摘要：利用NCBI数据库中油茶(Camellia oleifera Abel)全基因组序列挖掘SSR位点,并基于Primer 3.0软件设计引物,筛选多态性较高的引物进行遗传多样性的评价。以油茶全基因组序列数据为基础,检测1 661 881个SSR位点,总长为2 889 508 820 bp,发生频率为63.22%。单核苷酸重复类型最多(61.72%),其次为二核苷酸(28.59%)和三核苷酸重复单元(6.90%)。分析重复序列位点发现,油茶SSR中包含337种类型重复基序,主要以A/C为主要重复单元,优势基序依次为A/T(60.46%)、AG/TC(13.88%)、AT/TA(12.09%)、AC/TG(2.86%)、AAT/TTA(2.54%)。在每条染色体上挑选10对引物进行引物合成(共150对),并检测其多态性。结果得出129对引物能扩增出目标条带,其中25对引物能在材料间扩增出特异性条带。利用油茶全基因组序列可实现SSR标记的大规模开发,并可鉴定出适用于油茶遗传多样性分析、遗传图谱构建和品种鉴定等研究的SSR引物。

摘要：预训练模型逐渐成为一种工具并应用于各种下游任务。其中,由于各望远镜位置、使用数字后端、处理技术以及周围干扰环境的不同,脉冲星候选体筛选需使用极端不平衡的数据从头训练并设计深度学习模型,存在流程复杂、时效性差、难度大的问题。针对上述问题,基于ImageNet数据集预训练模型,对比分析其在脉冲星数据集的表现,并比较其Precision、Recall、F1-Score。首先,使用LogME方法评估各模型在脉冲星数据集的可迁移性;其次,使用后端融合的方式融合频率-相位图和时间-相位图的2种特征;最后,使用逐层解冻的方式微调对比可迁移性评分高的14个模型。结果表明,预训练方式所需资源少、收敛速度快,能应用于脉冲星筛选任务,在需要更进一步提升模型效果时,也可以考虑这些模型作为基础模块用于提取特征。

摘要：语音辨识技术是人机交互的重要方式。随着深度学习的不断发展,基于深度学习的自动语音辨识系统也取得了重要进展。然而,经过精心设计的音频对抗样本可以使得基于神经网络的自动语音辨识系统产生错误,给基于语音辨识系统的应用带来安全风险。为了提升基于神经网络的自动语音辨识系统的安全性,需要对音频对抗样本的攻击和防御进行研究。基于此,分析总结对抗样本生成和防御技术的研究现状,介绍自动语音辨识系统对抗样本攻击和防御技术面临的挑战和解决思路。

摘要：传统浅层机器学习方法在识别恶意TLS流量时依赖专家经验且流量表征不足,而现有的深度神经网络检测模型因层次结构复杂导致训练时间过长。提出一种基于CNN-SIndRNN端到端的轻量级恶意加密流量识别方法,使用多层一维卷积神经网络提取流量字节序列局部模式特征,并利用全局最大池化降维以减少计算参数。为增强流量表征,设计一种改进的循环神经网络用于捕获流量字节长距离依赖关系。在此基础上,采用独立循环神经网络IndRNN单元代替传统RNN循环单元,使用切片并行计算结构代替传统RNN的串行计算结构,并将两种类型深度神经网络所提取的特征拼接作为恶意TLS流量表征。在CTU-Maluware-Capure公开数据集上的实验结果表明,该方法在二分类实验上F1值高达0.9657,在多分类实验上整体准确率为0.8489,相比BotCatcher模型训练时间与检测时间分别节省了98.47%和98.28%。

摘要：学科知识图谱可以给学生及教育工作者提供一个清晰、结构化的学科知识体系。本文提出一种融合多源数据的智能学科知识图谱构建方法,并在中学化学学科实现。首先进行本体设计,并依据本体设计完成了基于BERT模型的命名实体识别和基于特征提取的实体关系抽取,之后对多种数据源进行融合,最终将数据存储于Neo4j图数据库中实现可视化应用。该知识图谱有助于为中学学科智能辅助学习系统的搭建提供支撑,起到支持学生个性化学习的重要作用。

摘要：目前分布式的计算集群已经是计算大数据任务必不可少的硬件基础,传统的分布式集群计算都是默认建立在统一、易管理的条件下进行,但对计算集群本身避而不谈。计算节点的多样性以及更新迭代所产生的复杂性和滞后性会导致节点管理混乱,集群升级困难。基于分布式脉冲星计算加速系统Craber以及其底层硬件设施,设计实现一套计算集群管理的服务平台,将计算节点的物理结构抽象聚类统一管理,通过Docker容器技术拆分原有服务并封装为微服务。

摘要：单脉冲搜索是搜索脉冲星、快速射电暴与旋转暂现射电源的重要手段。随着500m口径球面射电望远镜正式投入运行,单脉冲搜索面临的数据处理规模已达到PB级别,基于分布式架构的数据处理方法对天文研究工作具有重要意义。本文简述了单脉冲搜索方法,分析了Spark相比于主流分布式架构的优势,对现有脉冲星搜索程序中的单脉冲搜索模块,完成了基于Spark的并行优化,构建了分布式集群,同时结合批处理应用场景,基于负载均衡的理念设计了面向分布式集群的任务分配算法。通过实验评估系统性能,结果表明,本系统在大规模数据处理应用场景具有显著优势,为后续运用于实际环境提供了有效的数据支撑。

摘要：随着500 m口径球面射电望远镜(fi ve hundred meters aperture spherical telescope,FAST)巡天扫描的数据量不断增加,现有分布式计算集群所采用的文件存储系统逐渐成为限制计算速度的瓶颈之一。通过对计算集群架构的分析,将脉冲星数据处理与分布式文件系统技术相结合,针对目前计算集群中存在的问题,提出使用Alluxio+HDFS的分布式文件系统代替原先使用的Lustre文件系统,并根据脉冲星数据处理计算的特点和文件系统机制重新设计了任务分配算法和计算任务。实验表明使用该存储系统能够在相同的网络环境下提高网络带宽和节点内存利用率,减少网络传输时延及冗余磁盘读写开销,提高集群脉冲星数据处理的整体计算效率。

摘要：为了进一步提高入侵检测系统的检测准确率和检测效率,提出了一种基于深度卷积神经网络(dCNN)的入侵检测方法。该方法使用深度学习技术,如tanh、Dropout和Softmax等,设计了深度入侵检测模型。首先通过数据填充的方式将原始的一维入侵数据转换为二维的"图像数据",然后使用dCNN从中学习有效特征,并结合Softmax分类器产生最终的检测结果。该文基于Tensorflow-GPU实现了该方法,并在一块Nvidia GTX 1060 3GB的GPU上,使用ADFA-LD和NSL-KDD数据集进行了评估。结果表明:该方法减少了训练时间,提高了检测准确率,降低了误报率,提升了入侵检测系统的实时处理性能和检测效率。

摘要：为满足入侵检测的实时性和准确性要求,通过结合支持向量机(SVM)和K最近邻(KNN)算法设计IL-SVM-KNN分类器,并采用平衡k维树作为数据结构提升执行速度.训练阶段应用增量学习思想并考虑知识库的扩展,分类阶段则利用SVM和KNN算法将待分类数据分成3种情况应用不同的分类策略.基于KDD CUP99和NSL-KDD数据集进行实验,结果表明,IL-SVM-KNN能够区分正常流量和异常流量并准确判断异常流量的攻击类型,其准确率较KNN算法和SVM算法有明显提升,判断攻击类型的准确性高于决策树、随机森林和XGBoost算法,并且较两层卷积神经网络消耗时间更少,资源消耗更低.