In the edge computing environment, the uneven geographical distribution of tasks may lead to unbalanced load on the edge server. In addition, some larger tasks are difficult to completely offload to edge servers, which cannot fully utilize edge server resources. To solve the above problems, we propose a task scheduling method to minimize the completion time by combining the horizontal edge collaboration and fine-grained task partial offloading technology. First, combining horizontal edge collaboration and fine-grained task partial offloading technology, considering the location relationship between users and edge servers in multiuser multiedge server scenario, a task partial offloading optimization problem is established to minimize task completion time. Second, due to the nonconvex and variables coupling, we decompose the original problem into resource allocation, user-server association, and offloading strategy subproblems. A task scheduling algorithm based on improved teaching-learning-based optimization (ITLBO) is proposed to obtain the best task scheduling decision which includes task offloading location and offloading ratio. Simulation results show that the proposed method can effectively reduce the task completion time in edge collaboration environment.
Utilizing deep learning (DL) to identify drones through radio signals has been proven to be a promising approach. However, two significant challenges remain to be solved. The first is how to identify drones effectively at the low signal-to-noise ratio (SNR) regime, and the second is how to identify drones stably among numerous unknown interferences. In theory, sufficient data can alleviate the above problems, but the costs of signal acquisition and labeling are usually unacceptable. In this work, we aim to improve the robustness of feature representation by introducing stable prior knowledge of drone signals to alleviate the two problems. Since drones commonly adopt orthogonal frequency division multiplexing (OFDM) modulation with particular cyclic prefix (CP) structures for video transmission, we propose a drone identification algorithm using a convolutional neural network (CNN) and normalized CP correlation spectrum (NCPCS). The NCPCS is strongly correlated with two invariant parameters, i.e., OFDM symbol duration and CP duration, and is mutually exclusive with other signals. Thus, NCPCS natively improves the robustness of the drone identification system to unknown interference signals. Besides, to keep the characteristic of NCPCS clear at the low SNR regime, we calculate the improved NCPCS by accumulating multiple consecutive OFDM symbols. The increase in correlation length effectively sharpens the peaks at low SNRs. Finally, a suitable CNN and a data augmentation (DA) method for NCPCS are proposed to precisely and generically extract these characteristics from NCPCS to identify drones. In this work, a universal software radio peripheral (USRP) X310 is utilized to collect the radio signals of five drones to construct the experimental dataset. We test the proposed algorithm under two different conditions: Gaussian noise condition and co-frequency interference condition. Experimental results show that the proposed algorithm outperforms waveform-based, spectrum-based and spectrogram-based algorithms under the two conditons. Besides, the proposed algorithm remains good robustness to unknown interference signals.
Aiming at the analysis of the underwater acoustic channel such as complex and changeable, strong multi-path and large fluctuation interference, this article establishes an underwater acoustic communication system with polar codes as the channel coding scheme to improve the reliability of underwater acoustic data transmission. A Monte Carlo construction is proposed as a construction scheme of polar codes, and simulation results are obtained in three typical underwater acoustic channels. The results show that the construction scheme of polar codes proposed in this article is feasible and effective in these three channels. Compared with the Low Density Parity Check Code (LDPC) with similar code length, the comprehensive performance of the polar codes is better at the same Eb/N0. Relatively speaking, when the Eb/N0 is improved, the bit error ratio (BER) curve drops faster, which means that it can provide a higher coding gain. This article proves that the polar codes can obviously improve the performance of the underwater acoustic communication system, which will have a good application prospect in the complicated underwater acoustic channel.
Healthcare data are characterized by explosive growth and value, which is the private data of patients, and its characteristics and storage environment have brought significant issues of data privacy and security. People are reluctant to share their data for privacy concerns during machine learning. To balance this contradiction, Federated Learning was proposed as a solution to train on private data without sharing it. However, many studies show that there is still the possibility of privacy leakage during the training process of federated learning. In light of this, we propose a privacy-preserving federated learning scheme with homomorphic encryption(PPFLHE). Specifically, on the client side, homomorphic encryption technology is used to encrypt the training model shared by users to ensure its security and privacy. In addition, to prevent internal attacks, Access Control (AC) technology is used to confirm the user’s identity and judge whether it is trusted; on the server side, the Acknowledgment (ACK) mechanism is designed to remove the dropped or unresponsive users temporarily, which reduces the waiting delay and communication overhead, and solves the problem of user’s exiting during training. Theoretical analysis and experimental results show that the proposed scheme achieves high data utility and classification accuracy (81.53%), and low communication delay while achieving privacy preserving, compared to state-of-the-art methods.
目前,攻击者使用的基础设施能适应更多的目标环境,成功侵入目标后,使用合法的用户凭证取得信任,并通过不断学习利用新的漏洞达到攻击目的.为了对抗攻击,提高威胁情报的使用价值,提出由情报搜集、信息抽取、本体构建和知识推理构建威胁情报的知识图谱框架,该框架可实现情报中重要指标的搜索和相互关联.然后基于 Bert+BiSLTM+CRF 的失陷指标,识别抽取方法,加以正则匹配机制进行输出限制,用于从文本信息中识别抽取失陷指标信息,并进行结构化威胁信息表达标准格式转换.经过横向和纵向对比,该抽取模型在文本信息抽取中的精度和召回率较高.最后,以 APT1 为例,构建出威胁情报实体关系图,结合对抗战术和技术知识库框架将攻击行为转换为结构化格式,建立本体与原子本体知识图谱;通过知识图谱关联分析数据之间潜在的关联,发现具有相似性和相关性的威胁情报潜在的关联信息和攻击主体,进行威胁情报的关联分析,为制定防御策略提供依据.
云存储服务的普及,吸引着众多用户将数据外包存储至云平台.出于个人隐私保护的需要,云外包数据多以密文形式存在,为用户通过云平台共享数据带来极大的不便.其关键挑战在于,如何设计基于密码学的群组访问控制方案,以合理的计算/存储开销,支持用户安全便捷地进行密文数据共享.针对该问题,在既有文献基础之上,提出了一种基于可信计算环境的低开销、细粒度云存储数据动态群组访问控制机制.该方案以一种融合了身份基广播加密、属性加密以及代理重加密的既有方案为基础,通过引入可信执行环境,如英特尔?软件防护扩展(Intel? SGX),对原方案中密码学进行了计算简化,同时通过引入子群划分的思想,近一步优化了动态群组访问控制的管理开销.仿真结果表明,与原方案相比,本方案在有效保护数据隐私、提供细粒度密文数据动态访问控制能力的同时,极大地降低了计算复杂度.
过去的十几年是通信技术、计算范式快速发展的大数据时代.在大数据应用大量增加的背景下,数字信息传递已成为人类交流的一种重要形式.但是,数字信息传递过程中存在很多的安全隐患,如信息传递中存在数据泄漏频繁发生的安全问题.匿名通信作为通信过程中隐私保护的关键手段之一,受到广泛关注.然而,现有的匿名通信模型不能在保证通信效率的同时,有效地应对诸如重放攻击、中间人攻击、统计攻击等攻击手段,因而提出一种标识符动态协商的匿名通信模型.在预处理阶段,采用椭圆曲线迪菲-赫尔曼密钥交换改进的标识符协商方法,该方法让网络中每两个成员协商出通信标识符和加密消息的对称密钥,提高预处理阶段的协商效率;在匿名通信阶段,标识符可以随每次通信的进行而动态变化,有效抵抗重放攻击和统计攻击.方案同时设置专门的追查机构,将去除匿名的权利给追查机构,防止恶意用户拒绝去除匿名.安全性分析证明了该方案的鲁棒性,性能实验证明了该方案在保证安全性的同时,有更高的通信效率.
当前基于深度学习的隐写分析方法检测效果受限于其获取的隐写噪声的精确度.为了获取更加准确的隐写噪声,提高隐写分析的准确率,提出了一种基于隐写噪声深度提取的JPEG 图像隐写分析方法.首先,设计了隐写噪声深度提取网络,通过有监督的学习方式使网络能够准确地提取载秘图像中包含的隐写噪声;而后,利用设计的模型评价指标选择最优的隐写噪声提取网络;最后,根据隐写噪声的特点设计分类网络,实现载秘图像的检测,并将分类网络与隐写噪声深度提取网络融合得到最终的检测网络.实验在两个大规模的公开数据集(BOSSBase 和 BOWS2)上进行,针对两种自适应 JPEG 图像隐写方法(J-UNIWARD和 UED-JC)在多个不同嵌入率和图像质量因子条件下构建的载秘图像进行检测.实验结果表明,该方法的检测准确率较性能第二的方法分别提高了约 2.22%和 0.85%.文中方法通过提取更加准确的隐写噪声,减少了图像内容对隐写分析带来的影响,相比于典型的基于深度学习的JPEG图像隐写分析方法,取得了更好的检测效果.
针对基于机器学习的传输层安全协议加密恶意流量检测方法对标注样本依赖度高的问题,提出了一种基于半监督学习的传输层安全协议加密恶意流量检测方法.在少量标注样本的情况下,利用协同训练策略协同加密流量的两个视图,通过引入无标注样本进行训练,扩大样本集,进而减少对标注样本的依赖.首先,提取加密流量特征中独立性强的流元数据特征和证书特征,并分别构建协同训练的两个视图.其次,针对两个视图分别构建 XGBoost分类器和随机森林分类器.最后,通过协同训练策略协同两个分类器构成多视图协同训练分类器检测模型,利用小规模标注样本和大量无标注样本进行模型训练.在公开数据集上,模型准确率达到了 99.17%,召回率达到了 98.54%,误报率低于 0.18%.实验结果表明,在小规模标注样本的条件下,能够有效降低对标注样本依赖度.
联邦学习允许参与训练的各方在不共享自己数据的前提下,实现协同建模,其数据隔离策略在一定程度上保障了用户数据的隐私安全,有效缓解了数据孤岛问题.然而,联邦学习的训练过程涉及参与者和服务器之间大量的参数交互,仍存在隐私泄露风险.为解决联邦学习数据传输过程中的隐私保护问题,提出了一种基于自适应裁剪的差分隐私联邦学习 ADP_FL框架.在该框架中,各参与方使用自己的数据在本地执行多次迭代来训练模型,在每个迭代中自适应地选取裁剪阈值对梯度进行裁剪,将梯度限制在一个合理范围内;仅向上传的模型参数中添加动态的高斯噪声,以掩藏各参与者的贡献,服务器聚合接收到的噪声参数来更新全局模型.自适应梯度裁剪策略不仅可以实现对梯度的合理校准,同时裁剪阈值作为敏感度当中的一项参数,通过动态改变敏感度来控制着添加的噪声规模.理论分析和实验表明,所提出的框架在强隐私约束下,仍能够实现良好的模型精度.
针对智能网联汽车隐私泄露风险评估中不完整、主观性强、难以量化损失的问题,提出了一种定性和定量结合的隐私风险评估模型.首先在定性风险评估模型的基础上,提出了新的隐私分类,扩展了现有标准的隐私影响评级;其次,设计了一种基于 Wi-Fi 的隐私泄露检测方案,解决定量评估中的数据收集问题;最后,对泄露的隐私数据从信息熵、影响等级、个人身份信息类型等多因素进行综合价值度量,引入隐私数据定价模型量化攻击收益,将攻击收益和概率的乘积作为预估损失值.通过 3 辆智能网联汽车的真车实验,证明了该隐私泄露检测方案的可行性.对隐私数据的定性和定量风险评估表明,扩展的影响评级、隐私度量和定价模型优于现有方案,有效量化了智能网联汽车的隐私泄露风险,定量转换的风险值与定性评估的风险值具有良好的一致性.
随着工业 5.0 的推广,物联网需要对运行数据进行实时采集和上传存储.为了更精确地描述和分析物联网工作状态,需要采集高精度实时数据.然而物联网不同类型数据的混合存储会降低数据分析效率,为了提高混合存储环境中的数据分析效率,需在数据上传过程中对数据进行分流来实现数据的分类存储.传统的数据分流方法只能对明文数据依据其来源来实现分流,而明文数据的来源信息会泄露设备的身份隐私.因此,如何在不泄露隐私的基础上,通过密文分流实现物联网数据的分类存储,成了物联网数据安全管理亟待解决的问题.文中提出一个隐私保护的物联网数据筛选方案,在保障内容和设备身份隐私的基础上,通过数据发送设备的身份生成筛选陷门来设定中继节点设备数据筛选规则,在数据上传阶段对数据进行筛选分流,将混合的异源数据按数据来源分类为同源数据进行分别存储,为后期的数据访问控制及分析提供服务支撑.实验结果表明,所提方案比同类型的方案执行效率更高.
传统极化-DOA参数估计方法在部分阵列单元失效的情况下,其估计性能会严重恶化甚至失效;同时,面临着日益复杂的电磁环境,部分阵列失效单元不可避免地引入错误数据,这对算法的稳健性是一个巨大挑战.针对以上问题,为了充分探究部分阵列单元失效和错误数据对算法参数估计性能的影响,在共形极化敏感阵列中考虑了部分单元完全失效和部分单元出错概率两种情况,提出了一种基于变分稀疏贝叶斯学习的稳健空域二维联合稀疏极化-DOA参数估计方法.首先利用信源的空域稀疏特性,建立基于共形极化敏感阵列包含错误数据的二维稀疏接收信号模型;其次,采用奇异值分解方法来降低阵列输出矩阵的维度,从而减小算法运算量;然后,利用变分稀疏贝叶斯学习算法来获得信源稳健的 DOA估计;最后,通过模值约束算法获得信源的极化参数估计.仿真结果表明,在阵列单元失效的情况下,所提算法具有相对稳健的参数估计性能,具有较高的估计精度和角度分辨率.
复杂城市环境中的电磁态势预测是无线通信频谱利用、城市系统工程规划以及电磁兼容设计的基本问题,既有工程实用性价值,又具有理论探索价值.计算电磁学中的一致性几何绕射理论方法是分析电大环境电磁问题的有效方法,建立并行策略之后可有效地对城市环境中的电磁态势进行仿真计算和分析.引入了解析六面体模型,使用平面反射、边缘绕射以及与边缘绕射有关的二次绕射、反射-绕射等射线模型来描述电磁波在不可见区域中的传播情况,给出了二次边缘绕射的解析射线寻迹方法.给出计算实例,分别与矩量法计算结果和实际测量结果进行了对比,验证了所述方法的准确性和有效性.为缩短射线寻迹模块的计算时间,提升计算效率并进一步扩展可应用的工程问题计算规模,设计了一种可扩展性较好的并行计算策略,根据射线类型相似性分配计算任务以保证较好的并行计算量均衡.对并行效率和并行加速比进行了讨论,说明了此并行策略的扩展性;与实测结果的对比说明了并行一致性几何绕射理论方法的工程实用性.
目前大多数目标检测算法,由于尺度跨度较大而导致模型整体精确率和召回率不高,容易出现错检、漏检等现象.针对上述问题,提出一种融合超分辨率重建技术的多尺度目标检测算法.首先,算法以单阶段目标检测算法 YOLO框架为基础,在颈部网络实现多尺度特征融合时加入超分辨率重建模块,避免进一步丢失较深层特征图中的细节特征.其次,使用通道注意力模块将较浅层特征图中的无关特征进行抑制,重点关注含有目标轮廓特征的通道信息,进一步增强浅层特征的表达能力.最后,在 PASCAL VOC 2007 和 MS COCO 2017 公开数据集上进行了消融实验和对比实验.实验结果表明,所提模块对检测性能有不同程度的提升,相比当前其他多尺度目标检测算法,所提算法在大、中、小三种尺度下目标平均精确率分别提升约 1.20％、1.20％和 1.30％,平均召回率分别提升约 4.20％、3.50％和 4.20％,算法整体检测性能得到进一步改善.
极化合成孔径雷达（PolSAR）能够实现全天时、全天候的成像，因此该数据成为遥感数据的主要来源之一。其中地物分类是极化SAR数据解译的重要研究内容，已成为该研究领域的热点之一，目前在军事和民事领域都有着广泛的应用。近年来深度学习已在多个研究领域取得了显著成果，并且在极化SAR图像解译领域也获得了一定的成效。与传统的图像分类方法相比，深度学习方法具有自动提取特征、泛化性能强及获取较高准确率等优势。围绕极化SAR数据解译中的地物分类问题，对现有采用深度学习的极化SAR图像地物分类方法进行综述。根据深度学习中不同的网络模型，主要从三方面对极化SAR地物分类研究进行了详细叙述，即基于深度信念网络，稀疏自编码网络以及卷积神经网络的图像分类模型。最后，通过与经典的极化SAR分类方法进行性能评估和比较，总结采用深度学习的极化SAR地物分类方法的优势与不足，同时对该领域未来的发展趋势进行分析和探讨。
为解决航天测控业务日益增加与航天测控链路频谱资源紧缺之间的矛盾,提出、设计并实验验证了一种同时同频全双工测控链路的实现架构,采用空域、射频域和数字域联合的多域自干扰抵消机制,在保证测距精度的前提下,达到提升频谱效率的目的.空域自干扰抵消模块设计了共口面馈源高隔离度一体化抛物面天线,收发阵元间采用结构化扼流措施,降低了收发阵元间的耦合效应,提高了天线系统的隔离度.射频域自干扰抵消模块采用多抽头自干扰抵消方法,建立了多抽头重建射频信号模型,以残余干扰功率最小化为目标,给出了多抽头系数的最小范数解.数字域自干扰抵消模块采用重建自干扰抵消方式,建立了数字域非线性自干扰信号模型,提出了最小二乘估计非线性系数的方法.通过计算仿真和外场实验验证了全双工测控链路多域自干扰抵消架构的可行性和有效性,在确保测距精度条件下自干扰总抑制度达到 156.5 dB.
现有基于深度学习的调制识别方法,当存在噪声及不确定信道干扰影响时识别率较低,同时由于模型参数量大,难以直接应用到移动终端.针对该问题,提出一种基于卷积神经网络(CNN)和 Transformer的轻量级智能调制识别方法.该方法首先利用卷积神经网络对信号进行局部信息特征提取,然后利用卷积神经网络通道注意力和Transformer时域注意力模块分别从信号的通道和时域两个维度关注最有利于识别的特征,降低信道或噪声等的影响,以提升识别率.所提方法可以适应多种信号表征,如原始 IQ 信号、幅度相位信号及变换域特征.仿真表明,在 RadioML2016.10b 数据集上,相较现有基于卷积神经网络的方法,所提方法的平均识别率提升了约 8％～12％,相比基于残差神经网络和长短时记忆网络的方法,参数量降低了约 90％～92％,计算量降低了约 83％～93％.实验结果验证了所提方法增加模型分类精度的同时,有效地降低了模型的参数量和计算量.
区域性自然灾害会造成地面基础通信设施的损坏,无人机群组网可作为空中基站恢复通信.现有研究集中于静态场景下如何在无人机频谱和电池容量受限的条件下为救援人员提供高效通信服务.然而,实际场景中救援人员的位置移动和业务变化会导致静态方案失效.针对这一问题,提出了通感算协同的无人机群调度算法.首先实时感知环境信息,即救援人员历史位置信息和业务需求,并对救援人员未来位置和业务需求进行预测,为无人机群的调度提供先验信息;其次,针对无人机负载约束提出了改进的k-sums算法用于实现无人机群位置的部署,以实现无人机群负载均衡;最后,进一步采用强化学习算法,对无人机群的发射功率进行优化,在有限带宽下保证救援人员的通信服务质量.仿真结果表明,相比于静态场景下基于信噪比建立救援人员与无人机群关联,所提的无人机群调度算法能够有效提升约 20％的网络效用(网络通信收益与通信成本之差),为应急救灾场景下救援人员的业务服务提供保障.
随着集成电路(IC)设计水平化、制造全球化的发展,由第三方厂商生产的大量硬件集成电路被应用于芯片设计中,这引起了人们对芯片中被插入设计后门/硬件木马的担忧.逆向工程可以恢复出集成电路芯片的设计网表,设计人员通过提取高层描述并分析关键逻辑可以判断设计功能是否被篡改.然而,逆向网表的可读性差,其数据路径和控制逻辑混杂在一起,难以快速、准确地抽象出高层描述.文中将该问题等价定义为网表路径结构分类问题,并提出一种基于图神经网络的高效状态寄存器识别算法.首先对网表预处理,消除工艺库的差异并降低建模复杂度;其次将网表建模为有向图,并提取其中每个寄存器的路径结构;然后将路径结构输入到构建好的图神经网络模型中,为每个寄存器生成相应的特征;最后对嵌入的特征进行聚类,将寄存器分为状态寄存器和控制寄存器.实验结果证明,该算法可以在百万门级网表上正确运行,其平均识别准确率达到约 88.37％,相较于现有算法,在识别精度、运行速度、可迁移性等方面均有提升.
