一、端到端安全在共享连接通路网络中的应用（论文文献综述）
刘秋杰[1]（2021）在《基于OpenFlow的软件定义无线Mesh网络路由研究》文中研究指明无线Mesh网络是一种多跳传输、自愈合、自组织的网络,多采用分布式协议进行组网,难以基于网络的全局拓扑选择最优的路径。软件定义网络使用集中式的架构,其控制器拥有网络的全局信息,方便了对网络进行统一的管理和调度。将软件定义网络架构引入无线Mesh网络中,有助于解决传统分布式路由协议难以找到最优路径、路径频繁断连的问题。目前,软件定义网络中多采用OFDP协议完成拓扑发现,该协议未考虑到无线通信不稳定、带宽小的特性,且产生了大量的控制消息。首先,本文选用OpenFlow协议为南向协议,对AODV协议进行改进,使节点主动选择稳定的邻居节点、收集链路状态并发送到控制器。该方法可以有效减少拓扑发现所产生的控制消息数量,且保证了控制器获得实时、稳定的网络拓扑。同时,控制器根据当前网络拓扑和链路状态信息为单个及多个数据流计算最优路由,实现对数据流的灵活传输,达到网络负载均衡的目的。其次,为了解决单控制器性能不足、控制平面时延高及网络健壮性低等问题,本文研究了基于软件定义无线Mesh网络的多控制器方案,对于交换机如何选择控制器及控制器间协同的问题,本文提出了交换机按照跳数最小、距离最近的原则选择最优控制器,控制器间分发拓扑消息来获得网络的全局信息的方法。该方案避免了单控制器方案中控制器宕机后集中控制方案无法运作的问题。最后,本文选用仿真软件Mininet-WIFI和控制器Ryu搭建仿真平台,验证了本文方案的可行性,并和其他方案进行了对比,说明了本文方案的有效性。仿真结果表明,本文提出的路由算法在端到端时延、链路带宽和丢包率等方面均有所改善;该多控制器方案可降低流表下发时延和网络的端到端时延。
杨录[2]（2021）在《面向人体视觉理解的混合监督学习研究》文中研究表明人体视觉理解技术是计算机视觉领域的重要组成部分,由于人类往往作为图片、视频等多媒体产物的核心研究对象,因此对图片或视频中的人体进行分析和理解是非常有必要的。人体视觉理解是基于计算机视觉技术的一系列人体相关任务的综合,通过对于多个维度人体信息的分析,能够更好的促进对于图像、视频中与人相关内容的理解。现有的人体视觉理解解决方案主要基于单数据源多任务学习或者多个单任务学习组合的方法。但是单一数据源多任务标注的难度较大、成本较高,而多个单任务组合的方法效率较低、忽视了任务之间的相关性。因此,为了高效且精准地解决人体视觉理解问题,往往需要多个数据源来共同完成多种任务的学习。本文基于多数据源多任务学习的思想,提出了一种面向人体视觉理解的方法:混合监督学习（Mix-Supervised Learning,MSL）。混合监督学习是一种共享主干的多任务学习架构,它采用区域卷积网络作为基础,其中不同的任务可以共享同一主干网络,并且可以并行处理用于特定任务的网络分支。在本文中,使用混合监督学习在五个不同的数据集上训练人体视觉理解模型,可以同时执行人体检测、人体实例分割、人体解析、人体姿态估计、密集姿态估计以及实例级人体部位检测六个人体视觉理解子任务。本文针对多数据源的域适应性问题和多任务的梯度竞争问题,分析了现有方法的不足,提出了实例级迁移学习和梯度均衡等策略;针对人体视觉理解问题中人体细节和特征表达能力不足的问题,提出了用于构建人体几何和上下文信息以及全局语义信息的解析区域卷积网络;针对多数据源中目标的多样性,提出了一种采用空间注意力机制激发感受野的模块;为了验证混合监督学习的可扩展性,本文还提出了一个新的人体视觉理解子任务,并系统性的建立了大规模精准标注的数据集。最终,在人体视觉理解任务的效率和精度方面,混合监督学习超过了当前的非端到端多数据源多任务学习方法,也领先多个单任务组合的方法。本文的主要创新点有:●针对人体视觉理解的效率和精度问题,基于多数据源多任务学习思想提出了混合监督学习方法。混合监督学习是一种共享主干的多任务学习架构,可以端到端地采用单一模型从多个数据源中对人体视觉信息进行建模和预测,同时完成人体检测、人体实例分割、人体解析、人体姿态估计、密集姿态估计以及实例级人体部位检测六个人体视觉理解子任务。此外,混合监督学习还提出了基于多任务学习损失加权思想的梯度均衡策略,和基于多任务学习迁移相关性思想的实例级迁移学习策略,突破了人体视觉理解中精度与效率不足的困境。●针对混合监督学习对人体视觉理解的多任务适应性问题,提出一个适用于构建人体几何和上下文信息以及增强全局语义信息的解析区域卷积网络。解决了人体建模能力不足以及全局语义信息缺失的问题,提升了人体视觉理解中人体解析和密集姿态估计等子任务的精度。●针对混合监督学习对人体视觉理解的多数据源鲁棒性问题,基于空间注意力机制与网络感受野之间的关系,提出了注意力激发感受野模块。注意力激发感受野模块能够增强网络的平移不变性和尺度不变性,从而提升了混合监督学习对多数据源的鲁棒性。●针对混合监督学习在人体视觉理解任务上的可扩展性问题,提出了一个新的人体视觉理解子任务:实例级人体部位检测,并系统性的构建了目前最大的精准标注的人体部位检测数据集。将实例级人体部位检测作为一项子任务应用到混合监督学习中,有效的验证了混合监督学习的可扩展性。本文提出的混合监督学习在人体视觉理解任务的效率和精度方面全面领先现有的解决方案。相较于两种非端到端的多数据源多任务学习方法,六个人体视觉理解子任务的平均精度领先约15%,训练迭代次数减少约67%和50%;相较于多个单任务组合的方法,六个子任务的平均精度领先约10%,推理速度领先约3.8倍。总体而言,本文系统性的研究了人体视觉理解任务的特性与挑战,基于多数据源多任务学习的思想提出了混合监督学习方法,并在基本模型、任务适用性、数据鲁棒性和可扩展性等关键问题上进研究并做出了创新性成果。通过大量的实验验证了混合监督学习在人体视觉理解任务效率和精度方面的优势。
刘天浩[3]（2020）在《面向5G的智慧医院组网方案设计及关键技术研究》文中进行了进一步梳理近年来,我国正在通过对医疗信息化、互联网诊疗和互联网医院的建设逐步加强社会医疗保障支撑体系、服务体系和管理体系的进一步完善,解决基层临床诊疗能力差、优质医疗资源的区域性不均衡、医患互信度低等社会热点问题。随着第五代（5G）移动通信的商用化,5G网络下医疗行业信息化呈现出强大的生命力。2019年政府工作报告明确提出改造提升远程医疗网络,国家卫生健康委员会和工信部紧密合作推动5G在医疗健康领域的应用。5G网络切片技术和移动边缘计算（MEC）技术,为医疗领域信息化稳步发展提供不可或缺的技术支持。目前,医院信息化建设项目并不少见,但是只有在5G网络大面积铺设后,面向5G的智慧医院建设模式才可以展开。现有的医院信息化建设仍存在如下弊端:（1）医疗信息系统搭建混乱,原有WIFI网络使用效果差,医院自建的互联网数据中心（IDC）成本高、水平低、运营维护困难,严重影响业务系统使用。（2）缺乏高隔离、高安全的内网,无法实现个人业务与医院自有数据中心的对接融合;（3）受网络传播时延的限制,目前尚无法搭建高效的远程手术、远程心电诊断、远程会诊等各系统网络以及针对应急急救处置的网络。本文以沈阳市某医院智慧医院建设为例,针对5G技术下的智慧医院组网设计及其关键技术展开研究。给出了面向5G的智慧医院建设总体设计框架,针对沈阳市某医院5G智慧医院的建设背景、建设需求和信息化平台等,提出了智慧医疗专网的整体架构方案以及组网详细技术方案,从5G智慧医院内部网络、5G远程医疗专网、5G应急救治网络以及5G医疗专网配置和5G医疗专网安全方面,进行了详细的研究与讨论。面对医院信息化升级、高安全、高隔离、高优先级的需求,在传统手段不足、5G公众网络无法完全满足医院需求的现实面前,设计了以5G医疗行业专网为基础并融合物联网、大数据、MEC等技术手段提供新型基础设施搭建的方案,为今后的智慧医院组网建设工程提供参考。
谷正川[4]（2020）在《面向零信任的MQTT安全关键技术研究》文中研究说明MQTT（Message Queuing Telemetry Transport）协议作为物联网通信的主流协议,近年来伴随物联网高速发展浪潮在医疗、工业、家居等智能领域和即时通讯社交网络得到广泛的应用。MQTT协议轻量级特性、解耦合的发布/订阅范式以及受限设备应用场景为协议的安全实现带来挑战,因此MQTT通信网络安全技术研究成为当下的一个研究热点。现有的研究工作中,通常面向传统的边界网络安全模型,对MQTT消息的集散中心（代理）授予隐式信任,并缺乏对网络内部合法设备发布/订阅消息的流量检查,这使得安全解决方案在内部威胁突出和业务深度云化的企业网络中的安全防护效果受到限制。本文在深入研究MQTT应用领域存在的安全威胁基础上,分析了MQTT通信网络的安全需求,使用零信任网络安全策略与方法作为指导,围绕消除MQTT各通信实体的隐式信任,提出更高效的轻量级安全解决方案。主要研究内容包括以下五点:1.分析新的安全形势下面向传统边界安全架构进行的MQTT安全技术研究所提解决方案存在的不足,指出构建面向零信任的MQTT安全架构需要提出合理的端到端安全性解决方案和可实施细粒度动态访问控制的信任计算模型。2.研究基于MQTT协议的通信网络中发布者与订阅者间的端到端安全性问题。根据MQTT的物联网应用场景,基于安全的密码原语提出轻量级MQTT端到端安全解决方案,由发布/订阅者端点系统执行认证和加密,该方案包含代理重加密、Schnorr签名和AES对称加密三种安全密码算法。最后,通过分别与现有不提供端到端机密性的轻量级安全解决方案和提供端到端机密性的安全解决方案进行性能表现和开销方面的对比,以及方案对抗攻击的启发式分析,表明方案取得了端到端安全性和轻量级特性。3.针对企业使用MQTT协议进行数据传输和共享的实际应用中设备计算、通信和存储开销的承载能力不同以及传输数据保密等级需求的不同,在端到端的安全方案基础上设计分级的加密传输方案。其中包含:安全级别1,通过Schnorr数字签名提供数据完整性、来源真实性和不可否认性;安全级别2,在安全级别1的基础上通过AES加密数据、代理重加密算法保护AES对称加密需要的会话密钥相结合的方式提供端到端的数据机密性;安全级别3,在安全级别1的基础上直接使用代理重加密算法加密传输数据,提供端到端的数据机密性。4.按照零信任网络构建的原则,在数据分级加密传输方案基础上添加认证授权、访问控制、发布/订阅消息持续验证、系统监视、恶意数据发布反馈、权限撤销等功能,并按照功能扩展需求有针对性地调整MQTT协议部分字段的定义和组成,提出面向零信任的分级安全MQTT协议框架。最后,通过理论分析对协议进行性能评估和安全讨论。5.提出一种基于多源输入信任计算的动态访问控制模型。选取面向零信任的分级安全MQTT协议框架中发布/订阅消息具有代表性的参数和发布/订阅者一定时间范围内的异常行为比率作为当前发布/订阅行为评估的属性,并进行直接信任值计算。记录发布/订阅者一段时间内其他发布/订阅行为的直接信任值,结合时间衰减函数计算出可评估发布/订阅者当前可信度的综合信任值,并基于综合信任值进行主题发布/订阅的细粒度动态访问控制。通过仿真实验结果分析表明,提出的信任计算模型能够对发布/订阅者当前行为特征和历史行为表现做出及时反应,可用于动态访问控制的实现。
乔凯[5]（2021）在《自然图像刺激下的fMRI视觉信息解析深度神经网络模型研究》文中研究表明视觉在人类生存生活、进化发展中发挥着不可替代的关键作用,人类视觉功能的研究一直是脑科学研究的热点问题。其中,探索大脑视觉皮层对视觉场景内容的信息加工机制,分析视觉皮层神经活动对视觉场景内容的表征特点,解析视觉皮层神经活动中的视觉场景内容是人类视觉功能研究中非常重要的课题,对理解大脑视觉神经信息处理机制,构建鲁棒、可解释的机器视觉模型,促进人工智能视觉的发展,都具有深远的意义和重要的价值。功能磁共振成像（functional Magnetic Resonance Imaging,f MRI）为大脑视觉皮层功能研究提供了一种空间分辨率高、可靠性好、非侵入式的神经活动监测技术,已经成为人类视觉功能研究的一种重要工具。自然图像场景复杂、目标种类多样,针对自然图像的f MRI视觉信息解析是一个前沿而困难的问题。深度神经网络模型是目前性能最好、与人类视觉层次化信息处理模式最为相近的计算机视觉模型之一。同时,人类视觉又对深度神经网络视觉计算模型的研究具有较强的启发性。因此,本文采用深度神经网络模型针对自然图像刺激下的f MRI视觉信息解析开展研究,系统探索了视觉信息的深度神经网络模型处理和人类层次化处理在结构、任务、表征特点等方面的联系和差异,对深度学习和f MRI视觉信息解析的交叉研究提供了一些新的理解视角,对与人类视觉信息处理相关的机制、方法和技术研究具有重要的借鉴价值和意义。本文围绕“如何通过深度神经网络构造符合视觉皮层信息表征特点的计算模型并精确解析自然图像场景内容”这一科学问题展开研究。考虑到深度神经网络模型对视觉信息的表征方式和能力受到多方面因素的影响,本文从深度学习的训练方式、视觉任务、网络结构等多个角度出发,首先利用深度神经网络及其特征构建编码模型,充分刻画低级和高级视觉区域的信息加工过程,实现从自然图像刺激到视觉皮层f MRI体素响应的精确预测;然后构建解码模型,实现从图像低层特征内容重构到融合高层语义的自然图像场景重构,不断推进自然图像刺激下的f MRI视觉信息解析水平的层级跃迁。主要研究成果如下:1.针对低级视觉区域,提出了一种基于端到端卷积回归网络的视觉编码模型（End-toEnd Convolutional Regression Network-based Visual Encoding Model,ETECRN-VEM）。如何构造符合视觉皮层信息表征特点的图像表征模型是视觉编码的关键问题。现有编码模型首先采用预训练深度网络图像识别模型提取图像特征,然后按照逐体素的方式把图像特征线性映射到f MRI体素响应。然而,这种两阶段的方式事先难以确定哪一层网络特征能够与特定视觉感兴趣区域（Region of Interest,ROI）体素响应具有较好的线性匹配关系,需要遍历尝试深度网络中不同层的特征构建编码模型。因此,图像表征模型的构造具有较大的不确定性,难以较好刻画特定视觉ROI的信息表征特点,同时,逐体素的编码方式效率较低。针对这两方面问题,本文引入端到端的训练方式,驱动深度神经网络直接从f MRI数据中自动学习更加符合特定视觉ROI表征特点的图像表征模型,在同时编码一个视觉ROI中所有体素时,通过设计体素选择性优化策略,降低了一些较低信噪比的无效体素对整体编码的干扰,从而构建了端到端逐视觉ROI编码模型。实验结果表明所提出模型相比可以更好地编码大约80%的V1视觉区域体素,以及60%-70%的V2和V3视觉区域体素,在低级视觉区域的编码性能和效率有了显着提升。2.针对高级视觉区域,提出了一种基于图像描述特征的视觉编码模型（Image Caption Features-based Visual Encoding Model,ICF-VEM）。如何构造针对图像高级语义的表征模型是编码高级视觉区域的关键问题。现有f MRI数据规模较小,端到端逐视觉ROI编码模型难以自动学习高级视觉皮层较为复杂抽象的信息表征模式。现有编码模型主要采用在图像分类任务上预训练的深度神经网络模型,然而,图像分类任务仅要求辨识自然图像场景中的关键目标,使用图像分类任务难以驱动深度网络有效刻画高级视觉皮层的信息表征特点。针对该问题,本文引入语义层次更高的图像描述任务,驱动深度神经网络构造更加符合高级视觉皮层信息表征特点的图像表征模型,提取更加复杂抽象的语义特征,以更好地编码高级视觉皮层。同时借助图像描述特征与大量语义词汇的关联性,实现了对高级视觉区域体素的语义解释。实验结果表明所提出模型几乎对所有的高级视觉区域,在大约60%的体素上表现出了优势,获得了更高的编码性能,可视化分析揭示了高级视觉区域表征自然图像场景内容中目标、目标属性以及目标间关联性的特点。3.针对简单图像低层特征内容,提出了一种基于胶囊网络的视觉重构模型（Capsule Network-based Visual Reconstruction Model,Caps Net-VRM）。基于深度网络特征的两阶段视觉重构是简单图像重构的一种有效方式,首先把f MRI体素响应映射到中间网络特征上,然后通过预测的特征逆向映射回到图像,重构精度受到中间网络特征的信息完整性和可逆性的影响。因此,如何构造符合视觉皮层信息表征特点的可逆图像特征中间桥梁是简单图像精确重构的关键问题。卷积神经网络（Convolutional Neural Network,CNN）结构具有平移、旋转等不变性表征的特点,在图像表征过程中容易丢失一些与目标位置、方向等相关的低层特征信息,降低了图像低层特征内容的重构精度。针对该问题,本文从深度学习网络结构的角度,引入胶囊网络模型通过等变性表征构建信息完整、可逆的图像低层特征桥梁,从f MRI体素响应中预测对应的胶囊特征,进而通过逆向变换完成了对简单图像的精确重构。实验结果表明所提出模型在结构相似性指标上提高了约10%,显着提高了简单图像低层特征内容的重构性能,并通过可视化胶囊特征实现了对低级视觉皮层f MRI体素的特征解释和分析。4.针对自然图像低层特征内容,提出了一种基于自编码器交替训练的视觉重构模型（Alternating Autoencoder-based Visual Reconstruction Model,AAE-VRM）。视觉编码和视觉重构是两个完全相反的问题,如何构造符合视觉皮层信息表征特点的特征空间是视觉编码和视觉重构共同的关键问题,然而现有方法通常分别单独构建视觉编码和视觉重构模型,忽略了两者紧密关联的性质。针对该问题,本文提出了交替循环构建视觉编码和视觉重构模型的方式,在编码模型辅助下实现了较好的重构模型构建,较好的重构模型又辅助编码模型的构建。首先,以不同的顺序连接视觉编码网络和视觉重构网络,构造两个相反的自编码器,分别用于图像和f MRI体素响应的自编码训练,辅助视觉编码和视觉重构的有监督训练。然后,在半监督学习过程中交替循环训练视觉编码和视觉重构模型,通过两者的相互促进、迭代增强,辅助构造了更加符合视觉皮层信息表征特点的视觉重构模型。实验结果表明所提出模型在低层特征重构辨识度指标上接近90%,在自然图像低层特征内容重构上取得了更高的精度。5.针对自然图像场景语义,提出了一种基于双向循环神经网络的视觉分类模型（Bidirectional Recurrent Neural Network-based Visual Classification Model,BRNN-VCM）。不同层次视觉区域在自底向上和自顶向下视觉机制的作用下相互联系,关联表征视觉输入信息,而现有视觉分类模型将所有视觉区域f MRI体素看作一个整体送入视觉分类器,没有利用不同视觉区域间的关联性,难以刻画视觉皮层自底向上和自顶向下的信息表征特点。针对该问题,本文采用BRNN,把视觉皮层中拓扑相连的视觉区域看作一个空间序列,将每个特定视觉ROI中的f MRI体素响应作为空间序列中的一个节点送入BRNN,构造了符合人类视觉皮层中自底向上和自顶向下视觉信息流动特点的解析模型。通过对f MRI序列数据建模提取视觉区域内部和视觉区域间的特征信息,完成对f MRI视觉信息中场景语义的解析。实验结果表明所提出模型在视觉分类精度上提高了约5%,验证了视觉皮层双向拓扑结构与视觉场景语义表征的关联性。6.针对自然图像场景内容,提出了一种基于生成对抗网络的贝叶斯视觉重构模型（Generative Adversarial Network-based Bayesian Visual Reconstruction Model,GAN-BVRM）。采用生成对抗网络是目前提高重构图像高层特征自然度的一种有效方式,却往往难以兼顾重构图像的低层特征保真度。兼顾重构图像的低层特征保真度和高层特征自然度是现有自然图像场景精确重构的困难问题。针对该问题,本文引入贝叶斯方法,首先使用BRNNVCM根据f MRI体素响应解析出场景语义类别,送入预训练生成对抗网络的条件生成器,根据输入的随机噪声生成自然图像。然后通过ETECRN-VEM评估生成图像与视觉皮层f MRI体素响应在低层特征空间的拟合度。GAN-BVRM各个模块全部由可微的神经网络组成,通过梯度反向传播,迭代更新生成器的噪声输入向量以最大化拟合视觉皮层f MRI体素响应,最终优化后的噪声向量输入生成器得到重构图像。其中,低级视觉区域编码模型和解析出的语义类别分别约束重构图像的低层特征内容和场景语义,从而兼顾了图像低层特征保真度和高层特征自然度。实验结果表明所提出模型在平均感知相似性指标上提高了约10%,显着提高了自然图像场景的重构精度。
王兆旭[6]（2020）在《智慧协同网络数据传输关键技术研究》文中指出随着互联网的部署规模迅猛扩张,互联网服务深入人们生活各个角落。与过去有线、静态的传统网络环境相比,高干扰、高动态的网络场景广泛出现。这对网络数据传输性能提出了严苛的需求,亦成为网络架构革新的主要推动力之一。智慧协同网络是一种全新设计的未来网络体系架构。它具有泛在缓存和族群适配的先进能力,赋予未来网络动态感知、自我调节的综合性、智能化功能,广泛适应未来网络性能、规模、移动性、安全性等更加复杂的需求。其中,高干扰、高动态网络场景下数据传输技术的性能、安全与协同,是智慧协同网络数据传输关键技术的核心子集,成为本文的研究重点。本文在全面调研和深入分析国内外研究现状的基础上,依托智慧协同网络设计思想,分别针对性能、安全和协同三个问题展开研究:第一,在高干扰网络环境中,现有端到端传输机制吞吐量低,而现有逐跳传输机制时延高,尚不存在一种兼备高吞吐量、低时延的高性能传输机制。第二,在高动态环境中,现有逐跳传输机制存在安全性设计缺陷,缺乏对链路洪泛攻击的防御能力。第三,在高干扰、高动态的复杂网络环境中,尚不存在一种完美适应该环境的传输机制,且现有传输机制之间缺乏协同实现高性能传输的方法。在这三个问题中,性能与安全是相对平行的两个独立问题,而协同问题是基于性能与安全问题基本解决的成果,进一步提出的更高需求。为解决上述问题,本文主要工作和创新包括如下3个方面:（1）针对问题一,提出一种在高干扰网络环境中同时实现高速率和低时延的数据传输机制。该机制的基本设计是:数据以数据包流的形式进行传输,逐跳缓存在沿途具备泛在缓存功能的路由器中。当数据包因干扰误码而丢失,则丢包位置上游的路由器直接发起重传,无需源服务器重传,从而在高丢包率中维持高吞吐量。本文详细阐述了实现数据可靠性控制、拥塞控制和带宽公平性控制的方法。随后,设计与实现智慧协同网络原型系统,并在其中进行了传输机制间的对比实验。实验结果表明,新机制传输时延小,带宽利用率高,抗干扰丢包能力强,带宽公平性强,存储与电能开销较小。（2）针对问题二,提出在高动态环境中防御链路洪泛攻击的主动、被动两种防御机制。两种机制的基本设计是:首先,族群适配功能令路由器收集攻击前后的流量行为数据;然后,设计检测流量异常增长的算法,估算攻击流量的来源方向或来源自治域等信息;最后,依据估算出的流量过滤方案,实现对攻击流量的大比例过滤,尽可能减小合法流量的损失。本文详细阐述了两种防御机制结合智慧协同网络的族群适配能力,实现攻击检测、收集流量行为、生成并执行流量过滤方案的方法,并基于智慧协同网络原型系统验证了两种防御机制的有效性。实验结果表明,两种防御机制在高动态网络环境中能够有效防御针对逐跳传输机制的链路洪泛攻击。（3）针对问题三,提出了在高干扰高动态复杂环境中并行兼容、串行互联的两种协同传输方法。并行兼容方法使两种不同的传输机制在同一网络中并行运行,以解决传统端到端传输机制因带宽挤占行为导致公平性失效的问题,实现远、近距离多种网络服务间服务质量的全局最优。串行互联方法令复杂网络环境中的不同区域各自动态适配最恰当的传输机制,并彼此串行互联组成跨多种环境的完整传输路径,实现端到端传输性能的全局最优。本文详细阐述了两种协同传输方法结合智慧协同网络的族群适配能力,实现传输机制间共存、兼容、互联、切换的过程。随后,基于智慧协同网络原型系统设计部署了测试网络,实验验证了两种方法的有效性。实验结果表明,并行兼容方法能够有效解决带宽公平性问题,串行互联方法能够实现跨复杂网络环境的端到端传输,其传输性能也高于任一单独的传输机制。
王雨慧[7]（2020）在《软件定义量子密钥分发网络生存性技术研究》文中指出随着通信技术的不断发展及互联网应用的普及,信息安全在军事、政务、金融等各个领域受到人们的广泛关注。各国对于网络信息安全的投入逐渐加大,而量子密钥分发技术作为量子通信领域的支撑性技术,也经历了从理论研究到实际应用的发展变革,量子密钥分发网络组网技术方案也逐渐推向产业化。此前,QKD网络中一直缺少安全有效的集中式密钥资源分配方案对其进行资源调度和统一的管控,随着软件定义技术被应用于量子密钥分发网络组网研究中,QKD网络结构的优化问题出现了突破点,其生存性问题也得到了广泛关注。如何基于整体架构角度在网络异构资源高效调度的前提下实现对量子密钥分发过程的保护和网络故障的高效响应及恢复是软件定义量子密钥分发网络（Software Defined-Quantum Key Distribution Network,SD-QKDN）生存性研究的重点。本文立足于软件定义量子密钥分发网络的生存性需求,从研究组网架构,关键技术,保护和恢复策略等方面着手攻克面向SD-QKDN中密钥业务的生存性机制及异构资源优化调度等问题。主要完成的工作和创新点如下:一、针对SD-QKDN中各层功能组成,集中管理和控制等问题,研究了其网络架构和节点模型,调研了 SD-QKDN架构下关键流程的相关标准,并深入研究了此架构下的路由与资源分配等关键技术,为解决SD-QKDN的生存性问题奠定了基础。二、围绕SD-QKDN中密钥业务的快速恢复和抗故障风险需求,提出了时分复用QKD网络中时隙资源描述模型,并构建了综合考虑资源优化与密钥更新的工作路径和保护路径的路由,波长,时隙及密钥资源分配（RWTKA）算法,设计了针对基于共享备份路径保护（Shared Backup Path Protection,SBPP）的预置资源保护方案及该方案在SD-QKDN架构下应用的保护机制流程。仿真结果显示,该算法可以在保障密钥分发过程的前提下实现较高效的资源利用。例如,在仿真案例中,与专享保护的保护方案相比,该算法在同等条件密钥分发成功率最多可提高18%,时隙和密钥两种资源利用率最高分别可提升10%和5%,实现了快速恢复和资源高效利用的网络保护方式。三、针对SD-QKDN中故障时延容忍度较高的密钥业务,提出了描述QKD网络密钥资源的动态密钥池模型,构建了基于密钥感知的多路径避障路由规划算法,设计了基于业务路径分类的差异化故障后恢复策略及该策略在SD-QKDN架构中应用的恢复机制流程。仿真结果显示,该算法相对于传统单路径重路由的恢复方案可获得更高的恢复率和资源利用率。例如,在仿真案例中,当本文提出的算法密钥恢复率达到90%的情况下,该算法与单路径恢复算法间的恢复率最高差值为13%,而资源利用率增益最高可达7%,实现了更适应量子密钥分发网络资源特性的网络恢复方案。
夏晗[8]（2020）在《基于深度学习的红外和可见光图像融合方法研究》文中研究表明红外和可见光成像技术在军事、医疗、安防、交通、电力等领域都有着广泛的应用。图像融合旨在综合多模态图像表征的关键互补信息,创建信息更加全面和完整的融合图像。因此,红外和可见光图像融合既有助于丰富人类视觉理解和提升模式识别效果,又能够推动红外和可见光成像技术的进一步应用发展,具有重要的研究意义和应用价值。为满足实际应用要求,本文利用深度学习技术深入挖掘了多模态图像的语义信息,开展了基于深度学习的红外和可见光图像融合方法研究。本文的主要研究内容及创新性工作如下。由于不存在理想输出作为标记信息,图像融合是一种无监督学习任务。针对深度学习融合方法中存在的约束设计难点,本文提出了一种基于生成对抗和孪生网络的图像融合方法,利用图像的全局语义信息作为先验知识来驱动融合。在模型设计方面,设计了基于残差学习的融合网络结构,提升了非线性融合建模能力。在模型优化方面,设计了基于孪生网络的判别网络结构和基于模态信息完整度的判别规则,实现了高质量的无监督学习。在模型训练方面,从像素、结构、模态三个层次构建了损失函数,对训练过程进行了有效约束。实验结果表明,所提方法能够创建多模态信息完整性和准确性较高的融合图像。复杂场景下的多模态图像存在信息冗余,但现有方法在图像融合中对关键信息的选择和表达能力有限,导致融合图像所含信息失准和视觉表现失真。针对这个问题,本文提出了一种结合注意力机制的图像融合方法,利用图像的关键语义信息来提升融合表现。一方面,构建了基于注意力机制的特征校准模块,准确充分地挖掘了多模态图像的重要语义属性和显着内容信息,为深层特征分配了通道和空间上的注意力。另一方面,为提升融合过程中信息的一致性和准确性,基于密集连接思想建立了信息流动通路,实现了特征的流动和多级复用。实验结果表明,所提方法能够实现多模态关键信息的自适应选择和准确表达,进而创建视觉效果较优的融合图像。最后,本文还提出了兼具上述优势的组合方法,并基于变电巡检数据进行了应用实验。实验结果表明,红外和可见光图像融合有助于丰富人类视觉理解和提升目标检测效果,具有重要的实用价值。
蔡承德[9]（2020）在《5G承载方案及关键技术研究》文中提出近年来,随着数字信息技术的高速发展,物联网,VR,工业互联网等新型数据业务呈现出大规模增长的趋势。在这种趋势驱动下,运营商要求5G承载网具备大传输容量、超长传输距离、组网灵活高效、设备功耗低、建设成本低和智能管控等功能。5G承载网将向更快传输速度、均衡配置系统业务和支撑流量、合理分配系统资源、支持多种业务传输、转发功能与控制功能分离、网络设备具备可解耦、可重新组网的方向演化。为迎合网络演化趋势,满足网络功能需求,更迫切需要深入学习和研究5G承载网中的各项关键技术。本文基于多年承载网工作经验对5G承载网络的关键技术和承载方案进行分析,主要内容如下:（1）首先对5G承载网的组网架构进行了分析,主要包括转发面架构、协同管控架构、高精度同步网三部分。随后对5G大容量承载网建设中面临的技术挑战和因此而带来的技术需求做了说明,并为此提出了几种关键技术,如网络切片技术、时针同步技术和网络SDN技术等;（2）基于建设成本分析,提出了前传部署模式;基于模型预测的前传的带宽需求,提出了前传技术方案并对方案实施可行性和建设成本进行了分析,得出了最具性价比的前传技术方案;基于单基站配置模型和传输网络架构模型预测的单基站承载带宽需求和中回传带宽需求,提出了中回传承载的技术方案。同时针对5G网络的切片技术提出了其承载技术方案;（3）基于组网设备选型和网络建设成本二维度,对5G承载网建设方案进行建模分析,并根据分析结果提出了三种适用于当前承载网的建设方案,同时对三种建设方案的业务适配层、分组转发层、TDM通道层、数据链路层和光波传送层的主要功能做了分析和比较,并对这三种方案的技术特点和网络架构做了说明,并在这几种承方案基础上结合电信某省电信网络现状编制了5G承载网络建设方案指引。（4）对5G承载网研究工作进行了总结,并指出了下一步研究工作开展的方向。本文研究主要聚焦在5G网络承载侧,针对前传、中传和回传网络建设从技术的先进性、网络带宽需求、建设总成本、可操作性和网络的统一性等多维度进行了论证和研究。为运营商响应中央聚焦新型基础设施建设,搭建高效优质的5G传输网络提供一定的参考价值和借鉴意义.
方嘉骐[10]（2020）在《基于SDN/NFV的无线网络切片部署策略的研究》文中研究指明随着5G通信系统的发展,多种不同应用场景的出现要求网络能同时支持多种服务,与此同时SDN/NFV技术的发展给5G网络带来了新的契机。通过将基础设施网络分割为多个专用逻辑网络,无线网络可以支持多种服务。然而,如何快速部署端到端的网络切片是多域无线网络基础设施中的主要问题。网络切片的概念是将物理网络中虚拟出多个包含有完整网络功能的切片,实现端到端的网络通信,完整的网络切边应该包含有核心网切片与无线接入网切片。现有研究大都只考虑充分利用无线接入网的灵活性为核心网提供支持,而并没有对无线接入网的不同应用场景进行研究。一个端到端的网络切片不仅需要考虑核心网的部署,也需要考虑无线接入网侧的部署,研究出一套端到端网络切片的部署策略,基于不同的服务类型完成接入网到核心网的切片,提高基础资源的利用率,增加服务提供商的收益,为5G时代众多应用及业务提供了高效高质的服务支持。本文建立了描述网络切片部署的数学模型。针对5G网络三种主要服务用例eMBB切片、mMTC切片和uRLLC切片分别提出了优化目标与求解算法。基于复杂网络理论分析了网络基础设施的拓扑特性。在网络切片的部署中,将网络的拓扑特性与节点的本地资源相结合。进行了测试用以评估面向服务的部署策略的性能。结果表明,所提部署策略在资源效率和接受率方面表现更好,执行时间更短。
二、端到端安全在共享连接通路网络中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、端到端安全在共享连接通路网络中的应用（论文提纲范文）
（1）基于OpenFlow的软件定义无线Mesh网络路由研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 拓扑发现研究现状 |
| 1.2.2 路由算法研究现状 |
| 1.2.3 多控制器架构研究现状 |
| 1.3 论文的主要研究内容 |
| 1.4 论文的结构安排 |
| 第二章 相关基础知识介绍 |
| 2.1 无线Mesh网络 |
| 2.2 软件定义网络 |
| 2.2.1 软件定义网络架构 |
| 2.2.2 SDN南向接口与OpenFlow协议 |
| 2.2.3 SDN控制器 |
| 2.2.4 仿真平台Mininet-WIFI |
| 2.3 本章小结 |
| 第三章 软件定义无线Mesh网络路由策略的研究与设计 |
| 3.1 软件定义无线Mesh网络控制平面建立机制的研究与设计 |
| 3.1.1 AODV协议的改进 |
| 3.1.2 软件定义网络拓扑发现机制 |
| 3.1.3 软件定义无线Mesh网络控制平面建立机制的设计与实现 |
| 3.2 基于软件定义无线Mesh网络的路由策略的设计与实现 |
| 3.2.1 基于软件定义无线Mesh网络的路由策略的设计 |
| 3.2.2 基于软件定义无线Mesh网络的路由策略的实现 |
| 3.3 软件定义无线Mesh网络路由策略的仿真验证 |
| 3.3.1 软件定义无线Mesh网络控制平面建立机制的仿真验证 |
| 3.3.2 基于软件定义无线Mesh网络路由策略的仿真验证 |
| 3.4 本章小结 |
| 第四章 软件定义无线Mesh网络多控制器架构的研究与设计 |
| 4.1 软件定义无线Mesh网络多控制器架构的研究 |
| 4.2 软件定义无线Mesh网络多控制器架构的设计与实现 |
| 4.3 软件定义无线Mesh网络多控制器架构的仿真验证 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 本文的不足与展望 |
| 参考文献 |
| 致谢 |
| 作者攻读学位期间发表的学术论文目录 |
（2）面向人体视觉理解的混合监督学习研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 面向人体视觉理解的多数据源多任务学习的关键技术难题 |
| 1.3 主要内容与创新点 |
| 1.4 本文结构安排 |
| 第二章 面向人体视觉理解的混合监督学习研究现状 |
| 2.1 引言 |
| 2.2 人体视觉理解相关研究 |
| 2.2.1 人体检测与人体实例分割 |
| 2.2.1.1 人体检测 |
| 2.2.1.2 人体实例分割 |
| 2.2.2 人体部位检测 |
| 2.2.2.1 人体部位检测方法 |
| 2.2.2.2 人体部位检测数据集 |
| 2.2.3 人体解析 |
| 2.2.3.1 人体解析方法 |
| 2.2.3.2 人体解析数据集 |
| 2.2.4 人体姿态估计与密集姿态估计 |
| 2.2.4.1 人体姿态估计 |
| 2.2.4.2 密集姿态估计 |
| 2.3 多任务学习相关研究 |
| 2.3.1 多任务学习基本内容 |
| 2.3.2 多任务学习方法 |
| 2.3.2.1 多任务学习架构 |
| 2.3.2.2 多任务学习的优化策略 |
| 2.3.2.3 任务相关性学习 |
| 2.3.3 多数据源多任务学习思想 |
| 2.3.4 多任务学习的评价基准 |
| 2.3.4.1 计算机视觉评价基准 |
| 2.3.4.2 自然语言处理评价基准 |
| 2.3.4.3 强化学习评价基准 |
| 第三章 混合监督学习的基本模型 |
| 3.1 问题描述 |
| 3.2 混合监督学习的基本模型设计 |
| 3.2.1 模型的多任务数据源 |
| 3.2.2 模型的结构设计 |
| 3.3 实验结果与性能分析 |
| 3.3.1 相关实验设置 |
| 3.3.2 基础单/多任务实验对比 |
| 3.3.3 消融实验 |
| 3.3.4 模型性能分析 |
| 3.4 小结 |
| 第四章 用于混合监督学习的解析区域卷积网络 |
| 4.1 问题描述 |
| 4.2 具备全局语义信息的网络设计流程 |
| 4.2.1 几何和上下文编码模块 |
| 4.2.2 全局语义增强特征金字塔网络 |
| 4.2.3 解析重评分网络 |
| 4.2.4 高分辨率特征及大容量网络分支 |
| 4.3 实验结果与性能分析 |
| 4.3.1 相关实验设置 |
| 4.3.2 评价指标 |
| 4.3.3 消融实验 |
| 4.3.4 与先进方法的比较 |
| 4.4 混合监督习模型的消融实验 |
| 4.4.1 单任务实验 |
| 4.4.2 添加Parsing R-CNN网络的模型实验 |
| 4.5 小结 |
| 第五章 用于混合监督学习的空间注意力模块 |
| 5.1 问题描述 |
| 5.2 注意力激发感受野模块的设计流程 |
| 5.2.1 Air模块的设计思路 |
| 5.2.2 Air模块的实现流程 |
| 5.3 实验结果与性能分析 |
| 5.3.1 ImageNet数据集的实验结果 |
| 5.3.2 CIFAR-10和CIFAR-100数据集的实验结果 |
| 5.3.3 Air模块的有效性实验分析 |
| 5.4 混合监督学习模型的消融实验 |
| 5.4.1 单任务实验 |
| 5.4.2 添加AirNet网络的混合监督学习实验 |
| 5.5 小结 |
| 第六章 混合监督学习的可扩展性探究 |
| 6.1 问题描述 |
| 6.2 实例级人体部位数据集 |
| 6.2.1 数据集概述 |
| 6.2.2 数据统计 |
| 6.2.3 评价指标 |
| 6.3 实例级人体部位检测模型设计 |
| 6.3.1 模型设计思路 |
| 6.3.2 网络结构设计 |
| 6.4 实验结果与性能分析 |
| 6.4.1 主流检测器基准 |
| 6.4.2 数据集泛化能力实验 |
| 6.4.3 模型实验及性能分析 |
| 6.5 混合监督学习模型的消融实验 |
| 6.5.1 多数据源统计 |
| 6.5.2 任务可扩展性分析 |
| 6.5.3 模型实验及性能分析 |
| 6.6 小结 |
| 第七章 总结与展望 |
| 7.1 论文总结 |
| 7.2 未来工作 |
| 参考文献 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
| 致谢 |
（3）面向5G的智慧医院组网方案设计及关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景 |
| 1.2 国内外研究现状 |
| 1.3 课题的研究意义 |
| 1.4 论文主要内容及结构安排 |
| 第2章 5G相关技术及原理 |
| 2.1 5G概述 |
| 2.2 5G专网组网技术 |
| 2.3 5G网络切片技术 |
| 2.4 5G移动边缘计算技术 |
| 2.5 本章小结 |
| 第3章 面向5G的智慧医院建设总体框架设计 |
| 3.1 智慧医院建设需求 |
| 3.2 5G智慧医院信息化建设原则和建设规划 |
| 3.3 5G智慧医疗专网的整体架构方案 |
| 3.4 智慧医院的信息平台建设方案 |
| 3.5 本章小结 |
| 第4章 面向5G的智慧医院组网方案研究 |
| 4.1 5G智慧医院内部网络建设 |
| 4.2 5G远程医疗专网建设 |
| 4.3 5G应急救治网络建设 |
| 4.4 5G医疗专网配置规划 |
| 4.5 5G医疗专网安全规划 |
| 4.6 本章小结 |
| 第5章 全文总结与展望 |
| 5.1 全文工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 作者简介 |
| 致谢 |
（4）面向零信任的MQTT安全关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 MQTT的广泛应用 |
| 1.1.2 MQTT安全性问题 |
| 1.1.3 零信任 |
| 1.2 研究意义 |
| 1.3 研究现状 |
| 1.3.1 身份认证与授权 |
| 1.3.2 访问控制 |
| 1.3.3 加密技术应用 |
| 1.3.4 现有研究的不足 |
| 1.4 研究内容 |
| 1.5 论文安排 |
| 第二章 相关理论基础 |
| 2.1 MQTT协议及其可用安全技术 |
| 2.1.1 MQTT协议 |
| 2.1.2 MQTT相关安全解决方案 |
| 2.2 相关密码学理论 |
| 2.2.1 群相关概念 |
| 2.2.2 代理重加密体制 |
| 2.2.3 Schnorr签名算法 |
| 2.2.4 AES对称加密体制 |
| 2.3 零信任架构 |
| 2.3.1 架构组件 |
| 2.3.2 信任算法及其变种 |
| 2.4 本章小结 |
| 第三章 基于代理重加密的MQTT端到端安全解决方案 |
| 3.1 引言 |
| 3.2 MQTT端到端安全解决方案 |
| 3.2.1 使用的符号与密码学 |
| 3.2.2 方案概述 |
| 3.2.3 具体流程 |
| 3.3 性能评估与安全讨论 |
| 3.3.1 性能评估 |
| 3.3.2 安全性讨论 |
| 3.4 本章小结 |
| 第四章 面向零信任的分级安全MQTT协议框架 |
| 4.1 引言 |
| 4.2 零信任安全策略与目标 |
| 4.3 分级的安全MQTT协议框架 |
| 4.3.1 方案概述 |
| 4.3.2 方案假设 |
| 4.3.3 用户与设备的认证 |
| 4.3.4 访问控制 |
| 4.3.5 分级有效载荷加密 |
| 4.3.6 监视 |
| 4.3.7 反馈与撤销 |
| 4.4 性能评估与安全讨论 |
| 4.4.1 性能评估 |
| 4.4.2 安全性分析 |
| 4.5 本章小结 |
| 第五章 基于信任计算的MQTT动态访问控制模型 |
| 5.1 引言 |
| 5.2 MQTT访问控制模型的特征 |
| 5.3 基于多源信任计算的MQTT动态访问控制模型 |
| 5.3.1 信任评估行为属性选取与属性信息提取 |
| 5.3.2 信任值计算 |
| 5.3.3 动态授权与访问控制 |
| 5.4 仿真实验分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 下一步工作 |
| 致谢 |
| 参考文献 |
| 作者简历 |
（5）自然图像刺激下的fMRI视觉信息解析深度神经网络模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 基于fMRI的视觉信息解析 |
| 1.2.1 针对自然图像的fMRI视觉信息解析 |
| 1.2.2 大脑视觉皮层 |
| 1.2.3 fMRI技术原理 |
| 1.2.4 实验设计和数据库构建 |
| 1.3 国内外研究现状 |
| 1.3.1 视觉编码模型 |
| 1.3.2 视觉解码模型 |
| 1.4 研究内容和结构安排 |
| 1.4.1 研究出发点 |
| 1.4.2 研究内容 |
| 1.4.3 研究内容的关联性 |
| 1.4.4 深度学习角度下的本文研究结构 |
| 第二章 低级视觉皮层编码模型研究 |
| 2.1 引言 |
| 2.2 模型 |
| 2.2.1 端到端卷积回归网络 |
| 2.2.2 体素选择性优化 |
| 2.3 实验结果及分析 |
| 2.3.1 实验条件和结果 |
| 2.3.2 性能对比分析 |
| 2.4 本章小结 |
| 第三章 高级视觉皮层编码模型研究 |
| 3.1 引言 |
| 3.2 模型 |
| 3.2.1 语义描述特征 |
| 3.2.2 基于图像语义描述特征的视觉编码模型 |
| 3.3 实验结果及分析 |
| 3.3.1 实验条件和结果 |
| 3.3.2 性能对比分析 |
| 3.3.3 高级视觉区域体素可视化 |
| 3.4 本章小结 |
| 第四章 简单图像低层特征内容重构模型研究 |
| 4.1 引言 |
| 4.2 模型 |
| 4.2.1 胶囊网络与胶囊特征 |
| 4.2.2 基于胶囊网络特征的视觉重构模型 |
| 4.3 实验结果及分析 |
| 4.3.1 实验条件和性能对比分析 |
| 4.3.2 特征可视化分析 |
| 4.4 本章小结 |
| 第五章 自然图像低层特征内容重构模型研究 |
| 5.1 引言 |
| 5.2 模型 |
| 5.2.1 自编码器和半监督学习 |
| 5.2.2 基于自编码器交替训练的视觉重构模型 |
| 5.3 实验结果及分析 |
| 5.3.1 实验条件 |
| 5.3.2 实验结果和性能对比分析 |
| 5.4 本章小结 |
| 第六章 自然图像场景语义分类模型研究 |
| 6.1 引言 |
| 6.2 模型 |
| 6.2.1 基于视觉编码的体素挑选 |
| 6.2.2 基于BRNN的视觉分类模型 |
| 6.3 实验结果及分析 |
| 6.3.1 实验条件和性能对比分析 |
| 6.3.2 视觉皮层拓扑信息的双向连接 |
| 6.4 本章小结 |
| 第七章 自然图像场景重构模型研究 |
| 7.1 引言 |
| 7.2 模型 |
| 7.2.1 类别解码 |
| 7.2.2 预训练生成对抗网络 |
| 7.2.3 视觉编码模型 |
| 7.2.4 评估器 |
| 7.3 实验结果及分析 |
| 7.3.1 实验条件 |
| 7.3.2 类别先验在视觉重构中的作用 |
| 7.3.3 GAN在视觉重构中的作用 |
| 7.3.4 性能对比分析 |
| 7.4 本章小结 |
| 第八章 总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简历 |
（6）智慧协同网络数据传输关键技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 主要缩略语对照表 |
| 1 绪论 |
| 1.1 引言 |
| 1.2 研究背景与研究现状 |
| 1.2.1 未来网络体系架构 |
| 1.2.2 智慧协同网络CoLoR协议体系 |
| 1.2.3 CoLoR传输层的设计挑战 |
| 1.2.4 现有数据传输机制 |
| 1.3 提出问题与研究意义 |
| 1.4 论文主要工作与创新点 |
| 1.5 论文组织结构 |
| 2 高干扰环境面向数据流的逐跳传输机制 |
| 2.1 引言 |
| 2.1.1 EF-TP的速率问题 |
| 2.1.2 HC-TP的时延问题 |
| 2.2 总体设计 |
| 2.2.1 控制模型 |
| 2.2.2 内容标识体系 |
| 2.2.3 优先级转发 |
| 2.2.4 单路由规则 |
| 2.3 可靠性控制机制 |
| 2.3.1 逐跳可靠性控制 |
| 2.3.2 端到端可靠性控制 |
| 2.4 拥塞控制机制 |
| 2.4.1 逐跳拥塞避免 |
| 2.4.2 逐跳拥塞缓冲 |
| 2.4.3 端到端拥塞恢复 |
| 2.5 仿真结果与性能评估 |
| 2.5.1 原型系统的设计与部署 |
| 2.5.2 流开始时延 |
| 2.5.3 流结束时延 |
| 2.5.4 带宽利用率 |
| 2.5.5 带宽公平性 |
| 2.5.6 缓存开销 |
| 2.5.7 经济开销 |
| 2.6 本章小结 |
| 3 高动态环境传输安全防御机制 |
| 3.1 引言 |
| 3.1.1 高动态环境中链路洪泛攻击的新特点 |
| 3.1.2 现有防御机制的失效 |
| 3.1.3 僵尸网络分布的不均匀性 |
| 3.2 主动防御机制 |
| 3.2.1 攻击检测 |
| 3.2.2 攻击溯源 |
| 3.2.3 流量标记 |
| 3.2.4 流量拦截 |
| 3.3 被动防御机制 |
| 3.3.1 日常时段流量监测 |
| 3.3.2 攻击时段源域身份识别 |
| 3.3.3 攻击时段源域流量过滤 |
| 3.4 有效性分析与评估 |
| 3.4.1 测试系统的设计与部署 |
| 3.4.2 LFA暴露时间的验证 |
| 3.4.3 主动防御的有效性 |
| 3.4.4 被动防御的有效性 |
| 3.4.5 被动防御的防御效率 |
| 3.4.6 被动防御的附带损伤 |
| 3.4.7 被动防御的攻击成本 |
| 3.5 本章小结 |
| 4 高干扰高动态复杂环境协同传输方法 |
| 4.1 引言 |
| 4.1.1 传输兼容问题 |
| 4.1.2 传输互联问题 |
| 4.2 并行兼容方法 |
| 4.2.1 数据包格式 |
| 4.2.2 优先级队列 |
| 4.2.3 路由器架构 |
| 4.3 串行互联方法 |
| 4.3.1 协议栈设计 |
| 4.3.2 传输机制互联方案 |
| 4.3.3 传输机制切换方案 |
| 4.4 仿真结果与性能评估 |
| 4.4.1 测试系统的设计与部署 |
| 4.4.2 并行兼容方法的有效性 |
| 4.4.3 并行兼容方法在高干扰环境中的性能 |
| 4.4.4 并行兼容方法对常规并发服务的支持 |
| 4.4.5 并行兼容方法的服务质量 |
| 4.4.6 链路永久中断时的传输性能 |
| 4.4.7 链路间歇中断时的传输性能 |
| 4.4.8 高动态场景中的缓存完整性 |
| 4.4.9 高动态场景中的缓存利用率 |
| 4.4.10 串行互联方法的传输性能 |
| 4.4.11 串行互联方法的动态全局最优 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 未来研究工作展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（7）软件定义量子密钥分发网络生存性技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 量子密钥分发网络 |
| 1.2.2 软件定义量子密钥分发网络 |
| 1.2.3 QKD网络生存性技术 |
| 1.3 论文组成与主要工作 |
| 1.3.1 论文组成 |
| 1.3.2 主要工作 |
| 第二章 软件定义量子密钥分发网络架构研究 |
| 2.1 SD-QKDN网络架构与节点模型 |
| 2.1.1 网络架构 |
| 2.1.2 节点模型 |
| 2.2 SD-QKDN关键流程 |
| 2.2.1 量子密钥分发应用注册流程 |
| 2.2.2 量子密钥分发物理链路建立流程 |
| 2.2.3 量子密钥分发虚拟链路建立流程 |
| 2.3 SD-QKDN关键技术 |
| 2.3.1 密钥资源虚拟化技术 |
| 2.3.2 路由与资源分配技术 |
| 2.3.3 生存性技术 |
| 2.4 本章小结 |
| 第三章 针对SD-QKDN密钥业务的共享保护方法 |
| 3.1 SD-QKDN网络保护问题描述 |
| 3.2 基于动态时间窗平面的共享保护方案 |
| 3.2.1 基于时间窗平面的网络资源描述模型 |
| 3.2.2 基于时间窗平面的资源分配算法 |
| 3.2.3 基于动态时间窗的共享备份路径保护方案 |
| 3.3 SD-QKDN密钥业务保护机制流程 |
| 3.4 仿真结果及分析 |
| 3.4.1 密钥更新周期对网络性能的影响 |
| 3.4.2 密钥生成速率对网络性能的影响 |
| 3.5 本章小结 |
| 第四章 针对SD-QKDN密钥业务的恢复方法 |
| 4.1 SD-QKDN网络恢复问题描述 |
| 4.2 基于密钥中继路径差异的网络恢复方案 |
| 4.2.1 动态密钥资源池模型 |
| 4.2.2 基于密钥感知的多路径避障路由规划算法 |
| 4.2.3 基于密钥中继路径差异的路径恢复策略 |
| 4.3 SD-QKDN密钥业务恢复机制流程 |
| 4.4 仿真结果及分析 |
| 4.4.1 多路径算法恢复性能仿真 |
| 4.4.2 业务负载对算法恢复性能的影响 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的学术成果 |
（8）基于深度学习的红外和可见光图像融合方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 变换域融合方法 |
| 1.2.2 空间域融合方法 |
| 1.2.3 深度学习融合方法 |
| 1.3 本文的主要工作 |
| 1.4 本文的组织结构 |
| 第2章 研究基础 |
| 2.1 红外和可见光图像 |
| 2.1.1 成像机理与模态特点 |
| 2.1.2 融合层级与融合方法 |
| 2.2 深度学习技术 |
| 2.2.1 深度学习概述 |
| 2.2.2 卷积神经网络 |
| 2.2.3 损失与学习算法 |
| 2.3 融合图像质量评价 |
| 2.3.1 主观评价方式 |
| 2.3.2 客观评价方式 |
| 2.4 本章小结 |
| 第3章 基于生成对抗和孪生网络的图像融合 |
| 3.1 引言 |
| 3.2 相关研究与分析 |
| 3.2.1 生成对抗网络 |
| 3.2.2 孪生网络 |
| 3.3 模型设计 |
| 3.3.1 整体架构 |
| 3.3.2 残差融合网络 |
| 3.3.3 孪生判别网络 |
| 3.3.4 模态判别策略 |
| 3.3.5 损失函数 |
| 3.4 实验与结果分析 |
| 3.4.1 数据集与环境配置 |
| 3.4.2 参数与训练算法 |
| 3.4.3 结果主观评价 |
| 3.4.4 结果客观评价 |
| 3.4.5 各组成对融合的影响 |
| 3.4.6 泛化性实验 |
| 3.5 本章小结 |
| 第4章 结合注意力机制的图像融合 |
| 4.1 引言 |
| 4.2 相关研究与分析 |
| 4.3 模型设计 |
| 4.3.1 整体架构 |
| 4.3.2 主干融合通路 |
| 4.3.3 信息流动通路 |
| 4.3.4 特征校准模块 |
| 4.3.5 损失函数 |
| 4.4 实验与结果分析 |
| 4.4.1 实验设置 |
| 4.4.2 结果主观评价 |
| 4.4.3 结果客观评价 |
| 4.4.4 各组成对融合的影响 |
| 4.4.5 组合生成对抗和注意力机制的图像融合 |
| 4.5 变电巡检应用实验 |
| 4.5.1 应用背景与方案设计 |
| 4.5.2 实验设置与数据预处理 |
| 4.5.3 实验与结果分析 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 工作总结 |
| 5.1.1 基于生成对抗和孪生网络的图像融合 |
| 5.1.2 结合注意力机制的图像融合 |
| 5.2 研究展望 |
| 参考文献 |
| 关于国际工程师学院人才培养模式情况说明 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（9）5G承载方案及关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外发展现状 |
| 1.3 研究目的与意义 |
| 1.4 本论文研究内容及创新点 |
| 第二章 5G承载网 |
| 2.1 5G承载网组网架构 |
| 2.1.1 5G承载网转发平面 |
| 2.1.2 5G承载网络管控架构 |
| 2.1.3 5G同步网组网架构 |
| 2.2 5G承载网挑战和需求 |
| 2.2.1 5G承载网面临的挑战 |
| 2.2.2 5G承载网功能需求 |
| 2.3 5G承载网关键技术 |
| 2.3.1 5G承载网大带宽 |
| 2.3.2 超低时延技术 |
| 2.3.3 5G网络切片技术 |
| 2.3.4 5G网络时针同步技术 |
| 2.3.5 5G承载网SDN架构 |
| 2.4 本章小结 |
| 第三章 5G承载网技术方案 |
| 3.1 5G前传技术方案 |
| 3.1.1 5G前传部署模式 |
| 3.1.2 TCO成本分析 |
| 3.1.3 部署模式方案 |
| 3.1.4 5G前传网带宽预测模型 |
| 3.1.5 5G前传承载技术方案 |
| 3.2 5G中回传技术方案 |
| 3.2.1 5G中回传带宽需求预测 |
| 3.2.2 5G中回传承载方案 |
| 3.3 5G网络切片承载技术方案 |
| 3.4 本章小结 |
| 第四章 5G传输承载网建设方案 |
| 4.1 建设方案的分析 |
| 4.1.1 设备选型分析 |
| 4.1.2 建设成本分析 |
| 4.2 建设方案的选择 |
| 4.2.1 SPN建设方案 |
| 4.2.2 OTN(M-OTN)建设方案 |
| 4.2.3 STN(新型IPRAN)&光层建设方案 |
| 4.3 中国电信5G承载网部署方案实例 |
| 4.3.1 业务需求分析 |
| 4.3.2 IPRAN网络现状 |
| 4.3.3 5G承载网发展目标 |
| 4.3.4 5G承载网发展思路 |
| 4.3.5 5G承载网建设方案指引 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 学位论文数据集 |
（10）基于SDN/NFV的无线网络切片部署策略的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景及研究意义 |
| 1.1.1 移动通信的发展 |
| 1.1.2 无线网络 |
| 1.2 论文的主要内容 |
| 1.3 论文的结构安排 |
| 2 网络切片简介 |
| 2.1 网络切片的背景与概念 |
| 2.2 网络切片架构与关键技术 |
| 2.2.1 网络切片架构 |
| 2.2.2 SDN/NFV相关技术 |
| 2.3 网络切片相关研究 |
| 2.4 5G对无线网络架构的影响 |
| 2.5 本章小结 |
| 3 基于复杂网络理论的网络切片数学模型 |
| 3.1 引言 |
| 3.2 复杂网络理论 |
| 3.3 网络切片模型 |
| 3.3.1 基础设施网络模型 |
| 3.3.2 网络切片需求模型 |
| 3.3.3 切片部署模型 |
| 3.4 本章小结 |
| 4 基于复杂网络理论的网络切片部署策略 |
| 4.1 引言 |
| 4.2 网络切片映射 |
| 4.2.1 虚拟网络功能的映射 |
| 4.2.2 虚拟网络功能映射算法 |
| 4.3 实际切片用例目标需求 |
| 4.3.1 eMBB切片目标需求 |
| 4.3.2 mMTC切片目标需求 |
| 4.3.3 uRLLC切片目标需求 |
| 4.4 网络切片的部署策略 |
| 4.4.1 网络切片需求实现算法 |
| 4.4.2 针对eMBB的切片部署算法 |
| 4.4.3 针对mMTC的切片部署算法 |
| 4.4.4 针对uRLLC的切片部署算法 |
| 4.5 仿真结果 |
| 4.5.1 实验环境设置 |
| 4.5.2 实验结果及分析 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 研究工作总结 |
| 5.2 前景展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读硕士学位期间参与的项目和发表的论文 |
| 附录2 主要英文缩写语对照表 |
四、端到端安全在共享连接通路网络中的应用（论文参考文献）
- [1]基于OpenFlow的软件定义无线Mesh网络路由研究[D]. 刘秋杰. 北京邮电大学, 2021(01)
- [2]面向人体视觉理解的混合监督学习研究[D]. 杨录. 北京邮电大学, 2021(01)
- [3]面向5G的智慧医院组网方案设计及关键技术研究[D]. 刘天浩. 吉林大学, 2020(03)
- [4]面向零信任的MQTT安全关键技术研究[D]. 谷正川. 战略支援部队信息工程大学, 2020(03)
- [5]自然图像刺激下的fMRI视觉信息解析深度神经网络模型研究[D]. 乔凯. 战略支援部队信息工程大学, 2021
- [6]智慧协同网络数据传输关键技术研究[D]. 王兆旭. 北京交通大学, 2020(03)
- [7]软件定义量子密钥分发网络生存性技术研究[D]. 王雨慧. 北京邮电大学, 2020(05)
- [8]基于深度学习的红外和可见光图像融合方法研究[D]. 夏晗. 天津大学, 2020(02)
- [9]5G承载方案及关键技术研究[D]. 蔡承德. 浙江工业大学, 2020(02)
- [10]基于SDN/NFV的无线网络切片部署策略的研究[D]. 方嘉骐. 武汉邮电科学研究院, 2020(11)