针对基于定向传输的飞行器自组织网络(flying ad-hoc network,FANET)中拓扑变化频繁、链路质量波动以及初始建网困难等问题,提出了一种基于多输入多输出(multiple-input multipleoutput,MIMO)正交时频空(orthogonal time frequency spac...针对基于定向传输的飞行器自组织网络(flying ad-hoc network,FANET)中拓扑变化频繁、链路质量波动以及初始建网困难等问题,提出了一种基于多输入多输出(multiple-input multipleoutput,MIMO)正交时频空(orthogonal time frequency space,OTFS)通感一体化波形的感知辅助快速邻居发现方法,借助感知机制实时获取邻节点信息以加速建网效率,并采用新型的通感一体波形OTFS以对抗快变信道中的多普勒效应,提升链路质量。针对FANET场景研究物理层基于MIMOOTFS通感一体化波形的多目标检测技术;将物理层感知方案映射到上层网络中,设计感知辅助的高效邻居发现算法;最后提出一种多点通感协同机制,通过邻节点间交互感知信息和邻居发现表以间接感知及发现潜在目标,提升FANET初始建网的效率。仿真结果表明,所提方案相比传统通信组网协议可以极大降低FANET的初始建网耗时,增加目标感知精度,提升组网的整体性能。展开更多
随着云计算、BYOD(Bring your own device)的流行,企业信息系统呈现出开放与动态互联的特征,这种趋势使得基于动态信任评估的零信任安全架构开始取代基于边界信任的一次性身份认证模式,成为工业界与学术界关注的研究热点。动态信任评估...随着云计算、BYOD(Bring your own device)的流行,企业信息系统呈现出开放与动态互联的特征,这种趋势使得基于动态信任评估的零信任安全架构开始取代基于边界信任的一次性身份认证模式,成为工业界与学术界关注的研究热点。动态信任评估模型为零信任架构提供持续信任评估的能力,可以对企业信息系统的安全性和隐私性进行有效的保护。然而,训练动态信任评估模型面临两个现实挑战:1)很多企业的用户异常登录行为数据很少,影响模型的训练效果,导致信任评估模型准确性不高,不利于身份认证系统的可靠性;2)用户行为数据中包含着用户的隐私信息,泄漏用户隐私的法律风险使得企业不愿意共享用户异常登录行为数据。针对这些问题,本文提出了一种基于联邦学习的动态信任评估身份认证方法,使得各个平台在不泄漏原始用户数据的情况下达到联合训练模型的目的,进而提高各平台身份认证系统的安全性。在假设各个平台提供了用户的行为原始数据的前提下,本方案会根据不同特征的实际含义提取离散型用户行为数据的统计学特征,并选取与风险用户相关性高的特征。为了保证数据安全性和训练数据的规模,本方法采用联邦学习技术联合多个企业进行训练,从而得到动态信任评估层的核心模型,其误识率和拒识率相较于单一平台有了一定的提升。通过该方案,身份认证系统可以在不泄露用户敏感信息的情况下,对用户身份进行有效评估,进而提升身份认证系统安全性和用户体验。本文还对不同的支持横向联邦学习的机器学习算法应用于动态信任评估模型的效果进行了比较,实验结果表明了在基于联邦学习的动态身份认证模型中使用SVM作为机器学习训练方法的效果优于其他机器学习训练方法。最后,本文从安全性和隐私性的角度出发还对动态信任评估系统自身以及联邦学习带来的安全性和隐私性的影响做了讨论。展开更多
文摘针对基于定向传输的飞行器自组织网络(flying ad-hoc network,FANET)中拓扑变化频繁、链路质量波动以及初始建网困难等问题,提出了一种基于多输入多输出(multiple-input multipleoutput,MIMO)正交时频空(orthogonal time frequency space,OTFS)通感一体化波形的感知辅助快速邻居发现方法,借助感知机制实时获取邻节点信息以加速建网效率,并采用新型的通感一体波形OTFS以对抗快变信道中的多普勒效应,提升链路质量。针对FANET场景研究物理层基于MIMOOTFS通感一体化波形的多目标检测技术;将物理层感知方案映射到上层网络中,设计感知辅助的高效邻居发现算法;最后提出一种多点通感协同机制,通过邻节点间交互感知信息和邻居发现表以间接感知及发现潜在目标,提升FANET初始建网的效率。仿真结果表明,所提方案相比传统通信组网协议可以极大降低FANET的初始建网耗时,增加目标感知精度,提升组网的整体性能。
文摘随着云计算、BYOD(Bring your own device)的流行,企业信息系统呈现出开放与动态互联的特征,这种趋势使得基于动态信任评估的零信任安全架构开始取代基于边界信任的一次性身份认证模式,成为工业界与学术界关注的研究热点。动态信任评估模型为零信任架构提供持续信任评估的能力,可以对企业信息系统的安全性和隐私性进行有效的保护。然而,训练动态信任评估模型面临两个现实挑战:1)很多企业的用户异常登录行为数据很少,影响模型的训练效果,导致信任评估模型准确性不高,不利于身份认证系统的可靠性;2)用户行为数据中包含着用户的隐私信息,泄漏用户隐私的法律风险使得企业不愿意共享用户异常登录行为数据。针对这些问题,本文提出了一种基于联邦学习的动态信任评估身份认证方法,使得各个平台在不泄漏原始用户数据的情况下达到联合训练模型的目的,进而提高各平台身份认证系统的安全性。在假设各个平台提供了用户的行为原始数据的前提下,本方案会根据不同特征的实际含义提取离散型用户行为数据的统计学特征,并选取与风险用户相关性高的特征。为了保证数据安全性和训练数据的规模,本方法采用联邦学习技术联合多个企业进行训练,从而得到动态信任评估层的核心模型,其误识率和拒识率相较于单一平台有了一定的提升。通过该方案,身份认证系统可以在不泄露用户敏感信息的情况下,对用户身份进行有效评估,进而提升身份认证系统安全性和用户体验。本文还对不同的支持横向联邦学习的机器学习算法应用于动态信任评估模型的效果进行了比较,实验结果表明了在基于联邦学习的动态身份认证模型中使用SVM作为机器学习训练方法的效果优于其他机器学习训练方法。最后,本文从安全性和隐私性的角度出发还对动态信任评估系统自身以及联邦学习带来的安全性和隐私性的影响做了讨论。
