线云隐私攻击算法的并行加速研究

线云定位方法能保护场景隐私,但也存在被隐私攻击算法破解的风险。该攻击算法能从线云恢复近似点云,但其计算效率较低。针对该问题,提出了一种并行优化算法,并对其运行时间和加速比进行了分析。具体来说,分别采用SPMD模式和流水线模式实现了CPU多核并行和GPGPU并行。然后,进一步结合数据并行模式实现了异构计算,以达到最高的并行度。实验结果表明,并行优化算法加速比最大为15.11,最小为8.20;相比原算法,并行优化算法的还原点云相对误差控制在原误差的0.4%以内,保证了算法的精度。该研究对线云隐私攻击算法以及其他密度估计问题、不同场景下的线云隐私保护算法等有重要意义和参考价值。

基于Stacking集成学习的恶意攻击检测方法

伴随着互联网的快速发展,网络安全问题越发严峻,尤其是网络攻击变得更加频繁,对其检测防控迫在眉睫。该研究主要提出了一种新的LightGBM-XGboost-Random forest的Stacking集成学习模型;新的特征提取方法也被相应提出,通过探索性数据分析对特征集进行重要特征提取,较传统方法更快速、方便;相比于单一模型与传统模型,该Stacking集成学习模型的检测精确度更高,对LUFlows数据集进行实践训练,该集成模型检测精确度可达到97.0%,明显高于单一使用LightGBM模型、XGboost模型、Random forest模型的精确度;同时引入NSL-KDD数据集对该Stacking集成学习模型进行泛化能力测试,与最新的研究进行比对,LXR模型测得F1-score为0.8709,优于多数模型结果。表明该集成学习模型能够提供一种更为精确有效且泛化能力强的网络攻击检测方法,以更好地维护网络空间安全。