面向异步网络的安全分布式随机数通用构造

随机数在密码学和区块链领域扮演着极其重要的角色，如密码学中的安全参数生成、共识机制中的委员会重配置以及电子投票的智能合约应用等.近年来针对不依赖可信第三方的分布式随机数生成技术的研究受到了越来越多的关注，其中基于秘密共享的方案数量最多，但普遍通信复杂度较高，而通信复杂度较低的一些方案通常牺牲了随机数的抗偏置性和不可预测性.另外，现有大多数方案基于同步网络模型，网络假设较强，与现实网络环境不符.本文主要研究基于秘密共享的分布式随机数生成技术，抽象出不同方案的共性并兼容特殊性，以及弱化网络假设和优化通信开销.具体贡献如下：(1)提出了交互的分布式随机数生成通用构造.满足伪随机性、唯一性和鲁棒性安全目标，并使用该通用构造对一个分布式随机数生成方案进行了分析，从而更加证明其通用性；(2)设计了面向异步网络的安全分布式随机数生成方案.将现有方案O(n³)和O(f²n²)的通信复杂度降为O(fn²)，将O(fn²)计算复杂度降为O(n²);(3)实现了分布式随机数仿真...     

基于卷积神经网络的5G蜂窝网络无线定位方法

5G蜂窝网络发展迅猛，其覆盖面积将逐渐增大，因此使用5G蜂窝网络进行定位是有研究潜力的研究方向。本文提出一种新的深度学习技术来实现高效、高精度和低占用的定位，以代替传统指纹定位过程中繁重的指纹库生成以及距离计算。该方法建立了一个特殊的卷积神经网络，并根据5G天线信号的接收信号强度指示、相位和到达角等特征量，选择合适的输入数据格式构造样本组建训练集，对该卷积神经网络进行训练。训练得到的卷积神经网络可以替代指纹定位中的庞大指纹库，非常有利于直接在5G移动设备端实现定位。虽然卷积神经网络在训练过程中需要大量时间，但在训练完毕后直接进行分类定位的速度非常快，可以保障定位实现的实时性。本文所实现的卷积神经网络权重与偏置所占内存不到0.5 MB，且能够在实际应用环境中以95%的定位准确率以及0.1 m的平均定位精度实现高精度定位。     

前言北大核心

20世纪60年代以来,激光和光纤的相继出现催生了新一代光纤通信技术,引领了信息技术的变革。伴随光纤通信技术发展而迅速发展起来的光纤传感技术,是以光波为载体、光纤为媒质,感知和传输外界物理信息的新型传感技术,具有抗电磁干扰、耐腐蚀、高灵敏度、轻质量、小体积、可嵌入(物体)、方便大规模组网进行分布式测量等优良特点,是衡量一个国家信息化程度的重要标志。我国从20世纪70年代末开始研究光纤传感器,与国际基本同步,经过四十多年的发展,我国光纤传感技术日趋完善,研制的传感器种类繁多,包括敏感转动、速度、压力、电流、声波、位移、磁场、液位、应变等物理量的光纤传感器,部分已经在实际场景中获得广泛应用,有力支撑了我国经济的高速发展。光纤传感已成为传感器领域的一个重要分支,具有旺盛的生命力和广阔的市场前景。     

基于1D CNN与XGBoost的恶意代码纹理检测

恶意代码数量已经呈现爆炸式增长,对于恶意代码的检测防护显得尤为重要.近几年,基于深度学习的恶意代码检测方法开始出现,基于此,提出一种新的检测方法,将恶意代码二进制文件转化为十进制数组,并利用一维卷积神经网络(1 Dimention Convolutional Neural Networks,1D CNN)对数组进行分类和识别.针对代码家族之间数量不平衡的现象,该算法选择在分类预测上表现良好的XGBoost,并对Vision Research Lab中的25个不同恶意软件家族的9458个恶意软件样本进行了实验.实验结果表明,所提的方法分类预测精度达到了97％.     

基于互联网的基础课程线上线下教学实践

阐述课程教学中的线上线下混合教学模式，存在的问题，应对的措施，通过对现有网络资源的充分利用，将前沿理论知识以及行业热点融入线上课程教学中，从而促进对于课程的主动学习。     

基于情境感知工具辅助碎片化学习行为的研究

碎片化学习难以集中记录,存在无法迅速定位到自己需要的学习内容等用户体验问题.传统方法不能采集真实情境下的用户数据,无法满足研究人员的研究需求.基于此,开发一种基于用户行为的捕捉工具——CAUX(Context-Aware User Experience,CAUX),设计了具有情境感知能力的数据采集模块,自动捕捉指定App内的用户行为数据.CAUX对用户干扰性低,可以辅助研究人员捕捉典型的碎片化学习行为.对利用CAUX采集到的数据进行处理,并结合人工方法进行分析,可以发现不同情境下的用户行为和用户体验问题.