基于电力云边协同的非侵入式Modbus TCP协议安全增强方法

分布式电源(distributed resources,DR)中智能边缘设备数据传输的安全问题为电力系统带来了安全隐患。Modbus TCP(transmission control protocol)协议作为边缘设备采用的通信手段之一,其协议安全性的不足使得系统易遭到网络空间的攻击。为保障电力设备数据传输安全,对现有安全手段进行整理,分析现有安全手段在DR应用场景下的不足,提出一种非侵入式Modbus TCP协议安全增强方法。该方法采用云边协同的架构,利用电力控制中心云平台管理访问控制原则,将实际访问控制决策模块部署在边缘设备,并通过细粒度的访问控制组合限制恶意行为。依据Modbus协议参考指南,搭建DR应用场景进行渗透测试,验证该方法能有效防御重放攻击和中间人攻击,可将安全开销控制在百微秒以内,显著优于其他安全手段,满足DR对实时性的需求。

基于多维语义映射的关系抽取方法研究

关系抽取旨在从句子中识别出实体对之间的关系类型。在关系抽取领域,目前主流的方法都使用了深度学习方法,但大部分方法在输入层没有对词向量进行深层次的讨论。针对这一不足,提出了一种基于多维语义映射的关系抽取方法,该方法的核心思想是将矩阵降维方法应用于神经网络模型输入层。通过将表示文本的词向量进行多维度的降维分解,使分解后的词向量能映射表示同一语句在不同维度上的语义信息。实验结果表明,在Chinese Literature Text和SemEval-2010 Task8数据集上F1值分别达到了75.3%和88.9%,验证了所提方法的有效性。

融合结构信息的节点重要性指标

节点重要性对复杂网络研究至关重要,而网络结构熵支持对复杂网络的结构信息度量,是研究网络的重要理论。为研究节点结构信息对节点重要性排序中的作用,论文融合结构信息和节点删除法,对节点删除后节点邻居、节点所属社区、网络整体的结构信息波动展开分析,从多个角度分析评估节点的影响力。实验表明,融合结构信息的方法能够更全面地表征节点在不同维度、规模的网络中的重要性。

SSVAE:一种补充语义信息的深度变分文本聚类模型

【目的】解决现有深度变分推断算法进行文本聚类时面临的语义缺失问题。【方法】基于现有的深度变分推断算法,设计一种补充语义信息的深度文本聚类模型(SSVAE),可以将文本语义信息补充到聚类过程中。【结果】实验结果表明,SSVAE在文本聚类过程中有效地补充了文本缺失的语义信息,与现有效果最好的深度变分推断模型以及主流的深度聚类模型相比,SSVAE的NMI指标在BBC,Reuters-1500,Abstract,Reuters-10k,20news-l这5个真实文本数据集上分别提升8.92、7.43、8.73、4.80和6.14个百分点。【局限】SSVAE在补充语义的过程中,除了补充了缺失的语义,有时也不可避免地引入一些噪声,这会造成聚类效果的微小偏差。【结论】补充语义信息的深度变分文本聚类模型SSVAE能够对文本进行更有效的聚类划分,提高聚类准确性。