基于峰后特征的深部隧道围岩分层断裂数值分析

为了揭示深部隧道工程围岩的分层断裂机理而展开数值实验研究.分析了深部地层岩体历史及赋存环境,认为深部岩体在力学上处于峰后阶段,根据岩石峰后应力-应变特征选定了围岩的峰后特征指标及其开挖响应方程.建立了数值实验模型,设计了开挖数值模拟的围岩响应监控方案.完成了大量的开挖数值模拟,实现了深部围岩分层断裂现象在数值模拟中的重现.基于实验中围岩应力、变形分布的全程监测结果,在确定围岩分层断裂产生条件的基础上,进一步研究得到了围岩分层断裂层数、分层断裂圈半径、最大峰值应力等参数与峰后特征指标的关系.根据地下结构开挖围岩应力重分布及岩石力学破裂机理,分析了分层断裂中次生自由面、多重似开挖面形成的力学机制.所得数值模拟结果,为深部工程围岩的分层断裂提供了验证依据,消解了长期以来数值模拟中没有观察到分层断裂现象的困惑.     

数据网格中QoS感知的副本放置方法

数据复制技术广泛用于数据网格,如何合理地放置复制时产生的数据副本来更有效地提高数据访问性能成为一个值得研究的重要问题。本文针对无向连通图表示的数据网格模型,提出了一种满足各用户服务质量(quality of service, QoS)需求的副本放置算法(replica placement algorithm, RPA),通过该QoS感知的副本放置算法能够获得k个副本放置位置,并且使得整个数据网格系统的通信代价最小。最后,文章通过相应的仿真实验证明了该算法的可靠性和有效性。     

基于多PayWord链的新型高效微支付方案

提出了一种新型的高效微支付方案,通过采用不同面值的多PayWord链进行支付来提高系统的计算和通信效率．方案遵循按次计费的原则,消除了商家和消费者进行欺诈行为的商业动机,并能够有效地防止电子现金的伪造和超支花费．与其他微支付方案相比,由于本系统完全没有使用公开密钥算法,因而效率大大提高,此外还能够保证敏感支付信息的安全和消费者的隐私权。     

车载飞轮电池转子动力学建模与分析

针对车载飞轮电池安装基础运动的特点,本文利用子结构分析的方法,建立了飞轮电池的转子-安装基础动力学模型,提出了安装基础动力学与转子动力学模型的融合方法,并分析了飞轮转子在路面输入引起基础振动变化情况下的动力学特性,从而为车载飞轮电池转子动力学设计提供了理论和计算基础。     

车载飞轮电池转子的动力学建模与分析

针对车辆姿态变化会引起飞轮电池安装基础运动的问题,利用子结构分析法,分别建立了7自由度车辆的动力学模型和5自由度飞轮电池转子的动力学模型,提出了将安装基础运动转化为对转子激励的动力学求解的方法,并分析了飞轮电池转子在路面输入引起安装基础振动变化情况下的振幅变化.结果表明,路面输入引起的安装基础振动改变了飞轮电池转子的受力,激励了飞轮电池转子在5个自由度上的振动.     

树型数据网格环境下副本放置算法研究

副本广泛地用于数据网格环境下以减少数据访问代价,降低网络带宽需求,增强容错能力等,但是副本数目受到节点存储能力等因素的限制,副本放置成为副本管理中一个值得研究的问题.文中针对网络带宽受到限制的树型数据网格,在考虑负载均衡的基础上,提出了一种利用动态规划方法求解最优最小可行副本集,然后在此基础上利用折半查找进行k个副本放...     

围岩收敛曲线形态对地下结构稳定系数影响分析

针对现代地下支护结构设计方法中缺乏物理意义明确的稳定性表征指标这一不完善之处,结合收敛-约束原理来开展研究.首先,通过选取基于Mohr-Coulomb失效准则的Kastner公式和Duncan公式进行围岩弹塑性分析从而构建围岩收敛曲线;分析各支护单元的力学特性并构建锚喷支护结构支护特征曲线;然后,根据收敛-约束原理和荷载原理导出支护结构的稳定系数,从而建立不同围岩收敛曲线的地下结构稳定性定量评价方法;最后,在各岩体力学参数相似的条件下,通过算例分析不同围岩收敛曲线之间的差异性,展示了不同模式的操作和运行过程.     

数据网格中一种启发式副本放置算法

副本技术广泛用于数据网格中来减少数据访问代价,增强容错能力,从而提高数据网格中数据访问的性能和可靠性。如何合理地放置副本来更有效地提高数据访问性能成为一个需要解决的重要问题。针对无向连通图表示的数据网格模型,在考虑通信代价和存储代价的基础上,提出了一种启发式副本放置算法(heuristic replica placement algorithm, HRPA),通过该算法能够得到k个副本的放置位置,并且使得整个系统的代价最小。最后,通过相应的仿真实验证明了该算法的可行性和有效性。     

基于eBPF与LSTM的DDoS攻击检测系统

针对网络异常流量检测中的DDoS攻击检测,以往的基于深度学习的解决方案都是在脱离系统实体的数据集上构建模型和优化参数,提出并实现一种使用Linux内核观测技术eBPF(extended Berkeley Packet Filter)与深度学习技术结合的基于网络流量特征分析的网络异常流量检测系统。系统采用eBPF直接从Linux内核网络栈最底层高效地采集网络流量特征数据,然后使用基于长短记忆网络LSTM(Long Short Term Memory)构建的深度学习系统检测网络异常流量。在具体实现中,系统首先通过Linux内核网络栈最底层XDP(eXpress Data Path)中的eBPF程序挂载点采集网络流量特征数据。之后,使用LSTM构建神经网络模型和预测分类。将系统应用于一个仿真实验网络环境得出的实验结果表明,系统的识别精确度达到97.9%,同时,在使用该系统的情况下,网络中的TCP与UDP通信的吞吐率仅平均下降8.53%。结果表明：系统对网络通信影响较低,同时也实现了较好的检测效果,具有可用性,为网络异常流量检测提供了一种新的解决方法。