无结构P2P网络应用层组播的多播树研究

IP组播方案由于其自身的设计以及部署代价等问题未能获得大范围的推广,作为替代IP组播的一种方案,应用层组播已经成为一个重要的研究课题,同时基于覆盖网络的P2P网络的特性使得应用层组播方案得到实际的应用。本文以Gnutella[1]为例分析了无结构P2P网络的多播树生成过程,针对其多播树生成的随机性,提出了一种优化的多播树生成方法。性能分析显示,本文提出的多播树生成方法,使多播树的深度保持在可预测的范围,有效地优化了无结构P2P网络的多播树。

卫星互联网发展现状及安全风险研究

调查和梳理了全球的卫星互联网发展现状,分析探讨了卫星互联网存在的安全风险,并据此提出了相关对策建议。

智能推荐算法安全风险研究

近年来,被广泛应用的智能推荐算法不断爆出安全事件,其安全风险已成为人们关注的蕉点和学术研究的热点.调查分析了当前主流的智能推荐算法的基本情况以及相应算法特点,结合近年来智能推荐算法应用领域出现的妥全问题,分析探讨了当前智能推荐算法存在的安全风险,并据此提出了一些对策建议.

智能语音技术发展对公共通信安全的影响研究

人工智能是当前各界关注的热点,其中智能语音是人工智能领域的研究重点之一,存在广阔的发展前景。声音编辑合成、人机通过对话交互等智能语音产品将伴随技术进步不断出现在生活场景当中。智能语音技术为人们带来便利的同时,也降低了诈骗分子实施犯罪活动的成本、致使部分传统的识别手段失效、提高作案成功率,可能对公共通信安全等领域带来持续性的新挑战。

个性化推荐算法的安全风险

目前,解决'信息过载'问题的技术主要分两类,包括以搜索引擎为代表的信息检索技术以及以个性化推荐系统为代表的信息过滤技术。个性化推荐系统的特点在于可以从,个性化推荐系统具有更好的用户友好度,更能提升用户的黏性。如今,随着移动互联网的快速发展与普及,个性化推荐已经成为当前互联网研究和应用的热点,其应用的领域已涵盖电子商务、新闻资讯、音乐视频网站、在线广告等,其中电子商务和新闻资讯领域的应用最为成熟。一般而言,个性化推荐算法包括用户特征挖掘、产品特征抽取以及推荐列表计算等重要计算过程,其中用户特征挖掘用于获取、表示、存储用户的浏览行为与购买历史数据;产品特征抽取用于提取、标识和存储产品的不同特征属性信息;推荐列表计算作为核心能力,根据用户模型和产品模式的数据,运用大数据挖掘、机器学习等方法进行关联计算,最终形成针对每个用户的动态个性化产品推荐列表。然而,近年来,不断有消息报出个性化推荐算法成为劣质、低俗以及虚假新闻等信息的精准传播助推器,引发人们对个性化推荐算法安全性的关注。

基于WaveNet的源终端识别研究

在开放的电话通信网中,来话意图的判断一直是一个研究的热点和难点。对电话来源终端类型的识别可以作为判断来话意图的重要辅助。该研究认为从传输音频的非静音段中可以提取出源终端特征,并通过可视化实验进行了简要验证。在此基础上,提出了一种源终端识别方法,该方法用MFCC对非静音段音频进行描述,通过WaveNet强大的音频学习能力对源终端特征进行学习,进而实现终端类型的判断。对8款主流品牌的手机进行了试验,该方法在实验环境下取得对源终端类型92.8%的识别准确率。