基于秘密共享的本地多节点联邦学习算法

深度学习技术在各个领域中的应用越来越广泛,而深度学习模型的准确性需要依靠大量的训练数据。由于数据安全和法规限制,许多领域存在无法集中数据进行训练的情况,导致“数据孤岛”的现象。对此,谷歌提出能使大量客户端在数据保存本地的情况下与可信服务器联合训练模型的联邦学习。目前,联邦学习的研究主要集中在安全性和训练效率的问题上,针对跨数据库联邦学习场景,文章将分层联邦学习和基于安全多方计算的隐私保护机制结合,提出了一种基于秘密共享的本地多节点联邦学习算法Mask-FL,以保证联邦学习安全性的同时提高训练效率。主要工作包括：(1)提出本地多节点的跨数据库联邦学习框架,客户端利用本地计算资源生成多个本地节点,并且根据基于计算能力的数据划分方法进行分配数据资源,每个客户端代表局部所有节点参与全局联邦学习训练,从而构成3层级的分层联邦学习;(2)提出基于秘密共享的自适应掩码加密协议,在前面提出的联邦学习框架基础上,通过秘密共享的方式生成可复用的安全参数掩码,本地节点在训练过程的上行通信中对模型添加掩码从而保护模型参数安全。经过安全性假设分析证明,该算法可保护客户端的数据隐私安全。在通用数据集的实验表明,该...     

基于Lyapunov优化的联邦学习客户端选择方法

联邦学习是一种可用于解决数据孤岛问题的分布式机器学习框架。在联邦学习过程中，客户端选择方案会对收敛速度和全局模型的精度产生重要影响。然而，现有的多数方案通常忽略客户端之间的资源异构和随时间不断变化的信道条件，使联邦学习算法最终性能较低。针对该问题，提出了一种基于Lyapunov优化的联邦学习客户端选择算法(Federated learning client selection based on Lyapunov optimization, FedLcs)。算法设计了一种基于客户端信道条件、资源状态和对全局模型的贡献度的选择权重方法，并将客户端选择过程建模为一个Lyapunov优化问题，在不延长运行时间的同时，优化联邦学习全局模型精度。仿真实验表明，与其他2种客户端选择算法相比，所提算法能够适应不断变化的网络环境，显著提高模型准确率，加快收敛速度并使收敛过程更稳定。     

基于模型共享的分布式无监督异常检测

提出一种具有通用性的分布式异常检测框架.首先,利用本地的无监督异常检测算法,建立多个本地检测模型;然后,将各个本地无监督检测模型转换成统一的共享模型;最后,采用集成学习的方法,综合考虑各模型差异性和准确性,实现全局异常检测.实验结果表明,基于模型共享的分布式异常检测不仅能有效地保护数据隐私,减少通信开销,同时能获得和集中式检测相当甚至在某些情况下更好的效果.     

基于联邦学习的边缘计算隐私保护方法

针对边缘计算下联邦学习模型参数传递的安全性问题,提出一种基于联邦学习的边缘计算隐私保护方法(EC2PM)。该方法首先利用本地差分隐私(LDP),对参与联邦学习(FL)的边缘设备训练的模型参数添加数据扰动;然后通过调整隐私参数ε控制隐私损失的大小;最后将边缘计算与联邦学习进行结合,模型训练全程无需上传本地数据,实现了在保障边缘用户安全共享数据时,边缘设备的数据本地化训练和模型聚合,解决了边缘用户数据的隐私安全问题。对比实验结果表明,该方法的准确率为86.87%,不仅能够确保聚合模型的准确率而且达到保护模型参数的效果,同时能够满足安全性要求较高的边缘计算场景。     

基于并列GRU分类模型的日志异常检测方法

为了能够更有效地检测出系统日志的异常,该文对现有基于深度学习的日志异常检测算法Deeplog进行了研究和改进,提出一种基于并列门循环单元(Gate recurrent unit, GRU)分类模型的日志异常检测方法。该方法包含模型训练阶段和异常检测阶段。在训练阶段,利用日志模板解析器解析原始日志数据集中的日志模板,进而生成日志模板滑动窗口数据集和相应的日志模板频度向量集,并作为输入训练成并列GRU分类模型;在检测阶段,利用并列GRU分类模型,对进程日志序列进行异常检测。试验结果表明,该文提出的异常检测方法比现有方法在查全率、调和分数等评价指标上均有明显改善和提升。     

基于对比学习的暴力检测算法研究

针对现有暴力检测模型实际部署中存在数据标注成本高,提出基于对比学习的半监督模型训练框架,利用对比学习训练模型的表征能力,对比样本采用基于速度和基于全局和局部对比生成方式,对比框架在大量正负样本对比基础上增加正例样本间对比数量,同时利用伪标注对模型进行微调。实验结果显示,对比学习能够帮助模型在RWF2000和RVLS 5%训练数据下提升了3.9%,2.55%准确率,微调阶段能在RWF2000 25%训练数据下帮助模型进一步提升约3%准确率。     

基于模型准确率的链上去中心化联邦学习模型

现有的联邦学习存在恶意中央服务器和恶意参与者发布虚假数据毒害模型等问题。针对此情况,该文提出了一种去中心化的联邦学习模型,该模型将聚合工作由中央服务器移至参与者本地,各个参与者依据聚合算法将训练之后的模型参数写入交易,生成区块发布到区块链网络中。采用一种基于模型准确率的Byzantine容错共识算法构建共识小组,通过建立节点信息表实现节点动态加入。对所提的链上去中心化联邦学习模型的吞吐量、时延等性能进行了相关测试,结果表明：在相同条件下,基于模型准确率的高性能Byzantine容错共识算法相较于传统的Byzantine容错共识算法,吞吐量提升60%,系统平均时延从6 s减少到1 s。     

基于注意力机制多特征融合与文本情感分析的日志异常检测方法

现有的基于深度学习和神经网络的日志异常检测方法通常存在语义信息提取不完整、依赖日志序列构建和依赖日志解析器等问题.基于注意力机制多特征融合和文本情感分析技术,提出了一种日志异常检测方法 .该方法首先采用词嵌入方法将日志文本向量化以获取日志消息的词向量表示,接着将词向量输入到由双向门控循环单元网络和卷积神经网络组成的特征提取层中分别提取日志消息的上下文依赖特征和局部依赖特征,使用注意力机制分别加强两种特征中的关键信息,增强模型识别关键信息的能力.使用基于注意力机制的特征融合层为两种特征赋予不同权重并加权求和后输入由全连接层构成的输出层中,实现日志消息的情感极性分类,达到日志异常检测的目的 .在BGL公开数据集上的实验结果表明,该模型的分类准确率和F1值分别达到了96.36%和98.06%,与同类日志异常检测模型相比有不同程度的提升,从而证明了日志中的语义情感信息有助于异常检测效果的提升,并且经过实验证明了使用注意力机制的模型可以进一步提高文本情感分类效果,进而提升日志异常检测的准确率.     

面向不稳定日志的一致性异常检测方法

系统日志被用作系统异常检测的主要数据源.现有的日志异常检测方法主要利用从历史日志中提取的日志事件数据构建检测模型，即假设日志数据随时间的推移其分布规律具有稳定性.然而，在实践中，日志数据往往包含以前未出现过的事件或序列.这种不稳定性有两种来源：1）日志发生了概念漂移；2）日志处理过程中引入了噪声.为缓解日志中出现的不稳定问题，设计了基于置信度协同多种算法的异常检测模型EBCAD（Ensemble-Based Conformal Anomaly Detection）.首先，用统计量p值度量日志之间的不一致性，选择多个合适的集成算法作为不一致性度量函数计算不一致性得分进行协同检测；然后，设计了基于置信度的更新机制来缓解日志不稳定问题，将新日志的不一致性得分添加到已有得分集，更新日志异常检测的经验；最后，根据协同检测得到的置信度与预设置信水平大小来判断不稳定日志是否异常.实验结果表明，在HDFS日志数据集中，当不稳定数据注入率从5%增加到20%时，EBCAD模型的F1值仅从0.996降低到0.985；在BGL_100K日志数据集中，当不稳定数据注入率从5%增加到20%时，EBCAD的F1值仅从0.71降低到0.613.证明EBCAD在不稳定日志中可以有效检测到异常.     

基于FL-MADQN算法的NR-V2X车载通信频谱资源分配

针对5G新空口-车联网（New Radio-Vehicle to Everything,NR-V2X）场景下车对基础设施（Vehicle to Infrastructure,V2I）和车对车（Vehicle to Vehicle,V2V）共享上行通信链路的频谱资源分配问题,提出了一种联邦-多智能体深度Q网络（Federated Learning-Multi-Agent Deep Q Network,FL-MADQN）算法.该分布式算法中,每个车辆用户作为一个智能体,根据获取的本地信道状态信息,以网络信道容量最佳为目标函数,采用DQN算法训练学习本地网络模型.采用联邦学习加快以及稳定各智能体网络模型训练的收敛速度,即将各智能体的本地模型上传至基站进行聚合形成全局模型,再将全局模型下发至各智能体更新本地模型.仿真结果表明：与传统分布式多智能体DQN算法相比,所提出的方案具有更快的模型收敛速度,并且当车辆用户数增大时仍然保证V2V链路的通信效率以及V2I链路的信道容量.     

英语学习速成论质疑

由于多年来我国英语教学的低效率和社会对外语的过分重视，使得英语学习速成论受到众多的英语学习者的青昧。然而，成功的英语学习者的经历证明，学习英语是没有捷径的，英语学习能速成的说法是不符合学习者的认知规律的。只有在英语学习的认知过程得以完成的情况下，英语学习才能真正成功，而英语学习的效率则可以通过调控学习策略来提高。     

基于网络的互动式学习系统的探讨

由于计算机网络的普及,互联网已经成为学生学习必不可少的途径之一,为此大多数院校已经开始研究适合自身的互动式学习系统。文章首先对互动式学习系统的优势进行了总结,并介绍了国内外的研究现状,之后提出了开发互动式学习系统的原则及开发的重点模块。     

基于网络的自学学习引导环境的构建

随着网络教学的深入开展,网络学习环境建设正逐渐受到关注。强调要重视网络学习引导环境的建设,分析了网络自学学习引导环境的设计理念,构建了一个学习引导环境模型,并对其核心模．块展开讨论,旨在为促进网络学习效果的最优化提供一些建设性思路。     

浅论学习型企业

阐述了构建学习型企业应注重的问题，包括普及学习理念，抓好决策层学习，构建学习平台，优化学习机制。     

学习自控力与学习动机、自信心、责任心的相关研究

本文修订了学习自信心、学习动机、学习责任心三个量表。用这三个量表所测量的数据与学习自控力量表得分算相关和路径分析。结果发现：①修订的学习自信心、学习动机和学习责任心量表具有一定的信度；②学习心理对学习自控具有显著的影响，而学习动机与学习责任心对学习成绩没有直接的显著性影响；这似乎可以说明：其它学习心理对学业成就的影响，需要通过行为的自我控制才能真正起作用；③学习自信心对学习成绩有显著性的影响。教学中，老师要注意培养学生学习的自信心，同时要重视把学生的学习动力转化为实际的学习行动。     

基于概念图的网络学习导航应用

网络学习中的海量信息和超媒体结构使得学习者在学习过程中出现“迷航”和认知超载.分析了网络学习导航和概念图的概念与特点,探讨了概念图用于网络学习导航的几种方式,研究了在课程知识概念图的基础上针对不同网络学习用户生成最佳学习路径的算法,从而实现了个性化学习,使整个学习过程具备一定的自适应性和智能性.     

基于“工作过程系统化”的课程开发

《电气控制系统的制作、调试与维护》课程的建设促进了机电一体化技术专业课程体系的优化,适应了"工学结合、校企合作"的人才培养模式。文章从"职业行动领域描述、学习目标、学习情景、教学方法与手段、理论和实践教学及评价"等六个方面介绍了《电气控制系统的制作、调试与维护》课程的建设。     

现代教育理念下计算机创新实践平台的构建

以布鲁纳的知识结构组织理论和发现学习理论、罗杰斯的非指导学习理论、约翰逊的合作学习模式等现代教育理念为依据,结合大学生的认知特点,构建了以提高学生的元认知能力为特色的计算机创新实验平台,通过调查表明该创新实验平台不但有利于学生提高理论和实践水平,而且学生的元认知能力也有了较大的提高.     

鸣禽鸣啭学习研究进展

禽的鸣啭表现出一种复杂的学习过程，鸣禽学习鸣啭的过程可以分为两个阶段．在感觉学习期，幼鸟必须听到成鸟的鸣啭，并形成鸣啭模板记忆；在感觉运动学习期，鸣禽通过听觉反馈与模板匹配逐步建立稳定的鸣啭．对近年来鸣禽鸣啭学习过程的研究进展进行综述．     

网络环境下的学习心理浅析

网络为学习者提供了一种全新的学习环境。较之传统的学习环境，网络学习者学习心理发生了很大的变化。掌握网络环境中学习者的学习心理特征，是开展网络学习、开发各种网络学习资源的一个前提。本文从学习心理过程、个性学习心理特征以及二者的连接桥梁——学习风格三个方面对网络学习者的学习心理做了探讨。