一种小型码垛机械臂刚柔耦合动态特性分析

设计了一款小型码垛机械臂,对机械臂的3种工况位姿进行运动学研究。当前对机械臂的刚柔耦合分析多为ANSYS软件与ADAMS软件的联合仿真,通过在ANSYS软件中建立柔性体的模态文件,使用ADAMS软件的双向数据交换接口完成刚柔耦合动力学分析。然而,随着软件的不断更新迭代,这个分析过程可以在ANSYS的仿真平台Workbench软件的瞬态动力学分析模块Transient Structural中实现。采用SolidWorks软件对机械臂进行模型的设计,再利用ANSYS软件对机械臂分别进行静力学与刚柔耦合动力学仿真分析。实验结果表明:采用静力学刚性分析时,结果的精度低,并进一步得出:采用最大等效应力来分析不能准确判断结构的安全;刚柔耦合仿真结果表明,在3种不同位姿情况下,机械臂大臂的最大应力值为82.941 MPa,大臂的最大移动速度为2.4551 m/s,同时机械臂能达到1372.7 mm的最大工作范围。通过ANSYS的瞬态动力学运动仿真可有效预测机械臂的运动规律和应力分布,对机械臂的使用寿命进行下一步的计算。

考虑加热处理的石油管道泄漏特性分析

为了更加准确地对管道泄漏进行检测,并预测泄漏对管道的影响,在考虑石油加热处理影响下,对石油管道不同孔径的微小泄漏进行了流场特性分析,建立了不同孔径的仿真模型。分析加热处理给泄漏流场带来的影响,判断考虑加热处理的必要性;在加热处理的条件下,对比不同孔径下泄漏流场特性,分析流场变化规律。研究结果表明:加热处理会导致石油的黏度变化,造成石油管道泄漏孔的压力和流速显著变化,考虑加热处理对泄露的影响很有必要;在加热处理条件下,3种不同孔径的微小泄漏对管道内部的流场特性影响较小,但在泄漏孔处,随着孔径的增大,压力下降,流速上升。

一种改进神经网络的苹果快速识别算法

针对采摘机器人设备计算力不足,目标检测速度受限,难以满足实时应用,提出一种基于改进YOLOv4的轻量化算法,用于提高检测速度和减少网络体积。采用轻量化的主干网络Ghostnet替代YOLOv4中的CSPdarknet53主干网络,减少了参数量。在替换主干网络的基础上,再采用深度可分离卷积替换YOLOv4中的颈部网络,进一步减少了权重和计算量。随后在空间金字塔池化的前后增加CBL卷积模块层数,将3层更换为5层,可以提高对图片的特征提取和整个网络对图片信息的获取,提升精准度。采用KNN聚类算法计算先验框,对先验框进行预测,同时使用马赛克数据增强识别精度。苹果检测结果表明,修改后的网络对苹果有较好的识别精度,在检测速度上比YOLOv4提高45.8%,FPS达到了35,整体网络的权重减少79.7%。修改后的网络提高了检测速度,减少了权重文件大小,能更好地适用于计算力不足和储存空间较小的采摘机器人设备。

改进YOLOv4的蚕豆苗检测算法及TensorRT加速

提出一种基于改进YOLOv4网络的轻量化蚕豆苗检测方法,使用MobileNet网络代替YOLOv4原主干网络CSPDarknet53,并用深度可分离卷积替换骨干网络,加强特征提取网络和预测层的普通卷积;改进网络训练后,利用NVIDIA的加速引擎TensorRT对网络结构进行重构和优化,提高GPU运行效率,在嵌入式平台上实现模型的推理与加速;实验结果显示:改进网络体积缩小至原网络体积约20%,AP仅下降3.14%,但检测速度是原网络的4倍。在Jetson Nano嵌入式平台上,改进后的网络模型推理速度达到20.3FPS;表明提出的网络模型能支持深度学习模型在嵌入式平台的实时应用。

小样本下基于度量学习的僵尸网络检测方法

僵尸网络给互联网带来了极大的威胁,尽早有效地检测出僵尸网络对于维护网络空间安全具有重要的实践意义。然而在僵尸网络发现初期,可获得带标记样本数量较少,这使得目前大部分基于深度学习的检测方法无法得到充分训练,导致检测结果不佳。因此,提出了一种用于小样本下的基于度量学习的僵尸网络检测方法BT-RN,利用基于任务的元学习训练策略优化模型,在任务中引入验证集并通过度量验证样本和训练样本特征表示之间的相似度来快速累积经验,从而降低模型对标记样本空间的依赖;引入了特征级注意力机制,通过计算特征中各维度的注意力系数,重新整合特征表示并分配重要度关注来优化特征表示,从而减少深度神经网络在小样本中的特征稀疏问题;引入了残差网络设计模式,利用跳跃链接来规避增加特征级注意力机制模块后,较深的网络所带来的模型退化和梯度消失风险。实验结果表明,在小样本背景下,所提僵尸网络检测方法的正确率和模型泛化能力优于其他小样本检测方法和深度学习检测方法。

基于图神经网络的P2P僵尸网络检测方法

P2P僵尸网络因具有较高的隐蔽性和健壮性,已经成为新型的网络攻击平台,对网络空间安全造成的威胁越来越大,但现有基于规则分析或流量分析的检测方法不能有效检测。为了解决P2P僵尸网络隐蔽性强、难以识别等问题,提出了一种基于图神经网络(graph neural network,GNN)的P2P僵尸网络检测方法。该方法不依赖流量协议特征,而是基于P2P僵尸网络节点交互特征及网络拓扑结构信息实现检测。首先,该方法先提取P2P僵尸网络流量中的源IP、目的IP、出度、入度和节点介数中心性,构建成拓扑图、出入度图和介数中心性图;其次,通过元素积对3种特征图的邻接矩阵加权求和进行图融合,得到检测模型的输入;然后,利用基于注意力机制的图卷积神经网络提取节点间特征,使用神经协同过滤算法实现中心节点注意力概率分配,完成节点状态更新;最后,利用多层图卷积层之间的紧密连通性实现对交互特征的降维抽取和对高阶结构信息的挖掘,自动学习僵尸网络的内在特征,并通过节点分类模块判别分类,完成僵尸网络检测。使用ISCX–2014僵尸网络数据集对该方法进行对比验证,实验结果表明,在训练样本包含僵尸网络节点规模较大时本文提出的深层图神经网络方法的检测准确率和模型稳定性优于其他两类对比方法,所提方法能有效提高P2P僵尸网络检测能力和泛化能力,降低误报率。

基于元学习的僵尸网络检测研究

针对现实网络中僵尸网络流量占比远小于正常网络流量,新出现的僵尸网络类型缺乏标记样本,以及传统深度学习依赖大量标记数据的问题,提出了基于元学习的僵尸网络检测模型,用于小样本场景下的僵尸网络检测。该模型分为特征提取模块和比较模块两个部分,都由CNN实现。特征提取模块从一对网络流量中学习流量特征,包含正常流量和僵尸网络流量,并引入非局部注意力机制,用来捕获长距离依赖关系,提高模型的准确率;比较模块用于获取这对网络流量特征图的相似度得分,进而判断两者是否为同一类型的样本。通过学习一定数量的小样本僵尸网络检测任务,使模型获得足够的先验知识,以便能通过极少量的标记样本实现对未知僵尸网络类型的检测。实验结果表明,1-shot设定下的小样本僵尸网络检测平均准确率达到96.79%,5-shot设定下的小样本僵尸网络检测平均准确率达到98.06%,验证了模型的有效性。

基于业务逻辑思想的异常检测研究

随着互联网的普及,Web站点承载的流量越来越多,为保证能够安全且高效地提供信息或服务,将业务逻辑思想与异常检测相结合,提出了一种以Web用户访问行为所产生的流量数据作为基础的异常检测方案。该方案为部署在重要节点上的Web服务器而设计,通过获取公开发布在网络上的Web站点的源代码来获取页面之间的链接关系,构建网站的拓扑结构,来学习符合正常业务逻辑跳转的用户访问轨迹集合,然后从访问产生的流量数据中提取出不同用户的行为轨迹,结合方案中提出的算法来判断用户的访问是否存在异常。最后在实际环境下对该算法的有效性进行了测试与验证,实验表明,该异常检测方法能够发现用户对站点无规律的大量异常访问、对站点进行的SQL注入尝试或语义URL攻击等。

The improved QV signature scheme based on conic curves over Z_n

The classical RSA is vulnerable to low private exponent attacks （LPEA） and has homomorphism. KMOV based on elliptic curve En（a,b） over Zn can resist LPEA but still has homomorphism. QV over En（a,b） not only can resist LPEA but also has no homomorphism. However, QV over En（a,b） requires the existence of points whose order is Mn= 1cm{#Ep（a,b）, #Eq（a,b）}. This requirement is impractical for all general elliptic curves. Besides, the computation over En（a,b） is quite complicated. In this paper, we further study conic curve Cn（a,b） over Zn and its corresponding properties, and advance several key theorems and corollaries for designing digital signature schemes, and point out that Cn（a,b） always has some points whose order is Mn： 1cm{#Ep（a,b）,#Eq（a,b））. Thereby we present an improved QV signature over Cn（a,b）, which inherits the property of non-homomorphism and can resist the Wiener attack. Furthermore, under the same security requirements, the improved QV scheme is easier than that over En（a,b）, with respect plaintext embedding, inverse elements computation, points computation and points＇ order calculation. Especially, it is applicable to general conic curves, which is of great significance to the application of QV schemes.