支持等式测试的标识加密(identity-based encryption with equality test, IBEET)体制解决了传统等式测试方案中证书管理的问题,得到了广泛的关注.但现有的IBEET体制难以抵抗渗透攻击,且都是基于国外密码算法设计,不具有自主知识产权....支持等式测试的标识加密(identity-based encryption with equality test, IBEET)体制解决了传统等式测试方案中证书管理的问题,得到了广泛的关注.但现有的IBEET体制难以抵抗渗透攻击,且都是基于国外密码算法设计,不具有自主知识产权.基于此,提出一种支持等式测试并具有密码逆向防火墙的SM9标识加密方案(SM9 identity-based encryption scheme with equality test and cryptographic reverse firewalls, SM9-IBEET-CRF).该方案在用户与云服务器的上行信道间部署密码逆向防火墙(cryptographic reverse firewalls,CRF),对用户发出的信息执行重随机化以达到抵抗渗透攻击的作用.该方案拓展国密算法SM9至IBEET领域中,提升其运行效率并丰富国密算法在云计算领域的研究.给出了SM9-IBEET-CRF的形式化定义和安全模型,并在随机预言机模型中考虑2种不同的敌手将此方案在选择密文攻击下的不可区分性与单向性分别形式化地规约到BDH困难假设上.同时,该方案通过考虑第3种敌手证明CRF的部署为其带来维持功能性、保留安全性以及抵抗渗透性.实验仿真和分析结果展示了该方案的有效性.展开更多
随着智能家居应用的不断深化,基于Wi-Fi信号的室内定位技术也受到了广泛关注。在实际应用中,大多数室内定位算法采集得到的训练数据和测试数据通常并非来自于同一理想环境,各种环境条件变化以及信号漂移导致采集得到的训练数据和测试数...随着智能家居应用的不断深化,基于Wi-Fi信号的室内定位技术也受到了广泛关注。在实际应用中,大多数室内定位算法采集得到的训练数据和测试数据通常并非来自于同一理想环境,各种环境条件变化以及信号漂移导致采集得到的训练数据和测试数据间的概率分布不同。传统定位模型在面对不同分布的训练数据和测试数据时无法保证具有良好的定位精度,常出现算法定位精度大幅降低,甚至算法不可用等问题。面对这一难点,迁移学习中的域适应方法作为一种可以有效解决训练样本和测试样本概率分布不一致的学习问题被广泛应用于室内定位领域。文中结合域适应学习和机器学习算法,提出了一种基于特征迁移的室内定位算法(Transfer Learning Location AlgorithmBased on Global and Local Metrics Adaptation,TL-GLMA)。TL-GLMA在定位阶段通过特征迁移方式将两域原始数据映射至高维空间,从而在最小化两域数据的分布差异的同时保留两域数据内部的局部几何属性,并利用映射后的独立同分布数据训练分类器,从而实现目标定位。实验结果表明,TL-GLMA能够有效减少环境变化带来的干扰,提升定位精度。展开更多
文摘支持等式测试的标识加密(identity-based encryption with equality test, IBEET)体制解决了传统等式测试方案中证书管理的问题,得到了广泛的关注.但现有的IBEET体制难以抵抗渗透攻击,且都是基于国外密码算法设计,不具有自主知识产权.基于此,提出一种支持等式测试并具有密码逆向防火墙的SM9标识加密方案(SM9 identity-based encryption scheme with equality test and cryptographic reverse firewalls, SM9-IBEET-CRF).该方案在用户与云服务器的上行信道间部署密码逆向防火墙(cryptographic reverse firewalls,CRF),对用户发出的信息执行重随机化以达到抵抗渗透攻击的作用.该方案拓展国密算法SM9至IBEET领域中,提升其运行效率并丰富国密算法在云计算领域的研究.给出了SM9-IBEET-CRF的形式化定义和安全模型,并在随机预言机模型中考虑2种不同的敌手将此方案在选择密文攻击下的不可区分性与单向性分别形式化地规约到BDH困难假设上.同时,该方案通过考虑第3种敌手证明CRF的部署为其带来维持功能性、保留安全性以及抵抗渗透性.实验仿真和分析结果展示了该方案的有效性.
文摘随着智能家居应用的不断深化,基于Wi-Fi信号的室内定位技术也受到了广泛关注。在实际应用中,大多数室内定位算法采集得到的训练数据和测试数据通常并非来自于同一理想环境,各种环境条件变化以及信号漂移导致采集得到的训练数据和测试数据间的概率分布不同。传统定位模型在面对不同分布的训练数据和测试数据时无法保证具有良好的定位精度,常出现算法定位精度大幅降低,甚至算法不可用等问题。面对这一难点,迁移学习中的域适应方法作为一种可以有效解决训练样本和测试样本概率分布不一致的学习问题被广泛应用于室内定位领域。文中结合域适应学习和机器学习算法,提出了一种基于特征迁移的室内定位算法(Transfer Learning Location AlgorithmBased on Global and Local Metrics Adaptation,TL-GLMA)。TL-GLMA在定位阶段通过特征迁移方式将两域原始数据映射至高维空间,从而在最小化两域数据的分布差异的同时保留两域数据内部的局部几何属性,并利用映射后的独立同分布数据训练分类器,从而实现目标定位。实验结果表明,TL-GLMA能够有效减少环境变化带来的干扰,提升定位精度。