基于双重匹配注意力网络的观点型阅读理解

提出一种基于双重匹配注意力网络的方法.先用动态匹配机制迭代综合获取全局观点信息,同时利用多维度匹配机制在不同特征空间上计算全局语义信息,然后交互式多路注意力机制通过两路注意力之间的交互计算对上述全局的观点与语义信息进行融合,最后与选项表示结合预测答案的观点倾向.在观点型阅读理解数据集ReCO和Dureader上面的实验表明,该方法相对于基准模型在准确率上提升了1.18%和0.84%,在加权宏F1上提升了1.16%和0.75%.     

融合可验证随机函数的改进Raft共识算法

传统的Raft算法容易因受到恶意攻击而导致效率低下。针对Raft算法在执行过程中可能被攻击者探测到Leader身份进而发动攻击的问题,利用可验证随机函数的随机性和非交互式特性,改进了原有Raft算法，隐藏了选主过程中Leader的身份的同时避免了原算法的多轮选举问题。提出的改进Raft算法的详细设计了可验证随机函数的实现并将其融入到选主过程中,并且分析了改进方案的系统安全性和稳定性，对比了不同共识算法在各需求场景下的表现。仿真试验表明:改进后的算法在选主过程中隐藏了被选中节点的身份,在保证系统稳定性的前提下提高了系统安全性,并且在系统节点越来越多时提高选主的时间效率的表现更好。