提取, 在空间层面上, 实现了对特征的进一步提炼. 其次使用了BiGRU网络, 在时间层面上, 从正反两个方向获取时序关系. 接下来引入注意力机制, 忽略一些与结果不相关的信息并且降低信息丢失的风险以提高精度, 在经过全连接层创建映射后, 最后通过Softmax分类方法完成轴承故障诊断. 本文通过实验, 与LSTM模型、GRU模型、SVM模型、CNN-BiGRU等模型进行对比, 实验结果表明, 本文提出的模型相比以往提出的模型准确率更高, 单一工况下的故障诊断准确率达到了98.1%, 多工况条件下平均准确率达到了97.8%.

摘要:针对移动端目标检测算法需要模型参数量与计算量更少、推理速度更快和检测效果更好以及目标检测算法对于小目标误检、漏检及特征提取能力不足等问题, 提出一种基于YOLOv5改进的轻量化目标检测算法. 该算法使用轻量级网络MobileNetV2作为目标检测算法的骨干网络降低模型的参数量与计算量, 通过使用深度可分离卷积结合大卷积核的思想降低网络的计算量与参数量, 并提升了小目标的检测精度. 使用GhostConv来替换部分普通卷积, 进一步降低参数量与计算量. 本文算法在VOC竞赛数据集, COCO竞赛数据集两份数据集上均进行了多次对比实验, 结果表明本文算法相比于其他模型参数量更小、计算量更小、推理速度更快以及检测精度更高.

摘要:运动想象是一种应用前景广泛的脑机接口范式. 在基于脑电的运动想象分类任务中, 由于设备和被试的缘故, 会导致与被试、时间相关的数据分布漂移现象. 这种数据分布漂移会使得分类器分类精度下降. 而迁移学习能很好地解决这种分布漂移现象. 本文提出了一种新的单源域选择算法, 多子域可迁移性估计(multi-subdomain transferability estimation, MSTE)和一种新的迁移方法, 任务导向的子域对抗迁移网络(task-oriented subdomain adversarial transfer network, ToSAN), 用于脑电信号的分类任务. MSTE能评估源域和目标域在时间和类别上的相似性. ToSAN能面向分类任务分解特征, 在与任务相关的特征上进行多个子域对齐, 从而克服分布差异. 在BCI Competition IV 2a和BCI Competition IV 2b上的实验结果表明, ToSAN相比于其他方法在分类准确率上提高了最少2.67%, 8.6%. MSTE和ToSAN的结合在BCI Competition IV 2a和BCI Competition IV 2b数据集上分别达到了81.73%和88.73%的分类准确率, 显著优于所有对比方法.

摘要:以某大型家具企业的柔性生产制造过程中调度问题为研究对象, 提出了一种主要用于求解柔性作业车间调度问题的多策略鲸鱼优化算法(multi-strategy whale optimization algorithm, MWOA), 首先, 为了提高初始种群的多样性, 引入混沌理论来初始化种群; 同时设计了非线性收敛因子和自适应惯性权重系数来平衡全局探索和局部开发能力; 然后结合差分进化(differential evolution, DE)算子提高了WOA的利用和搜索能力, 最后采取最优个体混沌搜索策略, 减少WOA算法出现早熟收敛现象的概率. 以最小化最大完工时间为求解目标, 对基准测试问题与某家具企业的生产制造过程的调度优化问题进行了求解, 结果表明提出来的多策略鲸鱼优化算法克服了基本鲸鱼优化算法寻优精度低、收敛速度慢及容易陷入局部最优等缺陷, 与对比算法比较, 取得了更好的寻优效果.

摘要:深度强化学习因其可用于从高维的图像中提取出有效信息, 从而可以自动生成解决各类复杂任务的有效策略, 如游戏 AI, 机器人控制和自动驾驶等. 然而, 由于任务环境的复杂性以及智能体低下的探索效率, 使得即使执行相对简单的任务, 智能体仍需要与环境进行大量交互. 因此, 本文提出一种结合Bootstrapped探索方法的CCLF算法—Bootstrapped CCLF, 该算法通过actor网络中多个head来产生更多不同的潜在动作, 从而能够访问到更多不同的状态, 提高智能体的探索效率, 进而加快收敛过程. 实验结果表明, 该算法在DeepMind Control环境中具有比原算法更好的性能以及稳定性, 证明了该算法的有效性.

摘要:风速预测是影响风电场效率和稳定性的重要因素. 文中基于风速的时空特征, 融合变分模态分解(VMD)和混合深度学习框架进行短期风速预测, 即VHSTN (VMD-based hybrid spatio-temporal network). 其中, 混合深度学习框架由卷积神经网络(CNN)、长短时记忆网络(LSTM)以及自注意力机制(SAM)组成. 该算法对原始数据清洗后, 采用VMD将多站点风速的时空数据分解为固有模态函数(intrinsic mode functions, IMF)分量, 去除风速数据的不稳定性; 然后针对各IMF分量, 应用底部的CNN抽取空域特征; 再用顶层LSTM提取时域特征, 之后用SAM通过自适应加权加强对隐藏特征的提取并得到各分量的预测结果; 最后合并获得最终预测风速. 在数据集WIND上进行实验, 并和相关典型算法对比, 实验结果表明了该算法的有效性和优越性.

摘要:随着智慧工厂的逐渐发展, 移动机器人在工厂中的应用越来越广泛, 但是在工厂中障碍物较多, 使用传统人工势场法容易产生目标不可达以及局部最小值等问题. 本文针对传统人工势场法在路径规划中出现的目标不可达以及局部最优解进行改进. 首先针对目标不可达的情况, 采用新斥力势场函数, 通过对原人工势场法中的斥力势场函数增加影响函数, 从而解决目标不可达; 其次针对局部最优解, 采用人工势场法与模拟退火法相结合的方法, 利用模拟退火法中的增设子目标点, 打破平衡状态, 从而走出障碍物. 最后通过Matlab对比, 本文算法在10个障碍物中比其他文献中算法的行驶时间提升6.70%, 路径长度减少9.20%. 本文算法在20个障碍物中比其他文献中算法的行驶时间提升9.10%, 路径长度减少12.10%.

摘要:针对气门油封的尺寸检测问题, 本文提出了一种基于Zernike矩改进算法的亚像素边缘检测方法. 首先, 对比分析了高斯滤波和双边滤波的预处理效果, 结果表明双边滤波在滤波和保留边缘信息方面具有更好的表现. 然后, 采用Canny算子进行边缘粗定位, 并利用自适应的Zernike矩过度模型进行亚像素级定位. 最后, 采用最小二乘拟合圆法获取圆心坐标和半径. 经试验证明, 优化后算法的边缘定位平均误差更小, 精度更加准确.

摘要:针对施工现场工况复杂, 塔机吊钩视频稳像效果差的问题, 本文提出了一种改进ORB特征匹配与固定滞后Kalman滤波相结合的吊钩视频稳像算法. 在图像运动估计中, 对经典ORB算法进行改进, 采用了图像分块与自适应阈值的特征点提取, 并引入图像四叉树算法提高图像特征点分布均匀性; 在此基础上, 采用背景补偿结合帧间差分法, 快速识别局部运动目标并进行剔除, 提高了全局运动参数估计的准确性; 在运动滤波和补偿阶段, 采用固定滞后Kalman滤波算法去除随机抖动分量, 以获得视频去抖动的运动补偿参数, 进而实现塔机吊钩可视化系统监控视频的稳像处理. 实验结果表明: 与经典ORB加Kalman滤波的稳像算法相比, 本文所提出的稳像算法帧间变换保真度ITF提升了约9.12%, 结构相似度平均值$ \overline {{\text{SSIM}}} $提升了约2.75%, 获得了更好的稳像效果, 且帧处理速率FPS达到了29.65 f/s, 满足塔机实时监控要求.

摘要:为了有效保持散乱点云的显著几何特征, 提高点云简化的精度和效率, 提出一种点重要性判断点云简化方法. 首先, 计算点云中点的重要性, 并根据重要性提取特征点; 然后, 采用八叉树算法对非特征点进行简化, 从而保留点云的主要细节特征, 实现点云简化处理; 最后, 通过对公共点云和文物点云数据模型的简化实验来验证该点云简化方法. 结果表明, 该点重要性判断点云简化方法可以在有效保持点云细节几何特征的同时, 实现点云的有效简化, 是一种快速、高精度的点云简化方法.

摘要:兰州市气温是一个非平稳序列, 具有典型噪声大、不稳定的特征, 气温变化越大, 越不稳定. 为了能够提高支持向量机在气温预测中的预测精度、强化泛化能力和降低参数选择的灵敏度. 本文提出了改进的粒子群算法(improved particle swarm optimization, IPSO)优化支持向量机(support vector machine, SVM)的气温预测模型. 首先在粒子群算法(particle swarm optimization, PSO)中引入了自适应惯性权重以提高PSO算法的全局寻优能力和局部开发能力, 其次利用改进的IPSO算法优化SVM的惩罚因子和核函数参数, 将优化后的模型(IPSO-SVM)应用于气温预测中. 以兰州地面观测站点实际数据作为样本数据, 运用Matlab实验工具进行训练和预测, 实验结果表明, 本文IPSO-SVM模型相比于BP, SVM, GRID-SVM, GWO-SVM, ABC-SVM, ACO-SVM模型具有更强的泛化能力, 更好的拟合度, 可以更加准确地预测气温的变化, 进一步验证了该模型在气温预测方面的可行性.

摘要:暴力行为容易出现遮挡情况, 识别准确率较低. 目前, 一些算法加入多视角视频输入来解决遮挡问题, 以等量权重将所有视角数据融合, 但是不同视角的视频因拍摄距离和遮挡情况本身就对识别存在差异性. 针对该问题, 本文提出一种基于视角置信度和注意力的暴力行为识别方法, 提高暴力识别的准确率. 本文将时序差分模块TDM的输入扩展成多视角, 将通道注意力机制运用在片段维度来增强TDM中跨段特征提取能力, 通过背景抑制方法突显移动目标的纹理特征并计算出每个视角图像的置信度, 引入双线性池化方法融合多视角视频特征, 根据视角置信度分配每个视角局部特征的权重. 本文在公开数据集CASIA-Action和自制数据集上进行了验证. 实验表明, 本文提出的视角置信度方法优于改进前的双线性池化方法, 暴力行为准确率相较于现有的行为识别方法取得了更好的效果.

摘要:在人机交互的过程中, 脑力负荷过高是产生操作错误的重要因素, 现阶段基于脑电信号具有时间分辨率高和便携性好的特点, 常用于脑力负荷的评估. 近几年来深度学习的快速发展也使得其广泛应用在脑电领域并取得了比传统的机器学习更加优异的效果, n-back任务可通过设定不同的n值来诱发不同程度的脑力负荷. 由此设计了基于视觉和听觉的n-back的范式来避免维度单一, 同时还提出一种新的卷积神经网络模型, 使用64通道的eego脑电设备采集数据经eeglab预处理后用于该模型的训练. 在测试集上与EEGNet, FBCNet, ShallowConNet的性能进行对比, 其提出的新模型在分类准确率有较为明显的提升, 使得该研究在脑力负荷的评估尤其在多维度n-back任务的分类上具有一定应用潜力.

摘要:仿生鱼具有广阔的工程应用前景, 对于仿生鱼的控制, 首先要解决的是循迹问题. 然而, 现有的基于CFD方式和传统控制算法的鱼游控制方法存在训练数据获取成本高、控制不稳定等缺点. 本文提出了基于PPO算法的仿生鱼循迹智能控制方法: 使用代理模型替代CFD方式产生训练数据, 提高数据的产生效率; 引入高效的PPO算法, 加快策略模型的学习速度, 提高训练数据的效用; 引入速度参数, 解决鱼体在急转弯区域无法顺利循迹的问题. 实验表明, 我们提出的方法在多种类型的路径上均具有更快的收敛速度和更加稳定的控制能力, 在仿生机器鱼的智能控制方面具有重要的指导意义.

摘要:近年来, 学生认知诊断是教育数据挖掘领域的重要研究课题, 对现代教育的精准反馈有重要的意义. 然而, 传统的认知诊断模型存在预测准确性低和处理大规模数据时效率低等问题, 且现有研究主要围绕传统线下教学展开, 缺少针对程序设计教育领域的研究. 为了解决上述问题, 本文从程序设计教育的特点分析出发, 提出了一种基于编程表现的模糊认知诊断模型P-FuzzyCDF (programming-performance-based fuzzy cognitive diagnosis framework). 具体来说, 为了处理编程题部分正确的情况, 该模型首先模糊了学生对知识点的掌握情况. 随后, P-FuzzyCDF将模糊集合理论与教育假设相结合, 对学生对问题的掌握情况进行了建模. 除此之外, 本文还考虑抄袭因素, 并最终生成学生在每个问题上的得分. 值得注意的是, 该模型利用编程教育数据可视化和精确性的特点, 对模型中每个部分的参数进行了量化. 本文基于真实数据集进行实验, 实验结果表明P-FuzzyCDF可以实现较高的精度, 其中MAE、MSE和RMSE评估指标的值分别为0.07、0.09和0.01. 此外, 将P-FuzzyCDF与现有经典方法(如DINA, IRT和FuzzyCDF)进行比较时, P-FuzzyCDF的结果在MAE、MSE和RMSE等指标上取得了明显优势.

摘要:分布式平均共识和去中心化机器学习是具有广泛应用的去中心化计算方法. 两种方法的收敛率主要由拓扑的谱间距所决定. 节点网络环境的异构性包括节点带宽和节点间连接可用性的不同. 异构网络环境对去中心化计算的效率提出了挑战. 本文研究异构网络环境下最大化谱间距的拓扑设计问题, 推导了谱间距针对拓扑任一条边的梯度, 并设计了基于该梯度的增删边算法来构建目标拓扑. 构建的拓扑具有更大谱间距, 且各节点的数据通信时间相近. 拓扑构建算法的性能在不同程度的异构网络环境下能够保持稳定, 且生成的拓扑在分布式共识中以更快的收敛率和更短的时间达到收敛. 基于该算法, 本文进一步验证了最新发现的谱间距与去中心化机器学习收敛率的弱相关性.

摘要:以太坊虚拟机是以太坊区块链中关键组成部分, 其缺陷会导致交易的执行结果出现偏差, 给以太坊生态带来严重问题. 现有的以太坊虚拟机缺陷检测工作仅将虚拟机视为独立的智能合约执行工具, 没有完整测试其工作流程, 从而导致缺陷检测存在盲点. 针对上述问题, 提出了一种以太坊虚拟机运行全过程的缺陷检测方法(ETHCOV). ETHCOV首先结合权重策略指导智能合约、合约接口参数输入和交易序列按不同粒度变异, 然后将其与区块状态以及世界状态打包作为测试用例, 最后将测试用例输入到以太坊虚拟机中触发运行并对比检验运行结果, 以此来检测以太坊虚拟机的漏洞缺陷. 基于上述方法实现了一个原型系统, 并以2万多个真实智能合约作为为输入对以太坊虚拟机进行缺陷检测测试. 实验结果表明, 相较于现有工具EVMFuzzer, ETHCOV的测试效率提升了339%, 代码覆盖率提升了125%, 并检测出3组用例的不一致输出. 这些结果表明ETHCOV能有效检测以太坊虚拟机的缺陷.

摘要:在前人工作的基础上, 提出句法依存引导的自注意力机制以融合句法依存知识去提升中文分词的性能, 使得自注意力机制只关注那些对当前字符的分词标签有句法依存影响的字符, 学习它们对于当前字符的影响程度, 另外, 该文根据句法依存树对引导后的自注意力机制进行位置编码. 实验结果表明, 模型相较于baseline取得了性能上的提升, 同时模型对未登录词的识别能力也有所提升.

摘要:针对水声通信中数据传输延时高且动态适应性弱的问题, 提出了一种基于Q学习优化的蚁群智能水声网络路由协议(Q-learning ant colony optimization, QACO). 协议包括路由行为和智能决策部分, 在路发现和维护阶段, 依靠网络智能蚂蚁进行网络拓扑环境的构建和节点之间的信息交换以及网络的维护. 在Q学习阶段, 通过定量化节点能量和深度以及网络传输延时学习特征作为折扣因子和学习率, 以延长网络的生命周期, 降低系统能耗和延时. 最后通过水声网络环境进行仿真, 实验结果表明QACO在能耗、延迟和网络生命周期方面都优于基于Q学习辅助的蚁群算法(Q-learning aided ant colony routing protocol, QLACO)和基于 Q-learning 的节能和生命周期感知路由协议(Q-learning-based energy-efficient and lifetime-aware routing protocol, QELAR)和基于深度路由协议 (depth-based routing, DBR)算法.