检索结果

Select

1. 基于软件防护扩展的车联网路况监测安全数据处理框架

冯睿琪, 王雷蕾, 林翔, 熊金波

《计算机应用》唯一官方网站 2023, 43 (6): 1870-1877. DOI: 10.11772/j.issn.1001-9081.2022050734

摘要（399）

HTML （6）

PDF （1801KB）（239）

车联网（IoV）路况监测需要对用户隐私数据进行传输、存储与分析等处理，因此保障隐私数据安全尤为重要，然而传统的安全解决方案难以同时保障实时计算与数据安全。针对上述问题，设计了两个初始化协议与一个定期报告协议等安全协议，并构建了基于软件防护扩展（SGX）技术的IoV路况监测安全数据处理框架（SDPF）。SDPF利用可信硬件在路侧单元（RSU）内实现隐私数据的明文计算，并通过安全协议和混合加密方案保证框架的高效运行与隐私保护。安全性分析表明，SDPF可抵御窃听、篡改、重放、假冒、回滚等攻击。实验结果表明，SDPF的各项计算操作均为毫秒级，尤其是单车辆的所有数据处理开销低于1 ms。与基于雾计算的车联网隐私保护框架（PFCF）和基于同态加密的云辅助车载自组织网络（VANET）隐私保护框架（PPVF）相比，SDPF的安全设计更加全面，单会话消息长度减少了90%以上，计算时间至少缩短了16.38%。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

2. 基于多类指数损失函数逐步添加模型的改进多分类AdaBoost算法

翟夕阳, 王晓丹, 雷蕾, 魏晓辉

计算机应用 2017, 37 (6): 1692-1696. DOI: 10.11772/j.issn.1001-9081.2017.06.1692

摘要（514）

PDF （877KB）（464）

多类指数损失函数逐步添加模型（SAMME）是一种多分类的AdaBoost算法，为进一步提升SAMME算法的性能，针对使用加权概率和伪损失对算法的影响进行研究，在此基础上提出了一种基于基分类器对样本有效邻域分类的动态加权AdaBoost算法SAMME.RD。首先，确定是否使用加权概率和伪损失；然后，求出待测样本在训练集中的有效邻域；最后，根据基分类器针对有效邻域的分类结果确定基分类器的加权系数。使用UCI数据集进行验证，实验结果表明：使用真实的错误率计算基分类器加权系数效果更好；在数据类别较少且分布平衡时，使用真实概率进行基分类器筛选效果较好；在数据类别较多且分布不平衡时，使用加权概率进行基分类器筛选效果较好。所提的SAMME.RD算法可以有效提高多分类AdaBoost算法的分类正确率。

参考文献 | 相关文章 | 多维度评价

Select

3. 基于损失函数的AdaBoost改进算法

雷蕾王晓丹

计算机应用 2012, 32 (10): 2916-2919. DOI: 10.3724/SP.J.1087.2012.02916

摘要（927）

PDF （559KB）（490）

针对AdaBoost集成时难分样本权重扩张导致训练样本在更新时分布失衡的问题,提出一种基于正负类样本损失函数(LF)的权重更新策略。权重的调整不仅与训练误差有关,还考虑到基分类器对不同类别样本的正确分类能力,从而避免训练样本过度集中于某一类的异常现象。实验结果表明,基于LF的AdaBoost能在提高收敛性能的情况下,提高算法精度,克服样本分布失衡问题。偏差方差分析的结果显示,该算法在改善偏差的情况下,能有效地减小错误率中的方差成分,提高集成的泛化能力。

参考文献 | 相关文章 | 多维度评价

Select

4. 基于直觉模糊聚类的数据关联算法

贺正洪雷英杰雷蕾

计算机应用 2011, 31 (03): 647-650. DOI: 10.3724/SP.J.1087.2011.00647

摘要（1614）

PDF （653KB）（1254）

针对多传感器观测数据存在不确定性的问题，基于直觉模糊聚类，提出一种新的数据关联算法。将改进的直觉模糊C-均值聚类（IFCM）算法应用于数据关联，首先将观测数据和预测数据进行直觉模糊化，然后计算直觉模糊集之间的加权距离以获得观测与航迹的隶属度，最后依次搜索最大隶属度实现观测与航迹的关联。仿真实验表明，存在模糊观测数据情况下，算法能有效地进行数据关联。