多视图聚类是当前数据分析领域的一个重要研究方向，旨在通过整合来自不同视角的数据，提升聚类精度。然而，传统的多视图聚类方法虽然在一定程度上提高了聚类效果，但往往忽略了视图间局部与全局特征的交互与融合。此外，尽管近年提出的多视图深度聚类方法，通过深度神经网络或对比学习增强了表征能力，但大多只关注局部或全局特征，未能在同一框架下对这两类特征进行综合处理。针对这些不足，提出了一种融合卷积神经网络与Transformer的深度多视图聚类模型(Deep Multi-View Clustering Network Integrating Local and Global Features，DMVCN-ILGF)，该模型设计了并行的卷积分支和Transformer分支，分别用于提取局部特征和全局特征。为了实现特征的有效融合，引入了特征交互机制(Feature Interaction Mechanism，FIM)和特征融合模块(Feature Fusion Module，FFM)，通过充分整合各视图的特征信息，以增强不同特征的交互和融合，最终提升聚类性能。进一步地，还设计了实例级和类别级对比损失，分别计算各视图的局部与全局特征之间的相似性，从而优化模型的表征能力和聚类效果。实验结果表明，提出的DMVCN-ILGF模型在多个多视图数据集上均取得了显著优于现有方法的聚类性能。
低功耗是现代处理器设计的重要目标之一,为了降低功耗,现代处理器广泛应用了动态电压频率调节(dynamic voltage and frequency scaling,DVFS)技术.本文聚焦DVFS技术的安全性开展研究工作,发现主流处理器的DVFS单元在电压和频率管理方面...
详细信息
低功耗是现代处理器设计的重要目标之一,为了降低功耗,现代处理器广泛应用了动态电压频率调节(dynamic voltage and frequency scaling,DVFS)技术.本文聚焦DVFS技术的安全性开展研究工作,发现主流处理器的DVFS单元在电压和频率管理方面存在安全缺陷,由此造成3个硬件漏洞:通用处理器的低电压故障注入漏洞、图形处理器(graphics processing unit,GPU)的低电压故障注入漏洞和通用处理器的频率隐藏通道漏洞.基于此,提出软件控制的低电压故障注入攻击和频率隐藏通道攻击两种新的攻击方法,整个攻击过程完全使用软件实现但是不利用任何软件漏洞.通过4个攻击实例验证了所提出的方法的有效性,实现了攻破主流可信执行环境ARM TrustZone和Intel软件防护扩展(software guard extensions,SGX)、使GPU上的人工智能模型失效以及构建数据秘密传送通道等目标.本文分别从硬件和软件两个角度提出防御措施,可助力处理器设计人员设计新一代安全低功耗技术.
暂无评论