基于生成式对抗网络的联邦学习激励机制

针对当前联邦学习缺乏公平合理的激励机制,难以衡量不同数据量、不同数据质量、不同数据分布的参与节点的联邦学习贡献度等问题,提出一种基于生成式对抗网络(GAN)的联邦学习激励机制。首先,提出融合训练模型的生成式对抗网络实现高精度样本生成;随后,基于融合训练模型的生成式对抗网络实现激励机制的贡献度评估算法,该算法通过联合模型筛选样本并生成数据标签,引入参与节点的本地数据标签分布平衡非独立同分布数据标签对贡献度评估的影响;最后,使用两阶段Stackelberg博弈实现联邦学习激励过程。安全性分析结果表明,所提激励机制在联邦学习过程中保证数据安全和系统稳定。实验结果表明,所提激励机制具备正确性,贡献度评估算法在不同数据量、不同数据质量和不同数据分布的情况下均有较好的性能。

TCP/IP协议与网络故障实战

TCP/IP协议是网络中计算机之间通信的“语言”,TCP/IP协议系统的层次结构和数据传输机制,使之成为Internet上最为实用的协议。在诊断网络故障中,清晰地把握此协议,可使网络故障的诊断与排除变得更加简单。

科学数据共享中的结构洞探析

科学数据共享是填补数据鸿沟、结束资源不平等分配、实现数据重用的一项重要举措。在错综复杂的科学数据共享网络中,分散独立的主体因所处位置不同、资源拥有量的差异很难建立直接性的可达关系,需要依托扮演“结构洞”角色的主体实现科学数据共享,因此探究科学数据共享中的结构洞对于推动科学研究中数据的快速获取和高效流动有重要作用。在界定和分析结构洞、科学数据共享等核心概念的基础上,辩证地对科学数据共享中结构洞的作用进行价值评判,并进一步提出实践转移、生态建设、激励机制和优化网络结构四条实施策略,以提高科学数据共享中资源的可获得性,弱化科学数据共享壁垒,构建良好的数据共享生态。

A scalable blockchain-based scheme for traffic-related data sharing in VANETs

Recent advances in wireless technology and embedded systems enable vehicles to share relevant traffic-related data to improve the transportation Quality-of-Service(QoS).However,due to the ubiquitousness of cyber-attacks,it is challenging to ensure the integrity of the data collected from cars.This paper proposes a novel architecture for road traffic events management in Vehicular Ad hoc NETworks(VANETs)relying on a permissioned blockchain.It also introduces the concept of micro-transactions to minimize communication and storage overhead.Through simulations,a rigorous performance evaluation of the proposed approach was conducted,and the micro-transactions effectiveness was assessed.In addition,a comparison with close works in the literature was performed.The proposed scheme ensures road traffic records integrity and traceability,and simulation results on the considered scenarios showed good performance.

Ad Hoc网络基于动态内容路由的数据共享机制

无线网络已经在各个行业中得到了广泛的应用,例如文件传输、数据共享等。常见的点对点(P2P)共享技术是通过有线网络来获取所需数据的,在无线网络上数据的共享传输则受到各种限制。为解决此问题,提出了基于动态内容路由的数据共享机制,通过比较无线网络中某段网络的特征权重带宽和跳数等来取得更有效的数据信息。

电视台非编网Smartor存储管理系统架构

以杭州广播电视台为例,简单介绍了非编网Smartor存储管理系统的建设背景,从网络共享、素材管理、信息安全等方面详细说明视频拍摄、制作、播出、归档等业务流程,并阐述了该系统的优势及其功能应用。

一种可用于数据和模型分享的模型链

机器学习开始在越来越多的行业中得到应用,但使用机器学习执行任务的软件一直受限于第三方软件商更新模型。文中基于区块链,将训练神经网络消耗的算力和区块链的工作量证明机制相结合,提出并实现了模型链。模型链作为一种可用于分享数据和机器学习模型的区块链,基于骨架网络训练神经网络模型,以全网节点匿名分享的数据作为训练模型的数据集,实现了不依赖第三方更新神经网络模型。模型链使用环签名来保护用户数据隐私,节点训练的模型使用统一的测试集评估,通过评估的模型将作为节点的工作量证明用于投票达成一致共识。文中提出了两种可行的激励机制,即物质奖励和模型奖励。对于潜在的威胁,如账本分析、脏数据攻击和欺骗投票,给出了相应的解决方案.实现了一个用于数字识别的模型链。实验结果表明,模型链中的模型可以适应实际场景下发生的用户变迁和数据变化。

共享单车出行OD的时空注意力残差网络预测模型

为探究共享单车出行的复杂时空规律与特性,揭示城市因素对共享单车出行OD的影响,提高OD预测精度,开展本研究。结合城市计算,考虑疫情、天气、温度、风速与节假日因素,构建共享单车出行OD的时空注意力残差网络预测模型(USTARN)。USTARN先将共享单车OD数据通过时空特征切分捕捉单车流的时空依赖性,再结合注意力机制进行深度残差学习,最后根据城市因素学习结果调整预测结果。利用从政府数据开放平台获取的深圳市共享单车订单大数据及城市因素数据集,分析共享单车出行时空分布规律及其影响因素。将OD数据集按7:1:2划分为训练集、验证集与测试集,分别进行训练预测、模型参数自适应调整及模型验证对比实验。研究表明,USTARN模型的共享单车出行OD预测平均误差为7.68%,与不含城市计算的STARN模型及传统的CNN,BiLSTM模型相比,误差分别降低了5.93%、7.55%、6.07%,预测精度显著提高。USTARN模型充分反映了时间、空间、疫情、天气、温度、风速等因素对共享单车出行OD的影响。研究成果对共享单车出行OD的精准预测具有理论指导意义,对该出行模式的推广并解决居民出行“最后一公里”问题具有实际应用价值。

建立政法机关网络信息数据交换与共享机制势在必行

政法机关网络信息数据交换与共享机制建设是当前国家机关信息化建设的重要举措,本文系统地分析了建立政法机关网络信息数据交换与共享机制对我国政法机关信息化发展和执法规范化建设的意义,阐述了建立这种机制的必然性和建设的方法及内容。

大型景观工程中智能化集成系统的设计

本文主要介绍了天津市文化中心景观工程的智能化系统，并在此基础上分析了在大型景观工程中采用基于TOP／IP协议的设备IP网的优势。