也谈MaxDOS网络克隆

目前，MaxDOS V6有标准版、光盘版、优盘版、PXE服务器版几类。对计算机管理员来说，MaxDOS最强大的、实用的功能是网络克隆，但很多文章谈到MaxDOS的网络克隆都是基于标准版（或者叫做硬盘版）的。在工作中，如果恢复镜像时突然断电，要恢复系统就要用到MaxDOS V6的PXE服务器版了。当然，Ghost企业版可以帮助我们解决这个问题，但它的设置相对而言比较繁琐。

异质性光照下克隆整合对白夹竹根际土壤细菌共现网络的影响

异质性光照下,克隆植物相连分株间光合产物的传输与共享可能影响分株根际土壤氮素转化过程,但是对调控该过程的细菌网络结构还认识不清.以根状茎克隆植物白夹竹为对象,研究克隆整合对遮荫分株的根际土壤细菌群落组成和共现网络结构特征.相比于根状茎切断处理,根状茎连接导致化能异养、需氧化能异养、硝化作用、好氧氨氧化、好氧亚硝酸盐氧化等与氮素转化过程相关细菌的丰度更高,功能共现网络的平均度和图密度更大,且边和节点数量更多.异质性光照下,克隆整合可能影响分株根际土壤微生物群落功能共现网络的复杂性,进而提升根际土壤氮素转化效率.

考虑行为克隆的深度强化学习股票交易策略

为提高股票投资的收益并降低风险,将模仿学习中的行为克隆思想引入深度强化学习框架中设计股票交易策略。在策略设计过程中,将对决DQN深度强化学习算法和行为克隆进行结合,使智能体在自主探索的同时模仿事先构造的投资专家的决策。选择不同行业的股票进行数值实验,说明了所设计的交易策略在年化收益率、夏普比率和卡玛比率等收益与风险指标上优于对比策略。研究结果表明:将模仿学习与深度强化学习相结合可以使智能体同时具有探索和模仿能力,从而提高模型的泛化能力和策略的适用性。

基因克隆课程的网络教学模式探索

基因克隆是将包括目标基因的重组DNA转入宿主细胞,获得表达产物的实验科学,它也是科学研究重要的实践技术。因此我校在研究生阶段设置了“基因克隆与病毒载体构建”课程作为选修课程,本文就基因克隆课程的网络教学、师生交流文献抄读、通过“研究项目”将理论与实践相结合等方式探讨了基因克隆课程的教学模式改革,目的是利用充裕的网络和教学资源,提升学生学习的主动性和综合科研能力。

基于Transformer和卷积神经网络的代码克隆检测

基于深度学习的代码克隆检测方法往往作用在代码解析的词序列上或是整棵抽象语法树上,使用基于循环神经网络的时间序列模型提取特征,这会遗漏源代码的重要语法语义信息并诱发梯度消失。针对这一问题,提出一种基于Transformer和卷积神经网络的代码克隆检测方法(TCCCD)。首先,TCCCD将源代码表示成抽象语法树,并将抽象语法树切割成语句子树输入给神经网络,其中,语句子树由先序遍历得到的语句结点序列构成,蕴含了代码的结构和层次化信息。其次,在神经网络设计方面,TCCCD使用Transformer的Encoder部分提取代码的全局信息,再利用卷积神经网络捕获代码的局部信息。再次,融合2个不同网络提取出的特征,学习得到蕴含词法、语法和结构信息的代码向量表示。最后,采用两段代码向量的欧氏距离表征语义关联程度,训练一个分类器检测代码克隆。实验结果表明:在OJClone数据集上,精度、召回率、F 1值分别能达到98.9%、98.1%和98.5%;在BigCloneBench数据集上,精度、召回率、F 1值分别能达到99.1%、91.5%和94.2%。与其他方法对比,精度、召回率、F 1值均有提升,所提方法能够有效检测代码克隆。

一种基于深度神经网络的多阶段PUF抗建模能力评估方法

针对现有评估方法均无法全面评估物理不可克隆函数(PUF)抗建模能力的问题,定义PUF面临的3级建模威胁模型,分别阐明3类攻击的目的、对手的知识能力、攻击策略和攻击模式。基于此,设计一种基于深度神经网络的PUF抗建模能力评估方法,使用前馈神经网络建模攻击和侧信道建模攻击作为评估工具,分3个阶段依次评估目标PUF抵御机器学习建模攻击、可靠性侧信道攻击和功耗/电磁侧信道攻击的能力,解决传统方法无法评估PUF抗侧信道建模能力的问题。评估结果表明,被测PUF中仅有少部分拥有抗机器学习建模和抗可靠性建模能力,但均不具备抗功耗侧信道建模能力。

基于依赖增强的分层抽象语法树的代码克隆检测

在软件工程领域,基于语义相似的代码克隆检测方法可以降低软件维护的成本并预防系统漏洞,抽象语法树(AST)作为典型的代码抽象表征形式,已成功应用于多种程序语言的代码克隆检测任务,然而现有工作主要利用原始AST提取代码的语义,没有深入挖掘AST中的深层语义和结构信息。针对上述问题,提出一种基于依赖增强的分层抽象语法树(DEHAST)的代码克隆检测方法。首先,对AST进行分层处理,将AST划分得到不同的语义层次;其次,为AST的不同层次添加相应的依赖增强边构建DEHAST,将简单的AST变成具有更丰富程序语义的异构图;最后,使用图匹配网络(GMN)模型检测异构图的相似性,实现代码克隆检测。在BigCloneBench和Google Code Jam两个数据集上的实验结果显示,DEHAST能够检测100%的Type-1和Type-2代码克隆、99%的Type-3代码克隆和97%的Type-4代码克隆;与基于树的方法ASTNN(AST-based Neural Network)相比,F1分数均提高了4个百分点,验证了DEHAST可以较好地完成代码语义克隆检测。

基于贝叶斯网络的克隆代码有害性预测

在软件开发过程中,程序员的复制、粘贴活动会产生大量的克隆代码,而那些发生不一致变化的克隆代码往往对程序是有害的。为了解决该问题,有效地发现程序中的有害克隆代码,提出一种基于贝叶斯网络的克隆有害性预测方法。首先,结合软件缺陷研究领域与克隆演化领域的相关研究成果,提出了两大类表征克隆代码信息的特征,分别是静态特征和演化特征;其次,通过贝叶斯网络核心算法来构建克隆有害性预测模型;最后,预测有害克隆代码发生的可能性。在5款C语言开源软件共99个版本上对克隆有害性预测模型的性能进行评估,实验结果表明该方法能够有效地实现对克隆代码有害性的预测,降低有害克隆代码对软件的威胁,提高软件质量。

基于免疫克隆选择的认知无线网络频谱分配研究

该文提出了图论和免疫优化理论相结合的认知无线网络频谱分配方法。采用基于矩阵的二进制抗体编码,从效率和公平性考虑设计了随机约束满足算子和公平约束满足算子,提出一种基于免疫克隆选择(ICS)的频谱分配算法。对经典克隆选择算法进行改进,增加约束满足操作保证种群编码能够满足频谱干扰限制,实现了频谱分配的约束优化。理论证明了约束满足操作的有效性,分析了算法的计算复杂性和适用性。仿真结果表明:ICS算法与颜色敏感图论着色算法相比,网络带宽明显提高;在频谱干扰严重的情况下,采用公平约束满足算子的ICS算法能显著提高网络的公平性;与参考智能算法相比,ICS算法具有较快的收敛速度。

认知无线网络中基于免疫克隆优化的功率分配

针对认知OFDM无线网络中下行链路的功率分配问题,将其建模为一个约束优化问题,进而提出了一种基于免疫克隆的求解方法。给出了功率分配的数学优化模型、算法实现过程和关键技术,设计了适合算法求解的编码、克隆、变异算子。仿真实验结果表明,在总发射功率、误码率及主用户可接受的干扰约束下,该算法可以获得更大的总数据传输率,同时具有较快的收敛速度,能够得到较优的功率分配方案,进而提高频谱利用效率。

基于免疫克隆选择优化的认知无线网络频谱分配

结合WRAN(无线区域网)给出了频谱感知过程;通过分析无线认知网络的物理连接,给出了频谱分配的数学模型,并将此模型转换为以网络效益最大化为目标的带约束优化问题,进而提出一种基于免疫克隆选择优化的认知无线网络频谱分配算法,并证明了该算法以概率1收敛。最后,对此算法进行了仿真实验。实验结果表明:所提算法与CSGC(颜色敏感图着色)算法、GA-SA(基于遗传算法的频谱分配)算法相比,能更好地实现网络效益最大化,同时,基于WRAN的系统级仿真结果,进一步证明了算法的有效性。

克隆选择粒子群优化BP神经网络电力需求预测

在普通BP算法基础上,引入克隆选择粒子群算法,建立电力需求预测模型.将当期国内生产总值、前期国内生产总值、人口、当期产业结构变化、前期产业结构变化等影响电力需求的因素作为网络输入,电力需求作为网络输出,同时选择合适的隐层节点数,确定模型的网络结构.利用克隆选择粒子群算法反复优化BP网络的权值组合,将优化后的权值作为BP神经网络的初始值,进行BP算法,直至网络达到训练指标.利用近几年相关输入输出变量年度数据,对建立的模型进行电力需求实证预测分析,并同普通BP神经网络预测结果进行对比.结果表明:基于克隆选择粒子群优化的BP神经网络不仅训练速度快,而且误差小,预测精度明显提高,说明该模型对于电力需求预测的有效性.

Bootstrap—自适应混沌克隆网络与陀螺漂移预测

提出一种Bootstrap—自适应混沌克隆网络建立陀螺漂移预测模型.基于统计理论的Bootstrap方法,设计了自适应混沌克隆网络训练策略,以获得统计意义下陀螺漂移时间序列小样本预测模型的最优估计;运用字符串技术生成复合函数抗体,使预测模型具有在复杂函数子空间逼近强非线性函数的能力;构造了一系列自适应混沌克隆网络进化算子,使复合函数抗体在具有混沌特征的进化中自适应性更强;预测建模实验表明:Bootstrap—自适应混沌克隆网络建立的预测模型训练和测试精度稳定,对比几种典型预测算法,其建模方式更灵活,自适应性更强,适于工程应用.

基于免疫克隆聚类协同神经网络的图像识别

该文提出了基于免疫克隆聚类的协同神经网络原型向量求解算法,该算法充分利用免疫克隆的高效全局最优搜索能力构造数据聚类算法,将新聚类算法用于训练协同神经网络的原形向量,并对Brodatz纹理图像库以及合成孔径雷达图像目标进行识别。仿真实验结果表明,相比标准协同神经网络,该算法可以提高网络的识别性能,同经典的支撑向量机相比,该算法在识别率相当的情况下,样本的训练和测试时间都明显缩短。

基于免疫克隆算法的协同神经网络参数优化

针对现有协同神经网络参数优化方法的不足,提出了一种基于免疫克隆算法的参数优化方法.与在平衡注意参数条件下的算法和在不平衡注意参数条件下基于遗传算法和模拟退火算法的优化方法相比,新方法具有全局兼局部寻优能力,不易陷入局部极值,并且迭代步长是自适应调整的.对纹理图像与遥感图像的分类识别结果表明:新方法不仅具有更快的收敛速度而且具有更优的分类识别性能,同时验证了注意参数及所有参数对各原型模式之间竞争态势的影响,从而达到更佳的分类识别效果.

克隆遗传算法与模拟退火算法相结合的配电网络重构

配电网重构可以提高配电网运行的安全性、经济性和供电质量,对于当前国内配电自动化系统建设和应用具有重要意义。将克隆遗传算法(CGA)与退火算法(SA)结合起来,把退火算法中的Metropolis抽样准则融入到克隆遗传算法中,形成克隆遗传退火算法(CGSA)。以网损最小为目标函数,以配电网电压降的限制、线路电流量的限制等为约束条件,在考虑配电网自身特点的基础上,以IEEE33节点为算例,利用克隆遗传退火算法求解。结果证明该优化算法具有较好的全局收敛性和收敛速度。

传感器网络中结合SOM与免疫克隆选择的分簇路由策略

提出一种结合自组织映射(SOM)与免疫克隆选择算法的分簇路由策略SICR(SOM and Immune Clonal Selection Based Clustering Routing Scheme for Wireless Sensor Networks).在分簇聚类时,充分考虑了网络节点密度、剩余能量以及与汇聚点间距离等因素,采用一种基于自组织映射原理的簇头竞争算法,构建了能量消耗均衡的分簇结构.该结构可以有效的应用于节点能量异构的网络场景.同时,为了减少簇重构次数,降低重构开销,在维护阶段引入了自适应调整机制,簇首可根据簇内各成员的剩余能量估算簇的稳定性,并据此调整簇规模.路由的组织则分为簇内通信和簇间通信两部分:簇内通信基于建立的簇内拓扑路径集进行;簇间通信则通过基于克隆选择算法建立的最小汇集树进行.模拟实验表明,与现有的几种算法相比,SICR能更好均衡节点的能量消耗和延长网络寿命.

混合交通网络设计及免疫克隆退火算法求解研究

研究混合交通网络设计问题,以交通网络总阻抗最小为目标,在建设资金的约束条件下给出了双层规划模型.将模拟退火算法中的退火策略引入到免疫克隆算法中,设计了求解模型的免疫克隆退火算法.算例验证了算法的可行性,并通过与模拟退火算法比较证明了设计算法的有效性.最后,在给定不同建设资金的约束条件下进行了灵敏度分析,并讨论了投资成本与网络总阻抗、建设资金约束与网络设计决策的关系.

基于免疫克隆选择算法的神经网络规则抽取

神经网络的不可解释性一直是限制其发展的固有缺陷,该文从神经网络的功能性观点出发,提出基于免疫克隆选择算法的神经网络规则抽取方法。将免疫克隆策略用于神经网络的规则抽取中,对已经训练好的神经网络隐层神经元输出值进行聚类,缩小搜索空间,抽取出理解性好、简洁的符号规则。该方法不依赖于具体的网络结构和训练算法,可以方便地应用于各种分类器型神经网络。实验结果表明该方法的实用性和可行性。

无线传感器网络克隆攻击检测协议

为提高在无线传感器网络安全威胁方面的克隆攻击技术的检测效率,延长网络的生存时间,提出一种克隆攻击检测技术,即N-CAD协议。引入一类新的检测节点,该类节点和普通传感器节点并行操作。模拟仿真结果显示,该类节点提高检测效率,使网络能量均匀消耗,延长网络的生存周期。与现有的克隆攻击检测协议相比,N-CAD协议具有较好的性能。