一种加群Z上离散对数问题的DNA计算算法

加群Zp+上离散对数问题在公钥密码系统分析中具有非常广泛的应用。研究一种加群Zp+上离散对数问题的DNA计算算法。算法主要由解空间生成器、并行乘法器、并行加法器、解转换器及解搜索器组成。其中解空间生成器借鉴传统计算机中3表算法的思想,将解空间的生成分为3个部分来完成,极大减少了非法解的搜索空间。本算法的生物操作时间复杂度为O(k2),需要O(1)个试管数、O(2k)条DNA链,最长DNA链长为O(k2)(其中k为加群上离散对数问题群阶p的二进制编码位数)。最后,通过DNA计算通用的试验方法对算法进行了仿真,验证了算法的可行性和有效性。     

网络信任研究进展

网络的迅速发展为人们提供了自由、开放的交互方式,互联网服务已经成为大众日常生活的重要组成部分,如何评价表征节点交互的可信度已成为网络应用的核心问题之一。由于开放式网络环境具有匿名性、随机性和动态性等特点,用户在网络中选择目标节点进行交互时面临诸多风险,因此基于节点交互行为的信任评价机制成为抑制网络恶意虚假行为的有效策略机制。首先,概述信任的相关性质,根据网络节点间的交互行为及其产生的信任关系特征,形式化定义与构建信任网络。其次,分析信任机制的框架体系,依次讨论信任机制在P2P网络、电子商务、社会网络中的研究要点与安全威胁。最后,重点对比分析不同领域中的典型信任模型,详述其抗攻击效用与不足,从改进模型算法、提高模型抗攻击能力等方面指出信任机制在未来的研究方向。     

一种高效体数据压缩算法及其在地震数据处理中的应用

采用可编程图形硬件对大规模体数据进行直接体绘制时常常受到图形卡容量的限制,导致数据在内存与显存之间频繁交换,从而成为绘制的瓶颈.为此,提出一种大规模体数据矢量量化压缩算法.首先对体数据分块,并依据块内数据平均梯度值是否为0对该块进行分类;然后用3层结构表示梯度值非0的块,对其中次高层和最高层采用基于主分量分析分裂法产生初始码书,用LBG算法进行码书优化和量化,而对最低层以及梯度值为0的块采用定比特量化.实验结果表明,在保证较好图像重构质量的前提下,该算法可获得50倍以上的压缩比和更快的解压速度.     

一种抑制高带宽流的主动队列管理研究

针对随机早期检测RED存在的网络带宽分配不公平现象,提出了一种主动队列管理算法,该算法是基于对高带宽流的抑制而实现网络带宽分配公平性的;通过对路由器丢包历史的分析,检测出高带宽流,采用提前丢弃高带宽流的方法保证网络的公平性能;该算法仅需保留被鉴别出的高带宽流的状态,因此路由器额外增加开销较少,易于实现;仿真实验表明,这种基于抑制高带宽流的主动队列管理,是一种较好的网络拥塞避免机制,改进了RED的性能,减少了回路响应时间,提高了网络的公平性能。     

基于RDP协议的远程接入平台设计与实现

信息系统集中化是信息化发展的必然趋势.为解决企业用户远程访问数据中心信息系统的问题,提出一种基于RDP协议的远程接入平台.以进程和安全性的角度说明了平台的设计思想.设计了平台的逻辑结构,并给出了模块间联系及功能说明.最后,介绍了平台的应用模式.应用实践表明,通过该平台可使公网用户访问内网终端服务器上的应用系统,能广泛应用于需要远程数据处理的企事业.     

面向时延和能耗联合优化的MEC计算卸载策略

在移动边缘计算(MEC)中，计算卸载可以有效缓解资源受限和提高网络服务质量。以任务执行时延、终端能耗和边缘服务器负载率的联合优化为目标，提出面向时延和能耗联合优化的MEC计算卸载策略。构建多目标约束的成本优化模型，引入多变异算子，以迭代关联概率更新变异算子，设计多变异差分进化(MDE)算法求解，实现计算卸载成本最优。为验证MDE算法的有效性，基于Autonomous Systems by Skitter公开数据集构建3个不同规模的实验网络，将MDE算法与随机计算卸载算法、能量优化计算卸载算法、多目标贪婪计算卸载等算法进行对比分析，MDE算法的执行成功率、卸载成功率、服务器负载均衡性分别平均提升了13.23%,12.96%,29.37%,MDE算法能实现MEC中高效、稳定的计算卸载。     

基于用户多特征融合的个性化推荐模型

个性化推荐是提取特定信息的有效手段之一，针对传统推荐法中缺少用户特征问题，提出一种基于多特征融合的广义矩阵分解与深度长短期记忆网络混合推荐模型（hybrid recommendation model of generalized matrix factorization and deep long short-term memory network based on multi-features fusion,HMF）。该模型利用潜在特征向量维度表征年龄、职业对项目的选择性影响，凸显用户个性化；利用长短期记忆（long short-term memory,LSTM）获取用户与项目间的时序特征，再通过多层感知机挖掘其深层次的时序非线性高阶交互关系；将广义矩阵分解（generalizedmatrixfactorization,GMF）获得的简单非线性低阶交互关系与复杂时序非线性高阶交互关系融合，经全连接层得出最终预测评分。HMF有效地利用用户多特征和用户—项目交互信息，实现个性化动态精准推荐。为验证模型的有效性和可行性，在公开数据集MovieLens-1M上进行测试。仿真实验表明，当HMF...