以教学-竞赛-改革的循环模式构建化学实验赛和化学实验教学改革的深度融合

化学实验赛有助于培养学生的综合素质和创新能力,促进实验课程体系和教学内容的改革以及实验教学质量的提高。本文提出教学—竞赛——改革的持续循环,将多层次化学实验赛(1.技能赛、2.设计赛、3.兴趣赛)与基础化学实验教学深度融合。以赛(技能赛)促学,以赛(设计赛、兴趣赛)促改,通过比赛促进了学生对基本操作的重视和实验知识学习的热情;达成了学生自主架构实验内容和理论知识联系的目标。对于创新思维的启蒙和高水平化学本科人才的培养,具有积极的引导作用。

EAGLE:一种内核态及用户态中基于遥测数据图的网络遥测方案

网络遥测是一种新型的网络测量技术,具有实时性强、准确性高、开销低的特点。现有网络遥测技术存在无法收集多粒度网络数据、无法有效存储大量原始网络数据、无法快速提取及生成网络遥测信息、无法利用内核态及用户态特性设计网络遥测方案等问题。为此,提出了一种融合内核态及用户态的、基于遥测数据图和同步控制块的多粒度、可扩展、覆盖全网的网络遥测机制(a nEtwork telemetry mechAnism based on telemetry data Graph in kerneL and usEr mode,EAGLE)。EAGLE设计了一种能够收集多粒度数据且数据平面上灵活可控的网络遥测数据包结构,用于获取上层应用所需的数据。此外,为快速存储、查询、统计、聚合网络状态数据,实现网络遥测数据包所需遥测数据的快速提取与生成,EAGLE提出了一种基于遥测数据图及同步控制块的网络遥测信息生成方法。在此基础上,为了最大化网络遥测机制中网络遥测数据包的处理效率,EAGLE提出了融合内核态及用户态特性的网络遥测信息嵌入架构。在Open vSwitch上实现了EAGLE方案并进行了测试,测试结果表明,EAGLE能够收集多粒度数据并快速提取与生成遥测数据,且仅增加极少量的处理时延及资源占用率。

可添加量不受限的对抗样本

基于灰度图像和深度学习的恶意软件检测方法具有无需特征工程和检测精度高的特点,通过对抗样本能够欺骗该类检测方法。然而当前大部分研究所生成的对抗样本难以在不破坏原文件功能完整性的情况下大幅度降低该类检测方法对其的判别准确性。在分析可移植可执行(PE)文件的结构以及加载机制的基础上,提出一种不破坏PE文件原有功能且可添加量不受限的字节码攻击方法(BAUAA)。BAUAA通过在PE文件中分散于各区段之后且不会载入内存的“区段附加空间”添加字节码来生成对抗样本,并且由于该空间具有可添加量不受限的特点,可使得生成的对抗样本所转化的灰度图像在尺寸和纹理上发生变化,从而能够影响基于灰度图像和深度学习的恶意软件检测方法对其的判别准确性。实验结果表明,基于灰度图像和深度学习的恶意软件检测方法判别BAUAA所生成对抗样本的准确率明显低于其判别非对抗样本的准确率。为避免在现实中滥用BAUAA,提出一种针对性的对抗样本检测方法。

COURIER:基于非抢占式优先排队和优先经验重放DRL的边缘计算任务调度与卸载方法

边缘计算(Edge Computing,EC)将计算、存储等资源部署在网络边缘,以满足业务对时延和能耗的要求。计算卸载是EC中的关键技术之一。现有的计算卸载方法在估计任务排队时延时使用M/M/1/∞/∞/FCFS或M/M/n/∞/∞/FCFS排队模型,未考虑高时延敏感型任务的优先执行问题,使得一些对时延要求不敏感的计算任务长期占用计算资源,导致系统的时延开销过大。此外,现有的经验重放方法大多采用随机采样方式,该方式不能区分经验的优劣,造成经验利用率低,神经网络收敛速度慢。基于确定性策略深度强化学习(Deep Reinforcement Learning,DRL)的计算卸载方法存在智能体对环境的探索能力弱和鲁棒性低等问题,降低了求解计算卸载问题的精度。为解决以上问题,考虑边缘计算中多任务移动设备、多边缘服务器的计算卸载场景,以最小化系统时延和能耗联合开销为目标,研究任务调度与卸载决策问题,并提出了基于非抢占式优先排队和优先经验重放DRL的计算卸载方法(Computation Offloading qUeuing pRioritIzed Experience Replay DRL,COURIER)。COURIER针对任务调度问题,设计了非抢占式优先排队模型(M/M/n/∞/∞/NPR)以优化任务的排队时延;针对卸载决策问题,基于软演员-评论家(Soft Actor Critic,SAC)提出了优先经验重放SAC的卸载决策机制,该机制在目标函数中加入信息熵,使智能体采取随机策略,同时优化机制中的经验采样方式以加快网络的收敛速度。仿真实验结果表明,COURIER能有效降低EC系统时延和能耗联合开销。

基于安全知识图谱与逆向特征的弱点信息补全

开源网络安全知识库已经成为弱点安全加固措施的有效来源,但是受异构信息协同难、历史信息维护难等因素影响,导致开源网络安全知识库弱点信息缺失。针对现有弱点信息补全方法对弱点信息不同邻域特征学习不充分的问题,提出一种基于安全知识图谱和逆向特征的弱点信息补全方法 VulKGC-RN。为捕获不同邻域信息,构建关联CVE、CWE、CAPEC和ATT&CK 4类开源网络安全知识库的弱点安全知识图谱,并分析弱点安全知识图谱中安全实体的网络结构,采用逆向知识图谱捕获逆向邻域信息。为学习不同邻域特征,采用图注意力机制,并融合图注意力网络所学习安全实体的正向邻域和逆向邻域的角色特征,以实现弱点安全知识图谱的信息补全。在由5种7 199个安全实体和15种11 817条关联关系组成的开源网络安全数据集上进行实验,结果表明,VulKGC-RN的平均排名达到179,平均倒数排名达到0.671 4,优于基线方法。

瓦斯隧道多工作面施工通风死区控制方法研究

针对瓦斯隧道多工作面作业时,易形成施工通风死区这一安全问题,以阳宗公路瓦斯隧道为依托工程,对压入式通风方案中风管最优布设方式进行研究,并在此基础上确定射流风机的最佳布设距离,进而探究多作业面通风系统中的射流风机最佳布设方案。研究结果显示:在满足最低需风量的压入式通风方案中,不同的风管布设方案会使隧道内通风死区体积变化较大,为控制并消除通风死区,风管出口应尽可能靠近掌子面且风管直径不宜过大;随着隧道掘进距离的增加,在掌子面前方会形成固定范围的非通风死区,此时为布设射流风机的最佳距离;射流风机的布设能有效地消除通风死区,但其作用范围有限,当隧道距离过长时,应有序间隔布设射流风机。

基于AECD词嵌入的挖矿恶意软件早期检测方法

挖矿恶意软件会损害系统安全,缩减硬件寿命,以及造成大量电力消耗,实施对挖矿恶意软件的早期检测以及时阻止其损害对于维护系统安全至关重要。现有的基于动态分析的挖矿恶意软件早期检测方法未能兼顾检测的及时性和准确率。为及时且准确地检测挖矿恶意软件,将挖矿恶意软件运行初期所调用的一定长度的API(application programming interface)名称、API操作类别和调用API的DLL(dynamic link library)进行融合以更充分地描述其在运行初期的行为信息,提出AECD(API embedding based on category and DLL)词嵌入方法并进一步提出基于AECD词嵌入的挖矿恶意软件早期检测方法(CEDMA)。CEDMA以软件在运行初期所调用的一定长度的API序列为检测对象,使用AECD词嵌入和TextCNN(text convolutional neural network)建立检测模型来实施对挖矿恶意软件的早期检测。实验结果显示,CEDMA以软件运行后首次调用的长度为3000的API序列作为输入时,可分别以98.21%、96.76%的Accuracy值检测实验中已知和未知的挖矿恶意软件样本。

城市综合管廊通风摩阻系数实验设计

该文以苏州某综合管廊项目为依托,自主设计了一个城市综合管廊模型实验平台,开展了城市综合管廊管线、支架、通风风速等因素对管廊通风效果影响的研究。通过该实验,向学生直观展示了实验平台的安装和调试、实验具体操作以及实验数据采集的完整过程,能够使学生很好地理解实验设计的基本思路,并提高动手操作能力和综合实践能力。

基于熵权优化法的地下空间工程施工环境评价模型研究

为全面地评价地下空间工程施工环境整体质量,建立了施工环境评价体系。常规环境子系统包括干球温度、相对湿度、照度、总粉尘质量浓度、呼吸性粉尘质量浓度、环境能见度、噪声、风速、氧气等。有毒有害气体子系统包括一氧化碳、氮氧化物、二氧化硫、瓦斯(甲烷)、硫化氢、氡气等。以重庆地铁18号线歇台子站为例,利用熵权优化的优劣解距离模型,对该站主体结构施工环境中进行现场监测的10个环境断面样本进行分析和评价。结果显示,呼吸性粉尘质量浓度、相对湿度、噪声和干球温度对整个施工环境有较大影响。最大权重为呼吸性粉尘质量浓度,权重为0.25;最小权重为风速,权重为0.08。施工区域左线及横通道处、主施工通道和区间通道交汇处施工环境较差。最优断面桩号为“ZDK12+704”,最差断面桩号为“ZDK12+679”。该模型可反映车站施工环境的各项监测指标信息,并可将单一环境要素评价扩展为整体综合的地下空间工程施工环境质量评价。

网络攻击原理与防范技术课程考核评价方式改革与实践

构建适用于应用型、创新型人才培养的课程考核评价方式,对推进新工科建设和提升课程教学质量具有重要的意义.课题组针对传统网络攻防类课程考核评价方式存在的问题,从提升学生网络攻防实操能力的意图出发,两次改革和实践了贵州大学网络攻击原理与防范技术课程的考核评价方式,并探讨了新的课程考核评价方式对学生学习重点及课程成绩的影响.

铁路隧道全生命周期绿色等级评价体系研究

为倡导将绿色环保理念融入铁路隧道行业,丰富完善绿色铁路隧道的综合评价系统,对铁路隧道全生命周期绿色等级评价体系展开研究。首先,明确绿色铁路隧道的内涵与定义,将铁路隧道的生命周期划分为设计、施工、运营3个阶段,分析筛选不同阶段与生态环境之间的直接或间接影响因素,分三级层次构建铁路隧道全生命周期绿色评价指标体系。然后,选用层次分析法和熵权法综合计算得到评价指标的组合权重,依据灰色聚类评价理论与指标取值的数据结构特征,构造指标隶属于不同绿色灰类等级的白化权函数,并建立铁路隧道全生命周期绿色等级综合评价模型。最后,以广州市某典型铁路隧道为研究案例,经分析计算得到该案例的综合绿色等级为“绿色三星级”,符合绿色铁路隧道的建设要求,同时识别出非绿色或绿色等级不够理想的主要影响因素。

工程教育认证背景下城市地下空间规划与设计课程教学设计

在工程教育认证背景下,工程专业的专业课程教学也应及时转变观念,改革教学模式,开展符合工程教育认证理念的课程建设工作。以城市地下空间规划与设计课程为例,介绍了城市地下空间工程专业课程教学设计的实施方法。首先对专业人才培养的顶层设计进行了分析,探讨了该课程的定位和任务;之后根据行业发展的需求,构建了相应的课程知识体系;最后采用面向产出的模式,对课程进行了教学设计。论文所做的探索和实践工作,为工科人才培养工作中的专业课程建设和教学工作开展提供了一定的参考和借鉴。

多聚类网络异常流量检测方法及应用研究

随着当前网络服务与应用的增加,网络流量特征边界模糊,网络恶意行为层出不穷,针对网络流量异常的检测及分析成为保证网络安全的首要任务。本文以K-means算法为基础,探究总结网络异常流量检测的方法及应用,首先总结网络异常流量的分类及常见检测方法,其次从初始聚类中心的选取、增加聚类评价函数、其他方法三个角度改进K-means方法,从基于Hadoop和Spark平台下的K-means算法以及“K-means+其他”的集成方法三方面探讨算法的创新性和局限性,做出归纳和总结,并提出解决方案,旨在为网络异常流量检测领域贡献一份力量。

基于CO-需风量理论的隧道施工通风控制优化模型研究

为保证施工通风质量、控制施工通风成本、降低碳排放、解决智能控制模型对隧道施工通风系统的适用性问题,首先,采用文献调研和理论分析结合的方法建立基于CO体积分数的爆破工况和出渣工况下隧道施工通风需风量理论模型;其次,设计应用于隧道施工通风系统的PID控制模型、模糊PID(Fuzzy PID)控制模型和RBF神经网络PID控制模型;最后,采用数值仿真的方法,基于MATLAB对各控制模型应用于隧道施工通风系统理论模型的参数确定和控制效果进行对比研究。结果表明:在隧道施工通风系统中,控制模型性能和抗干扰性有一定的负相关性,PID控制模型由于参数调节的便捷性使其在理论响应性能上较为优异,但Fuzzy PID控制模型或RBF-PID控制模型可更好地响应实际工程对于抗干扰和性能的需求。

CHAIN:基于重合支配的边缘计算节点放置算法

边缘计算将计算资源部署在离终端用户更近的边缘计算节点,从待选的位置中选择合适的边缘计算节点部署位置能提升边缘计算服务的节点容量以及用户服务质量(QoS)。然而,目前对于如何放置边缘计算节点以降低边缘计算成本的研究较少。此外,在边缘服务的时延等QoS因素的约束下,目前尚没有一种边缘计算节点部署算法能最大限度地提高边缘服务的鲁棒性同时最小化边缘节点部署成本。针对上述问题,首先,通过建立计算节点、用户传输时延和鲁棒性的模型将边缘计算节点放置问题转化为带约束条件的最小支配集问题;随后,提出重合支配的概念,基于重合支配衡量网络鲁棒性,设计了基于重合支配的边缘计算节点放置算法——CHAIN(edge server plaCement algoritHm based on overlApping domINation)。仿真实验结果表明,与面向覆盖的近似算法和面向基站的随机算法相比,CHAIN的系统时延降低了50.54%与50.13%。

Linux系统编程课程改革与实践

针对传统的Linux系统编程课程中学生编程能力训练不够的问题,Linux系统编程以编程实践能力培养为导向,以国产化技术为主线融入课程思政内容,融合产学研合作资源,采取线上线下混合教学模式,加强学生在国产Linux系统openEuler上的编程实践能力培养。为学生打造“全开放的Linux系统编程实践空间”,学生充分利用自由碎片化时间加强学习,参与课程教学、实验和实践环节。以学生为中心,为学生提供更全面、更多元、更具挑战的进阶学习方式,从多个维度提高学生的编程实践技能,帮助学生建立操作系统理论联系实践的知识体系。开发的在线课程选课人数超过1.7万人,开发的实践课程被10余所高校使用,课程应用推广效果良好。

面向行为多样期的挖矿恶意软件早期检测方法

挖矿恶意软件是一种隐匿在受害主机中,在未经用户许可的情况下使用系统资源挖掘加密货币的恶意软件,其不仅影响计算机系统的正常运行也会危害系统安全.目前基于动态分析的挖矿恶意软件检测方法主要以挖矿恶意软件的工作量证明行为为检测对象,难以实现对此类软件的及时检测.针对上述问题,通过分析挖矿恶意软件的运行过程,发现挖矿恶意软件在建立网络连接前行为多样,由此提出“挖矿软件行为多样期(Behavioral Diversity Period of Cryptominer,BDP)”的概念并进一步提出面向行为多样期的挖矿恶意软件早期检测方法(Cryptomining Malware Early Detection Method in Behavioral Diversity Period,CEDMB). CEDMB使用n-gram模型和TF-IDF(Term Frequency-Inverse Document Frequency)算法从BDP内的API(Application Programming Interface)序列中提取特征以训练检测模型.实验结果显示,CEDMB使用随机森林算法时可以在软件开始运行后10 s内以96.55%的F1-score值判别其是良性软件还是挖矿恶意软件.

基于深度学习的勒索软件早期检测方法

近年来,勒索软件的活跃度高居不下,给社会造成了严重的经济损失。文件一旦被勒索软件加密后将难以恢复,因此如何及时且准确地检测出勒索软件成为了当前的研究热点。为了提升勒索软件检测的及时性和准确性,在分析多种勒索软件家族与良性软件运行初期行为的基础上,提出了一种基于深度学习的勒索软件早期检测方法(Ransomware Early Detection Method Based on Deep Learning,REDMDL)。REDMDL以软件运行初期所调用的一定长度的应用程序编程接口(Application Programming Interface,API)序列为输入,结合词向量和位置向量对API序列进行向量化表征,再构建深度卷积网络与长短时记忆网络(Convolutional Neural Network-Long Short Term Memory,CNN-LSTM)相结合的神经网络模型,来实现对勒索软件的早期检测。实验结果显示,REDMDL能够在一个软件运行后数秒内高准确率地判定其是勒索软件还是良性软件。

面向异构分布式机器学习的动态自适应并行加速方法

分布式机器学习因其优越的并行能力成为人工智能领域复杂模型训练的常用技术。然而,GPU升级换代非常快,异构集群环境下的分布式机器学习成为数据中心、研究机构面临的新常态。异构节点之间训练速度的差异使得现有并行方法难以平衡同步等待和陈旧梯度的影响,从而显著降低模型整体训练效率。针对该问题,提出了一种基于节点状态的动态自适应并行方法(dynamic adaptive synchronous parallel,DASP),利用参数服务器动态管理节点训练时的状态信息并对节点的并行状态进行划分,通过节点状态信息自适应调整每个节点的并行状态,以减少快速节点对全局模型参数的同步等待时间与陈旧梯度的产生,从而加快收敛效率。在公开数据集上的实验结果表明,DASP比主流方法收敛时间减少了16.9%~82.1%,并且训练过程更加稳定。

基于虚拟扩展网络的虚拟机及路由路径联合部署

为响应租户的虚拟机使用请求,云数据中心通常从物理服务器中选择虚拟机放置服务器,随后计算租户与所选择的虚拟机放置服务器之间的路由路径以承载两者之间的流量。但是这种顺序的处理方式使得虚拟机放置服务器的计算过程难以考虑其对网络造成的影响,可能导致网络利用率降低甚至出现网络拥塞。为解决该问题,提出一种虚拟机及路由路径联合部署算法VENet。VENet通过添加虚拟交换机及虚拟链路将原网络拓扑扩展为虚拟网络拓扑,基于该虚拟扩展网络拓扑,将虚拟机及路由路径联合部署问题近似为商品流问题,即将虚拟机请求近似为从相应接入起点交换机到虚拟目的交换机之间的商品流,对该商品流问题进行建模,通过线性规划的方式求解该模型,即可同时获得虚拟机放置位置及相应的路由路径。实验结果表明,VENet算法能够提高数据中心可接受的虚拟机请求数上限,缩短租户与虚拟机部署位置之间的路由路径长度同时降低数据中心的网络负载率,路由路径长度和网络负载率相比WLC-GA算法分别降低42%和30%。