基于生成式对抗网络和正类无标签学习的知识图谱补全算法

随着知识图谱的应用越来越广泛,绝大多数真实世界的知识图谱通常具有不完备性,限制了知识图谱的实际应用效果。因此,知识图谱补全成为了知识图谱领域的热点。然而,现有方法大多集中在评分函数的设计上,少部分研究关注了负样本抽样策略。在改善负样本抽样的知识图谱补全算法的研究中,基于生成式对抗网络的方法取得了不错的进展。然而,现有研究并没有关注到负样本存在假阴性标签的问题,即生成的负样本中可能包含真实的事实。为了缓解假阴性标签问题,提出了一种基于生成式对抗网络和正类无标签学习的知识图谱补全算法。该方法利用生成式对抗网络生成无标签样本,并使用正类无标签学习缓解假阴性标签问题。在基准数据集上进行的大量实验证明了所提算法的有效性与准确性。

基于深度强化学习的微服务多维动态防御策略研究

针对云原生中安全防御策略在动态请求流量下难以兼顾服务质量的问题,提出基于深度强化学习的微服务多维动态防御策略,简称D2RA策略,在流量动态变化时给出兼顾安全防御和服务质量的动态配置方案。首先,基于微服务多副本部署和微服务调用链的特点,建立微服务系统状态图来刻画微服务的请求流量、系统配置与安全性、服务质量、资源开销之间的关系;其次,设计D2RA框架并提出基于深度Q网络的动态策略优化算法,为微服务提供动态请求流量下最优系统配置快速更新方案。仿真实验结果表明,D2RA在动态请求流量下可有效进行资源分配,相对于对比方法在防御有效性和服务质量方面分别取得19.07%和42.31%的优化。

基于Bert-GNNs异质图注意力网络的早期谣言检测

网络谣言的广泛传播已经造成了很大的社会危害,因此早期谣言检测任务已成为重要的研究热点.现有谣言检测方法主要从文本内容、用户配置和传播结构中挖掘相关特征,但没有同时利用到文本全局语义关系和局部上下文语义关系.为了克服以上局限性,充分利用到谣言数据中的文本全局-局部上下文语义关系、文本语义内容特征和推文传播的结构特征,本文提出了一种基于Bert-GNNs异质图注意力网络的早期谣言检测算法(Bert-GNNs Heterogeneous Graph Attention Network,BGHGAN).该方法根据历史谣言集和用户特征构建一个推文-词-用户异质图,通过采用预训练语言模型Bert和图卷积神经网络(Graph Convolutional Network,GCN)结合的方法进行特征学习,以挖掘谣言的文本语义特征和文本之间的关系,并将异质图分解为推文-词子图和推文-用户子图,采用图注意力网络(Graph Attention network,GAT)的方式分别进行特征学习,从而更充分利用文本全局-局部上下文语义关系和传播图的全局结构关系以加强特征表达;最后,通过子图级注意力机制将不同模块的学习集成进行最终的谣言检测.所提算法在真实的Twitter15和Twitter16数据上进行实验,验证了该算法在检测准确率上分别为91.4%和91.9%,较现有最佳模型分别提高了1%和1.4%,也具备在早期阶段对谣言的检测能力;同时,本文通过实验探讨了不同特征对谣言检测的重要性、对异质图构建质量的重要性.

基于代表性节点扩张的保持社区结构的图采样算法

作为一种能够简化大规模图并保留其指定属性的方法,图采样被广泛应用于现实生活中。然而当前研究大多集中于保留节点级的性质,如度分布等,而忽略了图的社区结构等更为重要的信息。针对此问题,提出了一种保持社区结构的图采样算法。算法主要分为两个步骤,第一步为初始化社区代表点,根据提出的节点重要度计算公式算出节点的重要度,然后选出每个社区的代表性节点;第二步为社区结构扩张,针对每个社区,选择可能引入最少额外邻居的节点加入社区中,直到达到该社区节点上限。在多个真实数据集上进行了对比实验,使用多个评价指标来评估实验结果。实验结果表明,所提出的采样算法能够很好地保持原始图的社区结构,为大规模图的社区结构采样提供了可行的解决方案。

基于国产FPGA的移动通信网信令设计与实现

为提高电信网设备应对异常信令访问的检测能力,需对64K信令进行分析并处理。为了提高解析效率并满足近年来相关产品对自主可控越来越高的要求,设计了一种基于国产现场可编程门阵列(Field Programmable Gate Array, FPGA)的信令解析方案,给出了方案的总体设计思路,并对FPGA实现的功能模块进行详细说明。对系统进行设计时,采用模块化参数化方法以及在关键环节添加状态参数,提高了可扩展性并可以对模块内部运行状态进行监控,最终实现了对信令高效且灵活的解析,主要器件等均为国产。经过测试,可以实现STM-1(STM-Synchronous Transfer Module-1)数据的接入、串并转换、HDLC(High-level Data Link Control)解帧等功能,完成32路64K信令的并发处理,模块运行状态可查可看,达到了预期的效果。以STM-1为例,基于现有功能的模块化设计,可以平滑地扩展到STM-4、STM-16的应用。

基于节点相似性分组与图压缩的图摘要算法

针对当前图摘要方法压缩率较高,图压缩算法无法直接被用于下游任务分析的问题,提出一种图摘要与图压缩的融合算法,即基于节点相似性分组与图压缩的图摘要算法(GSNSC)。首先,初始化节点为超节点,并根据相似度对超节点分组;其次,将每个组的超节点合并,直到达到指定次数或指定节点数;再次,在超节点之间添加超边和校正边以恢复原始图;最后,对于图压缩部分,判断对每个超节点的邻接边压缩和摘要的代价,并选择二者中代价较小的执行。在Web-NotreDame、Web-Google和Web-Berkstan等6个数据集上进行了图压缩率和图查询实验。实验结果表明,在6个数据集上,与SLUGGER(Scalable Lossless sUmmarization of Graphs with HiERarchy)算法相比,所提算法的压缩率至少降低了23个百分点;与SWeG(Summarization of Web-scale Graphs)算法相比,所提算法的压缩率至少降低了13个百分点;在Web-NotreDame数据集上,所提算法的度误差比SWeG降低了41.6%。以上验证了所提算法具有更好的图压缩率和图查询准确度。

一种基于用户轨迹的跨社交网络用户身份识别算法

针对现有的基于用户轨迹的跨社交网络用户身份识别算法未考虑用户轨迹中的位置访问顺序特征的缺点,该文提出一种基于Paragraph2vec的跨社交网络用户轨迹匹配算法(CDTraj2vec)。首先将用户轨迹转化为易于处理的网格化表示,并按照一定的时间粒度、距离尺度对原始的用户轨迹进行划分,使用户轨迹中的位置访问顺序特征易于抽取;然后利用Paragraph2vec算法中PV-DM模型抽取轨迹序列中位置访问顺序特征,得到用户轨迹的向量表示。最后通过用户轨迹向量判定轨迹是否匹配。在社交网络BrightKite上的实验结果表明,与基于位置访问频率或者基于轨迹间距离的方法相比,F值提高了2%～4%个百分点,所提算法能够有效地抽取出用户轨迹中的位置访问顺序特征,更加准确地实现了基于用户轨迹的跨社交网络用户身份识别。

基于行人属性分级识别的行人再识别

为了提高行人再识别算法的识别效果,该文提出一种基于注意力模型的行人属性分级识别神经网络模型,相对于现有算法,该模型有以下3大优点:一是在网络的特征提取部分,设计用于识别行人属性的注意力模型,提取行人属性信息和显著性程度;二是在网络的特征识别部分,针对行人属性的显著性程度和包含的信息量大小,利用注意力模型对属性进行分级识别;三是分析属性之间的相关性,根据上一级的识别结果,调整下一级的识别策略,从而提高小目标属性的识别准确率,进而提高行人再识别的准确率。实验结果表明,该文提出的模型相较于现有方法,有效提高了行人再识别的首位准确率,其中,Market1501数据集上,首位准确率达到了93.1%,在DukeMTMC数据集上,首位准确率达到了81.7%。

候选标记信息感知的偏标记学习算法

在偏标记学习中,示例的真实标记隐藏在由一组候选标记组成的标记集中。现有的偏标记学习算法在衡量示例之间的相似度时,只基于示例的特征进行计算,缺乏对候选标记集信息的利用。该文提出一种候选标记感知的偏标记学习算法(CLAPLL),在构建图的阶段有效地结合候选标记集信息来衡量示例之间的相似度。首先,基于杰卡德距离和线性重构,计算出各个示例的标记集之间的相似度,然后结合示例相似度和标记集的相似度构建相似度图,并通过现有的基于图的偏标记学习算法进行学习和预测。3个合成数据集和6个真实数据集上实验结果表明,该文方法相比于基线算法消歧准确率提升了0.3%~16.5%,分类准确率提升了0.2%~2.8%。

一种改进的安全传真服务器设计方法

传真服务器存在对垃圾传真防范能力不足的问题。为此,在现有安全传真服务器的设计基础上,提出一种改进方案。在接收传真之前增加图灵检测功能用于筛选自动传真,采用近似串匹配技术对垃圾传真进行确认,进而通过黑名单功能实现垃圾传真的过滤,并将聚类功能作为发现新垃圾传真、丰富关键词库的辅助手段。仿真实验表明,该方法在精度、对垃圾传真反应速度以及智能性等方面均优于原有设计。

基于整数线性规划重构抽象语义图结构的语义摘要算法

针对利用抽象语义(AMR)图来预测摘要子图存在的语义结构不完整问题,该文提出一种基于整数线性规划(ILP)重构AMR图结构的语义摘要算法。首先将数据预处理生成一个AMR总图;然后基于统计特征从AMR总图中抽取出摘要子图重要节点信息;最后利用ILP的方法来对摘要子图中节点关系进行重构,利用完整的摘要子图恢复生成语义摘要。实验结果表明,相比其他语义摘要方法,所提方法的ROUGE值和Smatch值都有显著提高,最多分别提高了9%和14%,该方法有利于提高语义摘要的质量。

基于显著度融合的自适应分块行人再识别

针对基于分块匹配的行人再识别中对分块的规则和大小缺乏指导,以及不同分块间的区分度差异问题,该文提出基于显著度融合的自适应分块行人再识别方法。首先,利用启发式思想确定初始聚类中心,并根据图像内容自动确定分块的大小和数目。然后,利用归一化部分曲线下面积计算各块的图像间显著度,利用结构化支持向量机学习各块的图像内显著度,并融合两类显著度得到各块的权重作为匹配得分融合的依据。实验证明,在常用的行人再识别数据集上,该方法能取得较好的识别结果。

基于多尺度特征融合的异常流量检测方法

快速、准确地检测异常是网络安全的重要保证。但是由于网络流量的非线性、非平稳性以及自相似性,异常流量检测存在误报率高、检测率低、不能满足骨干网实时性要求等问题。该方法综合了希尔伯特-黄变换(Hilbert-Huang Transform,HHT)和Dempster-Shafer证据理论(D-S evidence theory)评测框架。前者将不同的流特征分别分解为多时间尺度上的固有模态函数(Intrinsic Mode Function,IMF),滤除特征中的非线性、非平稳分量;后者将前者分解得到的多尺度特征作为证据融合并最终做出决策。通过对KDD CUP 1999的入侵检测系统(Intrusion DetectionSystem,IDS)基准数据的实验表明,该方法能有效区分突发流量(crowd flow)和拒绝服务攻击(Denail of service,DoS)攻击流,整体上在保证低误报率前提下检测率达到85.1%。目前该方法已经作为入侵检测的子模块实现,并试用于某骨干网入口处检测异常。

面向层次结构分析的通信网络社区检测算法

针对通信网络社区发现及其层次结构分析问题,提出一种基于可达通信距离排序的通信社区检测算法,通过建立通信密度的多分辨率嵌套树,展示社区的层次关系和核心成员,并对嵌套树进行修剪,从而在实现社区发现与层次结构分析的同时降低计算复杂度。对人工合成网络和真实网络数据进行测试,结果表明该算法有效。

软交换信令虚拟引接技术研究

并接方式进行软交换垃圾呼叫限制的实时性和安全性较差,对此采用串接方式接入软交换信令系统。通过对Linux下TCP/IP网络协议栈的地址绑定机制、输入和输出路由机制等分析改造,设计一种软交换信令虚拟引接的技术。测试表明,该技术可以实现对基于TCP、UDP传输信令的透明接入和安全限制;同时,协议栈的改造不对系统正常通信流程产生任何影响。

固定语音检索中特征降维算法研究

将非线性流形学习的思想引入到语音特征降维中,设计完成了局部投影(Locality Preser-ving Projections,LPP)算法,并针对该算法对降至的目的维度敏感的缺点提出了一种加权局部投影(Weighted Locality Preserving Projections,WLPP)算法。对LPP算法及WLPP算法进行了实验,实验证明LPP算法在对语音特征降维后也能有较高的准确率,同时,也证明了WLPP算法可以大大降低LPP算法对目的维度的敏感度。

基于用户行为综合分析的微博用户影响力评价方法

通过对用户转发、评论和提及三种行为的综合分析,运用统计分析方法就微博用户的不同行为对传播影响力的贡献进行度量,提出一种基于行为权值分配的PageRank算法,对传播影响力大小进行定量的分析。采用微博数据的实验结果表明,该算法比其他传统算法对传播影响力判断的准确性更高,且用户特征中最能反映用户传播影响力大小的是用户转发情况。

一种基于节点间资源承载度的链路预测方法

链路预测旨在发现网络的未知、缺失连接,具有重要的实际应用价值。基于网络结构相似性的链路预测方法具有简单且有效的特点,受到各领域学者的普遍关注。然而,许多现有方法在计算节点间存在连接可能性时,忽视了节点间资源承载能力的影响。鉴于此,该文提出一种基于节点间资源承载度的链路预测方法。该方法首先通过分析节点间资源传输过程,进而对节点间资源承载能力进行量化,提出资源承载度。然后,基于资源承载度对节点间连接可能性的影响进行分析,并提出相应的链路预测方法。9个真实网络的实验结果表明,相比其他链路预测方法,该方法在3个衡量标准下均具有较高的预测精度。

软件定义网络及安全防御技术研究

软件定义网络(SDN,software-defined networking)将传统网络控制平面与转发平面分离,形成集中式的控制器,开放了网络编程接口,简化网络管理,促进网络创新,优化网络运行。然而,SDN的"三层两接口"架构增加了网络攻击表面,导致诸多新的安全问题。首先,介绍SDN发展、特点及其工作原理,继而从应用层、北向接口、控制层、南向接口、数据层等5个层次归纳存在的安全问题,分析产生的原因;其次,针对各类安全问题讨论最新研究进展及现有解决方案;最后,总结SDN当前和未来的安全挑战,并展望未来SDN安全发展方向。

基于联合矩阵分解的节点多属性网络社团检测

发现复杂网络中的社团结构在社会网络、生物组织网络和在线网络等复杂网络中具备十分重要的意义.针对社交媒体网络的社团检测通常需要利用两种信息源:网络拓扑结构特征和节点属性特征,丰富的节点内容属性信息为社团检测的增加了灵活性和挑战.传统方法是要么仅针对这两者信息之一进行单独挖掘,或者将两者信息得到的社团结果进行线性叠加判决,不能有效进行信息源的融合.本文将节点的多维属性特征作为社团划分的一种有效协同学习项进行研究,将两者信息源进行融合分析,提出了一种基于联合矩阵分解的节点多属性网络社团检测算法CDJMF,提高了社团检测的有效性和鲁棒性.实验表明,本文所提的方法能够有效利用节点的属性信息指导社团检测,具备更高的社团划分质量.