检索结果-内蒙古大学图书馆

通信学报 2025年第3期46卷 45-61页

作者：郝宵荣刘波周鼎曹玖新张进东南大学网络空间安全学院江苏南京211189 紫金山实验室江苏南京211111

针对未知网络威胁的隐匿性和渗透性等特点,提出了一种基于拟态防御理论的新型自适应防御模型。该模型引入拟态伪装机制,创新性地提出基于子网伪装的动态重构策略,通过动态调整子网的拓扑结构,扰乱攻击路径的生效过程,自适应阻止未知威... 详细信息

针对未知网络威胁的隐匿性和渗透性等特点,提出了一种基于拟态防御理论的新型自适应防御模型。该模型引入拟态伪装机制,创新性地提出基于子网伪装的动态重构策略,通过动态调整子网的拓扑结构,扰乱攻击路径的生效过程,自适应阻止未知威胁的扩散,实现对网络要地的保护。该模型包括输入代理、可重构子网、调度控制层和策略裁决层,输入代理将业务流传输至可重构子网,策略裁决层构建强化学习驱动的智能决策模型,感知可重构子网的状态并生成防御策略;调度控制层根据防御策略动态调整子网连接,自适应地干扰攻击路径并阻止未知威胁的扩散。实验结果表明,与同类防御方法相比,所提模型能在有限步数内显著提高未知网络威胁防御成功率。

关键词：未知威胁动态异构冗余强化学习拟态防御自适应防御

来源：评论

学校读者我要写书评

暂无评论

基于动态掩码特征选择的蛋白质解链温度预测

引用

计算机应用与软件 2025年

作者：李翔张步忠姚昭伦徐亚军安庆师范大学计算机与信息学院苏州大学江苏省计算机信息处理技术重点实验室

蛋白质解链温度对于深入了解蛋白质的结构与功能、优化蛋白质设计具有重要意义。传统生物湿实验方法测定解链温度成本高，过程繁琐。现有计算方法预测解链温度多数使用蛋白质级别的全局特征，忽略了氨基酸级别的局部特征，且预测精度有... 详细信息

蛋白质解链温度对于深入了解蛋白质的结构与功能、优化蛋白质设计具有重要意义。传统生物湿实验方法测定解链温度成本高，过程繁琐。现有计算方法预测解链温度多数使用蛋白质级别的全局特征，忽略了氨基酸级别的局部特征，且预测精度有限。针对上述问题，提出一种新型深度学习模型ProteoTempNet，旨在提升蛋白质解链温度的预测精度。该模型利用蛋白质语言模型从氨基酸级别提取序列表征，设计一种结合自注意力机制的动态掩码特征选择算法，稀疏化特征表示；用卷积神经网络网络、双向长短期记忆网络以及注意力网络构建ProteoTempNet深度学习模型，应用于蛋白质解链温度预测的回归和分类任务。实验结果表明，ProteoTempNet具有良好的泛化性能，在解链温度预测中相较于现有最优方法，PCC提升1.1%，RMSE降低5.4%，MAE降低3.9%，为该领域提供了一个更为有效的解决方案。

关键词：解链温度局部特征动态掩码特征选择稀疏化特征深度学习

来源：评论

学校读者我要写书评

暂无评论

粒-组协同的双向模糊粒舱并行属性约简加速方法

引用

系统工程理论与实践 2025年第3期45卷 1029-1046页

作者：鞠恒荣单婷婷刘克宇樊晓雪陈悦鹏丁卫平南通大学信息科学技术学院南通226019 西南交通大学计算机与人工智能学院成都610031

大数据分析是目前最活跃的数据挖掘研究之一.由于大数据具有巨大规模和低价值密度的特点,海量数据分析对传统的数据挖掘和分析技术带来了严峻的挑战.本文基于Spark分布式架构,提出了一种新颖的粒-组协同双向模糊粒舱并行属性约简加速方... 详细信息

大数据分析是目前最活跃的数据挖掘研究之一.由于大数据具有巨大规模和低价值密度的特点,海量数据分析对传统的数据挖掘和分析技术带来了严峻的挑战.本文基于Spark分布式架构,提出了一种新颖的粒-组协同双向模糊粒舱并行属性约简加速方法,以加快属性约简算法的实现速度.本文的主要工作由以下四部分组成.首先,对数据集进行划分,将数据子集按决策类等比例分布给多个子节点,以进行并行计算.每个子节点独立执行可以加快整体计算速度.其次,利用虚拟样本构造双向模糊粒舱模型,通过减少计算样本间的模糊关系来实现粒度层面的加速.然后,为了减少属性约简的计算时间,本文提出了一种粒-组协同的属性约简方法,将属性组和双向模糊粒舱相结合,实现属性层面的加速任务.最后,在主节点将各子节点的约简聚合,对排序后的结果再次进行属性评价,提高约简子集的稳定性.在9个公共数据集上进行实验验证,结果表明本文提出的算法相较于传统的属性约简算法,减少了计算成本,并且提高了运行效率和分类精度.

关键词： Spark分布式粒-组协同粒舱模糊关系属性约简加速器

来源：评论

学校读者我要写书评

暂无评论

基于分组对比学习的序贯感知技能发现

引用

软件学报 2025年第5期 2079-2093页

作者：杨尚东余淼盈陈兴国陈蕾南京邮电大学计算机学院软件学院网络空间安全学院计算机软件新技术国家重点实验室(南京大学) 广西多源信息挖掘与安全重点实验室(广西师范大学)

强化学习在智能对话系统等决策任务中取得了令人瞩目的结果,但其在复杂的、奖励稀疏的任务中学习效率较低.研究人员在强化学习中引入技能发现框架,以最大化不同技能间的差异为目标构建技能策略,提升了智能体在上述任务中的学习效率.然而... 详细信息

强化学习在智能对话系统等决策任务中取得了令人瞩目的结果,但其在复杂的、奖励稀疏的任务中学习效率较低.研究人员在强化学习中引入技能发现框架,以最大化不同技能间的差异为目标构建技能策略,提升了智能体在上述任务中的学习效率.然而,受到采样轨迹数据多样性的限制,现有的技能发现方法局限于在一个强化学习回合中学习一种技能,导致其在一回合中具有序贯技能组合的复杂任务中表现欠佳.针对该问题,提出一种基于分组对比学习的序贯感知技能发现方法 (group-wise contrastive learning based sequence-aware skill discovery,GCSSD),该方法将对比学习融合到技能发现框架中.首先,为了提升轨迹数据的多样性,将与环境交互的完整轨迹分段并进行分组,利用分组轨迹构建对比损失学习技能嵌入表征;其次,结合技能嵌入表征与强化学习进行技能策略训练;最后,为了提升在具有不同序贯技能组合任务上的性能,对采样轨迹进行分段技能表征并将其嵌入策略网络,实现对已学技能策略的序贯组合.实验结果表明, GCSSD方法在具有序贯技能组合的稀疏奖励任务中具有较好的训练效果,并且在具有与训练任务不同的序贯技能组合任务中,能够利用已学技能对该任务进行快速适应.

关键词：强化学习轨迹分组对比学习序贯感知技能发现

来源：评论

学校读者我要写书评

暂无评论

混合博弈问题的求解与应用综述

引用

软件学报 2025年第1期36卷 107-151页

作者：董绍康李超杨光葛振兴曹宏业陈武兵杨尚东陈兴国李文斌高阳计算机软件新技术国家重点实验室(南京大学) 江苏南京210023 南京邮电大学计算机学院、软件学院、网络空间安全学院江苏南京210023

近年来,随着人工智能技术在序贯决策和博弈对抗等问题的应用方面取得了飞速发展,围棋、游戏、德扑和麻将等领域取得了巨大的进步,例如,AlphaGo、OpenAI Five、AlphaStar、DeepStack、Libratus、Pluribus和Suphx等系统都在这些领域中达... 详细信息

近年来,随着人工智能技术在序贯决策和博弈对抗等问题的应用方面取得了飞速发展,围棋、游戏、德扑和麻将等领域取得了巨大的进步,例如,AlphaGo、OpenAI Five、AlphaStar、DeepStack、Libratus、Pluribus和Suphx等系统都在这些领域中达到或超过人类专家水平.这些应用集中在双人、两队或者多人的零和博弈问题中,而对于混合博弈问题的研究缺乏实质性的进展与突破.区别于零和博弈,混合博弈需要综合考虑个体收益、集体收益和均衡收益等诸多目标,被广泛应用于公共资源分配、任务调度和自动驾驶等现实场景.因此,对于混合博弈问题的研究至关重要.通过梳理当前混合博弈领域中的重要概念和相关工作,深入分析国内外研究现状和未来发展方向.具体地,首先介绍混合博弈问题的定义与分类;其次详细阐述博弈解概念和求解目标,包含纳什均衡、相关均衡、帕累托最优等解概念,最大化个体收益、最大化集体收益以及兼顾公平等求解目标;接下来根据不同的求解目标,分别对博弈论方法、强化学习方法以及这两种方法的结合进行详细探讨和分析;最后介绍相关的应用场景和实验仿真环境,并对未来研究的方向进行总结与展望.

关键词：混合博弈博弈论强化学习

来源：评论

学校读者我要写书评

暂无评论

基于源模型贡献量化的多无源域适应

引用

计算机科学 2025年第2期52卷 116-124页

作者：田青刘祥王斌郁江森申镓硕南京信息工程大学软件学院南京210044 南京信息工程大学无锡研究院江苏无锡214000 南京大学计算机软件新技术国家重点实验室南京210023

作为机器学习领域的研究新方向,多无源域适应旨在将多个源域模型中的知识迁移到目标域,以实现对目标域样本的准确预测。本质上,解决多无源域适应的关键在于如何量化多个源模型对目标域的贡献,并利用源模型中的多样性知识来适应目标域。... 详细信息

作为机器学习领域的研究新方向,多无源域适应旨在将多个源域模型中的知识迁移到目标域,以实现对目标域样本的准确预测。本质上,解决多无源域适应的关键在于如何量化多个源模型对目标域的贡献,并利用源模型中的多样性知识来适应目标域。为了应对上述问题,提出了一种基于源模型贡献量化(Source Model Contribution Quantizing,SMCQ)的多无源域适应方法。具体而言,提出了源模型可转移性感知,以量化源模型的可转移性贡献,从而为目标域模型有效地分配源模型的自适应权重。其次,引入了信息最大化方法,以缩小跨域的分布差异,并解决模型退化的问题。然后,提出了可信划分全局对齐方法,该方法用于划分高可信和低可信样本,以应对域差异引起的嘈杂环境,并有效降低标签分配错误的风险。此外,还引入了样本局部一致性损失,以减小伪标签噪声对低可信样本聚类错误的影响。最后,在多个数据集上进行实验,验证了所提方法的有效性。

关键词：多无源域适应多模型贡献量化源模型可转移性感知信息最大化样本可信划分

来源：评论

学校读者我要写书评

暂无评论

结合主动学习和半监督学习的软件可追踪性恢复框架

引用

软件学报 2025年第5期36卷 1924-1948页

作者：董黎明张贺孟庆龙匡宏宇南京大学软件学院计算机软件新技术国家重点实验室(南京大学)

软件可追踪性被认为是软件开发过程可信的一个重要因素,确保对软件开发过程的可见性并进行全面追踪,从而提高软件的可信度和可靠性.近年来,自动化的软件可追踪性恢复方法取得了显著进展,但在企业项目中的应用仍面临挑战.通过调研研究和... 详细信息

软件可追踪性被认为是软件开发过程可信的一个重要因素,确保对软件开发过程的可见性并进行全面追踪,从而提高软件的可信度和可靠性.近年来,自动化的软件可追踪性恢复方法取得了显著进展,但在企业项目中的应用仍面临挑战.通过调研研究和实验案例分析,发现工业界场景中可追踪性模型表现不佳的3个关键挑战:原始数据低质量、样本稀疏性和不平衡性,并提出一种结合主动学习和半监督学习的软件可追踪性恢复框架STRACE(AL+SSL).该框架通过选择有价值的标注样本和生成高质量的伪标签样本,有效利用未标注的样本,克服数据低质量和稀疏性挑战.实验基于10个样本规模在几万至近百万个issue-commit跟踪对实例的企业项目,进行多组对比实验,结果表明该框架在当前真实企业项目软件可追踪性恢复任务上具有有效性.其中消融实验结果表明STRACE(AL+SSL)中主动学习模块所选择的无标签样本在可追踪性恢复任务中发挥了更为重要的作用.此外,还验证各个模块最佳的样本选择策略组合,包括调整后的半监督类平衡自训练样本选择策略CBST-Adjust和低成本高效率的主动学习子模块互信息SMI＿Flqmi样本选择策略.

关键词：软件可追踪性主动学习半监督学习

来源：评论

学校读者我要写书评

暂无评论

基于多原型重放和对齐的类增量无源域适应

引用

计算机科学 2025年第3期52卷 206-213页

作者：田青康陆禄周亮宇南京信息工程大学软件学院南京210044 南京信息工程大学无锡研究院江苏无锡214000 南京大学计算机软件新技术国家重点实验室南京210023

传统无源域适应通常假设目标域数据全部可用,然而在实际应用中目标域数据常以流的形式出现,即未标记的目标域中的类会依次增加,这无疑带来了新的挑战。首先,在每个时间步骤中,目标域的标签空间都是源域的一个子集,盲目对齐反而会导致模... 详细信息

传统无源域适应通常假设目标域数据全部可用,然而在实际应用中目标域数据常以流的形式出现,即未标记的目标域中的类会依次增加,这无疑带来了新的挑战。首先,在每个时间步骤中,目标域的标签空间都是源域的一个子集,盲目对齐反而会导致模型性能下降;其次,在学习新类的过程中会破坏先前学习到的知识,导致之前知识的灾难性遗忘。为了解决这些问题,提出了一种基于多原型重放和对齐(MPRA)的方法。该方法通过累积预测概率检测目标域中的共享类来应对标签空间不一致问题,并采用多原型重放来处理灾难性遗忘,提高模型的记忆能力。同时,基于多原型和源模型权重进行跨域的对比学习,从而对齐特征分布,提高模型性能。大量的实验表明,所提方法在3个基准数据集上都取得了优越的表现。

关键词：无源域适应类增量学习多原型对比学习迁移学习

来源：评论

学校读者我要写书评

暂无评论

基于相机类对比学习的完全无监督行人重识别

引用

数据采集与处理 2025年第1期40卷 207-216页

作者：田青周子枭南京信息工程大学软件学院南京210044 南京信息工程大学无锡研究院无锡214101 南京大学计算机软件新技术国家重点实验室南京210023

最近的无监督行人重识别研究使用聚类和记忆字典中的伪标签来训练模型。但是,这些研究忽略了行人重识别的数据集是通过不同相机采集的,即相机之间的分布差异较大,较大的相机方差会导致模型精度降低。因此,提出了相机类对比学习,包括类... 详细信息

最近的无监督行人重识别研究使用聚类和记忆字典中的伪标签来训练模型。但是,这些研究忽略了行人重识别的数据集是通过不同相机采集的,即相机之间的分布差异较大,较大的相机方差会导致模型精度降低。因此,提出了相机类对比学习,包括类对比损失和相机对比损失,其中类对比损失可以实现对内存字典的一致性更新,并减少噪声标签对模型的影响;而相机对比损失通过为每个相机中的每个类构建相机类中心,拉近同属一个类的相机类中心距离,并使不同类的相机类中心距离相距更远,从而减少相机方差。通过相机类对比学习,减少了相机方差和噪声标签对模型的影响,从而提高了行人重识别的性能。在4个公开数据集上,相机类对比学习都表现出优异的结果,有效地缓解了相机方差对模型的影响。

关键词：行人重识别类对比损失相机对比损失内存字典相机方差

来源：评论

学校读者我要写书评

暂无评论

基于异步个性化联邦学习的DDoS攻击检测与缓解

引用

计算机学报 2025年

作者：朱海婷魏明岗刘丰宁何高峰张璐南京邮电大学物联网学院东南大学计算机网络和信息集成教育部重点实验室南京审计大学计算机学院

网络流量分类在网络管理和安全中至关重要，尤其是精准识别分布式拒绝服务（DDoS）攻击这一威胁。DDoS攻击会导致服务中断、资源耗尽和经济损失，严重影响服务质量（QoS）。尽管集中式模型在DDoS攻击检测中取得了一定成效，但在实际应... 详细信息

网络流量分类在网络管理和安全中至关重要，尤其是精准识别分布式拒绝服务（DDoS）攻击这一威胁。DDoS攻击会导致服务中断、资源耗尽和经济损失，严重影响服务质量（QoS）。尽管集中式模型在DDoS攻击检测中取得了一定成效，但在实际应用中存在挑战：数据分布不均、数据集中传输困难，以及异构设备和动态网络环境的限制，难以实现实时检测。为应对这些问题，本文提出了一种基于异步个性化联邦学习的DDoS攻击检测与缓解方法 AdaPerFed（Adaptive Personalized Federated Learning）。首先，通过定制的ResNet架构高效处理一维流量数据，并集成Net模块增强特征提取能力。然后，通过软件定义网络（SDN）模拟复杂动态网络环境，并引入完善的缓解系统应对多样化攻击场景。个性化联邦学习框架有效处理了非独立同分布（Non-IID）数据问题，并通过异步学习机制适应异构设备和网络条件的差异，提升了系统的鲁棒性和扩展性。实验结果表明，AdaPerFed在CICDDoS2019、CIC-IDS2017和InSDN等数据集上均优于其他联邦学习算法，在不同客户端数量下展现出更快的收敛速度和更强的鲁棒性，DDoS检测准确率提升了15%～20%。消融实验进一步验证了个性化聚合模块对系统性能的显著提升。

关键词：联邦学习 Distributed Denial of Service 深度学习 ResNet Software-Defined Networking (SDN)

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：