論文元數(shù)據(jù)搜索,找到相關(guān)信息共 6 條:
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。
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群體對消息進行簽名。而且,一旦發(fā)生爭議,群管理員可以識別出簽名者。該文對Posescu(2000)群簽名方案和Wang-Fu(2003)群簽名方案進行了安全性分析,分別給出一種通用偽造攻擊方法,使得任何人可以對任意消息產(chǎn)生有效群簽名,而群權(quán)威無法追蹤到簽名偽造者。因此這兩個方案都是不安全的。
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,它的硬件復雜度較低,適用于低成本電子標簽。
2020, 42(3): 720-728.
doi: 10.11999/JEIT190230
刊出日期:2020-03-19
SIMON系列算法自提出以來便受到了廣泛關(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,進一步考慮了更長分組的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,接著利用等價密鑰技術(shù)進一步降低了攻擊過程中需要猜測的密鑰量,并給出了26輪SIMON64/128算法的積分分析。通過進一步的分析,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。
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%。