摘要:针对先前的立体图像显著性检测模型未充分考虑立体视觉舒适度和视差图分布特征对显著区域检测的影响，提出了一种结合立体视觉舒适度因子的显著性计算模型.该模型在彩色图像显著性提取中，首先利用SLIC算法对输入图像进行超像素分割，随后进行颜色相似区域合并后再进行二维图像显著性计算；在深度显著性计算中，首先对视差图进行预处理；然后基于区域对比度进行显著性计算；最后，结合立体视觉舒适度因子对二维显著图和深度显著图进行融合，得到立体图像显著图.在不同类型立体图像上的实验结果表明，该模型获得了85%的准确率和78%的召回率，优于现有常用的显著性检测模型，并与人眼立体视觉注意力机制保持良好的一致性.

摘要:社交网络中的锚链识别对于跨网络信息传播、跨平台推荐、社交链预测等具有重要意义.针对当前锚链识别研究中准确率低的问题，提出了一种有效提高锚链识别准确率的方法：IAUE模型.该模型首先利用网络结构信息进行网络表征学习，然后利用BP神经网络、随机梯度下降和负采样等方法得到异构网络节点间的锚链候选集，最后辅以G-S算法精化锚链匹配结果，提高异构网络对齐的准确率.多个数据集上的实验结果表明，IAUE方法相比其他方法具有较高的性能和很好的泛化能力，可以较为准确地识别网络中的锚链.

摘要:工业互联网（industrial Internet）已成为第四次工业革命的代表技术.根据工业网络数据传输服务的需求，以及针对工业无线网络拓扑相对稳定、流量规律变化等特点，提出了一种基于人工免疫系统（artificial immune system，简称AIS）的工业认知无线网络路由机制，包含基于链路质量的域内静态路由算法和基于多路径的域间动态路由算法，以实现工业网络的可靠路由.根据人工免疫系统特点，将工业网络的拓扑结构进行区域划分：提出了基于链路质量的域内静态路由算法，采用软硬件结合的方式监视网络链路，并根据移动窗口指数加权平均法计算链路丢包率；提出了基于多路径的域间动态路由算法，根据模式距离对节点的流量周期进行预测，防止节点因流量过大而导致丢包.基于OMNET++仿真平台进行仿真实验，结果表明，所提出的路由机制在应对突发流量时与组合定向地理路由算法相比，丢包率及网络开销分别降低1倍；应对链路失效的情况时与图路由算法相比丢包率降低4倍.

摘要:移动社交云是结合了移动云和社交云的一种新型模式，它可以为用户提供安全可靠的资源分享平台.在传统的资源分配中，移动用户从远程数据中心获取资源的时间开销大，显著地降低了用户的体验质量，与此同时也极少考虑用户之间根据社交属性建立的信任关系，从而导致交易机制存在一定信用风险和交易用户信誉度低的问题.为此，在考虑用户的社交效益和经济效益的基础上提出了一种新型的移动社交云资源分配机制.首先，利用改进Gale-Shapley算法为买方在其朋友圈中匹配出合适的卖方，促进社交朋友间资源的共享.其次，利用多对多的买方多标密封拍卖算法，对未成功匹配的用户再次分配资源，最大化利用空闲的移动云资源.最后，实现了提出的资源分配机制，仿真结果表明，与激励与拍卖兼容的移动云资源分配机制相比，提出的资源分配机制在价格满意度、社交信誉满意度和资源交易成功率方面具有更好的性能.

摘要:低占空比无线传感器网络（low-duty-cycle wireless sensor network，简称LDC-WSN）可部署在人类难以进入的恶劣环境中执行长期的监测和目标跟踪等任务，具有广泛的应用前景.与传统WSN相比，LDC-WSN减少了空闲侦听带来的能量消耗，但端到端的延迟却很大.目前，已有的LDC-WSN路由协议主要关注如何减少端到端延迟，没有充分考虑均衡节点的能量消耗，容易导致数据传输过程中某些节点能量消耗过快而过早死亡.为了解决这个问题，提出了一种基于链路质量和能量感知的路由（energy-aware dynamic routing，简称EADR）算法.每个节点维护一个转发集，转发集中的节点均是链路质量较高的邻居.在进行数据传输时，节点将数据发送给转发集中决策因子高的邻居，而决策因子由转发集中节点的工作/睡眠调度和能量水平来动态决定.仿真实验结果表明，EADR算法能够降低端到端的延迟，提高数据成功发送率，提高网络生命周期.

摘要:针对SDN多域部署中存在子域控制器负载不均衡现象，基于生物领域物种遗传和种群迁徙的启示，依据交换机迁移，提出了SDN控制器负载均衡机制.首先综合网络中主要开销，应用生物遗传的思想，设计了最优迁移域选择算法，得到最优迁入/迁出域；同时类比种群迁徙现象，对交换机应用存活期和淘汰机制，设计了交换机竞争迁移算法，均衡了子域交换机数量.仿真结果表明，与现有算法相比，迁移域的选取过程得到优化，均衡子域控制开销，有效保证了控制器负载的均衡分布.

摘要:短文本分类是互联网文本数据处理中的关键任务之一.长短时记忆网络LSTM（long short-term memory）和卷积神经网络CNN（convolutional neural network）是广泛应用于短文本分类任务的两种深度学习模型.在计算机视觉和语音识别领域的深度学习研究表明，深层次的神经网络模型具有较好的表达数据特征的能力.受此启发，面向文本深度学习分类问题，提出基于3层LSTM和CNN网络结构的ResLCNN（residual-LSTM-CNN）深度学习模型.该模型有效结合LSTM获取文本序列数据的长距离依赖特征和CNN通过卷积操作获取句子局部特征的优势，同时借鉴残差模型理论，在第1层LSTM层与CNN层之间加入恒等映射，构建残差层，缓解深层模型梯度消失问题.为了探究深层短文本分类中ResLCNN模型的文本分类能力，在多种数据集上将其与LSTM、CNN及其组合模型进行对比实验.结果表明，相比于单层LSTM与CNN组合模型，ResLCNN深层模型在MR、SST-2和SST-5数据集上分别提高了1.0%、0.5%、0.47%的准确率，取得了更好的分类效果.

摘要:为了提高内容中心移动边缘网络的缓存性能，提出了一种基于用户移动性感知和节点中心性度量的内容中心移动边缘网络缓存机制（user mobility-aware and node centrality based caching，简称UMANCC）.UMANCC机制利用边缘节点计算节点中心性、缓存空闲率以及小区内用户逗留时间.移动边缘网络控制器综合各边缘节点的信息，计算各边缘节点的重要性并进行排序，最后根据排序结果选择内容缓存节点.仿真实验结果表明：与传统缓存机制LCE及Prob相比，UMANCC有效减少用户获取内容的平均跳数高达15.9%，提高边缘节点缓存命中率至少13.7%，减少进入核心网流量高达32.1%，有效地提高了内容中心移动边缘网络的内容分发性能.

摘要:云数据中心网络的流调度问题是当下的一个研究热点.比较具有实用性的流调度是不假设流信息预先可知，但目前这类流调度方案在流量突发时的表现并不理想.提出了一种针对流量突发情况的流调度方案，通过将每流排队与多级反馈队列调度相结合，实现了一个基于流隔离的多级调度方案FISH，解决了流量突发情况下不同流的排队竞争问题.实验结果表明，该方案性能稳定，可以将小流完成时间降低8.6%以上.

摘要:TLS作为目前应用最为广泛的安全传输协议，只能保证可靠传输TCP上数据的安全性.DTLS（datagram TLS）在TLS协议架构上进行了修改，能够为UDP提供安全保护.但DTLS在会话建立过程中仍然需要依赖第三方认证中心和证书完成通信双方的认证，连接建立过程时间长，安全开销大，不能满足物联网等资源受限的网络通信环境.将标识密码引入DTLS中，避免了握手协议中处理证书所带来的各种开销，在计算会话密钥的同时完成通信双方的认证；并使用新的密钥协商协议重新设计DTLS的握手协议，减少交互次数和消息数量，缩短连接建立时间.实验结果表明，基于标识密码的DTLS在不降低安全性的同时，将通信建立时间缩短了近50%.