【摘 要】
：
由于物联网设备异构性、数据海量性、交互动态性和信息强隐私性等特点，现有访问控制方案面临着授权粒度、动态性和策略管理等方面的严峻挑战，本文提出基于下一代访问控制的授权方案，以图的方式描述访问控制策略，实现细粒度动态授权，同时为用户提供良好的操作管理体验，文中通过智能家居领域示例说明其在物联网中的适应性。另外，为解决其授权执行效率问题，以更好适应物联网实时动态性的特点，提出支持多策略类决策的决策算法，
论文部分内容阅读
由于物联网设备异构性、数据海量性、交互动态性和信息强隐私性等特点，现有访问控制方案面临着授权粒度、动态性和策略管理等方面的严峻挑战，本文提出基于下一代访问控制的授权方案，以图的方式描述访问控制策略，实现细粒度动态授权，同时为用户提供良好的操作管理体验，文中通过智能家居领域示例说明其在物联网中的适应性。另外，为解决其授权执行效率问题，以更好适应物联网实时动态性的特点，提出支持多策略类决策的决策算法，以将策略图所表达的策略提取为特权列表并建立索引的方式减少授权决策时间，最后对其执行效率进行了分析与评估，
其他文献
针对经典一阶段目标检测算法RetinaNet存在的难以充分提取与融合不同阶段特征及边界框回归不够准确的问题，提出了一个改进型RetinaNet的目标检测算法。该方法首先在特征提取模块加入多光谱通道注意力，以更好地捕获特征原有的丰富信息；然后，将路径聚合模块与特征融合操作相结合构成多尺度特征融合模块，并将其添加在特征提取模块后面，进一步增强不同阶段的特征融合效果。最后，在边界框回归过程中引入完全交并
为定量化分析地理因子对土壤中铜（Cu）、钴（Co）、钼（Mo）和锌（Zn）空间分异的影响。采集和测定了四川盆地长寿之乡江津区156件表土样品，综合运用数理统计、地统计和地理探测器等方法，分析表土中Cu、Co、Mo和Zn含量的空间分异特征及其驱动因子。表土中Cu、Co、Mo和Zn均值分别为27.0mg·kg-1、18.5mg·kg~(-1)、0.4mg·kg~(-1)和216.8 mg·kg~(-1
针对红外与可见光图像融合视觉效果不佳，背景细节丢失的问题，提出了一种基于注意力与残差级联的端到端融合网络模型。将源图像输入到生成器网络中，利用层次特征提取模块提取特征，然后使用基于U-net连接的解码器融合层次特征并生成融合图像。再通过生成的图像，将生成器与输入预融合图像的鉴别器进行对抗，利用细节损失函数调整生成器，补充融合图像缺失的信息，得到融合模型。此外，还对鉴别器实施了谱归一化操作来提高GA
本文提出融合卷积通道注意力机制、堆叠通道注意力机制和空间注意力机制的孪生网络跟踪器(ThrAtt-Siam)来提升跟踪性能。ThrAtt-Siam跟踪器以SiameseFC为基础，通过在低卷积层融合卷积通道注意力机制、两个特征图与两个卷积块，加强目标物体特征提取，提高跟踪器对背景特征抗干扰能力和辨别能力；在目标图像分支融合堆叠通道注意力机制与空间注意力机制，其中堆叠通道注意力机制可有效区分有用特征
随着多媒体技术的快速发展，经常遇到高维数据和多视图数据，这些视图描述了数据的不同视角，如何高效地聚类这类数据仍然是一个巨大的挑战。为了解决这一问题，提出了一种新的多视图加权聚类方法—KMFC，该方法首先将每个视图信息与合适的权重进行整合纳入模糊c均值聚类算法，求解多个隶属度矩阵和质心矩阵，接着引入KL信息正则项，进一步修正共识隶属度矩阵。最后对比实验结果表明，所提出的算法KMFC在ACC、NMI等
低轨卫星物联网系统中由于低轨卫星的高速运动，导致卫星波束覆盖范围内节点业务模型在空间和时间两个维度呈现不均匀性和时变性。针对这一特征，本文提出了一种空时二维卫星物联网业务模型，在空间维度采用网格划分的方法确定不同地理环境下节点密度和坐标位置，在时间维度采用贝塔分布进行建模，从而实现低轨卫星物联网业务模型空时两个维度的建模。在此基础上，针对未来低轨卫星星座多星覆盖的场景，本文提出了一种基于吸引子模型
营养胁迫是限制植物生长发育的重要因素之一，而具有20～24个核苷酸的microRNA是一类发挥关键作用的非编码小RNA，通过与特定靶基因结合，在转录后水平或通过翻译抑制实现对靶基因表达的抑制，进而在植物营养胁迫的调控中发挥重要作用。过去在模式植物拟南芥中对于miRNA介导的养分胁迫研究较多，近些年来水稻、玉米、大豆等不同物种中miRNA参与养分胁迫的报道在增加。本研究综述了miRNA在不同植物中对
随着深度神经网络的广泛应用，其安全性问题日益突出。研究图像对抗样本生成可以提升神经网络的安全性。针对现有通用对抗扰动算法攻击成功率不高的不足，提出一种在深度神经网络中融合对抗层的图像通用对抗扰动生成算法。首先，在神经网络中引入对抗层的概念，提出一种基于对抗层的图像对抗样本产生框架；随后，将多种典型的基于梯度的对抗攻击算法融入到对抗层框架，理论分析了所提框架的可行性和可扩展性；最后，在所提框架下，给
近年来随着数据规模和算力水平的提高，深度学习及相关预训练模型如ResNet等在图像识别领域取得了较快进展，其在多类应用场景的指定任务上均取得了良好表现。然而如何提高深度学习模型如ResNet等预训练模型的泛化能力，仍然是图像识别领域亟需解决的关键问题。目前通常的做法是通过网络结构的优化，或是数据集的扩充来改善模型性能，然而这些方法往往依赖于大量数据和大量时间/算力的网络结构修剪和二次训练，模型训练
本文提出一种自适应感受野卷积神经网络结构，简称ARFN（Adaptive Receptive Field Network）。通过卷积核的自主选择机制来实现感受野的动态调整，更大程度上获取残差网络低层特征的空间信息并与高层特征进行自适应融合，弥补高层特征空间信息不足的缺陷。同时，在残差块中加入一种轻量的新型注意力机制，通过一维空洞卷积实现特征通道间适当的非线性交互，有效地学习各通道特征的权重。相较于