一级黄色片免费播放|中国黄色视频播放片|日本三级a|可以直接考播黄片影视免费一级毛片

在車載網(wǎng)絡(VANETs)中，聯(lián)邦學習(FL)通過協(xié)同訓練機器學習模型，實現(xiàn)了車輛間的數(shù)據(jù)隱私保護，并提高了整體模型的性能。然而，F(xiàn)L在VANETs中的應用仍面臨諸多挑戰(zhàn)，如模型泄露風險、訓練結果驗證困難以及高計算和通信成本等問題。針對這些問題，該文提出一種面向聯(lián)邦學習的可驗證隱私保護批量聚合方案。首先，該方案基于Boneh-Lynn-Shacham (BLS)動態(tài)短群聚合簽名技術，保護了客戶端與路邊單元(RSU)交互過程中的數(shù)據(jù)完整性，確保全局梯度模型更新與共享過程的不可篡改性。當出現(xiàn)異常結果時，方案利用群簽名的特性實現(xiàn)車輛的可追溯性。其次，結合改進的Cheon-Kim-Kim-Song (CKKS)線性同態(tài)哈希算法，對梯度聚合結果進行驗證，確保在聯(lián)邦學習的聚合過程中保持客戶端梯度的機密性，并驗證聚合結果的準確性，防止服務器篡改數(shù)據(jù)導致模型訓練無效的問題。此外，該方案還支持車輛在部分掉線的情況下繼續(xù)更新模型，保障系統(tǒng)的穩(wěn)定性。實驗結果表明，與現(xiàn)有方案相比，該方案在提升數(shù)據(jù)隱私安全性和結果的可驗證性的同時，保證了較高效率。

為了尋求一種供等離子體顯示板用的發(fā)藍綠光的混合氣體,本文對Ar+He、Kr+He、He+Ne、He+Xe、Kr+Ar和Ar+Hg混合氣體的發(fā)光光譜和電特性進行了研究。發(fā)現(xiàn)混合氣體Ar+Hg較為滿意,發(fā)光顏色為藍綠色、亮度較高、著火電壓較低。

金屬蒸氣激光器利用He、Ne、N2和Ar作緩沖氣體,在高功率電平下的直流放電特性被首次測得。實驗表明,He氣是用于直流預熱的最佳緩沖氣體。在200mmHg的He氣壓和1A的放電電流下,有多于5kW的電功率被注入到等離子體管中去。等離子體管溫度在短于1h的時間內(nèi)達到1400℃的高溫。

該文分析了He等人(2014)提出的無證書簽名方案和Ming等人(2014)提出的無證書聚合簽名方案的安全性，指出Ming方案存在密鑰生成中心(KGC)被動攻擊，He方案存在KGC被動攻擊和KGC主動攻擊。該文描述了KGC對兩個方案的攻擊過程，分析了兩個方案存在KGC攻擊的原因，最后對Ming方案提出了兩類改進。改進方案不僅克服了原方案的安全性問題，同時也保持了原方案聚合簽名長度固定的優(yōu)勢。

通過對Zhang-Liu-He (2006)，Gan-Chen (2004)和Wang-Zhang-Ma (2007)提出的可轉換環(huán)簽名方案進行分析，指出了這幾個可轉換環(huán)簽名方案存在可轉換性攻擊或不可否認性攻擊，即，環(huán)中的任何成員都能宣稱自己是實際簽名者或冒充別的成員進行環(huán)簽名。為防范這兩種攻擊，對這幾個可轉換環(huán)簽名方案進行了改進，改進后的方案滿足可轉換環(huán)簽名的安全性要求。

Hilbert曲線是高維降到1維的重要方法，具有較好的空間聚集和空間連續(xù)性，在地理信息系統(tǒng)、空間數(shù)據(jù)庫、信息檢索等方面有廣泛的應用。現(xiàn)有Hilbert編碼或解碼算法未考慮輸入數(shù)據(jù)對編碼或解碼效率的影響，因此將不同輸入數(shù)據(jù)同等對待。為此，該文通過設計高效的狀態(tài)視圖并結合快速置位檢測算法提出高效的免計前0的Hilbert編碼算法(FZF-HE)和免計前0的Hilbert解碼算法(FZF-HD)，可快速識別輸入數(shù)據(jù)前部為0而無需迭代計算的部分，從而降低迭代查詢次數(shù)及算法復雜度，提高編解碼效率。實驗結果表明，F(xiàn)ZF-HE算法和FZF-HD算法在數(shù)據(jù)均勻分布時效率稍高于現(xiàn)有算法，而在數(shù)據(jù)偏斜分布時效率遠高于現(xiàn)有算法。

介紹了便于推廣使用具有小型化結構特色的卷筒式氟化氙(XeF)準分子激光器。在Xe、NF3和He的混合氣體中,得到了XeF的3531、3510和3488埃的三條激光譜線振蕩。在改變XeF體系的工作氣壓時,首先發(fā)現(xiàn)了氟原子的6346埃這條新激光譜線。給出了不同的工作氣體組份、工作氣壓對激光波形和激光強度影響的實驗曲線。拍攝了激光脈沖波形。激光脈沖寬度約為20毫微秒。還對實驗結果作了初步的分析討論。

3維Hilbert空間填充曲線(3D HSFC)的編碼和解碼效率對空間查詢處理、圖像處理等領域的應用舉足輕重?，F(xiàn)有的3維編解碼算法獨立編解碼每一個點，忽略了Hilbert曲線的局部保持特性。為了提高編解碼效率，該文設計了高效的3D狀態(tài)視圖，并提出一種新的前綴約簡的3D HSFC編碼算法(PR-3HE)和前綴約簡3D HSFC解碼算法(PR-3HD)，這兩個算法通過公共前綴的定義和識別、公共前綴約簡及多種優(yōu)化技術來最小化需要編碼的階數(shù)，從而提高3D HSFC的編解碼效率。理論上證明：當編碼或解碼一個$k$階的窗體(窗體內(nèi)總共含有${2^k} \times {2^k} \times {2^k}$個點)時，PR-3HE平均每個點的編碼階數(shù)不超過2，PR-3HD平均解碼階數(shù)不超過8/7。相對于傳統(tǒng)的基于迭代的方法，編解碼時間復雜度從$O(k)$降低到了$O(1)$。實驗結果表明，該文算法在模擬數(shù)據(jù)集和真實數(shù)據(jù)集上的表現(xiàn)顯著優(yōu)于現(xiàn)有算法。

新一代人工智能技術的特征，表現(xiàn)為借助GPU計算、云計算等高性能分布式計算能力，使用以深度學習算法為代表的機器學習算法，在大數(shù)據(jù)上進行學習訓練，來模擬、延伸和擴展人的智能。不同數(shù)據(jù)來源、不同的計算物理位置，使得目前的機器學習面臨嚴重的隱私泄露問題，因此隱私保護機器學習(PPM)成為目前廣受關注的研究領域。采用密碼學工具來解決機器學習中的隱私問題，是隱私保護機器學習重要的技術。該文介紹隱私保護機器學習中常用的密碼學工具，包括通用安全多方計算(SMPC)、隱私保護集合運算、同態(tài)加密(HE)等，以及應用它們來解決機器學習中數(shù)據(jù)整理、模型訓練、模型測試、數(shù)據(jù)預測等各個階段中存在的隱私保護問題的研究方法與研究現(xiàn)狀。