软件定义网络分布式控制信道构建协议

软件定义网络中控制层和数据层的分离可以实现对物理上分散的控制器进行逻辑上的集中管理,从而具有良好的扩展性能.为实现软件定义网络的高效管理,提出一种分布式控制信道构建协议.协议中各控制器执行自身的管理任务.控制器发起网络拓扑发现过程,根据发现的局部网络拓扑创建以控制器为根,具有最小延迟的树形控制拓扑,进而形成控制层.由于协议采用异步工作方式,所以无需进行网络全局初始化,也无需全局网络信息.经过协议分析和实验验证,提出的协议能够应用于大规模软件定义网络,并具有较好的时间和扩展性.

一种车载控制器局域网络入侵检测算法及硬件加速

控制器局域网(controller area network,CAN)总线协议广泛应用于车辆系统,是一种高效的标准总线,可实现所有电子控制单元(electronic control units,ECUs)之间的通信.然而,CAN总线由于缺乏安全防御功能,很容易受到攻击.针对车载入侵检测提出一种自注意力机制(self-attention mechanism,SAM)增强的网格型长短时记忆(grid long short-term memory,Grid LSTM)网络,称为SALVID.SAM可以增强针对CAN总线的攻击行为特征,Grid LSTM可以有效提取时序数据的深度特征.通过从实际汽车中提取的正常CAN数据生成5个攻击数据集,包括拒绝服务(denial of service,DoS)攻击、模糊攻击、欺骗攻击、重放攻击和删除攻击,比较了具有不同模型深度的各种模型的性能,结果表明,在检测CAN总线攻击方面,SALVID具有最佳性能.该模型可以识别带有小批量特征的攻击,整体检测准确率为98.98%,这在以往的研究中是很难做到的.还设计并实现了基于现场可编程门阵列(field programmable gate array,FPGA)嵌入式平台的SALVID模型,并基于训练好的模型使用并行优化和量化来加速计算.实验结果表明,即使有一定程度的量化,SALVID仍然表现出98.81%的高检测准确率和1.88 ms的低时延.该研究为设计高性能实时车载入侵检测系统提供了一种新思路.

异构分布式系统DAG可靠性模型与容错算法

异构分布式系统性能得到大幅度提升的同时,却造成故障率大增,以有向无环图(Directed Acyclic Graph,DAG)任务模型研究异构分布式系统的容错调度成为当前的研究热点.广泛采用的基于任务复制的容错算法存在以下问题:(1)DAG任务可靠性需求与DAG可靠性需求的约束存在缺陷且缺乏严谨的理论证明;(2)每个任务仅有一个副版任务,不足以应对任务潜在的多次发生的故障;(3)盲目地使每个任务拥有ε+1个副版来容忍可能的ε个故障,虽然提高了系统的可靠性但易造成系统冗余度过高,并付出昂贵的计算资源.文中首先分析DAG图中任务依赖关系,确定DAG任务的可靠性概率模型,并建立DAG可靠性模型;接着提出满足可靠性目标的任务复制下限值算法、经济的任务复制策略算法和贪婪的任务复制策略算法,精确量化各个任务需要复制的次数,最后在上述算法的基础上提出可选策略的DAG容错算法OPDFT(Optional Policy on DAG Fault-Tolerant).实验表明,OPDFT算法的经济复制策略和贪婪复制策略的可靠性代价分别是盲目策略算法可靠性代价的60%和70%左右.

异构网络化汽车电子系统中多DAG离线任务调度

公平性和通信开销已成为影响调度性能的主要瓶颈,首先在任务优先级排序阶段,提出基于通信开销权值的轮转调度的公平排序标准;在处理器选择阶段,提出在插入法的基础上将任务分配到具有最小选择值的选择标准;综合上述2个阶段,提出以降低调度长度和减少通信开销为目标的多DAG离线公平任务调度(MDOFTS,multiple DAGs off-line and fairness task scheduling)算法。异构网络化汽车电子系统是一个典型的混合关键级嵌入式系统,既要确保实时性又要降低调度长度,提出了以满足安全关键DAG的多DAG离线优先级任务调度(MDOPTS,multiple DAGs off-line and Priority task scheduling)算法。综合MDOFTS和MDOPTS,提出多DAG离线自适应任务调度(MDOATS,multiple DAGs off-line and adaptive task scheduling)算法,在满足实时性的基础上提高调度性能。实例分析和实验结果表明,提出的算法在调度长度、通信开销、不公平性、最差响应时间和实时性上都优于其他算法。

容迟移动传感器网络预测辅助的数据传输机制

容迟移动传感器网络利用节点间的链路在时间和空间上的连通关系进行数据传递.移动节点的接触具有不确定性,本文提出一种基于节点时空维度相遇特性的接触概率预测方法,在节点获得的时空信息不够充分的场景下,引入区间数的不确定性理论对节点间接触的不确定性进行描述,并提出接触概率的区间数比较方法.在此基础上提出一种预测辅助的动态多副本数据传输机制,该机制降低了接触不确定性对可靠数据传输产生的影响,提高了数据成功转发率.

面向社交网络基于协作度协商的联盟形成机制

分布式多Agent构成的社交网络通常表现出不同的特征,针对不同的社交网络和多Agent本身的异质性,提出了一种面向社交网络的基于协作度协商联盟形成机制.该机制依托多Agent构成的社交网络环境,建立面向分布式环境的分布式协商协议,并设计一种考虑到社交网络特征和Agent异质性的基于协作度的协商策略,采用分布式自动协商方式形成联盟.通过对全连通网络、层次网路和小世界网络的仿真实验结果表明,该机制能够有效地实现分布式环境下的联盟形成,并且在反应大多数实际应用环境的小世界社交网络中表现出相对较好的性能.

异构系统双关键级分布式功能的动态调度

异构分布式嵌入式系统是由多种不同关键级功能组成的混合关键级系统,且每个功能又是由多个具有优先级约束的任务组成的分布式功能.异构分布式嵌入式系统的混合关键级调度在性能与时间约束上面临严重的冲突.如何提高系统总体性能,并仍然确保高关键级功能的实时性,在性能与实时性上取得合理的权衡则成为研究的主要优化问题.提出公平策略的动态双关键级任务调度算法F_DDHEFT(fairness on dynamic dual-criticality heterogeneous earliest finish time)以提高系统的整体性能;提出关键级策略的动态双关键级任务调度算法C_DDHEFT(criticality on dynamic dual-criticality heterogeneous earliest finish time)以满足高关键级功能的实时性;提出时限时距策略的动态双关键级任务调度算法D_DDHEFT(deadline-span on dynamic dual-criticality heterogeneous earliest finish time),在满足高关键级功能实时性的基础上,提高系统的整体性能,最终在性能与时间约束上取得合理的权衡.实例分析和实验结果验证了D_DDHEFT算法的优越性.

具有副本抑制能力的多跳无线网络路由协议

针对多跳无线网络中机会路由的副本传输问题,提出一种新的机会路由协议。提出的策略不再简单采用单跳广播的方式转发数据,而是通过节点间的距离确定转发开销,再让数据包携带下一跳候选节点信息并根据候选节点的ACK选择下一跳节点,从而保证了每个数据包只有一个候选节点进行转发。仿真结果显示,提出的方案能减少不必要的传输行为,有效改善了网络吞吐率。

车辆边缘计算环境下任务卸载研究综述

计算密集和延迟敏感型车辆应用的出现对车辆设备有限的计算能力提出了严峻的挑战,将任务卸载到传统的云平台会有较大的传输延迟,而移动边缘计算专注于将计算资源转移到网络的边缘,为移动设备提供高性能、低延迟的服务,因此可作为处理计算密集和延迟敏感的任务的一种有效方法.同时,鉴于城市地区拥有大量智能网联车辆,将闲置的车辆计算资源充分利用起来可以提供巨大的资源和价值,因此在车联网场景下,结合移动边缘计算产生了新的计算模式——车辆边缘计算.近年来,智能网联车辆数量的增长和新兴车辆应用的出现促进了对车辆边缘计算环境下任务卸载的研究,本文对现有车辆边缘计算环境下任务卸载研究进展进行综述,首先,从计算模型、任务模型和通信模型三个方面对系统模型进行梳理、比较和分析.然后介绍了最小化卸载延迟、最小化能量消耗和应用结果质量三种常见的优化目标,并按照集中式和分布式两种不同的决策方式对现有的研究进行了详细的归类和比较.此外,本文还介绍了几种常用的实验工具,包括SUMO、Veins和VeinsLTE.最后,本文围绕卸载决策算法复杂度、安全与隐私保护和车辆移动性等方面对车辆边缘计算任务卸载目前面临的挑战进行了总结,并展望了车辆边缘计算环境下任务卸载未来的发展方向与前景.

基于首要信道的无线认知传感器网络多信道广播协议

针对无线认知传感器网络的资源有限性和频谱动态分配,提出了基于首要信道半双工的无线认知传感器网络广播协议。在没有公共信道和时钟同步的情况下,该协议通过单个收发机的收发状态转换和信道表的交换进行网络的初始化。经过网络初始化,节点由首要信道形成拓扑,节点通过首要信道以半双工数据传送方式进行广播。仿真实验表明,与完全广播相比,该协议降低了广播延迟和开销,更利于应用于无线认知传感器网络。

深度学习认知计算综述

随着大数据和智能时代的到来,机器学习的研究重心已开始从感知领域转移到认知计算(Cognitive computing,CC)领域,如何提升对大规模数据的认知能力已成为智能科学与技术的一大研究热点,最近的深度学习有望开启大数据认知计算领域的研究新热潮.本文总结了近年来大数据环境下基于深度学习的认知计算研究进展,分别从深度学习数据表示、认知模型、深度学习并行计算及其应用等方面进行了前沿概况、比较和分析,对面向大数据的深度学习认知计算的挑战和发展趋势进行了总结、思考与展望.

一种并行中英文混合多模式匹配算法

针对中英文混合文本的匹配准确性及大规模数据文本的匹配效率等问题,基于经典的线索化完全哈希特里树算法,提出一种并行化的中英文混合多模式文本匹配算法。采用拆分文本降低多模式匹配算法的串行度,进而在拆分出的小文本上并行地执行文本匹配。通过并行化预处理过程,设计新的存储结构。实验结果表明,该算法在保证结果正确的前提下,执行效率高于经典的串行匹配算法,当数据规模达到226个字符时,可以获得8倍以上的加速比。

基于网关互连的CAN网络最坏响应时间分析

CAN网络广泛应用于汽车电子系统,不同的CAN网络之间需要借助网关进行通信。针对现有的穷尽搜索算法和简化搜索算法,二者为简化分析在分析网关消息所造成的非周期性干扰时忽略了部分高优先级消息的影响,结合这一点,通过考虑被忽略的高优先级消息的干扰,并证明网关消息同时释放时所造成的非周期性干扰最大,改进了基于网关互连的CAN网络最坏响应时间分析的方法。使用Matlab工具进行了仿真实验,实验结果表明,改进后的算法具有较低的时间复杂度以及能够降低结果的悲观性。

面向汽车Zonal架构的TSN轻量级认证与授权通信框架

汽车智能化需求推动了汽车电子电气(electrical/electronic,E/E)架构向基于时间敏感网络(time-sensitive networking,TSN)的区域(Zonal)架构演进,但网联化发展给数据传输带来了严重的信息安全问题。TSN标准所提供的流过滤器、流控门和流计量器3层信息防护模块本质上是一种边界防火墙技术,一旦边界被攻破,整个架构将暴露并因此瘫痪;此外,这种防护技术因存在多层处理而产生过多的计算和通信开销。本文提出一种面向汽车Zonal架构的TSN轻量级认证与授权通信框架,以去边界的方式实现了防劫持、防篡改及防监听的一体化防护方案。基于NXP车规级TSN交换芯片SJA1105Q(作为中央控制器)与NXP车规级SoC LS1028A(作为区域控制器)构建了Zonal架构原型平台,并将所开发的框架部署该原型平台,通过ProVerif工具验证了框架的安全性;基于原型平台的评估结果表明,所提框架在计算和通信开销方面均优于现有汽车信息安全通信框架。

基于自学习稀疏表示的动态手势识别方法

针对加速度传感器的手势采集方式提出一种基于自学习稀疏表示的动态手势识别方法。该方法将分类识别问题转化为求解待识别样本对于训练样本的稀疏表示问题,直接对原始加速度信号进行操作,省去了特征提取过程,可方便地添加新的手势类别和删除已有的手势类别;利用面向类别的字典学习,来寻求一个较小的并经过优化的超完备字典来计算待识别样本的稀疏表示,从而大大缩减算法的计算复杂度,满足实时性要求。在包含18种手势的3 000多个样本的公开数据集上进行测试,实验结果验证了该方法的有效性。

基于路径时延模型的车联网数据分发方案

针对车联网的容迟特性造成通信资源受限的问题,提出了满足副本抑制要求的数据分发方案.方案利用马尔可夫链,通过交通网络的车辆概率分布建立路段的期望传输时延,并结合车辆的轨迹与目标位置的匹配度确定车辆的转发优先级.车辆为转发的每个数据包插入转发参数字段并通过同步反馈机制确定最终的转发车辆,确保由优先级最高的车辆完成转发.考虑到链路的稳定性,还推导了当前丢包率前提下,车辆接收数据包与发送次数之比,避免不必要的发送尝试产生大量副本.实验结果显示,提出的方案与基于轨迹预测的算法相比,有效提高了网络吞吐量和时延性能.

基于蛙眼R3细胞感受野模型的运动滤波方法

视觉感受野(Visual receptive field)模型作为生物视觉感知计算的基础单元,在整个生物视觉信息加工过程中发挥着重要作用.借鉴具有运动视觉特长的生物感受野特性研究高效的运动视觉计算技术,是一种潜在可行的方法.本文基于蛙眼R3细胞感受野,在高斯差分模型(Difference of Gaussians,DOG)的基础上引入时间和空间各向异性的运动视觉表达方式,提出一种基于蛙眼R3细胞的不对称各向异性感受野(Asymmetric anisotropy receptive field,AARF)模型,表达蛙类视觉系统对运动目标敏感的视觉时空特征.基于该运动视觉模型,进一步提出了一种面向序列图像运动目标分析的蛙眼时空运动滤波算子(Frog-based spatio-temporal motion filter,FSTMF),以实现运动目标准确检测与分析.实验结果表明,该方法具有使序列图像背景模糊、动态目标突显的滤波效果,既符合蛙眼视觉背景模糊而前景清晰的特性,也为下一步运动目标的准确检测实现了高效的预处理.

通信竞争的混合关键级系统多DAG动态调度策略

以多DAG模型研究通信竞争的混合关键级系统(mixed-criticality systems)的调度问题是适应现代汽车电子系统异构化和分布式的需要.首先实现通信竞争环境下"向上排序值(upward rank value)"和"最早完成时间(earliest finish time)"中时间的精确分析,以适应系统中计算与网络均异构,且任务与消息的同步特征.接着提出公平策略的多DAG动态任务与消息调度F_MDDTMS算法,以降低系统的调度长度;提出关键级策略的多DAG动态任务与消息调度C_MDDTMS算法,以确保高关键级应用的实时性;结合F_MDDTMS算法和C_MDDTMS算法,提出混合关键级策略的多DAG动态任务与消息调度MC_MDDTMS算法,既确保混合关键级系统中高关键级应用的实时性,又使得低关键级应用得到积极的处理.实例分析和实验结果验证了提出的算法在调度长度、不公平性、最差响应时间和实时性上的优越性.

混合关键级多任务调度中低关键级任务的积极处理

当前的混合关键级多任务调度,一旦高关键级任务的执行时间需求增加,通常的做法是立即抛弃相对低关键级任务,以确保高关键级任务获得足够处理器时间。考虑到数据访问的一致性和完整性以及相应的性能损失,这种处理低关键级任务的方法过于消极;同时,任务的实际执行时间并不总是能达到最差情况下执行时间,且多处理器平台上的调度存在可观的空闲时隙。因此,完全可以也应该对低关键级任务采取更为积极的处理方法。基于同构多处理器平台,构建了两类队列,一类队列容纳回收的空闲时隙,另一类队列为任务队列,包括就绪任务队列和被抛弃的低关键级任务队列,针对这两种任务队列的特性采取不同的调度方案:就绪任务队列采用混合关键级局部调度,被抛弃的低关键级任务则对空闲时隙进行分配。仿真实验表明,此调度方法在保证高关键级任务截止时限的同时,能够使混合关键级系统的可接受任务集数目获得明显提升。

一种适用于车联网环境的车载CAN信号打包算法

车联网技术在汽车上的广泛应用促使现代汽车朝着电子化、网络化和集成化的方向快速发展,在车联网技术快速发展的同时,出现了车载CAN网络中数据量骤增以及带宽受限的问题.因此,如何优化带宽利用率成为车联网技术中CAN网络系统设计的关键所在.针对该问题,研究了CAN网络系统设计方面的信号打包问题:首先,依据周期对信号进行分簇和排序;然后,结合提出的两个空闲带宽评价指标,提出了基于信号簇的启发式信号打包算法CSP,以实现带宽利用率的最优化;最后,通过与现有研究成果的对比分析,证明了CSP算法在带宽利用率优化方面最优.与相关算法相比,CSP可实现的带宽利用率的优化率的平均值和最大值的范围分别为[0.5%,6.4%]和[2.4%,22.65%].