摘要：针对大规模无线传感器网络的定位问题,提出了一种多层定位模型.首先根据网络中节点的不同应用与软硬件特性将节点划分为多个定位层次,并按照各层次的特性设计相应的定位算法,然后融合各定位层次为整个无线传感器网络的定位.分析研究了各层的定位误差以及层与层之间的误差传播和积累,并给出了降低这些误差的方法.仿真结果表明,分层定位模型能较好地处理误差积累问题,对节点定位误差和测距误差具有一定的容错性,在通信级节点点位误差为0.05、RSSI测距误差为0.3的情况下,相比DV-Hop算法平均点位误差减小16%.

摘要：针对云计算环境内部的信任问题,提出一种基于证据理论的信任评估模型,为云中心的资源分配及调度提供决策支持。在对信任评估的过程中,考虑到云环境中存在着大量的不确定性因素,将信任关系分为"可信"、"不可信"、"不确定",从这3方面对信任进行评估。根据实体的中央处理器(CPU)、内存、磁盘、网络状况,得到直接信任值;根据实体与云中心的交互情况,得到间接信任值;进行加权平均得到综合信任值。仿真结果表明,该信任模型能够准确有效的对信任做出评估。

摘要：近年来,量子机器学习被证明与经典机器学习一样会被一个精心设计的微小扰动干扰从而造成识别准确率严重下降。目前增加模型对抗鲁棒性的方法主要有模型优化、数据优化和对抗训练。文章从模型优化角度出发,提出了一种新的方法,旨在通过将随机量子层与变分量子神经网络连接组成新的量子全连接层,与量子卷积层和量子池化层组成变分量子卷积神经网络(Variational Quantum Convolutional Neural Networks,VQCNN),来增强模型的对抗鲁棒性。文章在KDD CUP99数据集上对基于VQCNN的量子分类器进行了验证。实验结果表明,在快速梯度符号法(Fast Gradient Sign Method,FGSM)、零阶优化法(Zeroth-Order Optimization,ZOO)以及基于遗传算法的生成对抗样本的攻击下,文章提出的VQCNN模型准确率下降值分别为11.18%、15.21%和33.64%,与其它4种模型相比准确率下降值最小。证明该模型在对抗性攻击下具有更高的稳定性,其对抗鲁棒性更优秀。同时在面对基于梯度的攻击方法(FGSM和ZOO)时的准确率下降值更小,证明文章提出的VQCNN模型在面对此类攻击时更有效。

摘要：云存储服务提供商为了满足各类云用户的存储需求,一般采用划分固定大小的数据块、冗余备份等技术来存储数据,关于块放置、最佳副本选择、副本粒度等存储机制的研究一直是加快大文件存取速度的重要内容。面向云存储系统中存储节点的异构性,设计了一种采用层次分析法对节点性能指标加权并依据加权指标改进粒子群算法的策略(AHPPSO)。通过引入与存储节点性能相关的加权评价矩阵,使得粒子群算法向综合性能较高的节点进化,在不增加存储空间成本的基础上,加快了存取数据的速度。在自主搭建的云存储系统中实现了该策略,实验结果显示该策略能够适应多种用户需求,并且在一定程度上实现系统负载均衡。

摘要：提出了一种量子环境下的密文搜索方案。针对现有量子同态加密方案中T门密钥更新过程过于繁琐的问题,设计了一种基于可信服务器辅助处理T门的密钥更新方案,并基于此构建了量子密文搜索方案。该方案将服务器分为可信服务器和半可信服务器,后者完成搜索操作,当电路中存在T门时,将该量子态上传给可信服务器,可信服务器对其解密后执行T门的操作,再随机生成密钥将其加密上传给半可信服务器,可信服务器帮助客户端完成密钥更新操作,减轻了客户端的压力,提升了算法的效率。在该方案的基础上,利用IBM量子模拟器完成了二值情况下的密文搜索实验,结果表明该方案能够在保证安全性的前提下,实现相应的密文搜索。

摘要：IP电话给我们提供了这样一个机会，设计一个或许可以取代现有电信网络的全球范围的多媒体通信网 .介绍了 IP电话的原理及相关标准，分析了 IP电话迅猛发展的原因，并对其未来的发展进行了综述 .

摘要：随着大数据时代的到来,传统数据的相似性度量算法不再适用于高维数据的聚类。基于量子计算,人们提出利用控制交换门(Control-Swap)计算数据间相似度。但是,由于初始量子态的分解和制备是困难的,导致该算法的实用性降低。因此提出一种基于海明距离的量子k-medians(QHk-medians)算法来实现对高维结构化数据的聚类。QHk-medians主要由子程序Hamm_DistCalc与Grover Optim组成。设计了子程序Hamm_DistCalc和Grover Optim的通用量子线路,并基于IBM Qiskit进行了实验模拟,成功对网络入侵数据聚类。提出的QHk-medians算法量子态构造简单,能准确的测量两个独立高维数据的相似度并实现聚类,与经典k-medians相比,算法时间复杂度降低,分类准确率更高。

摘要：以人工神经网络(ANN)模型为基础,通过与量子并行计算、量子门线路以及变分量子线路等量子理论与量子力学概念相结合提出了一种优化的变分量子神经网络(VQNN)模型,该模型是由可在噪声中尺度量子(NISQ)设备上运行的量子线路结合机器学习(ML)策略构成的一种量子经典混合计算模型。其中量子线路由两部分组成:量子态编码线路用于将经典数据编码为量子态数据;变分量子线路(VQC)则学习目标状态并将信息编码到一个真实的量子数据结构之中。最终通过测量VQC量子态输出获得经典概率输出分布,利用经典计算机进行变分量子线路的参数优化处理,这种结构使得VQC与经典ML很容易地融合。进一步探索了使用VQNN来建立基于实际应用的分类器,将其应用在网络攻击检测领域。实验结果表明,对于KDD CUP99数据集,VQNN具有相对较高的检测性能,且均高于其他经典对比检测模型以及量子门线路神经网络模型。此外,该VQNN可以部署在近期绝大多数的NISQ设备中。同时,所提出的VQNN是首个可以部署在NISQ中进行网络攻击检测的模型。

摘要：阐述了计算机网络课程群在面向应用型专业转型的过程中,实践教学环节中所做的一系列教学改革。对计算机网络课程群实践教学进行了大比例学时调整,更新了网络工程实验室实验设备,重点研究了在实践教学过程中采用基于问题的学习方法进行教学的过程。详述了"计算机网络原理"、"网络互连技术"、"计算机网络课程设计"、"网络互连操作实习"等课程实践教学环节中的层层深入、难度递进的具体实验设置,基于问题学习的实践教学方法的具体实施步骤,并取得了良好的实施效果。