摘要：随着移动教育模式逐渐为大众所接受,一批优秀的在线教育企业凭借优质的师资和创新的教学模式逐渐占据市场。猿辅导就是网络在线教育领域的领军企业之一,占据可观在线教育市场份额。文章基于SWOT分析方法对猿辅导的企业策略进行了深入研究,发现猿辅导的产品优势在于丰富的课程、个性化教学、家校互动功能等,颇具竞争力,且依靠产品定位差异化和线上线下营销策略,大大提高了品牌知名度。文章旨在按照SWOT分析法,分析猿辅导企业营销战略,研究成果将给移动互联网教育企业的发展带来参考价值。

摘要：由于布局是现场可编程门阵列电路开发流程中耗时最长的步骤之一,所以为了提高布局的速度,提出了一种新的现场可编程门阵列布局方法。首先,在初始布局阶段,电路中的各逻辑单元根据花费计算公式选择使用成本最小的物理资源,并且允许多个逻辑单元占用同一个物理资源;然后,迭代地对占用被重用物理资源的逻辑单元重新布局,通过逐渐增大重用资源的使用成本,从而逐步消除资源重用;最后,用低温模拟退火算法对布局结果进行局部优化。实验结果表明,与学术界主流布局工具相比,该方法将布局时间减少了52%,同时电路延时降低4.8%,总线长减少1.9%。所提布局方法显著地减少了现场可编程门阵列电路布局所需时间,从而缩短了电路编译调试周期,有助于提高开发人员的效率。

摘要：提出了点到点(P2P)模式下协同工作安全群组通信模型,实现了P2P模式下协同工作节点动态加入和退出,以及群组安全可靠有序的通信机制.算法设计的节点管理和节点通信为P2P模式下协同工作应用开发提供了必要的支持.通过理论分析,证明了点组内节点操作的一致性,协同绘图作为实例说明了该方法的有效性.

摘要：提出了一种分组密码算法的延迟结合模式,进行了基于信息论原则的安全性证明,并对加入延迟后的密钥执行效率进行了评估。对于算法公开的分组密码,使用密钥延迟技术加强密码体制本身的强度,弱化种子密钥通过互联网公开分发造成的信息泄漏,特别可以有效阻止中间人唯密文进行的算法还原攻击。

摘要：对分组密码算法CCM、CMAC加密模式进行描述,用可证安全性理论对它们进行相关研究和证明,并对各种证明情况在不同通信环境下的使用作出说明。针对认证工作模式用流程图的方式进行描述,同时证明了所有标准化的运算模式对于不同的使用环境是安全的。所研究内容对于2007年7月公布的GCM模式仍然适用,而且对于新的运算模式设计,可证安全性仍然是一个必要的环节。

摘要：为了使目标图像在用户的控制和编辑下快速学习参考图的颜色和笔刷特征,得到多个参考样图的艺术风格,提出一种支持多风格的图像艺术化快速处理算法.首先以目标图像流场为引导对非等轴纹理合成算法进行改进,学习得到样图的纹理和笔刷特征;然后通过设计和实现基于CUDA加速的并行合成算法,加快样图风格的学习速度;此外,为增强学习结果的可控性,设计完成了用户交互式的风格编辑接口,可根据用户指定的不同样图风格块对目标图像实现区域相关的多风格图像艺术化,提供所见即所得的交互设计体验.风格学习实例的结果表明,与已有的基于学习的风格化算法相比,该算法具有更快的合成速度和更强的灵活性.

摘要：保障内核扩展的安全性对操作系统具有重要意义.当前存在大量针对内核函数使用规则的攻击,内核扩展中也存在大量违反内核函数使用规则的错误,因此针对内核函数使用规则的安全性检测十分必要.虽然存在多种提高内核扩展安全性的方法,但很少有方法对内核函数的使用规则进行安全性检测.文中设计了KFUR(KernelFunction Usage Rule)内核扩展安全模型系统,用于在运行时检测内核扩展调用内核函数是否遵守内核函数使用规则.如果内核扩展调用内核函数满足模型安全运行条件,则允许对该内核函数进行调用,否则将错误报告给操作系统内核并终止该内核扩展的运行.文中所述研究在Linux操作系统上对KFUR安全模型系统进行实现,并将其运用于e1000网卡驱动、SATA硬盘驱动和HDA声卡驱动内核扩展.安全性评测表明安全模型系统能够对内核函数使用规则进行安全性检测,性能评测表明安全模型系统带来的开销很小.

摘要：微服务软件系统由于其具有大量复杂的服务依赖关系和组件化模块,一个服务发生故障往往造成与之相关的1个或多个服务发生故障,导致故障定位的难度不断提高.因此,如何有效地检测系统故障、快速而准确地定位故障根因问题,是当前微服务领域研究的重点.现有研究一般通过分析故障对服务、指标的作用关系来构建故障关系模型,但存在运维数据利用不充分、故障信息建模不全面、根因定位粒度粗等问题,因此提出了AmazeMap方法.该方法设计了多层次故障影响图建模方法以及基于多层次故障影响图的微服务故障定位方法.其中:多层次故障影响图建模方法通过挖掘系统运行时指标时序数据与链路数据,考虑不同层次间的相互关系,能够较全面地建模故障信息;基于多层次故障影响图的微服务故障定位方法通过缩小故障影响范围,从服务实例和指标两个方面发现根因,输出最有可能的故障根因节点和指标序列.基于开源基准微服务系统和AIOps挑战赛数据集,从有效性和效率两个方面设计了微服务软件故障定位实验,并与现有方法进行对比,实验结果验证了AmazeMap的有效性、准确性和效率.

摘要：近年来,随着互联网技术的迅猛发展,以慕课(MOOC)为代表的在线教育平台得到广泛普及.为助力“因材施教”的个性化智慧教育,以推荐算法为代表的人工智能技术受到了学术界与工业界的普遍关注.虽然在电子商务等领域获得了成功应用,但推荐算法与在线教育融合时仍面临严峻挑战:现有算法对隐式交互数据的挖掘不充足,推荐背后的知识指导作用不明显,面向实践的推荐系统软件有缺失.对此,设计了一套面向工业化场景的智慧课程推荐系统:(1)提出基于图卷积神经网络的推荐引擎,将“用户-课程”隐式交互数据建模为异构图;(2)将课程知识信息融入“用户-课程”异构图,深入挖掘了“用户-课程-知识”关联关系;(3)设计了高效的在线推荐系统,实现了“预处理-召回-离线排序-在线推荐-结果融合”的多段流水线原型,不仅能够快速响应课程推荐请求,更能有效缓解推荐算法落地的最大障碍——冷启动问题.最后,基于真实课程学习平台数据集,以对比实验表明了离线推荐引擎相比其他主流推荐算法的先进性,并基于两个典型用例分析验证了在线推荐系统面临工业场景需求的可用性.

摘要：目前自适应软件正在为众多领域系统提供着对运行环境的适应能力.如何建立一种能够保障识别质量的自适应分析方法,使之可从运行环境中快速且准确地识别出异常事件,是确保自适应软件长期稳定运行所必须考虑的研究问题之一.当前运行环境的不确定性给该问题的攻关带来两方面的挑战:其一,现有分析方法一般通过预先建立环境状态与事件之间的映射关系来识别事件.但在系统运行之前,已无法仅凭经验确定环境状态并建立全面且正确的映射关系.仅依赖映射关系建立分析方法的设计思路已无法保障识别的准确性.其二,不确定环境何时会发生何种事件已变得不可预期.如果采用现有设计思路,定期地获取环境状态再进行事件识别,则无法保障识别效率.然而,目前却缺乏应对这些紧迫挑战的相关工作,因此提出了一种基于事件关系保障识别质量的自适应分析方法(self-adaptation analysis method for recognition quality assurance using event relationships,简称SAFER).SAFER采用序列模式挖掘算法、模糊故障树与贝叶斯网络等技术抽取并建模事件因果关系,并基于该类关系与映射关系通过贝叶斯网络的正向推理能力共同识别事件,与传统的仅依赖映射关系的识别方法相比可保证识别的准确性;基于贝叶斯网络的反向推理能力,确定易引发事件的精英感知对象,并动态调整获取精英感知对象状态数据的采样周期,以便于在事件发生后尽快获得相关环境状态,从而保障识别效率.实验结果表明,在自适应软件实际运行过程中,SAFER可实现对事件的识别并保障识别准确性与识别效率,为自适应软件稳定运行提供了有效支持.