边缘计算的特点使其具有广阔的军事应用前景。在边缘计算中引入联邦学习(federated learning,FL),考虑到物联网设备的资源有限,需要兼顾FL精度和设备能耗。提出了结合深度强化学习、联邦学习及自注意力机制的框架(DRL-FLSL)来实现选择...边缘计算的特点使其具有广阔的军事应用前景。在边缘计算中引入联邦学习(federated learning,FL),考虑到物联网设备的资源有限,需要兼顾FL精度和设备能耗。提出了结合深度强化学习、联邦学习及自注意力机制的框架(DRL-FLSL)来实现选择设备并为其分配资源,目标是平衡FL精度和设备的能耗。该框架引入LSTM(long short term memory)预测网络状态,并添加多头自注意力机制实现更精准的信息提取。仿真实验结果表明,DRL-FLSL具有较好的训练效果,能够有效平衡FL精度和设备能耗。展开更多
如何高效检测出分布式拒绝服务(distributed denial of service,DDoS)攻击是目前互联网领域中存在的一个亟待解决的问题。在DDoS攻击检测领域,考虑到固有的复杂性,尤其是系统包含的网络节点间复杂的交互,为了捕捉和建模这些节点间的关系...如何高效检测出分布式拒绝服务(distributed denial of service,DDoS)攻击是目前互联网领域中存在的一个亟待解决的问题。在DDoS攻击检测领域,考虑到固有的复杂性,尤其是系统包含的网络节点间复杂的交互,为了捕捉和建模这些节点间的关系,提出了一种基于图注意力机制的图卷积神经网络(graph convolutional network,GCN)DDoS攻击检测模型。通过图注意力机制,模型能够自适应地为不同节点之间的关系分配重要性权重,从而更准确地识别出潜在的DDoS攻击行为。将DDoS攻击视为一个图结构,网络节点表示网络设备或主机,边表示节点之间的连接关系,能够从节点和边的特征中提取有用的信息,利用节点的邻居信息来推断节点特征,更好地捕捉DDoS攻击的上下文信息。实验结果证明,所设计的模型的精度极其出色,不仅提高了检测的准确性,还有助于人们更深入地理解DDoS攻击在网络中的传播和演变规律。展开更多
文摘边缘计算的特点使其具有广阔的军事应用前景。在边缘计算中引入联邦学习(federated learning,FL),考虑到物联网设备的资源有限,需要兼顾FL精度和设备能耗。提出了结合深度强化学习、联邦学习及自注意力机制的框架(DRL-FLSL)来实现选择设备并为其分配资源,目标是平衡FL精度和设备的能耗。该框架引入LSTM(long short term memory)预测网络状态,并添加多头自注意力机制实现更精准的信息提取。仿真实验结果表明,DRL-FLSL具有较好的训练效果,能够有效平衡FL精度和设备能耗。