基于增量学习的车联网恶意位置攻击检测研究

近年来,车辆恶意位置攻击检测中主要使用深度学习技术.然而,深度学习模型训练耗时巨大、参数众多,基于深度学习的检测方法缺乏可扩展性,无法适应车联网不断产生新数据的需求.为了解决以上问题,创新地将增量学习算法引入车辆恶意位置攻击检测中,解决了上述问题.首先从采集到的车辆信息数据中提取关键特征;然后,构建恶意位置攻击检测系统,利用岭回归近似快速地计算出车联网恶意位置攻击检测模型;最后,通过增量学习算法对恶意位置攻击检测模型进行更新和优化,以适应车联网中新生成的数据.实验结果表明,相比SVM,KNN,ANN等方法具有更优秀的性能,能够快速且渐进地更新和优化旧模型,提高系统对恶意位置攻击行为的检测精度.

基于联邦学习的车联网虚假位置攻击检测研究

车联网恶意行为检测是车联网安全需要的重要组成部分.在车联网中,恶意车辆可以通过伪造虚假的位置信息实现虚假位置攻击.当前,针对车联网恶意位置攻击的解决办法是通过机器学习或深度学习的方式实现车辆恶意行为的检测.这种方式需要将数据进行收集,从而引发隐私问题.为解决上述问题,提出了一种基于联邦学习的车联网恶意位置攻击的检测方案.该方案不需要将用户数据进行收集,检测模型利用本地数据和模拟数据进行局部训练,这样即确保了车辆用户的隐私,同时减少了数据传输,节约了带宽.基于联邦学习的恶意位置攻击检测模型使用公开的VeReMi数据集进行训练和测试,并比较了以数据为中心的虚假位置攻击检测方案的性能.通过比较,基于联邦学习的恶意位置攻击检测与传统的以数据为中心的恶意位置攻击检测方案性能相近,但基于联邦学习的恶意位置攻击检测方案在数据传输和隐私保护和检测时延方面却更优.

改进YOLOv5模型下农作物虫害图像识别算法仿真

由于环境和光线等条件影响,虫害图像识别难度较大,为此提出改进YOLOv5模型下农作物虫害图像识别算法。通过K-means算法改进并优化暗通道图像去雾算法,利用优化后的暗通道图像去雾算法对农作物虫害图像展开处理,以此避免因水汽或光照不均等因素造成的图像清晰度低的问题;对原始YOLOv5模型中的注意力机制和损失函数展开优化,通过优化注意力机制提高农作物虫害图像特征提取的精度,根据优化后的损失函数调整预测框的位置以此锁定虫害目标;将去雾后的农作物虫害图像输入改进后的YOLOv5模型中,实现农作物虫害图像的识别。仿真结果表明,经过所提算法改进后的YOLOv5模型IoU有所提高,且特征提取精度和图像识别效率高。

区块链技术应用于医疗数据融合和认证研究

为了保护患者信息的安全与隐私并提供更多的个人医疗服务,提出一种基于区块链技术的医疗数据融合和认证方案。此方案设计一种基于区块链的组签名认证机制,使得小组成员可以自由访问患者的个人医学报告。授权的小组成员将就小组会话密钥达成一致,并将其用于保护患者的敏感信息。如果有新成员加入组或老成员离开组,则组会话密钥需要随时更新。最后,通过性能和安全性分析,将区块链技术应用于电子医疗数据共享,能增加数据共享的安全性和可靠性。