2008, 30(6): 1485-1488.
doi: 10.3724/SP.J.1146.2006.01863
刊出日期:2008-06-19
该文在对CAN协议进行分析的基础上,提出了一种采用由上、下行效率和成本效益函数导出的实际应用层组播链路速率作为衡量标准,对原始CAN协议进行优化的分布式算法DFO。该算法通过在公平约束下,利用节点输入效率向量评价P2P网络的整体转发压力,为节点转发搜索请求与接受搜索请求分别定义了成本和效用函数,通过优化全局成本效用降低了平均延迟和总带宽消耗。仿真结果表明:DFO算法改进了CAN中局部转发压力过高的不足,达到整体时延最低和节点压力最大平衡的目的。
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极大且单次交易额极小的特点,使得复杂的认证协议不适用于微支付。Micali等人(2002)提出的基于概率选择微支付方案,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)提出了保证所有参与者的数据融入概率选择结果的生成, 而且使得所有参与者可以验证结果的公平性。然而,Liu-Yan方案中银行可能获得额外利益,从而破坏了协议的公平性。该文首先分析了Liu-Yan方案的安全威胁,并且以1个用户-1个商家的模型代替Liu-Yan方案中大量用户-1个商家的模型,以数据承诺技术为基础保障结果的公平性与可验证性。
2023, 45(7): 2432-2442.
doi: 10.11999/JEIT220692
刊出日期:2023-07-10
针对在有限的车载资源约束条件下,如何兼顾控制器域网络(CAN)异常检测准确度和时效性的问题,该文提出一种CAN网络异常检测自适应优化方法。首先,基于信息熵建立了CAN网络异常检测的准确度和时效性量化指标,并将CAN网络异常检测建模为多目标优化问题;然后,设计了求解多目标优化问题的第二代非支配排序遗传算法(NSGA-II),将帕累托前沿作为CAN网络异常检测模型参数的优化调整空间,提出了满足不同场景需求的检测模型鲁棒控制机制。通过实验分析,深入剖析了优化参数对异常检测的影响,验证了所提方法能够在有限车载资源下适应多样化检测场景需求。
2008, 30(5): 1206-1209.
doi: 10.3724/SP.J.1146.2006.01563
刊出日期:2008-05-19
关键词:
卫星网络; 切换策略; 时延; 负荷
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
内容寻址网络(Content Addressable Network,CAN)是P2P的一种,它利用分布式散列(hash)表(DHT)实现了文件信息和存放位置的有效映射,具有完全自组织和分布式的结构,并且有良好的可扩展性和容错性。但对CAN在负载均衡方面存在的问题并未提出有效的解决方法。该文首先介绍了内容寻址网络的基本工作原理,然后提出了几种有效的负载均衡优化方法:空间均衡划分、文件密度划分。最后通过仿真验证了这些方法的有效性。
2022, 44(8): 2949-2956.
doi: 10.11999/JEIT210537
刊出日期:2022-08-17
针对目前图像隐写检测模型中线性卷积层对高阶特征表达能力有限,以及各通道特征图没有区分的问题,该文构建了一个基于多层感知卷积和通道加权的卷积神经网络(CNN)隐写检测模型。该模型使用多层感知卷积(Mlpconv)代替传统的线性卷积,增强隐写检测模型对高阶特征的表达能力;同时引入通道加权模块,实现根据全局信息对每个卷积通道赋予不同的权重,增强有用特征并抑制无用特征,增强模型提取检测特征的质量。实验结果表明,该检测模型针对不同典型隐写算法及不同嵌入率,相比Xu-Net, Yedroudj-Net, Zhang-Net均有更高的检测准确率,与最优的Zhu-Net相比,准确率提高1.95%~6.15%。