福建师范大学计算机与网络空间安全学院团委:科技赋能 网安护航

福建师范大学计算机与网络空间安全学院团委(以下简称学院团委)围绕中心工作和青年实际需求,结合学院专业特长,聚焦网络安全这一基准点,积极打造特色工作品牌。2021年以来,学院团委以“科技赋能·网安护航”为主题主线,坚持“育人育已”双育、“扶志扶智”双扶、“防诈防黑”双防,常态化开展网络安全科普宣传教育实践活动,为推动网络强国和数字中国建设筑牢网络安全防线。

基于计算机视觉的干眼检测算法综述

对当前干眼检测算法的研究进展进行总结和分析。首先,介绍干眼症基本概念和识别干眼症的重要指标。其次,将现有检查方法和算法按照泪河高度检查、泪膜破裂时间测定、睑板腺功能检查进行介绍和分析。通过对不同算法的总结和分析,比较各自算法的优点并归纳缺点。最后,对待解决的相关问题进行讨论,并展望干眼检测未来发展趋势。

计算机专业数据结构课程教学方法探索

根据计算机专业学生的特点,对于数据结构课程教学提出从用户自定义类型切入,以数据结构的基本操作及实现为核心的教学方法,并介绍二叉树章节的具体教学实施过程,最后通过近3年计算机相关专业不同班级的理论、实验考试的对比以及学生的反馈说明新方法的作用。

网络空间安全专业信息安全数学基础课程教学改革实践——以中国剩余定理课堂教学为例

文章在阐述相关概念的基础上,首先分析了网络空间安全专业学生培养现状,然后以中国剩余定理课堂教学为例,对网络空间安全专业信息安全数学基础课程教学改革实践进行了论述,包括强化教学导入,激发学习兴趣;巧用应用实例,提高学用结合能力;优化论证过程,提升数理思辨能力。

高校计算机课程教学中微课的应用研究

微课是信息化时代的衍生物,在教育领域中运用,具有提升教学资源共享、突破实践空间限制的优势,对学生能力素质发展具有积极作用。本文以高校计算机课程教学中微课的运用为研究对象,对微课进行简单的介绍,对如何利用微课开展教学活动,提出几点建议,希望为相关人士提供一定参考。

考虑时间滞后的贝叶斯优化长短期记忆网络滑坡土压力预测模型:以福建省南平市公路边坡为例

公路边坡失稳引发的滑坡等灾害问题对人们的生活影响重大,建立滑坡预测模型对地质灾害防治工作具有重大意义。以福建省南平市公路边坡为例,提出基于贝叶斯优化算法(Bayesian optimization algorithm,BOA)的长短期记忆网络(long short term memory,LSTM)模型,探究土压力变化对边坡稳定性的影响。该模型综合考虑了多个滑坡影响因素的相关性,尤其是各个影响因素之间的时间滞后性,并对滞后时间进行计算。对LSTM模型4个超参数(时间步长、隐藏元数量、迭代次数和批大小)进行自动搜索和寻优,解决了用LSTM模型建立滑坡预测模型时需要手动调参的问题。为了验证该模型的准确性和有效性,将该模型与循环神经网络(recurrent neural network,RNN)、LSTM模型进行对比,以南平市公路边坡土压力的监测数据集作为对照。结果表明:相对于其他两种模型,BOA-LSTM模型的均方误差(mean square error,MSE)、平均绝对误差(mean absolute error,MAE)和平均绝对百分比误差(mean absolute percentage error,MAPE)分别降低了52.4%和59.9%,28.8%和30.1%,30.2%和29.9%,预测精度从95%左右提高到96.56%,判定系数也更加接近于1,说明该模型可以更加准确地预测土压力的变化,为边坡变形稳定性分析提供有效的数据支撑。

专业思政背景下的计算机类实验教学中心建设

针对各高校在专业思政背景下计算机类实验教学中心建设过程中存在的问题,分析计算机类实验教学中心在三全育人上面临的难点和痛点,提出“确立立德树人总体目标—顶层设计改革举措—强化保障抓落实—科学评价促发展”的总体建设思路,从实验平台、实验教学模式和实验教学环境3个方面介绍实验教学中心建设过程,最后通过实验教学中心建设取得的效果说明建设方案的有效性。

中外合作办学国际化应用型计算机人才培养模式

通过探索中外合作办学模式在计算机专业人才培养的发展现象和问题,分析国内外计算机专业职业教育理论、教学问题以及采取的解决对策。从TAFE模式、英语能力培养、应用导向型教学、课程设置、政产学用等多层次考虑,结合教学经验总结,提出中外合作办学中高等职业院校国际化应用型计算机专业人才的培养模式,对于培养计算机专业学生面向国际化、应用型发展具有一定的借鉴意义。

基于水印技术的深度神经网络模型知识产权保护

构造一个优秀的深度神经网络(deep neural network,DNN)模型需要大量的训练数据、高性能设备以及专家智慧.DNN模型理应被视为模型所有者的知识产权(intellectual property,IP).保护DNN模型的知识产权也体现了对作为构建和训练该模型的数据要素价值的珍视.然而,DNN模型容易受到恶意用户的盗取、篡改和非法传播等攻击,如何有效保护其知识产权已成为学术研究的前沿热点与产业亟需攻克的难题.不同于现有相关综述,聚焦DNN模型水印的应用场景,从用于模型版权声明的鲁棒模型水印和用于模型完整性验证的脆弱模型水印2个维度出发,着重评述基于水印技术的DNN模型知识产权保护方法,探讨不同方法的特点、优势及局限性.同时,详细阐述DNN模型水印技术的实际应用情况.最后,在提炼各类方法共性技术的基础上,展望DNN模型知识产权保护的未来研究方向.

抗理性敌手共谋的安全K-prototype聚类

针对云环境下数据隐私泄露及聚类过程中云服务器间共谋的问题,提出一种抗理性敌手共谋的安全协作K-prototype聚类方案,目的在不泄露各方隐私数据情况下根据距离度量将相似的数据进行聚类。首先,考虑到同态加密不直接支持非线性计算,基于同态加密和加性秘密共享技术设计安全比较协议和安全大于协议,并确保输入数据、中间结果及模型参数均为加性秘密份额形式,以防止单个服务器能够获得完整数据,且能实现非线性函数的精确计算,在已设计的安全计算协议基础上,实现安全距离计算、安全聚类标签更新、安全聚类中心更新、聚类标签及聚类中心重构;其次,根据博弈均衡理论设计多种高效激励机制,构造互制合约及举报合约以约束云服务器诚实非共谋地执行聚类任务;最后,对所提的安全计算协议及合约进行理论分析,并对该方案的性能进行实验验证。实验结果表明,与明文环境下的模型精度相比,该方案的模型精度损失控制在0.22%内,进而验证了所提方案的有效性。

计算机组成原理课程理论与实验融合教学改革

提出将计算机组成原理课程理论知识学习与实验设计相融合的课程实践教学方案,通过师资一体化由任课教师全程承担理论课、实验课、课程设计教学任务,将计算机组成部件工作原理及技术实现融合于实验教学内容中,使课程理论教学与实验教学深度融合,逐步培养学生运用课程理论知识设计与其相关实验能力,有效提高学生理解、掌握计算机硬件组成理论知识并运用相关知识解决综合实验设计问题的能力,提升学生运用知识和解决复杂工程问题能力的培养,有助于课程教学目标达成。

计算机专业英语课程思政教学改革

文章主要对计算机专业英语课程思政教学改革进行了探究,首先从以“起源”述文化自信、以“特色”论道路自信、以“领先”知理论自信等五个方面论述了“中外对比”的思政元素挖掘方法,然后从重视思政元素进教材、坚持行之有效融课堂、增加社会实践固思政等四个方面提出了“材课践评”的课程思政实施方案。

重置控存代码在计算机硬件实验箱维护中的应用

本文通过对计算机硬件实验箱在微程序和独立状态下运行时各指示灯的变化,结合控存代码表及微指令格式,总结在何种状态下重置控存代码,如何重置,是否重置成功,从而有效进行计算机硬件实验箱的软件维护和故障处理,提高设备完好率,保障实验教学的正常开展。

基于节点交互度的社会网络链路预测

链路预测是通过已知的网络拓扑和节点属性挖掘未来时刻节点潜在关系的重要手段,是预测缺失链路和识别虚假链路的有效方法,在研究社会网络结构演化中具有现实意义.传统的链路预测方法基于节点信息或路径信息相似性进行预测,然而,前者考虑指标单一导致预测精度受限,后者由于计算复杂度过高不适合在规模较大网络中应用.通过对网络拓扑结构的分析,本文提出一种基于节点交互度(interacting degree of nodes,IDN)的社会网络链路预测方法.该方法首先根据网络中节点间的路径特征,引入了节点效率的概念,从而提高对于没有公共邻居节点之间链路预测的准确性;为了进一步挖掘节点间共同邻居的相关属性,借助分析节点间共同邻居的拓扑结构,该方法还创新性地整合了路径特征和局部信息,提出了社会网络节点交互度的定义,准确刻画出节点间的相似度,从而增强网络链路的预测能力;最后,本文借助6个真实网络数据集对IDN方法进行验证,实验结果表明,相比于目前的主流算法,本文提出的方法在AUC和Precision两个评价指标上均表现出更优的预测性能,预测结果平均分别提升22%和54%.因此节点交互度的提出在链路预测方面具有很高的可行性和有效性.

基于脆弱指纹的深度神经网络模型完整性验证框架

预训练模型容易受到外部敌手实施的模型微调和模型剪枝等攻击,导致它的完整性被破坏。针对这一问题,提出一种针对黑盒模型的脆弱指纹框架FFWAS(Fragile Fingerprint With Adversarial Samples)。首先,提出一种无先验知识的模型复制框架,而FFWAS为每一位用户创建独立的模型副本;其次,利用黑盒方法在模型边界放置脆弱指纹触发集,若模型发生修改,边界发生变化,触发集将被错误分类;最后,用户借助模型副本上的脆弱指纹触发集对模型的完整性进行验证,若触发集的识别率低于预设阈值,则意味着模型完整性已被破坏。基于2种公开数据集MNIST和CIFAR-10对FFWAS的有效性和脆弱性进行实验分析,结果表明,在模型微调和剪枝攻击下,FFWAS的指纹识别率相较于完整模型均明显下降并低于设定阈值;与基于模型唯一性和脆弱签名的深度神经网络认证框架(DeepAuth)相比,FFWAS的触发集与原始样本在2个数据集上的相似性分别提高了约22%和16%,表明FFWAS具有更好的隐蔽性。

基于角度的图神经网络高维数据异常检测方法

在高维数据空间中,数据大都处于高维空间边缘且分布十分稀疏,由此引起的“维度灾难”问题导致现有异常检测方法无法保证异常检测精度。为解决该问题,提出一种基于角度的图神经网络高维数据异常检测方法A-GNN。首先通过数据空间的均匀采样和初始训练数据的扰动来扩充用于训练的数据;然后利用k近邻关系构造训练数据的k近邻关系图,并以k近邻元素距离加权角度的方差作为近邻关系图节点的初始异常因子;最后通过训练图神经网络模型,实现节点间的信息交互,使得相邻节点能够互相学习,从而进行有效的异常评估。在6个自然数据集上将A-GNN方法与9种典型异常检测方法进行实验对比,结果表明:A-GNN在5个数据集中取得了最高的AUC值,其能够大幅提升各种维度数据的异常检测精度,在一些“真高维数据”上异常检测的AUC值提升达40%以上;在不同k值下与3种基于k近邻的异常检测方法相比,A-GNN利用图神经网络节点间的信息交互能有效避免k值对检测结果的影响,方法具有更强的鲁棒性。

基于多尺度时空图卷积网络的交通出行需求预测

满足公众高质量出行需求是智能交通系统(ITS)的主要挑战之一。目前,针对公共交通出行需求预测问题,现有模型大多采用固定结构的图描述出行需求的空间相关性,忽略了出行需求在不同尺度下具有不同的空间依赖关系。针对上述问题,提出一种多尺度时空图卷积网络(MSTGCN)模型。该模型首先从全局尺度和局部尺度构建全局需求相似图和局部需求相似图,这2种图可以捕获公共交通出行需求长期内较为稳定的全局特征和短期内动态变化的局部特征。利用图卷积网络(GCN)提取2种图中的全局空间信息和局部空间信息,并引入注意力机制融合两种空间信息。为了拟合时间序列中潜藏的时间依赖关系,利用门控循环单元(GRU)捕捉公共交通需求的时变特征。采用纽约市出租车订单数据集和自行车订单数据集进行实验,结果表明MSTGCN模型在自行车订单数据集上均方根误差(RMSE)、平均绝对误差(MAE)和皮尔逊相关系数(PCC)达2.7886、1.7371、0.7992,在出租车订单数据集上RMSE、MAE、PCC达9.5734、5.8612、0.9631。可见,MSTGCN模型可以有效地挖掘公共交通出行需求的多尺度时空特性,对未来公共交通出行需求进行准确预测。

基于缩放卷积注意力网络的跨多个体脑电情绪识别

基于脑电信号的情绪识别,因其可以客观地反映人的生理和心理状态而成为了情绪调节干预的医疗辅助。针对现有方法因忽略个体间通道数据分布差异导致的情绪识别泛化性能差的问题,提出一种基于缩放卷积注意力网络的跨多个体情绪识别新方法。该方法在提取多通道脑电信号中情绪量化特征的基础上,构造新型缩放卷积注意力网络以建立不同通道、不同尺度情绪特征的协同变化关系,通过模型训练自动学习协同关系的权重,最终获得对情绪极性的域不变表征,以提高跨多个体脑电情绪识别的泛化性能。使用情绪脑电图数据集SEED和SEED-IV中的100665和100950个脑电样本进行跨多个体情绪识别。该方法在情绪三分类会和四分类中识别准确率分别为89.63%和75.65%,特别是在个体数变化情况下,其鲁棒性优于现有大多数模型。所提出的方法可有效提取情绪极性的域不变表征.

基于图卷积网络的脑胶质瘤核磁共振图像分割

近年来基于卷积神经网络(CNN)的图像分割应用已十分广泛,在特征提取的部分取得了很大进展.然而随着卷积层数越来越深,感受野不断增大,使模型丢失局部特征信息进而影响模型性能.使用图卷积网络(GCN)处理图数据结构的信息,能够在保留局部特征同时不随层数的加深而丢失局部信息.本文主要研究将基于CNN结构的对称全卷积网络(U-Net)特征提取与基于GCN的图像分割结合,提取全局与局部、浅层与深层的多尺度特征集应用于多模态脑胶质瘤核核磁共振(MR)序列图像分割,可分为两个阶段:第1阶段利用U-Net对多模态脑核磁共振胶质瘤MR序列图像进行特征提取,通过多个池化层实现多尺度特征提取及上采样进行特征融合,其中底层输出较低级别特征,高层输出更加抽象的高级特征;第2阶段通过膨胀邻域及稀疏化处理将U-Net获得的特征图数据转化为GCN所需的图结构数据,将图像分割问题转化为图节点分类问题,最后通过余弦相似度量对图结构数据进行分类.在BraTS 2018公开数据库上的实验结果取得分割准确度0.996、灵敏度0.892的效果.相比其他深度学习模型,本方法通过多尺度特征融合,利用GCN建立高低级别特征的拓扑连接,确保局部信息不丢失以取得较好的分割效果,能够胜任临床脑胶质瘤核磁共振图像的分析需求,进而有效提高脑胶质瘤诊断精度.

一种气温降尺度的半循环对抗生成网络

提出了一种半循环对抗生成降尺度模型,应用于ERA5再分析全球气候地表温度数据在中国及其周边地区的降尺度,该模型引入了重建生成器网络和退化生成器网络,采用对抗损失和半循环损失来优化降尺度结果。通过消融实验验证了该模型的有效性。结果表明,与传统的插值方法以及其他深度学习模型相比,该模型在客观评价指标上有所提高,所生成的地表温度数据细节更加丰富。