亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

機器學習需要多樣化的訓練數據集才能取得良好效果。在不同國家/公司之間共享數據集往往涉及法律和隱私問題。聯邦學習是一種學習框架，其中的數據集分布在不同的智能體上，可以在不集中數據的情況下對復雜數據集進行訓練。每個智能體根據自己的數據集進行本地訓練，模型更新則集中進行。盡管這一過程看似安全，但由于每個智能體都可以任意操縱更新，因此引發了許多安全問題。目前的文獻強調了攻擊最終模型的可能方法。本論文主要關注有針對性的攻擊，其目標是對數據集中的選定標簽進行錯誤分類。論文將研究主要的攻擊和防御策略，最后提出一種基于通用對抗網絡（GAN）的新攻擊。GAN 攻擊可以破壞并穿過服務器防御機制，這說明了在實施這些機制時可能出現的問題。最后，研究并討論了提高聯邦學習安全性的可能思路。

圖 2.1： 梯度深層滲漏（DLG） 算法概覽。需要更新的變量用粗體邊框標出。正常參與者使用其私人訓練數據計算 W 以更新參數，而惡意攻擊者則更新其虛擬輸入和標簽，以最小化梯度距離。優化結束后，惡意用戶可以從誠實的參與者那里獲得訓練集。[1]

信息泄露是行業和政府領導人最關心的問題。物聯網（IoT）是一種快速發展的技術，能夠感知真實世界的事件。物聯網設備缺乏通用的安全標準，通常使用輕量級安全解決方案，從而暴露了它們收集的敏感真實世界數據。從這些設備中滲出數據的一種實用方法是通過隱蔽渠道。

這項研究設計了一種新穎的物聯網隱蔽定時通道（CTC），將數據編碼到已有的網絡信息（即端口或地址）中。在兩種物聯網協議--傳輸控制協議/互聯網協議（TCP/IP）和 ZigBee 之間實現了七種不同的編碼方法。TCP/IP 隱蔽信道是通過模仿 Ring 智能門鈴創建的，并使用亞馬遜網絡服務（AWS）服務器生成流量。ZigBee 通道是通過復制飛利浦 Hue 照明系統建立的，并在局域網 (LAN) 上執行。此外，CTC 可在兩種不同模式下實施： 隱身和帶寬。性能用吞吐量和可探測性來衡量。隱形方法模仿合法流量捕獲，使其難以檢測，而帶寬方法則放棄了這種方法，以獲得最大吞吐量。檢測結果采用了四種基于統計的檢測測試：Kolmogorov-Smirnov（KS）測試、形狀測試、規律性測試和相似性測試。

隱形結果的吞吐量為：TCP/IP 4.61 比特/秒（bps），ZigBee 3.90 比特/秒（bps）。它們還躲過了檢測測試。帶寬法的 TCP/IP 平均吞吐量為 81.7 Kbps，ZigBee 平均吞吐量為 9.76 bps，但在檢測測試中表現明顯。

多智能體搜索與任務分配（MASTA）應用廣泛，包括搜索與救援、生態監測與采樣、軍事應用等。在設計這類系統時遇到的相當大的困難是缺乏分析建模工具，這就要求研究人員和工程師依賴計算機建模與仿真（M&S）。雖然 M&S 是一種非凡而重要的工具，但它往往不容易被人類洞察，可能需要大量的時間和精力，而且往往無法快速做出決策。本論文介紹了 MASTA 的分析模型，并將其與作為基線的 MASTA 計算機實施進行了比較。分析模型的預演誤差在百分之幾以內，并能更深入地了解系統行為和參數之間的相互作用。該模型可縮短 MASTA 系統的設計時間，并通過快速決策對此類系統進行更好的控制。

圖 1：a) [15] 分類法中的三個維度：第一，可由一個機器人解決的任務 (SR) 與需要多個機器人解決的任務 (MR)；第二，只能同時解決一個任務的機器人 (ST) 與同時解決多個任務的機器人 (MT)。第三，不考慮未來分配的瞬時分配與可獲得足夠信息從而需要考慮未來分配的最優分配的時間擴展分配。 b) [46] 所描述的任務類型，以及 c) 多機器人任務分配。

引言

多機器人任務分配（MRTA）涉及由多個機器人組成的系統，而這些機器人往往無法獨立完成任務。它可以被視為一個最優分配問題。[20]. 這個問題通常很復雜，而且通常是 NP 難問題[21]。 因此，人們開發了許多不同的方法。其中最受歡迎的分散式多智能體系統是基于市場的方法。在單項拍賣中，一個智能體將開始拍賣一項任務，其他智能體將根據自己的效用出價，拍賣者將選擇獲勝者。我們感興趣的是需要搜索任務并分配任務的系統，因此我們將搜索和任務分配結合起來。在實際系統中，通信半徑和探測任務的能力是有限的，而且成本可能過高，尤其是在水下。我們建議將簡單、廉價的智能體自適應地組合起來，以創建能夠進行較遠距離通信和任務檢測的移動相控陣。我們將這些智能體稱為組成體，因為它們共同組成了一個嚎叫智能體（復合體）。據我們所知，以前的文獻中還沒有探討過這種組成智能體的想法。合成智能體的最佳形成是一個復雜的問題，因為它會影響搜索、通信和任務分配性能。如果能開發出有效的方法來組建復合智能體并使之相互作用，就能讓一大批簡單的機器人承擔起昂貴得多的設備的任務。

研究人員對帶有檢索約束條件的搜索和檢索的動態任務分配進行了研究。檢索對象是通過搜索一組位置找到的，每個機器人都能做到這一點。對象與類型相關聯；在搜索和檢索之前，會創建一個列表，列出每種類型的任務何時可以相互交付。例如，對于紅色和藍色類型，給定一個列表 {紅、藍、紅、紅}，找到的任何紅色或藍色物體都能滿足要求，但只能按照指定的順序進行。首先，開發了一種擴展的順序單項拍賣，并與隱式協調（共識控制）方法進行了比較。他們發現，共識控制能更快地完成所有任務，但智能體在拍賣方法下的移動速度較慢。

一個潛在的應用領域是水下任務，在這種任務中，通信和導航的成本過高；自主水下航行器（AUV）的價格高達十幾萬美元。研究人員[13]提出了一種方法，利用水聽器，一個昂貴的水下機器人可以引導一群較簡單的廉價機器人。智能體通過發射頻率的多普勒頻移來估計相對航向，通過振幅來估計距離。組成相控陣列的智能體或許可以充當領航員，與更靠近水面的飛行器進行通信，以進行導航。

動物界也有智能體聚集在一起，發出更強的信號。例如，螢火蟲（雷蟲、閃電蟲）在交配季節會用生物發光相互吸引。當螢火蟲聚集在一起時，它們的發光強度會增加，從而吸引更遠處的螢火蟲。因此，某些螢火蟲物種會同步發光，數百只螢火蟲一起以恒定的頻率照亮樹木，中間則是完全的黑暗[19]。

論文目的

論文旨在對智能體搜索和任務分配在一系列參數（如智能體數量、探測半徑、任務數量等）下的性能進行數學建模。這些模型旨在加深對 MASTA 系統的理解，減少設計時間和計算需求。此外，數學模型還有助于設計和開發 MASTA 控制器。我們的目標是回答以下研究問題：

1.是否有可能對 MASTA 系統進行數學建模？

2.這些模型是否能加深對 MASTA 的理解？

3.這些模型是否減少了計算需求？

提綱

第 2 節介紹了背景材料，包括論文相關領域的簡短概述。第 3 節介紹了實施的計算機模型和軟件。第 4 節包含實驗和結果分析。第 5 節討論第 4 節的結果。最后，在第 6 節中得出結論，并提出今后工作的設想。

技術進步所帶來的進攻技術為對手提供了威脅聯合部隊和盟軍作戰優勢的機會。要與這些新方法作斗爭，就必須不斷快速發展自己的 "改變游戲規則 "的技術。通過重點發展無人系統和自主性，空軍可以努力保持其技術優勢。此外，創建一個強大的框架，能夠測試和評估定義自主性的原則，從而探索未來的能力。本研究介紹了反應/慎思混合架構的發展情況，該架構將允許對任務、認知和同伴靈活性原則進行測試。具體來說，這項研究探索了多機器人系統中的同伴靈活性，以多機器人混合架構（HAMR）作為框架基礎，解決定位問題。為完成這一任務，結合車輛感知和導航工具對運行環境進行推斷。然后，這些推論被用于構建因子圖，而定位的核心算法就是在因子圖的基礎上實施 iSAM2，這是一種高性能的增量矩陣因式分解方法。統一行為框架（UBF）是該框架中單個車輛控制的一個關鍵組件，它是一種基于行為的控制架構，使用模塊化仲裁技術生成動作，從而實現執行器控制。此外，還通過使用容器對世界模型進行分隔，以盡量減少通信開銷并簡化狀態信息。該平臺的設計采用了多態方法，以實現模塊化和魯棒性，從而促進未來的發展。

當前的多域指揮和控制計算機網絡需要大量監督，以確保可接受的安全水平。防火墻是網絡邊緣的主動安全管理工具，用于確定惡意和良性流量類別。這項工作旨在通過深度學習和半監督聚類來開發機器學習算法，以便在大規模網絡中通過網絡流量分析對潛在威脅進行剖析。為了實現這些目標，本研究利用深度學習對數據包級的企業網絡數據進行分析，從而對流量模式進行分類。此外，本研究還檢驗了幾種機器學習模型類型和多種不平衡數據處理技術的功效。這項工作還結合了數據包流來識別和分類用戶行為。對數據包分類模型的測試表明，深度學習對惡意流量很敏感，但與傳統算法相比，在識別允許流量方面表現不佳。不過，不平衡數據處理技術為某些深度學習模型帶來了性能優勢。相反，半監督聚類能準確識別和分類多種用戶行為。這些模型為學習和預測未來流量模式提供了自動化工具。在大規模網絡中應用這些技術可以更快地檢測到異常情況，并讓網絡運營商更好地了解用戶流量。

最近無人駕駛飛行器（UAV）能力的進步導致對蜂群系統的研究越來越多。然而，無人機群的戰術應用將需要安全通信。不幸的是，到目前為止的努力還沒有產生可行的安全通信框架。此外，這些系統的特點是有限的處理能力和受限的網絡環境，這使得許多現有的安全群體通信協議無法使用。最近在安全群組通信方面的研究表明，消息層安全（MLS）協議可能為這些類型的系統提供一個有吸引力的選擇。這篇論文記錄了MLS與先進機器人系統工程實驗室（ARSENL）無人機群系統的整合情況。ARSENL的實施是為了證明MLS在安全蜂群通信中的功效，是一個概念驗證。實施的測試結果是在模擬環境中進行的實驗和用物理無人機進行的實驗。這些結果表明，MLS適用于蜂群，但需要注意的是，測試中沒有實施交付機制以確保數據包的可靠交付。對于未來的工作，如果要維持一個可靠的MLS系統，需要緩解不可靠的通信路徑。

引言

目前，無人駕駛飛行器（UAVs）的進步已經導致了對蜂群能力的研究。目前，多無人機群已被建議或用于一系列廣泛的應用，包括但不限于： 1：

• 攝影 [1］
• 電影制作[1]。
• 野火監測[2］
• 農業[1], [3]
• 遙感和測繪[4］
• 環境監測 [5］
• 建筑 [6］
• 無人機送貨服務 [7］
• 自然災害管理和恢復 [8］
• 軍事行動和防御 [9］

無人機群的戰術利用將取決于安全通信。不幸的是，單個蜂群平臺的處理能力有限，而且蜂群系統通常依賴于帶寬有限且可能不可靠的通信框架。這些限制使這些系統滿足安全要求的能力受到質疑。

以前的設備群通信安全方法不太可能適用于現有或設想中的蜂群系統。然而，最近對安全群組通信的研究表明，消息層安全（MLS）協議[10]可以提供一個有吸引力的選擇，其特點似乎特別適合這些類型的系統。該協議提供了一種有效的計算方法來實現異步安全的群體密鑰管理，但需要在現實的系統中進行實驗，以評估該協議在這些計算和通信有限的環境中的功能。這項工作是在海軍研究生院（NPS）高級機器人系統工程實驗室（ARSENL）的無人機群中實施MLS協議，以保護特定的信息流。

1.1 問題說明

NPS ARSENL開發并利用了一個無人駕駛飛行器（UAV）群系統，該系統已經成功地演示了多達50個UAV[11]。盡管這種能力為軍事行動提供了巨大的潛力，但ARSENL系統缺乏最終在現實世界中使用所需的通信安全功能。本論文在ARSENL蜂群系統上實現了MLS，以評估其對此類系統更廣泛的適用性。

MLS提供了一些與多無人機系統特別相關的能力。MLS提供了一個動態添加和刪除成員的機制，同時不斷地在群組成員之間提供安全的通信。由于無人機群成員可能是高度動態的，添加和刪除群成員是很重要的能力。隨著蜂群規模的增加，群體安全協議必須有效地擴展。同樣有利的是，MLS協議有利于強制移除已經被劫持的、被破壞的或發生故障的無人機。在這些情況下，該協議為小組提供了更新通信密鑰的手段，以排除被破壞或故障的無人機。本論文旨在解決以下問題：

1.MLS協議能否適用于ARSENL無人機群的使用？

2.MLS對ARSENL無人機群的性能有何影響？

3.ARSENL無人機能否加入群組并與群組的其他成員安全地進行通信？

4.小組密鑰是否能夠通過不可靠的ARSENL蜂群網絡定期更新？

5.在出現紕漏或其他標準的情況下，是否可以將無人機從ARSENL群中移除，不再解密信息？

1.2 范圍

在本論文中，研究了在NPS ARSENL無人機群中使用MLS作為一個連續的組密鑰協議。來自MLS GitHub倉庫[12]的社區維護的C++代碼被調整為納入ARSENL蜂群系統代碼庫。特別是，MLS組的密鑰更新、成員添加和成員刪除等操作被實現和測試。該研究包括分析MLS協議的使用對ARSENL蜂群性能的影響。指標包括各個無人機之間的數據包傳輸和接收率、可擴展性和時間。

1.3 論文組織

本文的其余部分分為四章。第二章提供了理解MLS和無人機群的必要背景信息。這包括討論多無人機群和常見的群組通信架構，ARSENL群組系統，以及潛在的安全通信方法，包括成對和分組協議。本章最后討論了MLS和它是如何工作的。

第三章描述了代碼開發過程。它首先總結了ARSENL機載軟件的機器人操作系統（ROS）框架和用于實現MLS功能的C++應用編程接口（API）。然后，本章討論了代碼的實現，包括代碼概述和討論將MLS集成到ARSENL蜂群中的經驗教訓。

第四章討論了MLS實現的實驗，并分析了它對各個ARSENL蜂群平臺的影響，這些影響受蜂群大小和密鑰更新率的影響。本章包括對測試過程的描述和對結果的描述。

最后，第5章提供了一個結論，包括本研究的意義和對未來工作的建議。

強化學習（RL）的成功，如《星際爭霸》和《DOTA 2》等視頻游戲達到了高于人類的性能水平，這就提出了關于該技術在軍事建設性模擬中的未來作用的問題。本研究的目的是使用卷積神經網絡（CNN）來開發人工智能（AI）Agent，能夠在具有多個單位和地形類型的簡單場景中學習最佳行為。這篇論文試圖納入一個可用于軍事建設性模擬領域的多Agent訓練方案。八個不同的場景，都有不同的復雜程度，被用來訓練能夠表現出多種類型戰斗行為的Agent。總的來說，結果表明，人工智能Agent可以學習在每個場景中實現最佳或接近最佳性能所需的強大戰術行為。研究結果還表明，對多Agent訓練有了更好的理解。最終，CNN與RL技術的結合被證明是一種高效可行的方法，可以在軍事建設性模擬中訓練智能Agent，其應用有可能在執行實戰演習和任務時節省人力資源。建議未來的工作應研究如何最好地將類似的深度RL方法納入現有的軍事記錄構建性模擬項目中。

引言

A. 戰斗建模和戰爭

正確預測對手在戰爭中的戰略或戰術行為的愿望與人類進行這些戰爭的能力一樣古老[1]。在中國古代，像魏黑和圍棋這樣的游戲最初被用作加強軍事和政治領導人的戰略思維能力的方法。后來，羅馬人利用沙盤在戰役或戰斗前討論自己和敵人的可能行動。然而，直到19世紀初，普魯士人用他們的兵棋推演（Kriegsspiel）才開始利用具有嚴格規則的游戲來預測軍事交戰的可能結果。雖然這些兵棋推演在接下來的幾十年里在世界各地的許多武裝部隊中越來越受歡迎，但進行必要計算的能力有限，總是限制了這些基于棋盤的兵棋推演所能達到的復雜程度。此外，棋盤游戲的物理限制限制了設計者簡化行為和游戲元素，而不是努力追求真實。然而，計算能力的提高和用戶友好的圖形界面使設計者在20世紀末能夠以更高的復雜性來模擬兵棋推演的規則和游戲中的組件數量。此外，計算機的使用允許實施基于計算機的對手，在基于硬編碼規則的人工智能軟件的基礎上成功地與人類玩家進行比賽。

今天，基于計算機的兵棋推演，也被稱為建設性模擬[2]，已經成為整個國防部（DOD）的一個有用工具。它們使軍事領導人能夠進一步學習和發展他們在那些通常被認為成本太高或太危險而無法定期演練的領域的行動程序。領導人有能力在實際執行前針對多種紅色力量設計使用他們的部隊，使他們有機會在不承擔任何額外風險的情況下驗證他們的機動方案。在戰略層面上，大型單位的工作人員經常使用建設性的模擬作為訓練方法[3]，領導人可以在模擬環境中進行投入，但他們不參與確定場景的結果[2]。

B. 范圍和問題陳述

在基于計算機的兵棋推演中用來表現對抗行為的方法，需要由場景設計者通過腳本直接編碼，或者使用真人玩家進行所有紅軍的決策。這兩種方法都能提供足夠的分辨率來表現對抗性行為，但每種方法都有其缺點[4]。對于低級別的場景來說，直接對特定行為進行編碼可能是可行的，但隨著場景的擴大，單位的數量和可能的行動對于腳本的控制來說變得太有挑戰性，往往會導致不現實的行為[4]。對于大型場景，使用人類玩家作為紅色力量可能會提供更真實的結果，但額外的人力資源會造成后勤方面的壓力，而且整體的生產力也受限于單個玩家的知識和能力。

解決這個問題的一個可能的方法可能在于利用人工神經網絡。在計算機游戲領域，這種方法最近已被證明是相當成功的。例如，對于實時戰略游戲《星際爭霸II》，一個人工神經網絡被開發出來，打敗了99.8%經常參加在線比賽的玩家[5]。雖然在計算機游戲領域，人工神經網絡的利用最近取得了巨大的進展，但在軍事用途的兵棋推演領域，研究才剛剛開始。在最近的研究中，Boron[6]和Sun等人[7].已經表明，人工神經網絡適合解決簡單軍事兵棋推演場景中的挑戰。基于以前的工作，特別是Boron[6]的工作，本論文旨在提高所使用的軍事場景的復雜性。雖然Boron使用了簡單的多層感知器（MLP）神經網絡，但在處理己方和敵方單位的動態起始位置以及敵人的動態行為時，這種結構被證明是不合適的。此外，所使用的場景被限制在戰場上最多五個單位[6]。在本論文中，將建立一個支持卷積神經網絡（CNN）架構的訓練模擬，包括多個單位和地形類型以克服這些限制。此外，將在一個確定的場景中應用多智能體訓練，以測試這種方法是否可以成功地用于軍事建設性模擬領域。

作為移動技術和云計算的一個有前途的組合，移動云已經開發 為從移動設備上卸載一些繁重工作負載的有效方式。這一領域的最新進展是構建一個靠近移動用戶的小型特設云環境。這種設計的關鍵好處是，即使在沒有互聯網連接的情況下，它也適用。現有的移動云的卸載算法已經全面考慮了計算能力、通信延遲，甚至移動設備的可用電池壽命。然而，在移動云環境中，與性能相關的因素并不足以描述卸載中的主要關注點。在本文中，我們提出了一種新的方法來建立移動云中的信任。它在不向任何網絡參與者透露組員信息的情況下創建臨時組。與傳統的群組密鑰管理方案相比，這種方法為群組成員提供了基于屬性的加密（ABE）算法的匿名保護。此外，我們開發了一種新的帶有信任因素的任務卸載決策算法，據我們所知，這是第一種這樣的算法。通過所提出的方法，移動設備之間的信任關系被納入到卸載決策中，使其在現實世界的應用場景中更加實用。

深度神經網絡（DNN）是一種不可缺少的機器學習工具，盡管很難診斷出模型的輸入有哪些方面在驅動它的決策。在無數的現實世界領域，從立法、執法到醫療，這樣的診斷對于確保DNN的決策是由適合其使用的方面驅動的，是至關重要的。因此，開發能夠解釋DNN決策的方法和研究已經成為一個活躍而廣泛的研究領域。對于 "解釋 "DNN的行動和評估方法的 "解釋能力 "的定義的競爭，加劇了該領域的復雜性。本文提供了一個領域指南，為那些在人工智能/ML領域沒有經驗的人探索可解釋的深度學習的空間。該領域指南：i）介紹了三個簡單的維度，定義了有助于可解釋的深度學習的基礎方法的空間，ii）討論了對模型解釋的評價，iii）將可解釋性放在其他相關的深度學習研究領域的背景中，以及iv）討論了面向用戶的解釋設計和未來的方向。我們希望該指南能被看作是那些著手于該研究領域的人的一個起點。

本文為正在著手可解釋深度學習領域的研究人員和從業人員提供了一個起點。這份領域指南旨在幫助新人了解：

• 一組表征可解釋深度學習的基礎性工作空間的維度，以及對這類方法的描述。這個空間總結了可解釋的DNN技術的核心內容，目前的大部分工作都是由這些技術啟發或建立的（第2節）。

• 評估解釋方法的方法（第3節）。

• 與可解釋性相一致的補充性研究課題，如 DNN 如何學習概括或減少 DNN 對特定輸入特征的敏感性的方法。這些課題與可解釋性間接相關，因為它們研究了DNN如何學習或執行推理（第4節）。

• 開發可解釋的 DNN 系統的設計者的考慮（第 5 節）。

• 可解釋性研究的未來方向（第6節）。

圖 1：指南大綱。

生成對抗網絡(GAN)已經在計算機視覺、自然語言處理等領域推廣了各種應用，因為它的生成模型能夠從現有的樣本分布中合理地生成真實的例子。GAN不僅在基于數據生成的任務上提供了令人印象深刻的性能，而且由于其博弈優化策略，也為面向隱私和安全的研究提供了有利條件。遺憾的是，目前并沒有對GAN在隱私和安全方面進行全面的綜述，這也促使了本文對這些最新的研究成果進行系統的總結。現有的作品根據隱私和安全功能進行適當的分類，并對其優缺點進行綜合分析。鑒于GAN在隱私和安全方面仍處于非常初級的階段，并提出了有待解決的獨特挑戰，本文還闡述了GAN在隱私和安全方面的一些潛在應用，并闡述了未來的一些研究方向。

生成對抗網絡(Generative Adversarial Networks, GAN)帶來的技術突破迅速對機器學習及其相關領域產生了革命性的影響，這種影響已經蔓延到各個研究領域和應用領域。作為一種強大的生成框架，GAN顯著促進了許多復雜任務的應用，如圖像生成、超分辨率、文本數據操作等。最近，利用GAN為嚴重的隱私和安全問題制定優雅的解決方案，由于其博弈優化策略，在學術界和業界都變得越來越流行。本綜述的目的是提供一個關于GAN的全面的回顧和深入總結的最新技術，并討論了一些GAN在隱私和安全領域有前途的未來研究方向。我們以對GAN的簡要介紹開始我們的綜述。