論文元數據搜索,找到相關信息共 6 條:
2008, 30(6): 1485-1488.
doi: 10.3724/SP.J.1146.2006.01863
刊出日期:2008-06-19
該文在對CAN協(xié)議進行分析的基礎上,提出了一種采用由上、下行效率和成本效益函數導出的實際應用層組播鏈路速率作為衡量標準,對原始CAN協(xié)議進行優(yōu)化的分布式算法DFO。該算法通過在公平約束下,利用節(jié)點輸入效率向量評價P2P網絡的整體轉發(fā)壓力,為節(jié)點轉發(fā)搜索請求與接受搜索請求分別定義了成本和效用函數,通過優(yōu)化全局成本效用降低了平均延遲和總帶寬消耗。仿真結果表明:DFO算法改進了CAN中局部轉發(fā)壓力過高的不足,達到整體時延最低和節(jié)點壓力最大平衡的目的。
2017, 39(3): 743-748.
doi: 10.11999/JEIT160300
刊出日期:2017-03-19
微支付交易具有交易量極大且單次交易額極小的特點,使得復雜的認證協(xié)議不適用于微支付。Micali等人(2002)提出的基于概率選擇微支付方案,把微支付聚合成宏支付,大幅提高了微支付的效率。Liu-Yan在(2013)提出了保證所有參與者的數據融入概率選擇結果的生成, 而且使得所有參與者可以驗證結果的公平性。然而,Liu-Yan方案中銀行可能獲得額外利益,從而破壞了協(xié)議的公平性。該文首先分析了Liu-Yan方案的安全威脅,并且以1個用戶-1個商家的模型代替Liu-Yan方案中大量用戶-1個商家的模型,以數據承諾技術為基礎保障結果的公平性與可驗證性。
2023, 45(7): 2432-2442.
doi: 10.11999/JEIT220692
刊出日期:2023-07-10
針對在有限的車載資源約束條件下,如何兼顧控制器域網絡(CAN)異常檢測準確度和時效性的問題,該文提出一種CAN網絡異常檢測自適應優(yōu)化方法。首先,基于信息熵建立了CAN網絡異常檢測的準確度和時效性量化指標,并將CAN網絡異常檢測建模為多目標優(yōu)化問題;然后,設計了求解多目標優(yōu)化問題的第二代非支配排序遺傳算法(NSGA-II),將帕累托前沿作為CAN網絡異常檢測模型參數的優(yōu)化調整空間,提出了滿足不同場景需求的檢測模型魯棒控制機制。通過實驗分析,深入剖析了優(yōu)化參數對異常檢測的影響,驗證了所提方法能夠在有限車載資源下適應多樣化檢測場景需求。
2008, 30(5): 1206-1209.
doi: 10.3724/SP.J.1146.2006.01563
刊出日期:2008-05-19
Based on some basic handover rules, a new routing handover strategy is proposed and the performance is analyzed. The handover strategy is under considerations of handover, delay and load. Its performance is compared with other handover strategies The simulation results show that the new strategy performs better with less delay, lower handover frequency and can equipoise the network flux.
2006, 28(8): 1488-1491.
刊出日期:2006-08-19
內容尋址網絡(Content Addressable Network,CAN)是P2P的一種,它利用分布式散列(hash)表(DHT)實現了文件信息和存放位置的有效映射,具有完全自組織和分布式的結構,并且有良好的可擴展性和容錯性。但對CAN在負載均衡方面存在的問題并未提出有效的解決方法。該文首先介紹了內容尋址網絡的基本工作原理,然后提出了幾種有效的負載均衡優(yōu)化方法:空間均衡劃分、文件密度劃分。最后通過仿真驗證了這些方法的有效性。
2022, 44(8): 2949-2956.
doi: 10.11999/JEIT210537
刊出日期:2022-08-17
針對目前圖像隱寫檢測模型中線性卷積層對高階特征表達能力有限,以及各通道特征圖沒有區(qū)分的問題,該文構建了一個基于多層感知卷積和通道加權的卷積神經網絡(CNN)隱寫檢測模型。該模型使用多層感知卷積(Mlpconv)代替?zhèn)鹘y(tǒng)的線性卷積,增強隱寫檢測模型對高階特征的表達能力;同時引入通道加權模塊,實現根據全局信息對每個卷積通道賦予不同的權重,增強有用特征并抑制無用特征,增強模型提取檢測特征的質量。實驗結果表明,該檢測模型針對不同典型隱寫算法及不同嵌入率,相比Xu-Net, Yedroudj-Net, Zhang-Net均有更高的檢測準確率,與最優(yōu)的Zhu-Net相比,準確率提高1.95%~6.15%。