如何合理快速地选取参与导航解算的可见星,是当前北斗/GNSS多系统卫星导航定位亟待解决的关键问题之一。针对此问题,提出一种基于不规则三角网投影的选星算法。该算法的主要思路是,通过一种球内接多面体,投影出Delaunay不规则三角网,快...如何合理快速地选取参与导航解算的可见星,是当前北斗/GNSS多系统卫星导航定位亟待解决的关键问题之一。针对此问题,提出一种基于不规则三角网投影的选星算法。该算法的主要思路是,通过一种球内接多面体,投影出Delaunay不规则三角网,快速计算出球内接多面体体积,得出多面体体积与几何精度因子(geometric dilation of precision,GDOP)的关系,作为选星判断的依据。通过试验计算表明:当参与解算的可见星数量小于11颗时,随着多面体体积的增大,GDOP值减小趋势明显;当可见星数量达到11颗后,GDOP值随着多面体体积增大变化趋势不明显,但解算时效明显降低。据此,在众多可见星中,选择空间几何分布较好的11颗星作为解算卫星,导航定位精度较好,且解算时效也得到兼顾。展开更多
虚假数据注入攻击(false data injection attack,FDIA)是针对电力系统的一种常见网络攻击,可以通过终端链路或设备注入异常数据,绕过不良数据检测机制,进而引发电力系统的异常运行,造成严重的经济损失。近年来深度学习技术在FDIA检测方...虚假数据注入攻击(false data injection attack,FDIA)是针对电力系统的一种常见网络攻击,可以通过终端链路或设备注入异常数据,绕过不良数据检测机制,进而引发电力系统的异常运行,造成严重的经济损失。近年来深度学习技术在FDIA检测方面取得诸多进展,通过大量的数据训练和强大的模型学习能力,能够自动学习和提取攻击数据特征,相对于传统方法具有更高的准确率和鲁棒性。总结了近年来基于深度学习的电力系统FDIA检测研究进展,涵盖卷积神经网络、循环神经网络、图神经网络、生成对抗网络和深度强化学习等典型深度学习模型。首先分析各类深度学习模型的FDIA检测原理,并介绍相关技术方法。然后从鲁棒性、评估指标和可扩展性等方面对上述技术进行对比分析,总结其应用范围及存在不足。最后探讨了当前研究中存在的挑战和未来的研究发展方向。展开更多
为了桥接语义鸿沟,提升I/O性能,需要对执行不同类型负载的虚拟CPU(v CPU)采取不同的调度策略,故而虚拟CPU调度算法亟需优化。基于KVM虚拟化平台提出一种基于任务分类的虚拟CPU调度模型STC(virtual CPU scheduler based on task classifi...为了桥接语义鸿沟,提升I/O性能,需要对执行不同类型负载的虚拟CPU(v CPU)采取不同的调度策略,故而虚拟CPU调度算法亟需优化。基于KVM虚拟化平台提出一种基于任务分类的虚拟CPU调度模型STC(virtual CPU scheduler based on task classification),它将虚拟CPU(v CPU)和物理CPU分别分为两个类型,分别为short v CPU和long v CPU,以及short CPU和long CPU,不同类型的v CPU分配至对应类型的物理CPU上执行。同时,基于机器学习理论,STC构建分类器,通过提取任务行为特征将任务分为两类,I/O密集型的任务分配至short v CPU上,而计算密集型任务则分配至long v CPU上。STC在保证计算性能的基础上,提高了I/O的响应速度。实验结果表明,STC与系统默认的CFS相比,网络延时降低18%,网络吞吐率提高17%~25%,并且保证了整个系统的资源共享公平性。展开更多
文摘如何合理快速地选取参与导航解算的可见星,是当前北斗/GNSS多系统卫星导航定位亟待解决的关键问题之一。针对此问题,提出一种基于不规则三角网投影的选星算法。该算法的主要思路是,通过一种球内接多面体,投影出Delaunay不规则三角网,快速计算出球内接多面体体积,得出多面体体积与几何精度因子(geometric dilation of precision,GDOP)的关系,作为选星判断的依据。通过试验计算表明:当参与解算的可见星数量小于11颗时,随着多面体体积的增大,GDOP值减小趋势明显;当可见星数量达到11颗后,GDOP值随着多面体体积增大变化趋势不明显,但解算时效明显降低。据此,在众多可见星中,选择空间几何分布较好的11颗星作为解算卫星,导航定位精度较好,且解算时效也得到兼顾。
文摘虚假数据注入攻击(false data injection attack,FDIA)是针对电力系统的一种常见网络攻击,可以通过终端链路或设备注入异常数据,绕过不良数据检测机制,进而引发电力系统的异常运行,造成严重的经济损失。近年来深度学习技术在FDIA检测方面取得诸多进展,通过大量的数据训练和强大的模型学习能力,能够自动学习和提取攻击数据特征,相对于传统方法具有更高的准确率和鲁棒性。总结了近年来基于深度学习的电力系统FDIA检测研究进展,涵盖卷积神经网络、循环神经网络、图神经网络、生成对抗网络和深度强化学习等典型深度学习模型。首先分析各类深度学习模型的FDIA检测原理,并介绍相关技术方法。然后从鲁棒性、评估指标和可扩展性等方面对上述技术进行对比分析,总结其应用范围及存在不足。最后探讨了当前研究中存在的挑战和未来的研究发展方向。
文摘为了桥接语义鸿沟,提升I/O性能,需要对执行不同类型负载的虚拟CPU(v CPU)采取不同的调度策略,故而虚拟CPU调度算法亟需优化。基于KVM虚拟化平台提出一种基于任务分类的虚拟CPU调度模型STC(virtual CPU scheduler based on task classification),它将虚拟CPU(v CPU)和物理CPU分别分为两个类型,分别为short v CPU和long v CPU,以及short CPU和long CPU,不同类型的v CPU分配至对应类型的物理CPU上执行。同时,基于机器学习理论,STC构建分类器,通过提取任务行为特征将任务分为两类,I/O密集型的任务分配至short v CPU上,而计算密集型任务则分配至long v CPU上。STC在保证计算性能的基础上,提高了I/O的响应速度。实验结果表明,STC与系统默认的CFS相比,网络延时降低18%,网络吞吐率提高17%~25%,并且保证了整个系统的资源共享公平性。
