論文元數(shù)據(jù)搜索，找到相關(guān)信息共 5 條：
2009, 31(3): 740-744.
doi: 10.3724/SP.J.1146.2007.01562
刊出日期：2009-03-19
關(guān)鍵詞:
保密通信;MD5;碰撞攻擊;充分條件集;冗余性;制約性
Wang Xiaoyun等(2005)給出了MD5能產(chǎn)生碰撞的一個充分條件集，并首次成功對MD5進行了碰撞攻擊。Yuto Nakano等(2006)指出上述充分條件集中有16個條件是冗余的，并給出了其中14個條件冗余的原因。Liang Jie和Lai Xuejia(2005)指出Wang Xiaoyun等給出的充分條件集并非總能產(chǎn)生碰撞，并增加新的條件使之總能產(chǎn)生碰撞，同時提出了一個新的碰撞攻擊算法。本文證明了Yuto Nakano等給出的16個冗余條件中有兩個并不冗余，且Liang Jie和Lai Xuejia增加的新條件中有兩個是冗余的，指出Liang Jie和Lai Xuejia的碰撞攻擊算法在消息修改時忽視了被修改條件之間的制約性，因而未必總能產(chǎn)生碰撞，本文對此進行了修正，給出新的充分條件集，并通過實驗驗證了該充分條件集總能產(chǎn)生碰撞。
2013, 35(1): 126-132.
doi: 10.3724/SP.J.1146.2012.00602
刊出日期：2013-01-19
可重構(gòu)柔性網(wǎng)絡(luò)鏈路失效將嚴重影響其上承載的可重構(gòu)服務(wù)承載網(wǎng)(RSCN)的可靠性。文章基于路徑備份策略著重解決時延敏感類型RSCN的可靠性問題，并提出分階段處理方式進一步優(yōu)化備份資源消耗。在拓撲預(yù)處理階段，根據(jù)RSCN是否支持路徑分裂分別提出分裂的最小備份拓撲生成(S-MBT-Gen)算法和最小備份生成樹(MBST- Gen)算法，減小備份拓撲帶寬約束總量；在拓撲映射階段，提出主備拓撲協(xié)同映射(RNM-PBT)算法，協(xié)調(diào)利用底層網(wǎng)絡(luò)資源。仿真結(jié)果表明，本文提出的算法降低了RSCN平均資源消耗，且具有較高的請求接受率和較低的平均執(zhí)行時間。
2009, 31(4): 853-856.
doi: 10.3724/SP.J.1146.2007.01901
刊出日期：2009-04-19
關(guān)鍵詞:
射頻識別;安全;隱私;相互認證;部分ID
在低成本電子標簽中實現(xiàn)安全隱私功能是RFID研究領(lǐng)域需要解決的一項關(guān)鍵技術(shù)，該文采用部分ID，CRC校驗以及ID動態(tài)更新的方法，提出一種新型RFID相互認證協(xié)議，該協(xié)議具有前向安全性，能夠防止位置隱私攻擊、重傳攻擊、竊聽攻擊和拒絕服務(wù)攻擊，新協(xié)議有效地解決了RFID安全隱私問題，并且符合EPC Class1 Gen2標準，它的硬件復(fù)雜度較低，適用于低成本電子標簽。
2021, 43(12): 3743-3748.
doi: 10.11999/JEIT200855
刊出日期：2021-12-21
該文提出一種高性能硬件加密引擎陣列架構(gòu)，為大數(shù)據(jù)應(yīng)用提供了先進的安全解決方案。該模塊架構(gòu)包括一個高速接口、一個中央管理和監(jiān)視模塊(CMMM)、一組多通道驅(qū)動加密引擎陣列，其中CMMM將任務(wù)分配給加密引擎，經(jīng)由專用算法處理后再將數(shù)據(jù)傳回主機。由于接口吞吐量和加密引擎陣列規(guī)模會限制模塊性能，針對PCIe高速接口，采用MMC/eMMC總線連接構(gòu)建陣列，發(fā)現(xiàn)更多加密引擎集成到系統(tǒng)后，模塊性能將會得到提升。為驗證該架構(gòu)，使用55 nm制程工藝完成了一個PCIe Gen2×4接口的ASIC加密卡，測試結(jié)果顯示其平均吞吐量高達419.23 MB。
2023, 45(8): 2722-2730.
doi: 10.11999/JEIT221367
刊出日期：2023-08-21
相對于傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)(ANN)，脈沖神經(jīng)網(wǎng)絡(luò)(SNN)具有生物可解釋性、計算效率高等優(yōu)勢。然而，對于目標檢測任務(wù)，SNN存在訓(xùn)練難度大、精度低等問題。針對上述問題，該文提出一種基于動態(tài)閾值LIF神經(jīng)元(DT-LIF)與單鏡頭多盒檢測器(SSD)的SNN目標檢測方法。首先，設(shè)計了一種DT-LIF神經(jīng)元模型，該模型可根據(jù)累積的膜電位動態(tài)調(diào)整神經(jīng)元的閾值，以驅(qū)動深層網(wǎng)絡(luò)的脈沖活動，提高推理速度。同時，以DT-LIF神經(jīng)元為基元，構(gòu)建了一種基于SSD的混合SNN。該網(wǎng)絡(luò)以脈沖視覺幾何群網(wǎng)絡(luò)(Spiking VGG)和脈沖密集連接卷積網(wǎng)絡(luò)(Spiking DenseNet)為主干(Backbone)，具有由批處理歸一化(BN)層、脈沖卷積(SC)層與DT-LIF神經(jīng)元構(gòu)成的3個額外層和SSD預(yù)測框頭(Head)。實驗結(jié)果表明，相對于LIF神經(jīng)元網(wǎng)絡(luò)，DT-LIF神經(jīng)元網(wǎng)絡(luò)在Prophesee GEN1數(shù)據(jù)集上的目標檢測精度提高了25.2%。對比AsyNet算法，所提方法的目標檢測精度提高了17.9%。
