【摘 要】
：
针对传统的数据交易平台依靠中心化的管理机构完成交易的过程,不能够保证数据在交易过程中的安全性的弊端,结合区块链去中心化、防篡改的优势,提出了基于区块链的、在不可信
【机 构】
：
沈阳理工大学 装备工程学院,沈阳110159;中国科学院大学,北京100049;中国科学院 沈阳计算技术研究所,沈阳110168
论文部分内容阅读
针对传统的数据交易平台依靠中心化的管理机构完成交易的过程,不能够保证数据在交易过程中的安全性的弊端,结合区块链去中心化、防篡改的优势,提出了基于区块链的、在不可信的环境下进行数据安全交易的去中心化交易平台的可行性方案.首先,阐明传统数据交易平台的弊端,剖析了区块链技术在数据安全交易中的关键技术;其次,对数据交易平台架构和智能合约设计提出了具体的实施方案;最后针对数据交易的过程中平台的安全性进行验证分析.实验结果表明,本文所提出的方案可以很好的保障交易数据的安全以及交易双方的隐私.
其他文献
FDK算法是三维锥形束重建中最常用的一种算法,本文通过对锥形束重建过程中滤波函数和插值方法的改进,在原有NEW&R-L滤波函数的基础上,通过调整加权系数,不仅减弱了重建过程中的吉布斯效应,而且对高频部分的噪声抑制效果显著.本文通过将NEW滤波函数和S-L滤波函数结合,并调整加权系数,提出了一种对噪声的图像重建敏感的新的混合滤波器NEW&S-L滤波器,该混合滤波器在保持重建图像空间分辨率的同时,可以
运动目标跟踪作为目前计算机视觉领域的一个研究热点,存在目标旋转变形、运动模糊和背景混杂等难点.针对这些难点情况下多域卷积神经网络目标跟踪算法(MDNet)失效的问题,本文提出一种基于目标分割的多域卷积神经网络跟踪算法,旨在利用分割网络出色的目标定位能力,为MDNet网络构建一种新的网络更新方法.在跟踪过程中,通过目标分割对失效结果进行校正,重新获得目标的精确位置,再将分割获得的目标框作为样本来更新
图像特征提取的质量直接影响图像分类精度,针对现有特征提取方法不能准确提取远离分类边界特征的问题.本文提出一种基于对抗正则化的图像特征提取方法,在分类目标函数中引入对抗性正则化项,其核心思想是将特征经过Dropout得到两个后验分布,分类器最大化后验分布得到分类边界,特征生成器最小化后验分布生成远离分类边界的特征,二者相互对抗鼓励生成更具有代表性的类别信息,同时探究不同概率分布度量方法对特征空间的影
有雨图像往往丢失大量的特征及细节信息,严重影响视觉效果和目标检测.针对有雨图像,本文采用图像显著性检测来寻找有雨区域,确定待修复区域,设计了多尺度融合生成对抗网络(Multiscale Fusion Generative Adversarial Network,MsF-GAN)进行图像去雨,在生成器的12/14/16网络层采用Concat进行多尺度融合,使生成的去雨图像中更多地保留图像的原始信息,
在互联网上,大量的数据是由音视频等多媒体流量构成,特别是图像和视频占了绝大部分.由于视频流量检索可以转换成图像的检索,因此如何在互联网上海量数据中进行高效图像检索成了一个重要的研究领域.深度哈希方法在图像检索中可以有效提高检索速度和检索效率,故其在图像检索领域占据了重要的地位.针对大量图像数据无标注的特点,本文提出了适用于图像检索的强化对抗生成哈希方法,该方法结合最新的生成对抗网络,引入了相似度矩
域偏移已成为跨域目标检测领域一个棘手的问题.当把在源域训练好的检测器用于目标域时,由于源域和目标域的分布差异,检测器往往会有显著的性能下降.为了处理上述问题,本文提出了一个基于类别中心和关系感知的跨域目标检测模型,该模型通过图卷积的方式同时对域差异信息,类别信息和关系信息进行建模.本文所提出的模型有以下几个优点:1)据我们所知,这是跨域目标检测方向里第一个同时对上述3种信息建模的网络; 2)提出的
提出了一种由互补开口谐振环(CSRR)和叉指电容(IDC)结构组合而成的小型化湿度传感器.利用CSRR-IDC结构的设计,使得传感器在获得高灵敏度的同时,保持着小尺寸.此外,通过加载纤
以Github社区为例,通过采集海量社区项目的数据,分析了开源项目在开发过程中的风险传递和级联崩塌反应.通过重点分析技术关联和合作关联这两种开源项目之间最为常见的风险传
协同过滤推荐已经成为解决互联网上信息过载的有效方法之一,但是,协同过滤推荐系统本身所具有的高度开放性,容易受到恶意用户的攻击,导致产生欺诈性的推荐结果,因此,有效的攻
如何对识别物体进行精确定位并提取更具有表达力的特征,是细粒度图像分类算法的核心问题之一.为此,本文提出了一种基于注意力机制的双线性卷积神经网络细粒度图像分类算法(BAM B-CNN),主要工作如下:1)通过VGG-16网络获得原始图像的激活映射图,选取大于平均值的最大联通区域作为物体图像; 2)使用区域建议网络(RPN)提取候选区域,结合部件注意力模型将候选区域分为k组,以各组评分最高的候选区域作