非平衡Feistel网络的线性可证明安全性的进一步分析

线性密码分析已成为分组密码最主要的密码分析方法之一.基于此,本文深入研究了一类非平衡Feis-tel网络的线性可证明安全性.设LP为该非平衡Feistel网络的轮函数F的线性偏差的最大值,本文从非平衡Feistel网络的线性偏差的结构形式入手,在轮子密钥是相互独立且均匀分布的假设下,证明了当轮数不少于m轮时,该非平衡Feistel网络的线性偏差关于密钥的平方均值的上界为LP的平方;当轮数不少于2m轮时,证明了该非平衡Feistel网络的线性偏差关于密钥的平方均值的上界为LP四次方的2倍.

一类非平衡Feistel网络的差分可证明安全性分析

该文深入研究了一类非平衡Feistel网络的差分可证明安全性。给出了其圈函数的具有非零差分概率的差分对应的结构形式。给出了连续m个非平凡差分对应的一个分布规律。证明了s(s≥2m)圈非平凡差分对应概率的上界为其轮函数非平凡差分对应概率最大值(pmax)的平方的2倍;当相应的轮函数为双射时,此上界可进一步改进为其轮函数非平凡差分对应概率的最大值的平方。最后对非平衡Feistel网络进行了讨论。

一类非平衡Feistel网络的线性偏差分析

M.M atsui 1993年就指出线性密码分析是分组密码设计最重要的安全性能指标之一,所以有必要估计分组密码抵抗线性密码分析的能力.M.Kanda等人1999年讨论了传统Feistel密码的线性偏差,K.Nyberg和张如文等人对一类特殊的非平衡Feistel网络的线性偏差进行了研究.本文对一类m分组非平衡Feistel网络的线性偏差关系进行了深入的研究和分析,给出了任意轮线性偏差与轮函数F的线性偏差的数学关系,对其线性偏差的上界进行了讨论,并证明了有关线性偏差关于密钥的平方均值的两个特性.本文的研究推广了K.Nyberg和张如文等人的结论.

样本不均衡时轴承故障的非平衡卷积网络诊断

为了提高样本不均衡条件下轴承故障诊断精度,提出了基于VAE-SNN的样本增广方法和基于非平衡损失网络的故障诊断方法。首先,使用变分自编码器用于数据生成,并依据孪生神经网络对生成数据的类别进行判定,实现了基于变分自编码器和孪生神经网络的样本增广;其次,分析了卷积神经网络无差别对待样本的缺点,针对不均衡样本的特殊性,提出了非平衡损失函数卷积网络,该网络能够自动关注数量少、难分的样本训练。经实验验证,生成对抗网络增广的样本相似度为0.847,孪生神经网络增广的样本相似度比对抗网络提高了6.61%,说明孪生神经网络的样本增广效果更好;在相同诊断方法前提下,样本增广后比增广前的准确率提高了9.42%,说明样本增广有利于提高轴承的故障诊断准确率;非均衡损失网络比卷积神经网络的诊断精度提高了7.17%,比自适应深度学习提高了4.12%,验证了非均衡损失网络的高准确率和优越性。

基于非平衡MD&A文本数据的财务欺诈识别

财务欺诈不仅会导致会计信息失真,还会危害经济的健康发展。因此,找到一种高效的智能化欺诈识别方法具有重要的现实意义。本文基于2020—2022年美国上市公司提交到EDGAR数据库的年度报告,聚焦于报告中管理层讨论与分析部分的文本信息(Management Discussion and Analysis,MD&A)并对其进行分析。考虑到现有数据中欺诈和非欺诈样本数据极度不平衡的特点,本文在分层注意力网络的基础上设计了一个更高效的财务欺诈识别模型,最终使得欺诈识别模型的F1分数和F2分数分别提高了4.1%和3.7%,所提出的算法框架能够有效提高非平衡MD&A文本数据集的分类正确率。研究结果为财务欺诈识别系统性能的提高以及其他领域长文本分类任务的预测提供了新的解决思路,并进一步验证了使用MD&A文本数据进行财务欺诈识别的有效性,为使用非平衡数据进行欺诈识别提供了直接的实证支持。

非平衡有向网络下带约束的连续时间分布式优化算法设计

本文基于权重不平衡有向网络,对一类分布式约束优化问题进行研究,其中全局目标函数等于具有李普希兹梯度的强凸目标函数之和,并且每个智能体的状态都有一个局部约束集.每个智能体仅知道自身的局部目标函数和非空约束集.本文的目标是用分布式方法求解该问题的最优解.针对优化问题,提出了一种新的分布式投影梯度连续时间协调算法,利用拉普拉斯矩阵的零特征值对应的左特征向量消除了图的不平衡性.在某些假设下,结合凸分析理论和李雅普诺夫稳定性理论,证明了算法能够获得问题的最优解.最后,通过仿真验证了算法的有效性.

基于卷积神经网络的结构化非平衡数据分类算法

卷积神经网络具有高效的特征提取能力和较少的参数量,被广泛应用于图像处理、目标跟踪、自然语言等领域。针对传统分类模型对于结构化非平衡数据分类效果较差的问题,提出一种基于卷积神经网络的二分类结构化非平衡数据分类算法。设计结构化数据处理算法Data-Shuffle,将原始非平衡一维结构化数据转换为三维数组形式的多通道非平衡数据,为卷积神经网络提供更多的特征值,通过改进的VGG网络构建适合非平衡数据的网络结构卷积组,以提取不同的特征。在此基础上,提出更新权重加权采样算法UWSCNN,在每个迭代次数之后,根据模型的训练结果对易错样本进行重新加权,以优化训练结果。在adult、shoppers和diabetes数据集上的实验结果表明,相比逻辑回归、随机森林等传统机器学习模型,所提的Data-Shuffle算法的F1值提升了1%~19%,G-mean提升了2%~24%,相比SMOTECNN、BSMOTECNN、SMOTECNN+CS等采样算法,所提的UWSCNN算法对非平衡数据的分类效果提升了1%~13%,有效提高模型对非平衡数据的分类性能。

基于非平衡问题的高斯混合模型卷积神经网络

为了提升分类模型对非平衡数据的分类性能,提出一种EMWRS(expectation-maximization weighted resampling)抽样算法和WCELoss(weighted cross entropy loss function)损失函数,在数据预处理阶段采用高斯混合模型得知数据分布特点,根据其聚类结果分析每个聚类簇中样本权重,以及样本分布和对应权重对数据进行采样,降低数据集不平衡程度;再依据样本比例权重对少数类和多数类赋予不同的代价损失,构建卷积神经网络模型,提高非平衡数据集的分类准确性。构建的卷积神经网络以F1和G-mean为评价指标,在UCI(university of California irvine)公共数据集adult上与SMOTE(synthetic minority over-sampling technique)和ADASYN(adaptive synthetic sampling)等多种经典算法进行比较,结果显示在这两种评价指标中所提模型均为第一,这表明改进后的卷积神经网络模型能够很好地提高少数类分类正确率。

基于局部热非平衡的含裂缝网络干热岩采热性能模拟

采用压裂技术在干热岩中构造裂缝网络,工作流体在裂缝内的循环携热使干热岩中高温资源得到有效提取。为真实模拟岩体与流体间能量传递,基于局部热非平衡理论,将储层视为由基质岩体与离散裂缝组成的双重介质模型,建立温度-渗流-应力全耦合模拟采热过程中流体流动、热量传递、岩体变形的相互作用,进而对不同注采井网和模型参数下采热性能进行研究。结果表明:干热岩资源开采过程的模拟有必要采用温度-渗流-应力耦合,裂缝分布的非均匀性对采热性能有影响;注采井网的合理布局有利于地热能大规模动用与高效开发;基岩热膨胀系数影响温差引起的热应力作用从而影响采热性能;合理选择注采压差有利于开发,压差过大将缩短开发寿命,注入温度越高采热速率越高。

非平衡涨落驱动的小世界网络分岔

利用复杂网络理论和非平衡统计理论,考察了非平衡涨落因素对小世界网络传播行为的影响.在小世界网络传播模型的基础上引入非平衡涨落因子,利用求解Fokker-Plank方程的随机微分方程方法,分析了非平衡涨落驱动下的小世界网络传播稳定性.研究发现非平衡涨落会触发网络状态失稳,出现分岔现象.在一定程度上揭示了复杂网络对某些参量敏感的起因,对更好地解释现实世界中的许多小世界网络对参数敏感的现象有重要意义,为实现对小世界网络稳定性控制提供新的思路.

非平衡技术在高速网络入侵检测中的应用

针对现有的高速网络入侵检测系统丢包率高、检测速度慢以及检测算法对不同类型攻击检测的非平衡性等问题,提出了采用两阶段的负载均衡策略的检测模型。在线检测阶段对网络数据包按协议类型进行分流的检测,离线建模阶段对不同协议类型的数据进行学习建模,供在线部分检测。在讨论非平衡数据处理的各种采样技术基础上,采用改进后的过抽样少数样本合成过采样技术(SMOTE)对网络数据进行预处理,采用AdaBoost、随机森林算法等进行分类。另外对特征选取等方面进行了实验,结果表明SMOTE过抽样可提高各少数类的检测,随机森林算法分类效果好而且建模所用的时间稳定。

非平衡宽覆盖像面扫描系统的神经网络控制

为扩大遥感仪器像面覆盖宽度,从现有的CCD拼接方法入手,提出了凸轮驱动的动态扫描拼接方法。将电机与凸轮同轴安装,两者做等速旋转运动,带动4片线阵TDI CCD在像面上做往复直线运动,相邻线阵CCD在扫描方向上的成像区域保持一定重叠率,从而实现了动态扫描拼接。分析了由凸轮结构的特殊性造成的系统负载力矩的非平衡特性进行了分析,针对采用常规稳速方法时,凸轮转速在负载变化阶段产生较强波动的情况,提出了常规稳速控制和神经网络相结合的自适应控制方法,并进行了实验分析。分析表明:作用于凸轮轴上的负载力矩与相机位角、凸轮转速成正比。与常规稳速方法相比,应用神经网络自适应控制方法后,系统稳速精度提高了41%,非平衡负载引起的速度波动降低了20%,满足工程需要。

非可加路径费用的交通网络平衡问题

利用变分不等式方法研究了非可加路径费用的交通网络平衡问题,给出了与平衡条件等价的变分不等式模型,它包含了可加路径费用的网络平衡模型。此外,讨论了模型解的存在性和惟一性条件,这为进一步研究一般交通网络的用户平衡问题提供了条件。

一种适用于非平衡无线网络的组密钥交换协议

组认证密钥交换协议允许两方或多方用户通过公开的信道协商出共享的组会话密钥。针对非平衡无线网络中用户计算能力强弱不等的情况,该文提出一种适用于非平衡无线网络的组组认证密钥交换协议。该协议不但可以抵抗临时密钥泄露所带来的安全隐患,而且任意两个组中用户可以根据需要使用先前组通信消息计算独立于组会话密钥的两方会话密钥。与已有非平衡网络组密钥交换协议相比,该协议具有更高的安全性和实用性并且在随机预言模型下是可证安全的。

基于无限深度神经网络的非平衡大数据集群匿名化调度算法

以提升非平衡大数据集群数据调度的高效性、准确性、安全性为目的,提出基于无限深度神经网络的非平衡大数据集群匿名化调度算法。数据采集模块利用传感器采集非平衡大数据集群中各节点服务器的数据信息,传输至数据分类模块的深度最小最大概率机中,通过卷积神经网络的端对端方式,训练获得的非平衡大数据,提取原始大数据高级特征,以最小最大概率机作为分类器,实现非平衡大数据的分类;应用数据匿名化模块的K-匿名化算法匿名化处理分类后的数据信息,经数据调度模块中基于蚁群算法的负载均衡调度方法,进行非平衡大数据集群各节点、任务的实时调度。实验结果表明:该算法可提升非平衡大数据的分类准确度,降低信息损失率、泄密风险,并可充分调度优势节点与空闲节点实现任务的均衡分配,提升非平衡大数据集群的任务调度能力。

神经网络识别非平衡样本模式的网络优化方法

本文基于多目标代化的思想，分析了用神经网络实现非平衡样本模式识别与分类时，网络优化过程中基本BP算法收敛速度低的原因，给出了两种相应的改进算法，并利用这两种算法研究了两例非平衡样本模式的分类问题．研究结果表明：改进的算法有效地提高了网络优化的收敛速度。

非平衡Feistel结构密码算法的不可分辨性

为研究不可分辨性对分组密码算法实际保密强度的影响,以国密SMS4分组密码算法使用的非平衡Feistel结构为对象,构建了以区分器为核心的结构模拟器;通过对非平衡Feistel结构迭代特性的考虑,结合形式化证明方法,对非平衡Feistel结构的最小安全边界及其与不可分辨性之间的关联进行了研究和分析。结果表明:以SMS4为代表的非平衡Feistel结构在确保安全强度的前提下,最小能够约简至18轮迭代结构,且该约简结构与随机结构置换具备不可分辨性。

给定时间有向通信网络多无人机最优集结控制

为解决给定时间的多无人机(unmanned aerial vehicles,UAVs)最优集结问题,通过分布式优化的方法研究能够使多无人机在权重不平衡有向通信网络下按照给定时间范围内完成最优集结的控制算法。每架无人机都有其相应的局部目标函数,全局目标函数就是每架无人机所具有的局部目标函数之和,算法的目的就是通过分布式控制的方式,找到满足全局目标函数的最优集结点,采用时域映射的思想,将原本的给定时间下的集结问题转变为无限时域下的集结问题,并通过拉普拉斯零特征值下的左特征向量克服权重不均衡有向网络的不平衡性。结合凸分析理论和李雅普诺夫稳定性理论,验证了算法能够收敛到最优的解。仿真结果表明:不同出发点的无人机,在算法的控制下,均可以在给定时间内到达最优的集结点。

使用压缩函数的非平衡Feistel结构的伪随机性和超伪随机性

从可证明安全的角度研究使用压缩函数的非平衡Feistel结构(UFN-C)的安全性,证明了k+1轮UFN-C是伪随机的,k+2轮UFN-C是超伪随机的;进一步地,探讨了UFN-C的有效构造,降低了Naor和Reingold在1999年文章中类似结构对伪随机函数个数的要求.最后,针对一类具体的UFN-C——SMS4,分析其广义形式SMS4-like结构的伪随机性和超伪随机性,为设计与使用该类结构的分组密码提供了可证明安全的理论依据.

基于代价敏感卷积神经网络的非平衡问题混合方法

非平衡问题是数据挖掘领域中普遍存在的一个问题,数据的偏态分布会使得分类器的分类效果不理想。卷积神经网络作为一种高效的数据挖掘工具,被广泛应用于分类任务,但其训练过程若受到数据非平衡的不利影响,则将导致少数类的分类准确率下降。针对二分类非平衡数据分类问题,文中提出了一种基于代价敏感卷积神经网络的非平衡问题混合方法。首先将密度峰值聚类算法与SMOTE相结合,通过过采样对数据进行预处理,降低原始数据集的不平衡程度;然后利用代价敏感思想对非平衡数据中的不同类别给予不同权重,并考虑预测值与标签值之间的欧氏距离,对非平衡数据中多数类和少数类赋予不同的代价损失,构建代价敏感卷积神经网络模型,以提高卷积神经网络对少数类的识别率。选取6个不同的数据集,用于验证所提方法的有效性。实验结果表明,所提方法可以提高卷积神经网络模型对非平衡数据的分类性能。