针对支持网络功能虚拟化(Network Function Virtualization,NFV)的软件定义网络(SDN)中,单播请求流通常需要由多个虚拟网络功能(Virtual Network Functions,VNFs)依序组成的服务功能链(Service Function Chain,SFC)进行处理。首先联合考...
详细信息
针对支持网络功能虚拟化(Network Function Virtualization,NFV)的软件定义网络(SDN)中,单播请求流通常需要由多个虚拟网络功能(Virtual Network Functions,VNFs)依序组成的服务功能链(Service Function Chain,SFC)进行处理。首先联合考虑VNF动态放置,多资源及QoS约束,以最小化资源消耗成本及自动确保网络负载均衡为目标定义了动态的SFC部署问题。接着设计考虑边际成本的资源相对成本函数并利用整数线性规划对该问题建模。然后,创新地设计了一个动态辅助边权图并基于拉格朗日松弛方法构建具有自动负载均衡的服务功能链嵌入算法(SFC Embedding Algorithm,SFC-EA)对原问题求解。仿真结果表明,SFC-EA能有效解决多资源及多QoS约束下的SFC顺序嵌入这个NP难问题,并能自动确保网络负载均衡,提高网络吞吐量和流接受率。
目的人脸正面化重建是当前视觉领域的热点问题。现有方法对于模型的训练数据具有较高的需求,如精确的输入输出图像配准、完备的人脸先验信息等。但该类数据采集成本较高,可应用的数据集规模较小,直接将现有方法应用于真实的非受控场景中往往难以取得理想表现。针对上述问题,提出了一种无图像配准和先验信息依赖的任意视角人脸图像正面化重建方法。方法首先提出了一种具有双输入路径的人脸编码网络,分别用于学习输入人脸的视觉表征信息以及人脸的语义表征信息,两者联合构造出更加完备的人脸表征模型。随后建立了一种多类别表征融合的解码网络,通过以视觉表征为基础、以语义表征为引导的方式对两种表征信息进行融合,融合后的信息经过图像解码即可得到最终的正面化人脸图像重建结果。结果首先在Multi-PIE(multi-pose,illumination and expression)数据集上与8种较先进方法进行了性能评估。定量和定性的实验结果表明,所提方法在客观指标以及视觉质量方面均优于对比方法。此外,相较于当前性能先进的基于光流的特征翘曲模型(flow-based feature warping model,FFWM)方法,本文方法能够节省79%的参数量和42%的计算操作数。进一步基于CASIA-WebFace(Institute of Automation,Chinese Academy of Sciences—WebFace)数据集对所提出方法在真实非受控场景中的表现进行了评估,识别精度超过现有方法10%以上。结论本文提出的双层级表征集成推理网络,能够挖掘并联合人脸图像的底层视觉特征以及高层语义特征,充分利用图像自身信息,不仅以更低的计算复杂度取得了更优的视觉质量和身份识别精度,而且在非受控的场景下同样展现出了出色的泛化性能。
针对战术移动自组网协议的安全性、脆弱性等问题,分析并仿真出适用于战术移动自组网的攻击方案,增强对敌方战场通信电台的控制能力,造成敌方战场通信指挥系统性能衰减甚至瘫痪。该方案从战术移动自组网的介质访问控制(media access control,MAC)层、内联网层、传输层的协议特征分析,解析战术网络电台在MAC层信道竞争接入、内联网层拓扑更新和传输层传输控制协议(transmission control protocol,TCP)的3次握手机制下存在的协议漏洞,并在NS3网络仿真平台中分层构建不同的攻击模型。该模型在内联网层解决了传统移动自组网中路由黑洞攻击不适用于战术移动自组网的问题,同时在传输层重构了TCP半连接队列机制。对比了攻击前网络性能的变化,仿真结果表明,各层实施的攻击技术都能有效降低战术移动自组网的网络性能,验证了所建攻击模型的合理性。
无人机自组网(Unmanned Aerial Vehicle Ad Hoc Network,UAVANET)主要应用于现代数字科技战场,具备传统无线自组织网络的快速组网、多跳传输和多任务协作等特点,同时拥有更高的抗毁性。无人机自组网能确保网络运行的灵活性和顽健性,但...
详细信息
无人机自组网(Unmanned Aerial Vehicle Ad Hoc Network,UAVANET)主要应用于现代数字科技战场,具备传统无线自组织网络的快速组网、多跳传输和多任务协作等特点,同时拥有更高的抗毁性。无人机自组网能确保网络运行的灵活性和顽健性,但是在实际组网过程中,网络结构和组网方式的不同对作战能力的提升也不尽相同。介绍了两种不同网络结构的无人机自组网,并对其网络协议层次模型进行划分,重点描述各层协议和功能并分析了各层中所应用的关键技术,最后对无人机发展所需的技术以及应用前景进行了展望和总结。
暂无评论