摘要：提出了一种基于信用模型的共识协议。首先,该共识协议借鉴了个人信用风险评估的思想,设计了一种基于BP神经网络的节点信用度模型。其次,构造了一种分片轮转模型,它可以根据节点的信用度高低分割搜索空间产生新区块,同时对协议所面临的可能攻击进行分析,修复了协议存在的漏洞。最后,仿真实验表明共识协议既能有效地降低新区块产生过程中重复计算的巨大资源消耗,也能抑制大型矿池的产生,使整个区块链系统变得更加安全可靠。

摘要：大数据合理定价是当前大数据交易中亟待解决的具有一定挑战性问题之一.本文针对大数据定价困难问题,基于Micali-Rabin的安全计算技术提出一种具有大数据定价功能的安全委托拍卖方案.在方案中首先基于Micali-Rabin的随机向量表示方法设计满足标价密封性的大数据拍卖及验证算法.其次,基于Merkle树和Bit承诺协议实现大数据交易中数据的完整性和底价的不可否认性,特别是在定价阶段,利用一种特殊的多方安全计算协议隐藏大数据的底价,以此保障了大数据交易的公平性.最后,方案安全性和性能分析表明,该方案特别适用于大数据交易场景下的数据委托拍卖.

摘要：入侵检测系统经常不可避免地出现误警、漏警错误而导致系统的重大安全隐患,然而当前未能找到一种行之有效的解决方案。针对该问题,提出一种基于信息论的入侵检测最佳响应模型。首先,将入侵检测过程中的入侵者和入侵检测系统抽象成随机变量,并根据对抗结果构建了入侵者和入侵检测系统的攻防模型。其次,根据攻防模型设计入侵检测系统的防守信道,将入侵检测系统的正确检测转换成防守信道成功传输1 bit信息问题。最后,通过分析防守信道的信道容量来衡量系统防守能力,其防守信道的最大互信息量就是入侵检测系统的防守极限能力,其对应的策略分布就是系统的防守能力最佳响应策略。实验结果表明,所提方案能够有效地降低系统误警和漏警所造成损失。

摘要：针对比特币的PoW(proof of work)共识机制中资源消耗巨大、系统性能存在瓶颈和“公地悲剧”问题,从博弈论的角度分析了比特币系统后期只有交易费奖励所带来的“公地悲剧”现象,提出了基于门限密码方案的共识机制(a consensus mechanism based on threshold cryptography,TCCM).首先,新共识协议引入了节点保证金的思想,提出了一种基于门限群签名理论的保证金模型.该模型既能够确保保证金的安全,又为节点诚实地记账提供保障.其次,利用门限加密的思想构造了记账权竞价模型来产生区块链记账节点,这能够保证记账权竞价环境的公平性和记账节点产生的随机性.同时,在原有的区块奖励基础上,设计了新的激励机制,使得更多的节点能够参与共识的全过程.最后,安全性和性能分析结果表明,该共识机制既有效地降低了资源消耗,又提高了交易处理效率,使得整个区块链系统变得更加安全可靠.

摘要：针对属性协同访问控制面临更复杂的权限动态更新问题,提出了具有属性即时撤销、属性级用户撤销和协同策略撤销的属性协同访问控制方案。所提方案给出了形式化定义与安全模型,以分组属性组内成员列表信息的变化反映用户权限的动态更新,进一步设计高效的重加密算法实现属性即时撤销和用户撤销。在协同策略撤销方面,利用转移节点的转移值特性,快速更新协同属性对应的密文以实现细粒度的协同策略撤销。安全证明表明,所提方案在选择明文攻击下能保证数据机密性,前向、后向安全性,并能抵抗共谋攻击。与已有方案相比,所提方案具有更完备的细粒度撤销功能以及更高的撤销运行效率。

摘要：阿尔兹海默症发病早期症状不明显,被确诊时往往已步入中晚期。为了通过日常活动的视频监控提早识别阿尔兹海默症,提出了基于时空双流网络的阿尔兹海默症先兆动作识别方法(premonitory behavioral identification of Alzheimer’s disease base on spatiotemporal two-stream networks,STADP)。首先,从阿尔兹海默症对人体机能的负面影响角度出发,基于医学研究成果定义了日常活动中的阿尔兹海默症先兆动作,构建了阿尔兹海默症先兆动作数据集(Alzheimer’s disease premonitory action dataset,ADP),给出了基于关键帧的视频数据处理算法;其次,将基于三维卷积模型的空间特征提取模块与基于Transformer模型的时间特征提取模块结构相融合,设计了时空双流网络以捕捉阿尔兹海默先兆动作的特征,从而形成了STADP算法;最后,对不同特征融合权重的模型性能进行比较,获得了STADP的最优工作参数。与2种模型的对比实验结果表明:STADP的平均识别准确率、精确度、召回率以及F1值均优于比较算法,分别为83.21%、84.61%、83.14%和82.14%。本研究将为日常活动数据驱动的阿尔兹海默症先兆动作智能感知提供方法与实现手段。

摘要：为优化多元宇宙算法求解函数最优值的性能,提出一种改进搜索机制的全局优化多元宇宙算法(G-MVO)。针对标准算法存在单一搜索机制导致算法易陷入局部最优以及过早收敛的缺陷,提出三种学习策略来增强算法性能,通过多策略交互协作降低算法复杂度并提高求解精度,设计自适应参数动态选择最佳策略,全局优化算法性能。为验证算法的有效性,算法在不同维度的八个基准函数上进行仿真实验。结果表明,该算法表现出更佳的求解精度以及收敛速度。

摘要：环境声音识别在音频检索、监控方面有着广泛的应用,是听觉识别任务中的一个热门研究领域。但由于声音信号的复杂多变,使得该任务在识别率提升方面依然面临许多挑战。针对这一问题提出了基于改进卷积神经网络的环境识别模型(S-CNN),该模型采用反复堆叠的递减型卷积核提取不同尺度的局部特征,并在每层卷积层后采用batch normalization(BN)层对特征进行归一化操作。同时,利用动态衰减的学习率训练模型,以提高模型收敛速度与收敛稳定性。实验结果表明,相比于传统的机器学习与卷积神经网络模型,本文所设计的改进卷积神经网络模型S-CNN具有更好的识别率。在ESC-10环境声音数据库上,识别精度达到91. 3%。

摘要：传统的工业产品外观设计流程,往往依赖手工建模,存在成本较高、以往模型内部几何形状、关系等知识未得到重用的问题。文章提出了一种基于深度学习的三维建模流程,利用人工智能提供的理解、推理能力,学习模型库中三维模型蕴含的先验知识,用于后续的建模设计工作中。该流程通过图自动编码器学习以往三维模型的布局、尺寸特征,首先生成三维物体的零部件布局特征,接着合成零部件的细节部分,由粗到精的渐进式完成三维生成任务。实验结果表明,该流程能够得到合理的三维模型,生成的模型保留了可识别的外形特征以及几何特征。

摘要：为进一步改善短文本关键词抽取的效果,提出一种TTKE(topical translation for keyphrase extraction)主题翻译模型。结合主题模型与统计机器翻译模型的优势,通过长文本辅助短文本进行主题发现,学习特定主题下词语与关键词的对齐概率,为给定短文本进行关键词抽取。在真实数据集上进行实验,实验结果表明,该模型能够有效提高短文本关键词抽取的效果。