检索结果-南通市图书馆

维普期刊数据库博看期刊

面向真实战场环境的Transformer-CNN多特征聚合图像去雾算法

在线全文

学校读者我要写书评

暂无评论

兵工学报 2024年第4期45卷 1070-1081页

作者：王永振童鸣燕雪峰魏明强南京航空航天大学计算机科学与技术学院江苏南京210016 软件新技术与产业化协同创新中心江苏南京210093

军事智能系统的发展对现代战争的作战方式和制胜机理产生重大影响,然而这些系统容易受到雾霾等天气的影响导致获取的图像出现模糊、退化等问题,给后续识别、追踪等作战任务带来挑战,因此对战场含雾图像进行复原非常重要。鉴于获取同一... 详细信息

军事智能系统的发展对现代战争的作战方式和制胜机理产生重大影响,然而这些系统容易受到雾霾等天气的影响导致获取的图像出现模糊、退化等问题,给后续识别、追踪等作战任务带来挑战,因此对战场含雾图像进行复原非常重要。鉴于获取同一场景下的含雾、清晰图像对难度极大,现有网络大都采用合成数据进行训练;但真实雾图和合成雾图之间的间隙,会导致在合成数据下训练的模型在真实场景中泛化性差。为此,提出一种面向真实战场环境的自注意力模型-卷积神经网络(Transformer-Convolutional Neural Network,Transformer-CNN)多特征聚合图像去雾算法。采用半监督框架,利用合成和真实战场含雾图像训练网络,使模型能够更好地应对真实含雾场景。采用双分支特征聚合架构,将CNN分支提取的局部特征和Transformer分支学习的全局特征进行聚合,以进一步提高模型去雾能力。为模拟真实战场含雾场景,构建了一套含雾战场图像数据集。实验结果表明,与8种最先进的图像去雾算法相比,所提算法在合成数据和真实图像上均表现良好。

关键词：军事智能图像去雾半监督网络 Transformer-CNN 特征聚合

在线全文

学校读者我要写书评

暂无评论

“云杀伤链”构建方法

兵工自动化 2024年第4期43卷 82-86,96页

作者：陈虹张洪江叶希潘琎西南计算机有限责任公司技术中心重庆400060

针对传统“杀伤链”要素单一、抗毁性弱等问题,基于作战资源“虚拟化、服务化、共享化”的核心思想,提出“云杀伤链”作战构想及其系统架构。阐述装备建模、资源服务化、云服务聚类及柔性组织等关键技术,初步构建“云杀伤链”作战系统... 详细信息

针对传统“杀伤链”要素单一、抗毁性弱等问题,基于作战资源“虚拟化、服务化、共享化”的核心思想,提出“云杀伤链”作战构想及其系统架构。阐述装备建模、资源服务化、云服务聚类及柔性组织等关键技术,初步构建“云杀伤链”作战系统的技术框架;“云杀伤链”作战系统能以自协调、自适应的方式完成临机任务规划及兵力重组,更适合快节奏、高强度对抗的战场环境。结果表明,该方法可为军队提升网络化联合作战能力和敏捷精确打击能力提供参考。

关键词：杀伤链作战资源云服务聚类柔性组织

在线全文

学校读者我要写书评

暂无评论

基于工程保障任务的战场环境影响分析方法

兵工自动化 2024年第2期43卷 58-62,92页

作者：杨洋王东黄云会西南计算机有限责任公司技术中心重庆400060

针对工程保障作业效能发挥中的环境影响问题,通过对工程保障任务和战场环境的关系研究,分析计算战场环境综合影响指标标准。以某机动保障任务为例,验证战场环境影响分析方法的可行性与有效性。结果表明,该分析可为精准筹划工程保障行动... 详细信息

针对工程保障作业效能发挥中的环境影响问题,通过对工程保障任务和战场环境的关系研究,分析计算战场环境综合影响指标标准。以某机动保障任务为例,验证战场环境影响分析方法的可行性与有效性。结果表明,该分析可为精准筹划工程保障行动提供支撑。

关键词：工程兵工程保障任务战场环境影响系数

在线全文

学校读者我要写书评

暂无评论

基于混合图表示的软件变更预测方法

软件学报 2024年第8期35卷 3824-3842页

作者：杨馨悦刘安赵雷陈林章晓芳苏州大学计算机科学与技术学院江苏苏州215006 计算机软件新技术国家重点实验室(南京大学) 江苏南京210023

软件变更预测旨在识别出具有变更倾向的模块,可以帮助软件管理者和开发人员有效地分配资源,降低维护开销.从代码中提取有效的特征在构建准确的预测模型中起着重要作用.近年来,研究人员从利用传统的手工特征进行预测转向具有强大表示能... 详细信息

软件变更预测旨在识别出具有变更倾向的模块,可以帮助软件管理者和开发人员有效地分配资源,降低维护开销.从代码中提取有效的特征在构建准确的预测模型中起着重要作用.近年来,研究人员从利用传统的手工特征进行预测转向具有强大表示能力的语义特征,他们从抽象语法树(abstract syntax tree,AST)的节点序列中提取语义特征构建模型.但已有研究忽略了AST的结构信息以及代码中丰富的语义信息,如何提取代码的语义特征仍然是一个具有挑战性的问题.为此,提出一种基于混合图表示的变更预测方法.该模型首先结合AST、控制流图(control flow graph,CFG)、数据流图(data flow graph,DFG)等结构信息构建代码的程序图表示,接着利用图神经网络学习出程序图的语义特征,根据该特征预测变更倾向性.所提模型能够融合各种语义信息以更好地表征代码.在多组变更数据集上开展与最新变更预测方法的对比实验,验证了所提方法的有效性.

关键词：软件变更预测图神经网络 AST 控制流图数据流图

在线全文

学校读者我要写书评

暂无评论

基于仿真的工控蜜罐研究进展与挑战

信息安全研究 2024年第4期10卷 325-334页

作者：颜欣晔李昕张博付安民南京理工大学网络空间安全学院江苏江阴214443 北京计算机技术及应用研究所北京100854 南京理工大学计算机科学与工程学院南京210094

随着工业互联网的快速发展,针对工业控制系统的攻击层出不穷,造成工业基础设施瘫痪、生产中断、经济损失和人身伤害等严重后果.工控蜜罐是一种欺骗工具,可以作为诱饵吸引攻击者并伪装成真实系统提供访问权限,以诱骗攻击者进行下一步攻击... 详细信息

随着工业互联网的快速发展,针对工业控制系统的攻击层出不穷,造成工业基础设施瘫痪、生产中断、经济损失和人身伤害等严重后果.工控蜜罐是一种欺骗工具,可以作为诱饵吸引攻击者并伪装成真实系统提供访问权限,以诱骗攻击者进行下一步攻击,保护真正的工业控制系统.针对工控蜜罐研究现状进行了深入分析,给出了工控蜜罐的定义及其特征,并重点从基于协议模拟的工控蜜罐、基于结构仿真的工控蜜罐、基于模拟工具的工控蜜罐、基于漏洞模拟的工控蜜罐以及基于混合模拟的工控蜜罐等方面全面分析了基于仿真的工控蜜罐研究进展情况.最后,讨论和分析了当前工控蜜罐仿真模拟过程中面临的挑战和未来发展方向.

关键词：工控安全蜜罐工控协议可编程逻辑控制器工控仿真

融合信息检索和深度模型特征的软件缺陷定位方法

在线全文

学校读者我要写书评

暂无评论

软件学报 2024年第7期35卷 3245-3264页

作者：申宗汶牛菲菲李传艺陈翔李奇葛季栋骆斌计算机软件新技术国家重点实验室(南京大学) 江苏南京210023 南通大学信息科学技术学院江苏南通226019

构建自动化的缺陷定位方法能够加快程序员利用缺陷报告定位到复杂软件系统缺陷代码的过程.早期相关研究人员将缺陷定位视为检索任务,通过分析缺陷报告和相关代码构造缺陷特征,并结合信息检索的方法实现缺陷定位.随着深度学习的发展,利... 详细信息

构建自动化的缺陷定位方法能够加快程序员利用缺陷报告定位到复杂软件系统缺陷代码的过程.早期相关研究人员将缺陷定位视为检索任务,通过分析缺陷报告和相关代码构造缺陷特征,并结合信息检索的方法实现缺陷定位.随着深度学习的发展,利用深度模型特征的缺陷定位方法也取得了一定效果.然而,由于深度模型训练的时间成本和耗费资源相对较高,现有基于深度模型的缺陷定位研究方法存在实验搜索空间和真实情况不符的情况.这些研究方法在测试时并没有将项目下的所有代码作为搜索空间,而仅仅搜索了与已有缺陷相关的代码,例如DNNLOC方法、DeepLocator方法、DreamLoc方法.这种做法和现实中程序员进行缺陷定位的搜索场景是不一致的.致力于模拟缺陷定位的真实场景,提出了一种融合信息检索和深度模型特征的TosLoc方法进行缺陷定位.TosLoc方法首先通过信息检索的方式检索真实项目的所有源代码,确保已有特征的充分利用;再利用深度模型挖掘源代码和缺陷报告的语义,获取最终定位结果.通过两阶段的检索,TosLoc方法能够对单个项目的所有代码实现快速缺陷定位.通过在4个常用的真实Java项目上进行实验,TosLoc方法能够在检索速度和准确性上超越已有基准方法.与最优基准方法DreamLoc相比,TosLoc方法在消耗DreamLoc方法35%的检索时间下,平均MRR值比DreamLoc方法提高了2.5%,平均MAP值提高了6.0%.

关键词：缺陷定位缺陷报告信息检索深度学习检索空间

同方期刊数据库

在线全文

学校读者我要写书评

暂无评论

基于IMIU的在线类增量对比学习

软件学报 2024年

作者：刘雨薇陈松灿南京航空航天大学计算机科学与技术学院

在线类增量连续学习旨在数据流场景下进行有效的新类学习,并保证模型满足小缓存和小批次约束.然而由于数据流的单趟(one-pass)特性,小批次内的类别信息难以如离线学习那样被多趟探索利用.为缓解该问题,目前常采用数据多重增广并借助对... 详细信息

在线类增量连续学习旨在数据流场景下进行有效的新类学习,并保证模型满足小缓存和小批次约束.然而由于数据流的单趟(one-pass)特性,小批次内的类别信息难以如离线学习那样被多趟探索利用.为缓解该问题,目前常采用数据多重增广并借助对比回放建模.但考虑到小缓存和小批次限制,现有随机选择和保存数据的策略不利于获取多样性的负样本,制约了模型判别性.已有研究表明困难负样本是提升对比学习性能的关键,但这鲜少在在线学习场景被探索. Universum学习提出的概念含混(condued)数据恰好提供一种生成困难负样本的简单直观思路,据此先前用特定系数插值混合(mixup)诱导出的Universum数据(mixup-induced Universum, MIU)已有效提升了离线对比学习的性能.受此启发,尝试将其引入在线场景.但不同于先前静态生成的Universum,数据流场景面临着某些额外挑战.首先随类数的动态增加,相对基于全局给定类生成的静态Universum不再适用,需重新加以定义和动态生成,为此提出仅利用当前数据(局部)递归生成相对已见类熵为最大的MIU (称为增量MIU, IMIU),并为其提供额外的小缓存从总体上满足内存限制;其次将生成的IMIU和小批次内的正样本再次插值混合出多样且高质的困难负样本.最后综合上述各步,发展出基于IMIU的在线类增量对比学习(incrementally mixup-induced Universum based online class-increment contrastive learning, IUCL)学习算法.在标准数据集CIFAR-10、CIFAR-100和Mini-ImageNet上的对比实验验证所提算法一致的有效性.

关键词：机器学习在线类增量学习对比学习插值混合 Universum

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于揭序加密的联邦决策树安全比较协议

计算机学报 2024年第4期47卷 892-906页

作者：韩朝阳葛春鹏刘哲方黎明南京航空航天大学计算机科学与技术学院南京210016 山东大学软件学院济南250100 之江实验室杭州311121

得益于联邦学习的发展,多个参与方得以越来越方便地在保护隐私的前提下协同训练多种机器学习模型.随着联邦学习训练方案的逐渐成熟,在这些模型上进行高效联邦预测任务的需求也日益受到关注.目前对联邦学习得到模型的应用的研究大都处于... 详细信息

得益于联邦学习的发展,多个参与方得以越来越方便地在保护隐私的前提下协同训练多种机器学习模型.随着联邦学习训练方案的逐渐成熟,在这些模型上进行高效联邦预测任务的需求也日益受到关注.目前对联邦学习得到模型的应用的研究大都处于复用训练范式的范畴,而实际上这一做法造成了额外的开销,联邦预测任务存在着极大的效率提升空间.本文对基于树模型的外包预测服务进行研究.首先明确阐述了“联邦预测”任务,并指出设计高效解决方案面临着数据异构分布和用户数据动态变化的挑战.针对这些挑战,本文提出了新颖的安全比较协议***通过一个不可信的第三方的协助,使得两个参与方得以秘密地比较他们的私密值.所设计的协议基于揭序加密,其通过公开函数可以揭示出密文之间的顺序关系.为了增强其隐私性,我们进一步设计了一次一密机制并引入了混淆密码序列技巧.我们对协议进行了全面的安全性分析,并证明了其面对恶意第三方的鲁棒性.此外,我们还通过大量实验验证了所提出协议的高效性和可扩展性.

关键词：联邦学习联邦预测安全比较揭序加密外包计算隐私计算

同方期刊数据库

在线全文

学校读者我要写书评

暂无评论

多标记学习中基于交互表示的深度森林方法

软件学报 2024年第4期35卷 1934-1944页

作者：吕沈欢陈一赫姜远计算机软件新技术国家重点实验室(南京大学) 江苏南京210023 软件新技术与产业化协同创新中心(南京大学) 江苏南京210023

在多标记学习中,每个样本都与多个标记关联,关键任务是如何在构建模型时利用标记之间的相关性.多标记深度森林算法尝试在深度集成学习的框架下使用逐层的表示学习来挖掘标记之间的相关性,并利用得到的标记概率表示提升预测精度.然而,一... 详细信息

在多标记学习中,每个样本都与多个标记关联,关键任务是如何在构建模型时利用标记之间的相关性.多标记深度森林算法尝试在深度集成学习的框架下使用逐层的表示学习来挖掘标记之间的相关性,并利用得到的标记概率表示提升预测精度.然而,一方面标记概率表示与标记信息高度相关,这会导致其多样性较低.随着深度森林的深度增加,性能会下降.另一方面,标记概率的计算需要我们存储所有层数的森林结构并在测试阶段逐一使用,这会造成难以承受的计算和存储开销.针对这些问题,提出基于交互表示的多标记深度森林算法(interactionrepresentation-based multi-label deep forest,iMLDF).iMLDF从森林模型的决策路径中挖掘特征空间中的结构信息,利用随机交互树抽取决策树路径中的特征交互,分别得到特征置信度得分和标记概率分布两种交互表示.iMLDF一方面充分利用模型中的特征结构信息来丰富标记间的相关信息,另一方面通过交互表达式计算所有的表示,从而使得算法无需存储森林结构,大大地提升了计算效率.实验结果表明:在交互表示基础上进行表示学习的i MLDF算法取得了更好的预测性能,而且针对样本较多的数据集,计算效率比MLDF算法提升了一个数量级.

关键词：深度森林多标记学习特征交互标记相关性表示学习