分布对象管理的联邦交易模型

分布对象管理是实现分布对象互操作的一个重点。该文通过扩展ODP中的基本交易模型，实现了对象服务的局部管理，提出了一种新的联邦交易模型，使用联邦交易空间和信任度的概念实现了大规模互操作环境中的对象服务的全局管理，给出了分布对象服务的联邦搜索过程和联邦搜索规则，以及联邦查询的最佳搜索路径选择算法，研究并提出了联邦交易的实现结构模型和建立联邦和约的协商协议。     

分布计算环境中实现对象互操作的联邦交易模型

本文依据分布计算环境（ＤＣＥ）中所提供的目录服务并结合开放分布处理（ＯＤＰ）所提供的交易服务，提出了实现分布计算环境中对象互操作的联邦交易模型。给出了该交易模型在ＤＣＥ中的实现结构模型。     

ODP系统中的联邦交易模型

1引言 交易员是ODP系统中的一个重要组件,用于分布计算环境中对象服务的发布与获[l],实现对象服务的分布透明与互操作,即一个对象可将其所提供的服务通过交易员进行发布同时通过它可以获取其所需要的对象服务。联邦交易实际上是一些异     

基于语义的Web服务注册联邦的研究

元模型互操作框架是一套元对象和元模型结构的集合．用于信息注册和信息资源库开发中元模型的建立．将元模型互操作框架MMFI与联邦信息管理技术结合．运用表体元建模方法，建立Web服务注册联邦的体系结构，以实现异构自治的Web服务注册问可扩展的语义互操作．提出表体对象建模理论和方法，指导Web服务注册联邦系统的开发设计，简化设计开发过程．介绍了一个依据上述方法建立的软构件注册平台的原型系统．     

基于对象模型的联邦成员开发框架研究

通过分析联邦开发与运行过程(FEDEP),针对联邦成员之间信息交互的联邦对象模型FOM,提出以对象模型为中心的联邦成员开发框架.在基于对象模型的联邦成员开发框架中,从联邦开发者的角度封装RTI内部对象模型操作,通过建立对象模型的静态与动态管理服务,不仅降低联邦成员与不同仿真应用中FOM的耦合性,而且通过对象管理的透明,能够快速将对象模型嵌入联邦成员开发框架中的仿真层,实现联邦成员的快速开发与集成.     

桥接多联邦系统信息转发流程研究

高层体系结构本身的可重用性和可扩展性决定了可以将多个已开发的联邦进行互联，以快速地扩大仿真规模。实现多联邦互联有多种方法，桥接成员是其中一种。使用桥接成员可以支持具有不同联邦对象模型的多联邦间的互操作，进行多联邦间对象属性和交互的信息交换。文章对桥接成员的原理进行了分析，研究了桥接多联邦系统的信息转发流程，对桥接多联邦系统的联邦管理、声明管理、对象管理、时间管理、所有权管理服务给出了功能描述和用例。     

基于Agent体系结构的HLA联邦成员设计与实现

智能Agent建模方法是一种描述、研究复杂对象的有效手段。高层体系结构（HLA）是一种服务于复杂系统建模、仿真的技术支撑框架，为联邦成员层次上的重用和互操作提供了基础。但HLA并未对联邦成员内部仿真对象模型的重用和仿真对象的复杂性和智能性描述提供足够的支持。文章通过引入Agent体系结构提出了一种新的联邦成员设计实现方法，提高了仿真对象模型的重用性、互操作性和智能性，降低了系统耦合性。通过将RTI服务函数进行封装，简化了HLA接口凋用。     

HLA中对象模型的研究

高层体系结构HLA采用面向对象的设计思想，支持仿真系统的互操作和可重用，在作战仿真领域有着很广泛的应用。在HLA中，对象模型OM是实现仿真之间互操作和仿真部件可重用的重要基础，OM以标准的格式描述了仿真应用参与联邦的能力和对外部的需求，该文简单介绍了HLA的基本内容，详细阐述了对象模型OM的描述形式OMT及其分类，并通过实例说明了OM的开发过程。     

基于HLA的直升机吊放声纳系统仿真平台研究

为解决直升机吊放声纳仿真系统的模型重用与仿真系统间的互操作问题,提出了基于高层体系结构(HLA)的直升机吊放声纳系统仿真平台设计方案.通过对直升机吊放声纳单机应召式反潜过程进行分析,以高层体系结构作为技术框架,结合仿真平台的特点和功能需求,对仿真平台进行了模块划分,给出了仿真平台的联邦构架、联邦信息流图以及联邦对象模型/仿真对象模型(FOM/SOM).仿真的结果表明,直升机吊放声纳联邦成员可以根据联邦其它成员的信息对目标进行探测与跟踪,达到实时交互仿真的效果.该系统的实现有利于反潜作战的研究.     

基于分布式对象的统一RTI接口设计与实现

统一的RTI接口是为了解决异构联邦成员的互操作问题而提出的,其设计目标是具有广泛的兼容性和可扩展性。该文介绍了分布式对象中间件及其接口定义语言,建立了RTI的分布式对象模型和接口抽象,探讨了统一RTI接口在集成不同语言和不同协议的联邦成员中的应用以及在层次式RTI中的扩展。     

一种基于CORBA OTS的联邦事务管理器模型

联邦数据库系统允许用户访问多个自治数据库管理系统中的数据。通过联邦事务管理确保分布在多个自治的并可能是异构的局部数据库中数据的一致性。该文提出了一种基于CORBA OTS的联邦事务管理器模型。     

一种基于CORBA OTS的联邦事务管理器模型

联邦数据库系统允许用户访问多个自治数据库管理系统中的数据。通过联邦事务管理确保分布在多个自治的并可能是异构的局部数据库中数据的一致性。该文提出了一种基于CORBAOTS的联邦事务管理器模型。     

一种多自治域层次互操作模型的系统框架

数据互操作是信息集成领域需要解决的关键问题。联邦数据库和多数据库是解决分布式异构环境中多个数据源的集成与互操作的两种方法,但它们各有优缺点。完全的集中不能保证局部系统的自治,全部的分散又不能保证系统之间的共享和互操作。在分析联邦数据库与多数据库特点与差异的基础上,提出了一种多自治域的层次互操作模型MDHI,通过对Panorama多数据库系统进行扩展,给出了一种基于WebService的PanoramaWebOne系统框架。这种框架既满足了局域范围内的集成和处理效率,又提供了一种集成广域范围内多种异构数据源的方法,更加符合当前实际应用的需要。     

基于数据分布的聚类联邦学习

联邦学习(federated learning)可以解决分布式机器学习中基于隐私保护的数据碎片化和数据隔离问题。在联邦学习系统中,各参与者节点合作训练模型,利用本地数据训练局部模型,并将训练好的局部模型上传到服务器节点进行聚合。在真实的应用环境中,各节点之间的数据分布往往具有很大差异,导致联邦学习模型精确度较低。为了解决非独立同分布数据对模型精确度的影响,利用不同节点之间数据分布的相似性,提出了一个聚类联邦学习框架。在Synthetic、CIFAR-10和FEMNIST标准数据集上进行了广泛实验。与其他联邦学习方法相比,基于数据分布的聚类联邦学习对模型的准确率有较大提升,且所需的计算量也更少。     

开启联邦学习的个性化时代：隐私、安全与效率的平衡探索

人工智能为公共和国防安全的发展和应用提供了巨大的机遇,然而国防安全数据包含了敏感的军事、情报和战略信息,一旦泄露或被滥用,可能对国家安全造成严重威胁,如何确保国防安全数据的隐私保护成为一项重要挑战。个性化联邦学习是近年来发展起来的一种新型的机器学习方法,它旨在通过将分布式的数据在本地进行训练和更新,从而实现在保护数据隐私的前提下提高本地模型的准确性和鲁棒性。与传统的中心化机器学习方法不同,个性化联邦学习允许不同数据拥有者之间共享模型的信息,而不是数据本身。这种方法已经在医疗、金融、物联网等领域得到了广泛的应用。本文从全局模型个性化和本地模型个性化两个方面分别介绍了个性化联邦学习的基本原理以及研究现状,总结了各个方法的优缺点,并讨论了现有方法的评价指标和常用数据集,最后展望了它在未来的发展前景。     

Cross‐domain authorization for federated virtual organizations using the myVocs collaboration environment

This paper describes our experiences building and working with the reference implementation of myVocs (my Virtual Organization Collaboration System). myVocs provides a flexible environment for exploring new approaches to security, application development, and access control built from Internet services without a central identity repository. The myVocs framework enables virtual organization (VO) self‐management across unrelated security domains for multiple, unrelated VOs. By leveraging the emerging distributed identity management infrastructure. myVocs provides an accessible, secure collaborative environment using standards for federated identity management and open‐source software developed through the National Science Foundation Middleware Initiative. The Shibboleth software, an early implementation of the Organization for the Advancement of Structured Information Standards Security Assertion Markup Language standard for browser single sign‐on, provides the middleware needed to assert identity and attributes across domains so that access control decisions can be determined at each resource based on local policy. The eduPerson object class for lightweight directory access protocol (LDAP) provides standardized naming, format, and semantics for a global identifier. We have found that a Shibboleth deployment supporting VOs requires the addition of a new VO service component allowing VOs to manage their own membership and control access to their distributed resources. The myVocs system can be integrated with Grid authentication and authorization using GridShib. Copyright © 2008 John Wiley & Sons, Ltd.     

联邦学习通信开销研究综述

为了解决数据共享需求与隐私保护要求之间不可调和的矛盾,联邦学习应运而生.联邦学习作为一种分布式机器学习,其中的参与方与中央服务器之间需要不断交换大量模型参数,而这造成了较大通信开销;同时,联邦学习越来越多地部署在通信带宽有限、电量有限的移动设备上,而有限的网络带宽和激增的客户端数量会使通信瓶颈加剧.针对联邦学习的通信瓶...     

Generating a meta-DL by federating search on OAI and non-OAI servers

Federation of intelligent systems is important to practice in applications. More recently, Digital Library (DL) interoperability has played an important role towards providing more visibility and accessibility to the broad range of rich digital resources collected by digital libraries and web-based services worldwide. In this paper, we describe how DL interoperability can be applied to mediating federated intelligent systems. Exemplified by the Digital Library for Life Science Learners (DLLSL) federated search project and the Open Archives Initiatives Protocol for Metadata Harvesting (OAI-PMH), we develop the design of an integrated DL system using harvesting methods towards DL interoperability, and the proposal of integrating federated search of non-OAI and harvesting of OAI repositories, which provides an even broader accessibility to intelligent systems with digital resources. This Meta-DL system helps researchers to locate, explore and use the resources in the expanding body of scholarly information by a simple middleware, such as Emerge (see “Section 2”).     

基于自编码神经网络的半监督联邦学习模型

联邦学习是一种新型的分布式机器学习方法,可以使得各客户端在不分享隐私数据的前提下共同建立共享模型。然而现有的联邦学习框架仅适用于监督学习,即默认所有客户端数据均带有标签。由于现实中标记数据难以获取,联邦学习模型训练的前提假设通常很难成立。为解决此问题,对原有联邦学习进行扩展,提出了一种基于自编码神经网络的半监督联邦学习模型ANN-SSFL,该模型允许无标记的客户端参与联邦学习。无标记数据利用自编码神经网络学习得到可被分类的潜在特征,从而在联邦学习中提供无标记数据的特征信息来作出自身贡献。在MNIST数据集上进行实验,实验结果表明,提出的ANN-SSFL模型实际可行,在监督客户端数量不变的情况下,增加无监督客户端可以提高原有联邦学习精度。     

基于交易服务的一个动态负载平衡模型

CORBA是当前被广泛采用的分布式对象平台,它成功地解决了异种平台的互操作问题。为了提高整个基于CORBA的分布式系统的性能,负载平衡成为CORBA应当考虑的问题。本文给出了一个基于交易服务的通用动态负载平衡模型。它不仅实现了CORBA负载平衡,而且其对交易服务的扩展对用户透明,原有应用可以直接与之集成。文章最后给出了模型的性能的评价和分析。