分布式软件定义网络中多域流量工程的路由优化方法

针对分布式软件定义网络(software-defined networking,SDN)中流量管理调度不均衡的流量工程问题,提出一种基于负载均衡的多控制域流量路由优化的解决方案。首先分析控制消息流量的组成、域内通信及域间通信规则;然后基于4种控制消息定义控制链路流量的构成,明确链路承载流量分为控制消息流量和业务流量,建立平衡控制器负载和最小化最大链路利用率的优化模型;最后基于域内通信和域间通信提出两层路由算法。为提高模型求解精度,进一步提出改进离散萤火虫算法求解最优路由。结合ABILENE网络和GEANT网络,分析控制消息流量、控制器负载和链路负载等评价指标。实验结果表明,优化模型能有效实现控制器和链路负载均衡,控制消息流量是流量工程重要组成部分。相比集中控制模式,扁平分布式控制模式的平均控制器负载降低47.3%,最大链路利用率相差不超过15%。

基于交替注意力机制和图卷积网络的方面级情感分析模型

方面级情感分析旨在预测给定文本中特定目标的情感极性。针对忽略方面词和上下文之间的句法关系和平均池化带来的注意力差异性变小的问题,提出一种基于交替注意力(AA)机制和图卷积网络(GCN)的方面级情感分析模型(AA-GCN)。首先,利用双向长短期记忆(Bi-LSTM)网络对上下文和方面词进行语义建模;其次,通过基于句法依存树的GCN学习位置信息和依赖关系,再利用AA机制进行多层次交互学习,自适应地调整对目标词的关注度;最后,拼接修正后的方面特征和上下文特征,得到最终的分类依据。相较于基于目标依赖的图注意力网络(TDGAT),所提模型在4个公开数据集上准确率提升了1.13%~2.67%,在5个公开数据集上F1值提升了0.98%~4.89%,验证了利用句法关系和提升关键词关注度的有效性。

基于端口注意力与通道空间注意力的网络异常流量检测

网络异常流量检测是网络安全保护重要组成部分之一。目前,基于深度学习的异常流量检测方法都是将端口号属性与其他流量属性同等对待,忽略了端口号的重要性。为了提高异常流量检测性能,借鉴注意力思想,提出一个卷积神经网络(CNN)结合端口注意力模块(PAM)和通道空间注意力模块(CBAM)的网络异常流量检测模型。首先,将原始网络流量作为PAM的输入,分离得到端口号属性送入全连接层,得到学习后的端口注意力权重值,并与其他流量属性点乘,输出端口注意力后的流量数据;其次,将流量数据转换成灰度图,利用CNN和CBAM更充分地提取特征图在通道和空间上的信息;最后,使用焦点损失函数解决数据不平衡的问题。所提PAM具有参数量少、即插即用和普遍适用的优点。在CICIDS2017数据集上,所提模型的异常流量检测二分类任务准确率为99.18%,多分类任务准确率为99.07%,对只有少数训练样本的类别也有较高的识别率。

智慧医疗系统中可容错的多维度密文跨域聚合方案

为解决智慧医疗系统中数据孤岛问题,实现医疗数据安全汇聚的目标,同时确保医疗数据传输与存储过程的机密性、完整性与可用性,提出了支持传输容错的可验证多维医疗密文跨域聚合方案。该方案将边缘服务器集成到传统的云计算架构,通过设计同态加密算法,并结合Shamir秘密共享技术,实现多维度加密数据可传输容错的2层聚合。该方案设计了基于椭圆曲线的数字签名算法,确保医疗加密数据在传输与存储过程中的完整性。医疗数据分析中心可以向云服务器灵活选取目标区域进行跨域聚合,并借助云审计机制对获取到的聚合结果进行轻量级完整性验证。根据霍纳法则,医疗数据分析中心利用解密私钥可以直接获得相应区域终端用户各个维度医疗数据的聚合结果。通过安全性分析与性能比较表明,该方案能够安全高效地部署在智慧医疗系统。

基于深度学习模型的油气管道焊缝缺陷智能识别

焊接技术在油气管道连接时广泛应用,确保焊缝区域可靠是保障油气管道安全运行的关键。受工艺和技术制约,油气管道焊接过程中可能出现不同类型的焊缝缺陷。针对油气管道焊缝部分缺陷尺寸小、缺陷与背景差异性较小导致焊缝缺陷识别效果不理想、人工识别工作量大等问题,提出了基于SCT-ResNet50模型的管道焊缝缺陷智能识别新方法。首先将焊缝区域图像输入特征提取网络;然后在特征提取的浅层使用SCC(Spatial Channel Context)进行局部空间和通道信息融合,在特征提取较深的层次使用ECA-MHSA(Efficient Channel Attention-Multi-Head Self-Attention)来捕捉长程依赖和上下文信息;最后通过全连接层和Softmax得到最终的缺陷识别结果。研究结果表明:(1)该新方法在油气管道X射线图像焊缝缺陷数据集上缺陷识别准确率达到98.28%;(2)相较于ResNet50、VGG16、DenseNet121、MobileNetv3和EfficientNetv2分类方法,其准确率分别提高了3.05%、46.05%、28.99%、15.95%和18.84%;(3)在缺陷尺寸小、缺陷和背景差异较小的场景下,该新方法在油气管道焊缝缺陷识别中具有更高的准确率。结论认为,该新方法的优势在于结合SCC模块与ECA-MHSA模块学习图像的局部信息和全局信息,能较好解决油气管道焊缝缺陷分类效果不理想的问题,为保障油气管道安全运输提供了技术支撑。

多示例学习的簇频繁性分析及双角度融合嵌入

多示例学习(Multi-Instance Learning,MIL)的训练数据是由若干个未带标记的示例组成的带标记的包,基于嵌入的方法,通过将包嵌入成单向量来解决包表示问题,然而大部分现有方法忽略了示例与包的联系,难以保证所选示例的代表性.同时,单角度的嵌入方法无法有效地提取正、负包的差异信息,使嵌入向量的质量较差.提出一种多示例学习的簇频繁性分析及双角度融合嵌入(FADE).簇频繁性分析技术从正、负子空间中分别筛选部分示例作为子空间的簇心,依据簇心将子空间聚类成簇,再计算簇频繁性指标,选择频繁性较高的簇的簇心组成子空间代表示例集.双角度融合嵌入技术基于正、负子空间代表示例集和差值嵌入函数,分别从正、负角度挖掘信息,融合两个角度信息获得最终的嵌入向量.在29个数据集上与七个MIL算法进行了对比实验,结果表明,FADE的分类准确率总体上优于七个对比算法,在图像数据集上有显著优势,在文本和网页数据集上也表现良好.

独立性视角下的相频融合领域泛化方法

针对现有的领域泛化(DG)方法对领域特征处理粗糙和泛化能力弱的问题,提出一种基于频域特征独立性这一独特视角解决领域泛化问题的方法。首先,设计频域分解算法,将图像的深度特征快速傅里叶变换(FFT)后,再从相位信息中获得领域无关特征,以提高模型对领域无关特征的识别能力;其次,基于独立性视角,通过对样本的特征赋权,进一步消除频域特征中各属性的相关性,提取最有效领域无关特征,解决样本特征之间相关性带来的泛化能力差的问题;最后,提出幅度融合策略,拉近源域和目标域的距离,进一步提升模型对未知领域的泛化能力。在流行的图像领域泛化的数据集PACS和VLCS上的实验结果表明,所提方法的准确率均值比StableNet分别高0.44、0.59个百分点,且在各个数据集上均取得了优秀的性能。

工业物联网系统基于混沌映射三因素认证与密钥协商协议

工业物联网系统通过各类终端传感器设备,将采集的关键工业数据实时传输到工业物联网平台,提供数据智能分析与决策。然而,对工业数据的非法访问将导致数据或敏感身份标识泄露、数据篡改等信息安全问题,影响工业物联网系统的正常运行。基于此,文章面向工业物联网系统,搭建多用户、多网关、多工业物联网平台下的分布式数据匿名传输架构,提出基于混沌映射的三因素认证与密钥协商协议。协议实现了用户到移动终端设备的智能卡、口令、生物特征信息的三因素登录认证。在网关协助下,用户利用移动终端设备,基于混沌映射技术与关键凭证,实现了用户到工业物联网平台的双向匿名认证,并协商了用于后续保密通信的会话密钥。文章对协议进行了应用拓展,包括用户口令与生物特征信息的更新、智能卡撤销的功能,基于中国剩余定理实现了对多网关的密钥同步更新。安全性分析与性能评估表明,该设计协议能够安全高效地部署在工业物联网系统。

分布式智能车载网联系统的匿名认证与密钥协商协议

智能车载网联系统作为智慧城市建设的重要组成部分,近年来受到学术界与工业界越来越多的关注。智能车载网联系统中提升了智能车辆的行驶安全性与出行效率,但在开放的环境下数据传输容易被截取,造成敏感信息泄漏。因此需要实现匿名认证并且协商正确的会话密钥,来确保智能车载网联系统敏感信息的安全。该文提出面向分布式智能车载网联系统架构的匿名认证与密钥协商协议。该协议基于中国剩余定理秘密分享技术来保护认证标识符,智能车辆能够以线性的计算开销在不同的区域恢复出对应的标识符,该标识符能够长期安全使用且智能车辆能够在不使用防篡改设备的情况下完成安全认证,路侧通信基站能够检测信息的匿名性和完整性,并与智能车辆协商到后续安全通信的会话密钥,同时实现双向认证。此外,协议能够在复杂的分布式智能车载网联系统中拓展批量匿名认证、域密钥更新、车对车的匿名认证、匿名身份可追踪等实用性功能。安全性与性能分析表明该协议能够安全高效地部署在分布式智能车载网联环境。

新时代理工科专业课程思政教育体系初探

为落实习近平总书记在全国高校思想政治工作会议上的讲话精神,全面构建理工科专业的“三全育人”体系,切实提升理工科专业的思想政治教育质量,须在理工科专业构建全方位专业课程的课程思政教育体系。针对理工科专业的特点,以自动化专业为例,分析了理工类课程的课程思政的重要意义和优势,从专业培养方案、思政课程体系、教学实践改革和思政评价机制等方面构建了课程思政体系,推进理工科专业课程思政改革工作的持续创新。

基于复合跨模态交互网络的时序多模态情感分析

针对多模态情感分析中存在的不同模态间语义特征差异性导致模态融合不充分、交互性弱等问题,通过研究分析不同模态之间存在的潜在关联性,搭建一种基于复合跨模态交互网络的时序多模态情感分析(CCIN-SA)模型。该模型首先使用双向门控循环单元和多头注意力机制提取具有上下文语义信息的文本、视觉和语音模态时序特征;然后,设计跨模态注意力交互层,利用辅助模态的低阶信号不断强化目标模态,使得目标模态学习到辅助模态的信息,捕获模态间的潜在适应性;再将增强后的特征输入到复合特征融合层,通过条件向量进一步捕获不同模态间的相似性,增强重要特征的关联程度,挖掘模态间更深层次的交互性;最后,利用多头注意力机制将复合跨模态强化后的特征与低阶信号做拼接融合,提高模态内部重要特征的权重,保留初始模态独有的特征信息,将得到的多模态融合特征进行最终的情感分类任务。在CMU-MOSI和CMUMOSEI数据集上进行模型评估,结果表明,CCIN-SA模型相比其他现有模型在准确率和F1指标上均有提高,能够有效挖掘不同模态间的关联性,做出更加准确的情感判断。

高含硫气田集输SCADA安全评估方法

油气能源基础设施安全越来越受到组织化攻击威胁,因此,对能源基础设施尤其是对高含硫气田集输SCADA系统安全状态识别就显得尤为必要。为了揭示高含硫气田集输SCADA系统安全评估中随机性和不完全性对安全状态评估结果的影响,提出了基于云模型改进白化权函数的灰云安全评估方法。首先,对评估结果进行等级划分,设计了组合权重优化模型;然后,按照专家评分细则确定出样本矩阵,利用云模型改进白化权函数,形成灰色评估权矩阵;最后,结合优化后的权重通过逐级评估得到系统最终的风险值并确定系统风险评估状态。以3个实际应用场景为例,验证了方法的有效性。研究结果表明,与层次分析法、变异系数法、线性加权和乘法加权法比较,组合优化赋权方法的离散度为0.456,线性加权和乘法加权的离散度为0.514和0.860,层次分析法和变异系数法的离散度为1.294和1.225,提出的组合优化赋权模型的离散度最小,表明此方法比其他方法更有效;将SCADA安全评估中风险指标信息不完全性与专家知识的不完全性和随机性结合起来,不仅能定性评估和预测整体SCADA系统的安全状态,而且实现二级指标风险量化;该模型能揭示各风险指标的脆弱程度,为下一步安全加固提供方向。本研究不仅有利于识别高含硫气田SCADA系统安全状态,而且为其他行业安全评估提供了参考。

基于TDCSO优化CNN-Bi-LSTM网络的井底钻压预测方法

为了准确预测井底钻压,提高钻井效率、降低钻井成本,建立了融合双向长短期记忆网络(Bi-LSTM)和卷积神经网络(CNN)的混合模型。采用三角函数驱动的粒子群优化(TDCSO)方法对模型进行超参数优化,以提高预测钻压的精度;采用美国犹他州FORGE 58-32井和FORGE 58-62井的2个公开数据集对建立的模型进行验证,并采用平均绝对误差、均方根误差、决定系数和均方误差等指标进行模型性能评估。研究结果表明,所提出TDCSO-CNN-Bi-LSTM模型平均绝对误差、均方误差和均方根误差等3个关键性能指标较好,其中决定系数大于0.980,明显优于现有的LSTM、GRU、CNN-LSTM、CNN-Bi-LSTM等方法。研究表明,所提出的TDCSO-CNN-Bi-LSTM模型在井底钻压预测方面具有出色的准确性,能够实现实时监测,并与自动钻进系统集成,实现对钻压的精准控制,不仅提高了钻井效率,还降低了钻井成本,对未来的钻井作业具有重要的实际应用价值。

《数据库原理及应用》课程思政教学设计与实践

本文旨在探讨《数据库原理及应用》课程中如何有效融入思政教育元素,通过课程内容与思想政治教育的结合,培养学生的专业素养和社会责任感。文章对专业课程中思政教育的重要性进行深入探讨,提出将思政教育元素有效整合到数据库原理课程中的策略,并通过案例分析,展示融合实践的效果与意义。

构造地质学虚拟仿真实验设计与实现

由于构造地质学研究的对象为各种构造现象,其具有形成过程长期性、变形条件复杂性、变形过程不可逆性及实验室难以完全还原等特征,使得在构造地质学的教学和学习过程中,理论知识和实践观察中的构造现象仅以结果呈现,制约了学生对断层、褶皱等构造现象形成过程的认识,造成学生无法有效吸收构造地质理论知识并触类旁通应用于构造实践。采用虚拟仿真实验方法是开展该类实验教学和工程实践技能训练的有效途径。以西南石油大学“构造地质学”这门课程的实验教学资源建设为例,介绍其教学资源应用案例、教学体系建设与实现。

可逆网络的地震数据分辨率增强与去噪

基于卷积神经网络的地震超分辨率方法表现良好,但在下采样过程中会丢失高频信息,无法解决一对多不适定性问题.为此,提出了一种基于可逆网络的地震超分辨率和去噪算法(SRInvNet)缓解该问题.在前向过程中,SRInvNet被训练为将有噪声的低分辨率地震图像转换为干净的降尺度图像和噪声-高频信息混合的潜在表示;丢弃潜在的表示来完全去除噪声,并从高斯分布中随机采样一个新的变量来恢复高频信息.在后向过程中,该变量和降尺度图像作为输入来恢复干净的高分辨率图像.结果表明,SRInvNet的性能和参数量均优于最新的超分辨率算法CAUC和SeisGAN.

深度学习在油气产量预测中的研究进展与技术展望

随着大数据和人工智能的不断进步,数字和智能化的油气产量预测技术已经成为石油天然气行业发展的新趋势。深度学习与油气产量预测的有效结合为解决非常规油气和复杂场景下的产量预测等问题提供了新的方案与策略。为此,在系统回顾油气产量预测技术发展历程的基础上,重点阐述了基于深度学习方法的油气产量预测技术的应用现状及关键流程,归纳了油气产量预测领域的特征工程以及不同场景下的神经网络构建方法,最后深入探讨了智能油气产量预测技术的未来发展方向。研究结果表明:(1)油气产量预测技术发展历程主要划分为传统油气产量预测方法、机器学习方法和深度学习方法 3个阶段;(2)深度学习方法已大量应用于油气产量预测研究中,尤其在复杂地质条件下的非常规油气领域,该技术表现出了良好的应用前景;(3)多样化的神经网络构建方法能够解决不同场景下的精细化油气产量预测需求;(4)需进一步加强人工智能领域与油气领域跨学科理论技术研究,促进两者在理论技术和生产实践等方面的深入融合;(5)智能油气产量预测技术未来可在实时预测与优化、数据融合与增强、物理约束与解释和模型更新与适应等方面开展深度攻关研究。结论认为,深度学习模型可显著提高油气产量预测技术的准确性和可靠性,为复杂气藏及非常规油气开发提供参考和指导,建议继续深化人工智能与油气行业应用等方面的有机结合,以推动油气行业的技术创新和高质量发展。

基于融合多模态特征的深层煤岩气产量预测

深层煤岩气生产在井型、压裂工艺、排采方式等方面显著区别于浅层煤层气,针对浅层煤层气建立的产量预测模型无法处理多元异构的深层煤岩气数据,且难以适应深层煤岩气的生产方式。为此,基于卷积自编码结合空间金字塔池化提取深层煤岩气二维地质特征,采用PointNet++提取深层煤岩气缝网三维特征,拼接得到的完整数据矩阵再经近邻传播法(Affinity Propagation,AP)聚类后划分训练集和测试集,最后将注意力机制融入长短时记忆网络(Long Short-Term Memory,LSTM)建模,建立了预测深层煤岩气产量的深度学习新模型并通过不同算法和消融实验对比分析了新模型的泛化能力。研究结果表明:①提出的特征提取方法能够有效解决深层煤岩气数据多元异构、多尺度等问题。②对比深度神经网络(Deep Neural Networks,DNN)、门控循环单元(Gated Recurrent Unit,GRU)、LSTM、数值模拟、BP神经网络,融入三维特征提取及注意力机制的AP-LSTM预测产量的准确率最高。③融入三维特征提取,AP-LSTM预测产量的数据波动得到有效抑制;融入注意力机制,AP-LSTM预测产量的趋势得到改善。④基于研究区块建立的模型迁移到新的区块预测产量,仍具备较高的准确率。结论认为,缝网特征是影响深层煤岩气产量的重要因素,注意力机制有助于AP-LSTM区分自喷和抽吸,融入三维特征提取及注意力机制的AP-LSTM适应了深层煤岩气的生产方式,具有良好的普适性,能够为深层煤岩气规模化开发提供技术支撑。

基于弱标签争议的半自动分类数据标注方法

当前,深度主动学习(Deep Active Learning,DAL)在分类数据标注工作中获得成功,但如何筛选出最能提升模型性能的样本仍是难题.本文提出基于弱标签争议的半自动分类数据标注方法(Dispute about Weak Label based Deep Active Learning,DWLDAL),迭代地筛选出模型难以区分的样本,交给人工进行准确标注.该方法包含伪标签生成器和弱标签生成器,伪标签生成器是在准确标注的数据集上训练而成,用于生成无标签数据的伪标签;弱标签生成器则是在带伪标签的随机子集上训练而成.弱标签生成器委员会决定哪些无标签数据最有争议,则交给人工标注.本文针对文本分类问题,在公开数据集IMDB(Internet Movie DataBase)、20NEWS(20NEW Sgroup)和chnsenticorp(chnsenticorp_htl_all)上进行实验验证.从数据标注和分类任务的准确性2个角度,对3种不同投票决策方式进行评估.DWLDAL方法中数据标注的F1分数比现有方法Snuba分别提高30.22%、14.07%和2.57%,DWLDAL方法中分类任务的F1分数比Snuba分别提高1.01%、22.72%和4.83%.

单条件三元概念构建及其融合推荐应用

三元概念分析已被引入推荐系统领域,但是概念融合环节增加了三元概念的构建复杂度,另外概念信息在推荐时未得到充分利用。本文直接利用单条件三元概念进行推荐,为此设计一种针对单条件三元概念的构建方法和融合推荐算法。首先分解三元背景为多个单条件三元背景,设计概念比例作为启发式信息生成单条件三元概念;接着计算待推荐项目在单条件三元概念上的项目流行度,并结合三元背景的项目条件权重设计融合推荐置信度;最后结合项目的融合推荐置信度和推荐阈值,为目标用户进行推荐预测。本文在6个公开数据集中进行了实验,结果表明在稀疏度较低的数据集上,本文提出的算法相比GRHC和GreConD-kNN的推荐效果略好,与IBCF和kNN的效果相当。