摘要：可编程交换机的网络流量测量技术凭借其特性可以处理高速网络流量,在灵活性、实时性等方面均有巨大的优势.然而,由于需要使用复杂的P4语言配置交换机的内部逻辑,测量任务部署复杂且易错.此外,测量准确度往往受限于交换机内部可用的测量资源.详细研究基于意图的网络及网络流量测量技术,提出一种意图驱动的网络流量分布式测量方法.首先,设计基于测量意图原语的意图表示形式,构建意图编译器将抽象意图表示转译为可执行的P4代码.其次,提出网络流量分布式测量方法,使用多台交换机的资源以分布式的方式协同完成一个测量任务,以大流测量为例介绍测量资源动态分配及计数器配置算法.最后,实验结果表明所提出的方法可行并且具有一定的优越性.

摘要：磁性粒子成像(MPI)中的磁场拓扑结构及其产生的零磁场能够直接对成像结果的质量造成影响。针对MPI系统的零磁场设计,该文提出一种永磁体与线圈复合的磁场结构。该结构综合永磁体能够直接产生大梯度静磁场的优势及电磁线圈通过控制激励方式精准调控磁场的优势来构造线型零磁场(FFL)。对所设计的磁场拓扑结构首先进行了基于圆形线圈、矩形线圈和矩形永磁体所产生静磁场的比较;然后从磁场空间分布、磁场梯度和磁场均匀性等方面对FFL进行分析;最后通过有限元仿真确定了线型零磁场的平移扫描区域范围,并进行了MPI分辨率及血管成像研究。结果表明,该文所提拓扑结构产生的FFL磁场梯度达到3.075 T/m,磁场梯度均匀性达到98.7%,在扫描区域为30 mm×70 mm×70 mm的空间内的成像分辨率能够达到1 mm。证明了该文所提拓扑结构应用于磁性粒子成像系统的可行性。

摘要：随着分片联盟链技术的发展,大量具有内在联系的数据被分散存储在不同分片,溯源查询操作变得复杂。现有研究仅支持单一分片的溯源查询操作,直接进行跨分片溯源将产生查询延迟高和结果验证弱的问题,影响用户体验和结果可信性。针对以上问题,提出了一种分片联盟链中的可验证溯源查询框架CPP。为了便于跨分片溯源操作,提升查询效率,以属性为单位,设计了新颖的三层索引结构SBP(sharding-block-proofindex)。为了防止因索引被篡改造成的结果不可信,设计了索引防篡改机制。为了防止因恶意节点篡改或删除部分结果造成的结果不可信,设计了支持任意维度属性动态聚合的可验证溯源查询算法,使得用户能够对返回结果的完整性和正确性进行验证。在真实公开数据集上进行实验,验证了所提出方法的高效性和有效性。

摘要：近年来,基于深度学习的人像图像抠图技术已经成为研究热点.相比传统的抠图方法,深度学习抠图技术通过使用深度神经网络来学习和识别图像中的各种特征,从而进行精确的人像抠图,具有更高的精细度和稳定性.为了获得更精细的前景蒙版,Trimap常作为网络的额外的输入.然而,当前许多方法在利用Trimap的特征方面效率不高,并且都倾向于设计更深更复杂的模型网络,这可能会导致模型计算资源占用较大增加以及减缓模型的计算速度.针对以上情况,本文提出了一种以Trimap作为额外输入的简单架构抠图模型,具体来说,本文通过将Trimap图像与原始图像进行特征融合,使得抠图网络能够更好地关注到Trimap中的特征线索.此外,本文还设计了一种新型的归一化方式,以适应模型的训练过程.与近年流行的抠图模型相比,该模型在公开的人像数据集上显示出更低的量化损失(mse:0.0003,mad:0.0019,grad:6.0,conn:3.3),并且具有更精细的边界效果.

摘要：随着云计算和大数据的发展,传统的本地数据仓库面临着扩容困难、数据处理效率低下的问题,由此云边架构的数据仓库应运而生。该架构的数据仓库分布在云中心和边缘端,使数据存储和处理更加灵活,在保证查询效率的前提下,为数据安全、数据隐私和跨地域数据共享等业务提供支持。设计基于云边多数仓的调度框架,集成以机器学习技术为核心的查询代价预测模型,实现了在多个查询粒度上的云边协同执行和云边择优执行,提高了系统的整体性能和查询效率。此外,提出了有利于查询代价信息增强的多特征融合和特征筛选方法。此调度框架和优化算法在SSB和TPC-DS数据集上均表现出显著的性能提升,为云边多数仓架构下的数据仓库查询调度提供了有效的解决方案。

摘要：图异常检测旨在从属性网络中检测出异常节点,其由于在许多应用领域如金融、电子贸易、垃圾邮件发送者检测中有着深远的实际意义而备受重视。传统的非深度学习方法只能捕捉图的浅层结构,对此,研究者们提出了基于深度神经网络的异常检测模型。然而,这些模型没有考虑到图中节点的中心性差异,这种差异在捕获节点的局部信息时会导致信息缺失或引入远端节点的噪声。此外,它们忽略了属性空间的特征信息,这些信息可以提供额外的异常监督信号。为此,从无监督的视角出发,提出了一种新颖的基于个性化PageRank和对比学习的图异常检测框架PC-GAD(Personalized PageRank and Contrastive Learning based Graph Anomaly Detection)。首先,提出一种动态采样策略,即通过计算图中每个节点的个性化PageRank向量确定其相应的子图采样数目,避免局部信息的缺失和引噪;其次,针对每个节点,分别从拓扑结构和属性空间的角度出发捕获节点的异常监督信号,并设计相应的对比学习目标,从而全面地学习潜在的异常模式;最后,经过多轮对比预测,根据输出的异常值得分评估每个节点的异常程度。为验证所提模型的有效性,分别在6个真实数据集上与基准模型开展了大量对比实验。实验结果验证了PC-GAD能够全面地识别出图中的异常节点,AUC值相比现有模型提升了1.42%。

摘要：为了满足ＣＩＭＳ环境中信息集成的需求，本文为信息集成平台设计了一种具有集成功能的面向对象的数据模型ＩＣＯＭ．ＩＣＯＭ数据模型不仅具有行为的封装与重载、继承与多继承、行为的提炼与迟后联编和多态性等面向对象的特征，而且还能够很好地解决集成过程中出现的各类冲突问题，即模式冲突与数据冲突．

摘要：作为社交影响最大化问题的重要应用之一,社交广告(或社交营销)已成为一个热门行业.其目标就是寻找k个最具影响力的种子节点,使产品公司利用成员间推介的“级联”效应推销产品.然而,由于所用数据集的限制,大多数现有影响力最大化问题的研究成果只能用于分析用户在虚拟世界中的行为,忽略了位置信息所起的作用.在信息传播过程中,用户间的距离也会对传播概率造成影响.因此,对地理社交网络中的位置敏感的影响力最大化(location-aware influence maximization,LAIM)问题进行了定义,并提出一种贪婪框架下考虑位置的影响力最大化算法,该算法将营销位置信息引入现有影响力最大化(influence maximization,IM)问题定义中,解决了传统IM中由于缺少位置信息所导致的传播范围与实际需求不符问题.此外,鉴于同一领域不可避免的竞争会引发种子重叠现象,从而导致种子个体不能实现预期传播范围,立足重叠种子角度,旨在对公司选择进行决策博弈并找到纳什均衡点,从而降低了种子集合的重叠率与影响力损失.实验结果验证了贪婪框架下考虑位置的影响力最大化算法和重叠种子下决策博弈策略的有效性.

摘要：基于某工厂员工的电动汽车使用数据,分析了员工上下班出行行为及电动汽车电量分布情况,使用蒙特卡洛模拟方法仿真了100辆电动汽车的出行及充电行为.设计搭建了光伏电动汽车充电站仿真平台用于对电站进行评估分析.基于仿真数据,使用粒子群算法对工作场所建设电站进行了系统方案设计和可行性研究.结果表明,模拟数据能很好地描述员工出行和充电行为,设计的光伏充电站系统能够基本满足员工充电需求,从而促进工厂的可持续化发展并节约成本.

摘要：在对当前主流可信存储系统的分析和研究的基础上设计并实现了符合 GP 标准同时满足多种安全存储特性的可信存储系统(TSS). TSS 不仅能对数据进行授权加密、保证数据的完整性和一致性同时还提供了很多其他安全存储特性(如持久存储对象的原子操作).为了改善大数据读写性能提出了一种在REE 的内核空间中动态申请连续内存并通过通信管道将该连续物理内存映射到 TEE 中的方法.这种方法可以有效地减少 TEE 和 REE 之间的切换次数、内存申请次数及内存的拷贝负载.实验数据显示与其他相关可信存储系统相比 TSS 有 8%到 10%的性能提升.