基于容器的轻量级工业控制系统网络安全测试床研究

针对现有工业控制系统(ICS)测试床部署成本高、网络拓扑简单固定、难以共享等问题,提出了一种基于容器的轻量级ICS网络安全测试床构建方法。该方法将田纳西—伊斯曼过程模型及其控制算法分别封装为两类Docker容器镜像,根据Web图形化界面绘制工业控制网络拓扑,自动配置容器接口并连接成仿真工控网络,最终实现具有真实的工业控制网络数据流的ICS网络安全测试床。实验结果表明,该方法仅需要较少的系统资源,就可快速实现给定网络拓扑的测试环境,支持多种网络攻击测试,相比于其他ICS测试床,具有更好的资源使用、加载速度和可移植性,有利于ICS网络安全的测试、研究和教学工作。

面向任务的重叠联盟结构生成计算复杂性

传统的重叠联盟形成问题大都聚焦智能体,鲜有从任务视角出发.为此,本文首先构建了一种面向任务的重叠联盟结构生成模型,并分析了其解空间和相关决策问题的计算复杂性.此外,基于流网络分别设计了相应的孤立联盟、重叠联盟、重叠联盟结构成功性判别算法和最优重叠联盟结构生成算法.分析结果表明,判别孤立联盟、重叠联盟、重叠联盟结构的成功性的时间复杂度均与智能体数和任务数呈多项式关系,而搜索最优重叠联盟结构的时间复杂度与智能体数和任务数呈指数关系.最后,通过仿真实验验证了上述结果.

基于β-VAE的联邦学习异常更新检测算法

利用自编码器模型检测恶意模型更新的联邦学习框架是一种优秀的投毒攻击防御框架,但现有的基于自编码器的模型存在训练困难、异常检测能力不足等问题。针对以上问题,提出了一种基于β-VAE的联邦学习异常更新检测算法:服务器端通过抑制训练样本的随机属性,生成更稳定的训练数据集,并使用该数据集对β-VAE异常检测模型进行即时训练。利用该模型计算客户端上传的任务模型更新的异常分数,然后根据动态阈值来检测并移除异常更新。通过三个联邦学习任务对算法进行了验证,即在MNIST数据集上使用逻辑回归(logistic regression,LR)模型进行分类、在FEMNIST数据集上使用卷积神经网络(convolutional neural network,CNN)进行分类以及在Shakespeare数据集上使用循环神经网络(recurrent neural network,RNN)进行字符预测。实验结果表明,在多种攻击场景下,该算法下的任务模型相较于其他防御算法都取得了更高的准确率。这表明在非独立同分布场景下,该算法对联邦学习投毒攻击具有良好的鲁棒性。

基于Group-Res2Block的智能合成语音说话人确认方法

针对现有说话人确认任务基于自然语音条件下并不适用于智能合成语音的问题,提出一种基于Group-Res2Block的智能合成语音说话人确认方法。首先,设计了Group-Res2Block结构,在Res2Block的基础上将当前分组与相邻前后分组进行合并形成新的分组,以增强说话人局部特征的上下文联系;其次,设计了并行结构的多尺度通道注意力特征融合机制,利用不同大小卷积核实现同一层级的特征在通道维度的特征选择,以获取更具表现力的说话人特征,避免信息冗余;最后,设计了串行结构的多尺度层注意力特征融合机制,构建层结构,将深浅层特征整体进行融合并赋予不同权重,以获取最优的特征表达。为验证所提出特征提取网络的有效性,构建了中英文两种智能合成语音数据集进行消融实验和对比实验。结果表明本文方法在该任务的评价指标精确度(accuracy,ACC)、等错误率(equal error rate,EER)和最小检测代价函数(minimum detection cost function,minDCF)上是最优的。此外,通过对模型泛化性能进行测试,验证了本文方法对未知智能语音算法的适用性。

结合对抗互信息的多变量时间序列抗噪异常检测

近年来,对多变量时间序列的异常检测在各领域中逐渐突显出其重要性。然而,由于多变量时间序列的时空依赖性以及采集所存在的噪声干扰,使得模型学习到的分布与真实分布存在一定的偏差,进而影响检测性能。为了解决以上问题,提出一种结合对抗互信息的多变量时间序列抗噪异常检测模型(RADAM)。通过设计对比学习机制来达到多变量时间序列全局信息和局部信息的互信息最大化,以此来学习多变量时间序列的时间与空间依赖性;利用自适应权重和过滤器模块减少噪声样本对于训练过程的干扰,使模型在训练过程中具备较高的抗噪能力。在五个真实数据集上与六个先进的同类异常检测方法进行了对比实验,实验结果证明RADAM性能明显优于其他基线模型,说明RADAM能显著提升在包含噪声的多变量时间序列数据集上异常检测的准确度。

纹理和深度特征增强的双流人脸呈现攻击检测方法

人脸呈现攻击是一种利用照片、视频等将人脸通过媒介呈现在摄像头前欺骗人脸识别系统的技术.现有的人脸呈现攻击检测方法大多采用深度特征辅助监督分类,忽略有效的细粒度信息以及深度信息与纹理信息的相互联系.因此,文中提出纹理和深度特征增强的双流人脸呈现攻击检测方法.一端网络通过中心差分卷积网络提取比原始卷积网络更鲁棒的欺骗人脸纹理模式.另一端网络通过生成对抗网络生成深度图的深度线索,提高对外观变化和图像质量差异的稳定性.在特征增强模块中,设计中心边缘损失,对两类互补特征进行融合和增强.在4个数据集上的实验表明,文中方法在数据集内以及跨数据集的测试中都取得较优性能.

受灾路网抢修队动态调度问题的建模与求解方法

地震、受灾路网抢修作为灾后应急响应中的一个基础环节,主要研究如何制定道路抢修队的修复方案,从而快速打通生命救援线路,确保救援队伍、装备、物资等及时输送到灾区各个需求点。然而,已有研究大多专注于静态受灾路网,难以适应地震、洪水等重特大自然灾害下的复杂应急场景。构建一种动态受灾路网模型,模拟应急场景的动态恶化,并基于Markov决策过程构建抢修队的动态决策模型,设计相应的状态空间、动作空间和回报函数。最后,提出一种基于改进Q学习(IQL)的动态调度(IQLDS)算法,以适应当前的路网状态,快速得到较优的修复策略。实验结果表明,与蚁群优化算法、IQL算法相比,IQLDS算法在大规模、高受损率路网环境中的目标函数值降低了约50%,能够在精确感知路网环境变化后及时调整学习策略,并充分利用历史经验获得较优的修复方案。

多时间尺度一致性的弱监督时序动作定位

由于弱监督时序动作定位模型使用视频级的标签作为监督信号,模型在识别出动作实例中最具区分性的视频片段时,也会将和视频级标签有关的背景片段误认为是动作,难以产生完整的动作提议。为了进一步检测动作片段,通过分析动作片段在多时间尺度上标记的一致性,提出了一种多时间尺度一致性的弱监督时序动作定位方法。对输入的视频帧提取RGB和光流的特征,设计一种多时间尺度的模块,使用不同尺寸的卷积核建模视频的时序关系。通过估计多时间尺度特征的时间类激活图,并对多分支的时间类激活图进行融合,获得多时间尺度一致性的动作预测标签。为了进一步优化模型预测的动作标签,采用迭代优化策略,在每次迭代中更新预测标签,并为模型训练提供有效的帧级监督信号。在THUMOS14和ActivityNet1.3数据集上进行实验验证,实验结果表明,方法性能优于现有弱监督时序动作定位方法。

采用自注意力抗干扰网络的视频房颤检测

房颤的早期发现与诊断是降低房颤以及并发症风险的关键。视频光电体积描记术(VPPG)技术为房颤筛查提供了新途径,但易受到现实场景中运动干扰。现有VPPG房颤检测方法存在运动干扰时会造成脉冲信号失真,从而发生误判。为解决以上问题,提出一种抗干扰视频房颤检测模型。该模型使用注意力编码器网络,从包含运动干扰的脉冲信号中提取鲁棒的脉冲潜在特征,径向基分类网络根据潜在特征实现房颤检测。注意力编码器将复杂脉冲信号映射到高维子空间,重点关注有效信息,提取稳健潜在特征。径向基分类网络在房颤标签监督下提高房颤识别能力,输出可靠结果。在200名测试者参与的自建数据集上进行实验,结果表明该模型在各类场景中均表现优异。在静态场景中,检测精度较最优对比算法提高了8.1%,敏感性提高了7.5%。在动态场景中,对比算法准确度均大幅下降,所提模型精度相比提升了16.5%,特异性提升了18.3%。模型具有良好的抗运动干扰能力,可有效地消除运动干扰影响,提高现实场景中视频房颤检测精度。

一种基于差分进化的鲁棒音频隐写算法

音频隐写是将秘密信息隐藏到音频载体中,已成为信息隐藏领域的一个研究热点。已有研究大多聚焦最小化隐写失真,却以牺牲隐写容量为代价,且往往被一些常规信号攻击后难以正确提取秘密信息。为此,基于扩频技术,首先,分析了隐写参数(分段隐写强度和分段隐写容量)与不可感知性和鲁棒性的关系,并构建了一种以分段隐写强度、分段隐写容量为自变量,以不可感知性和隐写容量为优化目标,以信噪比为约束条件的音频隐写多目标优化模型;然后,提出了一种基于差分进化的鲁棒音频隐写算法,设计了相应的编码、适应度函数、交叉和变异算子。对比实验结果表明,所提隐写算法能够在保证不可感知性和抗隐写分析能力的前提下达到更好的鲁棒性,可以有效抵御一些常规信号处理攻击。

基于耦合绕组的锂电池组主动均衡方案研究

针对锂电池组在充放电过程中出现能量不一致的问题,采用传统的Buck-Boost均衡电路和Flyback均衡电路的均衡方法,提出一种可减小电路尺寸、提高均衡速度和均衡效率的基于耦合绕组的新型主动均衡电路。通过对耦合绕组的选择性充放电,会有三种不同的工作模式来实现单体之间的能量转移,并调节PWM驱动信号占空比来提高均衡器的工作效率。在均衡控制策略方面,根据锂电池开路电压(OCV)与荷电状态(SOC)之间的一一对应关系,提出了基于电压和SOC双变量的均衡控制策略,主要是通过电压快速均衡和修正均衡以及SOC均衡阶段同时实现电压均衡和SOC均衡,更加合理地保证电池组动态性能一致。实验结果表明,该方案可以减少电池组的均衡时间,并且降低了能量损耗,提高了均衡效率,使电池组的整体性能达到最优状态。

基于多残差动态融合生成对抗网络的人脸素描-照片合成方法

针对现阶段人脸素描-照片合成方法合成的图像存在清晰度较低、面部细节模糊等问题,提出基于多残差动态融合生成对抗网络的人脸素描-照片合成方法.首先设计多残差动态融合网络,从不同的密集残差模块分别提取特征并进行残差学习.然后根据不同层次的多样化残差特征生成对应的偏移量,不同位置的卷积核依据偏移量改变采样坐标,使网络自适应地关注特征中重要信息.在避免特征信息逐级丢失和冗余信息干扰的前提下,网络有效整合几何细节信息与高级语义信息.方法同时引入多尺度感知损失,对不同分辨率的合成图像进行感知对比,使网络可由粗到细地对合成图像进行正则化约束.在香港中文大学面部素描数据集上的实验表明,文中方法合成的图像清晰度较高,面部细节完整,颜色一致,接近真实的人脸图像.

基于最大信息传递熵的ICS因果关系建模

针对传统因果关系算法难以准确分析含大量噪声的非线性数据的问题进行了研究,提出基于最大信息传递熵的因果关系建模算法。首先,利用最大信息系数对非线性数据的时序趋势间的关联度进行检测,弱化噪声对变量间相关性的影响;然后根据筛选因子剔除弱相关变量,并通过随机经验估值计算强关联变量间的传递熵,以减少传递熵的计算量;最后,传递熵确定因果关系方向,形成支持链路溯源的单向因果网络。利用经典化工过程数据集对该算法进行测试分析,实验结果表明,相比于现有的因果关系建模算法,该算法可定位异常变量,对12维以上的高维数据建模的稳定性高于85%,因果关系的准确率可达83.33%,实际建模效果优于对比算法,可用于工业控制系统异常检测定位。

园区电力数据可视分析系统

将可视化分析技术应用于电力系统可以有效地解决电力系统发展带来的海量数据分析及显示等问题。文章介绍了数据可视化技术在电力系统中的研究和应用,针对电网企业数据和已有的分析手段,并结合园区电力系统分析需求提出一种支持用户交互式探索的可视分析系统框架;基于此提出了园区电力数据可视分析原型系统,支持在浏览器中或其他显示和交互设备上使用。案例分析表明,该系统可以全方面地展现园区内的供用电数据以及资源建设等信息,帮助供电部门综合多种电力数据进行分析。

基于语义伪标签和双重特征存储库的无监督跨模态行人重识别

现有的有监督可见光-近红外行人重识别方法需要大量人力资源去除手工标注数据,容易受到标注数据场景的限制,难以满足真实多变应用场景的泛化性。因此,文中提出基于语义伪标签和双重特征存储库的无监督跨模态行人重识别方法。首先,提出基于对比学习框架的预训练方法,利用可见光行人图像和其生成的辅助灰度图像进行训练。利用该预训练方法获取对颜色变化具有鲁棒性的语义特征提取网络。然后,使用DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类方法生成语义伪标签。相比现有的伪标签生成方法,文中提出的语义伪标签在生成过程中充分利用跨模态数据之间的结构信息,减少跨模态数据颜色变化带来的模态差异。此外,文中还构建实例级困难样本特征存储库和中心级聚类特征存储库,充分利用困难样本特征和聚类特征,让模型对噪声伪标签具有更强的鲁棒性。在SYSU-MM01、RegDB两个跨模态数据集上的实验验证文中方法的有效性。

深度交流学习模式

本文针对深度神经网络如何更快速和充分学习的问题,提出一种基于知识传递的深度交流学习(Deep Communication Learning,DCL)模式。该模式中多个神经网络在各自独立学习的同时将网络参数作为知识进行交流,单个神经网络在训练中将自身所学到的知识分享给其他网络,同时从其他网络上吸纳一定比例的学习成果,交替进行独自学习和在集体中的知识交流。基于多个公开数据集的实验结果表明,相对于单独学习,仅用2个网络进行DCL就可获得学习效果最高3.44%的提升;增加进行DCL的网络个数至6个,学习效果可进一步得到最高2.74%的提升。DCL模式有利于训练出效果更好的神经网络。

成本最小化的最优重叠联盟结构生成算法

重叠联盟结构生成(OCSG)的解空间复杂性较高,基于演化计算的随机搜索方法不能保证得到最优解,且其假设Agent承担任务消耗资源时不产生任何成本代价,导致无法区分各联盟结构的差异性。针对该问题,构建以联盟结构成本最小化为优化目标的OCSG数学模型,并提出一种基于动态规划的最优OCSG算法。实验结果表明,与TTGs_DP算法相比,该算法的环境适应性较好,资源利用率较高。

动态可靠性约束的多阶段测试资源分配研究

为满足测试资源分配过程中用户对软件可靠性的需求,构建一种动态可靠性约束的多阶段多目标测试资源分配模型DRC-MSMOTRA。从理论上分析不同阶段满足可靠性约束的测试时间下限并设计相应的种群初始化策略,结合参数估计、加权归一化方法和多目标差分进化,提出一种动态可靠性约束的多阶段多目标测试资源分配算法MS-DRC-GDE3。实验结果表明,与MSMOTRA模型相比,DRC-MSMOTRA模型在2种不同规模的软件系统上所获解的覆盖值分别提高约62和59个百分点,与MS-GDE3算法相比,MS-DRC-GDE3算法在2种软件系统上所获解的覆盖值分别提高约69和80个百分点,即所提模型和算法能够根据用户对可靠性的需求来为用户提供更多更优的测试资源分配方案。

多阶段多目标动态测试资源分配算法

为准确反应软件测试过程中的动态特征,建立一种多阶段多目标动态测试资源分配模型。通过计算不同测试阶段的模块参数和可用测试资源,实现每个测试阶段最小剩余错误总数和最少测试资源消耗。设计一种基于带精英策略的非支配排序遗传算法(NSGA-Ⅱ)、参数估计、种群重新初始化和约束处理的多阶段多目标动态测试资源分配算法。实验结果表明,所提模型和算法得到的测试资源分配方案的数量和质量明显优于动态单目标和静态多目标方法。

HXDSP平台上矩阵乘法的实现与性能分析

在向量处理器上进行矩阵运算时硬件资源利用率与数据处理能力较低。为此,基于魂芯数字信号处理器(HXDSP)平台,结合高效视频编码(HEVC)标准中的离散余弦变换算法,采用数据压缩式向量法实现矩阵乘法,以发挥向量处理器的硬件资源。实验结果表明,该方法可达到HXDSP的定点乘累加运算能力峰值32 GMACs,数据处理能力可达2 GPixel/s,满足HEVC编码标准的性能要求。