一级黄色片免费播放|中国黄色视频播放片|日本三级a|可以直接考播黄片影视免费一级毛片

高級(jí)搜索

留言板

尊敬的讀者、作者、審稿人, 關(guān)于本刊的投稿、審稿、編輯和出版的任何問(wèn)題, 您可以本頁(yè)添加留言。我們將盡快給您答復(fù)。謝謝您的支持!

姓名
郵箱
手機(jī)號(hào)碼
標(biāo)題
留言?xún)?nèi)容
驗(yàn)證碼

論文元數(shù)據(jù)搜索,找到相關(guān)信息共 4 條:

排序:
相關(guān)度
發(fā)表時(shí)間
每頁(yè)顯示:
10
20
30
50
兩種群簽名方案的安全性分析
陳艷玲, 陳魯生, 符方偉
2005, 27(2): 235-238.  刊出日期:2005-02-19
關(guān)鍵詞: 群簽名; 偽造攻擊; 不關(guān)聯(lián)性
群簽名允許群成員以匿名的方式代表整個(gè)群體對(duì)消息進(jìn)行簽名。而且,一旦發(fā)生爭(zhēng)議,群管理員可以識(shí)別出簽名者。該文對(duì)Posescu(2000)群簽名方案和Wang-Fu(2003)群簽名方案進(jìn)行了安全性分析,分別給出一種通用偽造攻擊方法,使得任何人可以對(duì)任意消息產(chǎn)生有效群簽名,而群權(quán)威無(wú)法追蹤到簽名偽造者。因此這兩個(gè)方案都是不安全的。
兩種環(huán)簽名方案的安全性分析及其改進(jìn)
王化群, 張力軍, 趙君喜
2007, 29(1): 201-204. doi: 10.3724/SP.J.1146.2005.00574  刊出日期:2007-01-19
關(guān)鍵詞: 環(huán)簽名;雙線性對(duì);偽造攻擊;GDP(Gap Diffie-Hellman)
通過(guò)對(duì)Xu(2004)和Zhang(2004)提出的兩種環(huán)簽名方案進(jìn)行分析,指出了這兩種環(huán)簽名方案都容易受到群成員改變攻擊(group-changing attack),并給出了攻擊方法;另外,Zhang的方案還容易受到多已知簽名存在偽造(multiple-known-signature existential forgery)攻擊。為防范這兩種攻擊,對(duì)這兩種環(huán)簽名方案進(jìn)行了改進(jìn),改進(jìn)后的方案在最強(qiáng)的安全模型(Joseph, 2004提出)中仍是安全的。
SIMON64算法的積分分析
徐洪, 方玉穎, 戚文峰
2020, 42(3): 720-728. doi: 10.11999/JEIT190230  刊出日期:2020-03-19
關(guān)鍵詞: 等價(jià)密鑰, SIMON64, 中間相遇, 部分和, 積分分析

SIMON系列算法自提出以來(lái)便受到了廣泛關(guān)注。積分分析方面,Wang,Fu和Chu等人給出了SIMON32和SIMON48算法的積分分析,該文在已有的分析結(jié)果上,進(jìn)一步考慮了更長(zhǎng)分組的SIMON64算法的積分分析?;赬iang等人找到的18輪積分區(qū)分器,該文先利用中間相遇技術(shù)和部分和技術(shù)給出了25輪SIMON64/128算法的積分分析,接著利用等價(jià)密鑰技術(shù)進(jìn)一步降低了攻擊過(guò)程中需要猜測(cè)的密鑰量,并給出了26輪SIMON64/128算法的積分分析。通過(guò)進(jìn)一步的分析,該文發(fā)現(xiàn)高版本的SIMON算法具有更好抵抗積分分析的能力。

基于多層感知卷積和通道加權(quán)的圖像隱寫(xiě)檢測(cè)
葉學(xué)義, 郭文風(fēng), 曾懋勝, 張珂紳, 趙知?jiǎng)?/nobr>
2022, 44(8): 2949-2956. doi: 10.11999/JEIT210537  刊出日期:2022-08-17
關(guān)鍵詞: 隱寫(xiě)檢測(cè), 卷積神經(jīng)網(wǎng)絡(luò), 多層感知卷積, 通道加權(quán)
針對(duì)目前圖像隱寫(xiě)檢測(cè)模型中線性卷積層對(duì)高階特征表達(dá)能力有限,以及各通道特征圖沒(méi)有區(qū)分的問(wèn)題,該文構(gòu)建了一個(gè)基于多層感知卷積和通道加權(quán)的卷積神經(jīng)網(wǎng)絡(luò)(CNN)隱寫(xiě)檢測(cè)模型。該模型使用多層感知卷積(Mlpconv)代替?zhèn)鹘y(tǒng)的線性卷積,增強(qiáng)隱寫(xiě)檢測(cè)模型對(duì)高階特征的表達(dá)能力;同時(shí)引入通道加權(quán)模塊,實(shí)現(xiàn)根據(jù)全局信息對(duì)每個(gè)卷積通道賦予不同的權(quán)重,增強(qiáng)有用特征并抑制無(wú)用特征,增強(qiáng)模型提取檢測(cè)特征的質(zhì)量。實(shí)驗(yàn)結(jié)果表明,該檢測(cè)模型針對(duì)不同典型隱寫(xiě)算法及不同嵌入率,相比Xu-Net, Yedroudj-Net, Zhang-Net均有更高的檢測(cè)準(zhǔn)確率,與最優(yōu)的Zhu-Net相比,準(zhǔn)確率提高1.95%~6.15%。