【摘 要】
：
互联网技术的高速发展将我们带入了一个全新的信息时代,信息化的时代里信息具有巨大的经济价值和战略价值,因此对于信息的保护变得至关重要。在诸如工业信息系统这样由信息驱动的系统中,任何机密的信息都不应该被不具备相应权限的用户（称入侵者）获得。非干涉性概念的提出就是为了避免系统内产生任何的信息泄露,防止入侵者获取系统内的机密信息。现有对非干涉性的研究还存在着一些局限性:一是大多数研究基于普通Petri网开
论文部分内容阅读
互联网技术的高速发展将我们带入了一个全新的信息时代,信息化的时代里信息具有巨大的经济价值和战略价值,因此对于信息的保护变得至关重要。在诸如工业信息系统这样由信息驱动的系统中,任何机密的信息都不应该被不具备相应权限的用户（称入侵者）获得。非干涉性概念的提出就是为了避免系统内产生任何的信息泄露,防止入侵者获取系统内的机密信息。现有对非干涉性的研究还存在着一些局限性:一是大多数研究基于普通Petri网开展,导致建模困难、适应性差,二是在研究过程中大多都是采用全局式的分析方法,导致过程繁琐、计算复杂。针对以上存在的技术问题,本文提出了一种基于标签Petri网的分布式安全性检测方法,可以高效地分析和检测出一个大型复杂信息系统的SNNI（强非确定性非干涉）安全和BSNNI（双模拟强非确定性非干涉）安全,降低了SNNI安全和BSNNI安全检测的计算复杂度。本文首先给出了标签Petri网中信息安全的一些概念与定义,并将普通Petri网的安全性检测算法推广拓展到标签Petri网中。随后指出了原有算法在标签Petri网安全性检测中的组合爆炸问题,通过分析对SNNI算法和BSNNI算法进行了优化,在一定程度上缓解了组合爆炸问题,提高了算法的可操作性。同时,利用优化算法对一个标签Petri网建模的具体实例进行安全性分析,更加清晰地体现了SNNI优化算法和BSNNI优化算法的优劣性。其次针对SNNI优化算法和BSNNI优化算法中的遗留问题,首次将分布式的思想运用到了标签事件系统的安全性检测中去。具体来讲,就是将一个大型复杂系统通过网的分解算法分解成为若干个小型子网,并保持分解前后原网与子网的静态特性和动态特性不变性,然后根据一些安全性准则可以由分解后各小型子网安全性的综合协商得出原大型复杂系统的安全性。这种“分而治之”的思想可以有效地解决标签Petri网安全性检测的组合爆炸和状态爆炸问题,进一步降低了安全性检测的计算复杂度。最后结合一个由实际信息系统建模的标签Petri网的安全性分析来说明该方法的有效性和优越性,让分布式的方法更加清晰易懂。
其他文献
5G通信产业本身对于频率源的准确度和稳定度的要求很高,使用中国北斗卫星导航系统（Bei Dou Navigation Satellite System,BDS）信号驯服恒温晶体振荡器（Oven Controlled Crystal Oscillator,OCXO）改善恒温晶振输出频率的老化漂移和稳定漂移的技术是解决部署问题的关键。如何提升恒温晶振在失去锁定后的保持能力成为至关重要的问题。本文研究提
随着电子数据采集设备的普及,每天都有大量的信号序列数据通过网络传输的方式,源源不断的输送到数据终端。这些采集到的序列数据里,相邻事件之间可能存在某些必然的联系,揭示设备中事件的发生规律。近年来,计算设备数据处理能力的提升,使得人们从海量序列数据中,挖掘出频繁出现的序列情节片段成为可能。如何对序列信号数据进行高效的频繁情节挖掘,发现序列信号中潜在的规律信息,引起学术界的持续关注。与序列模式挖掘不同,
深度卷积神经网络模型已经成为图像分类应用的基石,在生物认证、智慧医疗、自动驾驶等场景中发挥重要作用。近年来,对抗样本揭示了卷积分类模型的脆弱性,向模型的安全性提出了严峻挑战。攻击者通过在原图像素上添加扰动生成对抗样本,令模型错误地判断图像类别,但对于人类视觉系统而言,对抗样本和原图的类别一致。然而,由于神经网络工作机理的高复杂性和不透明性,至今无法提出一步到位的方法使模型产生免疫。因此,以增强模型
在行人检测领域,基于卷积神经网络的深度学习技术已经取得了比传统方法更好的检测性能。但随着深度卷积神经网络的迅速发展,检测模型的网络结构也愈加复杂,参数量和计算量快速增加。在计算资源有限的硬件设备部署行人检测模型时,如何在保证检测精度的条件下满足检测实时性的要求就成为亟需解决的问题。本文围绕基于锚框的单阶段行人检测方法展开研究,针对在计算资源有限的硬件设备实现行人检测任务所面临的实际问题,结合轻量化
在深化安全建设、完善社会治安立体化防控体系的要求下,监控系统作为一种网格化管理的有效安防方案,正朝着全方位、超高清的方向发展。而随着监控相机布控数量不断增加,传统的多屏切换播放方法逐渐暴露出内容离散、相关性弱等缺点。这为用户添加了对时空信息的认知负担,并且无法满足智能监控多维度、立体式的可视化需求。本文针对如何实现多路监控视频的有效整合与直观可视化这一亟待解决的问题展开了研究,结合增强虚拟现实技术
随着科技的飞速发展,光谱成像技术日益精进,针对于高光谱图像的解译处理已成为遥感领域的研究热点之一。相较于其他传统成像方式,高光谱图像具有信息量大、光谱波段范围广、谱段分辨率高等特性。因此,其现已被广泛应用在地质监测、农业生产、环境评估以及军事侦察等多个领域。对于高光谱图像而言,可看作是由相同场景组成的三维立方体,其中每个维度的成像场景都与特定光谱波长相关。大量的光谱信息简化了地物类别之间的判别差异
人像摄影是一种热门的拍摄题材,然而在很多场景下,诸多不可控因素,如背景人物众多、背景繁杂等,都会导致成片效果不尽如人意。此外,静态的图像不能像视频或动图一样表达丰富的信息,如果能使目标人物在同一张照片中反复出现,就可以通过让目标人物摆出不同的姿势来表达丰富的信息。现有的方法大多通过Photo Shop等图像后期处理软件,人为判定背景人物并进行图像复制粘贴等处理达到上述特效效果。这种方法不仅操作费时
监控视频中异常事件检测旨在识别真实监控视频中出现的各种异常事件,并及时做出相应的处理,进而更好地维护社会公共安全。近年来,基于深度学习的监控视频中异常事件检测算法在提升模型检测性能上取得了较好的进展,但仍然存在监控视频中的时空冗余信息影响异常事件检测精度、正常事件和异常事件判别界限不清晰等问题。因此,监控视频中异常事件检测仍然是一项具有挑战性的课题。鉴于此,本文提出了基于记忆引导注意力的无监督异常
作为对地观测技术的重要组成部分,遥感图像分类已被广泛应用于国防和民生经济等领域。传统的图像分类算法难以准确描述高分辨遥感图像丰富的空间细节和语义信息,分类精度不高,难以满足下游任务中信息分析和情报提取的需求。近年来,以卷积神经网络为代表的深度学习技术,凭借其优秀的表征学习能力,为遥感图像分类任务带来了性能上的巨大提升;但在资源受限的终端,卷积神经网络的庞大参数和计算量为模型高效实时部署带来了巨大挑