輪數(shù)
- 針對(duì)區(qū)塊鏈狀態(tài)分片合謀攻擊的改進(jìn)方案
流程2.2 多輪輪數(shù)的選擇2.2.1輪數(shù)上限Tmax輪數(shù)上限Tmax,即多輪驗(yàn)證方案最多要進(jìn)行的共識(shí)驗(yàn)證輪數(shù)。當(dāng)對(duì)同一筆交易通過Tmax輪共識(shí)驗(yàn)證都無法達(dá)到統(tǒng)一驗(yàn)證結(jié)果時(shí),便舍棄此交易。Tmax受共識(shí)超時(shí)概率的影響,當(dāng)分片內(nèi)拜占庭節(jié)點(diǎn)所占比例大于等于三分之一時(shí),會(huì)導(dǎo)致共識(shí)超時(shí),分片失效,從而破壞系統(tǒng)一致性。將Tmax的取值設(shè)定為共識(shí)超時(shí)概率低于10-6時(shí)的值。(3)式中:分母表示全網(wǎng)一共有N個(gè)節(jié)點(diǎn),其中存儲(chǔ)第Ki個(gè)分片的節(jié)點(diǎn)是Mi個(gè);分子分別表示全網(wǎng)(N×
計(jì)算機(jī)應(yīng)用與軟件 2023年9期2023-10-09
- 多輪反應(yīng)溶液用量對(duì)微生物加固粉土的影響
結(jié)液用量(即處理輪數(shù))是影響加固效果的主要因素。有學(xué)者認(rèn)為菌液用量會(huì)影響碳酸鈣在土中的結(jié)晶位置,土中菌液處于飽和狀態(tài)時(shí)的加固效果并不是最佳。因此,筆者重點(diǎn)研究了膠結(jié)液和菌液用量對(duì)加固效果的影響。1 試驗(yàn)材料與方法1.1 試驗(yàn)材料粉土取自江蘇鹽城東臺(tái)條子泥吹填工程。該重塑粉土干密度ρd=1.46 g/cm3、含水率w=27 %、孔隙比e=0.84、塑性指數(shù)Ip=8、滲透系數(shù)k=6.61×10-5cm/s。根據(jù)級(jí)配分析結(jié)果,粒徑0.005～0.075 mm的粉
- 卷積神經(jīng)網(wǎng)絡(luò)在風(fēng)洞天平靜態(tài)校準(zhǔn)中的應(yīng)用
的質(zhì)量。隨著訓(xùn)練輪數(shù)的增加，不斷降低損失函數(shù)的值，以更新網(wǎng)絡(luò)參數(shù)，從而使模型達(dá)到收斂狀態(tài)。CNN 校準(zhǔn)模型采用均方誤差（mean square error，MSE）函數(shù)作為損失函數(shù)，MSE 是反映模型的目標(biāo)值與輸出預(yù)測(cè)值的離散程度，其值越小，說明模型輸出值與真實(shí)值越接近，模型質(zhì)量越好。MSE 的計(jì)算公式為：式中：N是樣本總數(shù)；yi和分別是第i組樣本的真實(shí)值與預(yù)測(cè)值。CNN 校準(zhǔn)模型訓(xùn)練流程如圖2 所示。首先將訓(xùn)練樣本集中天平輸出的電壓值和對(duì)應(yīng)的載荷值作為輸
空氣動(dòng)力學(xué)學(xué)報(bào) 2023年3期2023-04-08
- 基于獎(jiǎng)懲共存收益模式的大數(shù)據(jù)作業(yè)調(diào)度器
務(wù)執(zhí)行時(shí)間的確定輪數(shù)算法(TRN)以及基于最大輪數(shù)的作業(yè)調(diào)度算法(MRNS)組成。RP Model將每個(gè)作業(yè)在不同時(shí)間段內(nèi)可獲得的相應(yīng)收益值作為TRN算法與MRNS算法的輸入值。為了盡量縮短每個(gè)作業(yè)的完成時(shí)間，TRN算法以RP Model下可獲得的收益值為標(biāo)準(zhǔn)，根據(jù)各個(gè)作業(yè)的Map和Reduce任務(wù)執(zhí)行時(shí)間，確定出作業(yè)在不同獎(jiǎng)懲階段的Map和Reduce最大輪數(shù)組合以及最大標(biāo)準(zhǔn)時(shí)間。MRNS算法得到最大輪數(shù)組合方案和最大標(biāo)準(zhǔn)時(shí)間值后，結(jié)合平臺(tái)中現(xiàn)有資源數(shù)量
計(jì)算機(jī)工程與設(shè)計(jì) 2023年2期2023-02-21
- 考慮多粒度反饋的多輪對(duì)話強(qiáng)化學(xué)習(xí)推薦算法
大熵思想，將對(duì)話輪數(shù)固定為round，在前round-1 輪選取熵最大的屬性作為詢問屬性，并在第round 輪推薦商品。該方法對(duì)商品屬性的利用進(jìn)行了思考，但固定了對(duì)話輪數(shù)，缺乏靈活性。在之后的研究中，Sun 等［13］針對(duì)挖掘用戶偏好這一問題，提出對(duì)話推薦模型（Coversational Recommendation Model，CRM），使用決策網(wǎng)絡(luò)生成每輪詢問的問題，與最大熵算法相比，CRM 在已獲得足夠多的信息后主動(dòng)為用戶推薦，提高了靈活性。Lei
計(jì)算機(jī)應(yīng)用 2023年1期2023-02-03
- 基于MMO-GIFT 安全性研究*
特長(zhǎng)度密鑰，迭代輪數(shù)分別是28 輪和40 輪。 關(guān)于數(shù)據(jù)狀態(tài)的最右側(cè)為最低比特位，形式為bn－1bn－2…b0，n ＝64 或128。GIFT 不僅僅是“禮物”之意，其算法設(shè)計(jì)者也是用打包“禮物”的方式來描述該算法。 該算法的輪函數(shù)是由S 盒、P 置換、密鑰加組成，把內(nèi)容放到S 盒里，然后將P 置換作為絲帶包裹盒子，最后用密鑰加來打結(jié)。 關(guān)于GIFT－64 的輪函數(shù)結(jié)構(gòu)如圖2 所示。圖2 2 輪GIFT－64 算法S 盒：GIFT－64 和GIFT－128
北京電子科技學(xué)院學(xué)報(bào) 2022年1期2022-11-04
- uBlock類結(jié)構(gòu)最優(yōu)向量置換的高效搜索
構(gòu)對(duì)于分組密碼的輪數(shù)選取、軟硬件實(shí)現(xiàn)性能都有非常大的影響.常用的分組密碼整體結(jié)構(gòu)有：Feistel結(jié)構(gòu)、SP結(jié)構(gòu)、廣義Feistel結(jié)構(gòu)、MISTY結(jié)構(gòu)、Lai-Massey結(jié)構(gòu)以及由上述結(jié)構(gòu)彼此嵌套形成的細(xì)化整體結(jié)構(gòu).其中，SP結(jié)構(gòu)非常清晰，是直接基于香農(nóng)的“混淆”和“擴(kuò)散”原則實(shí)現(xiàn)的整體結(jié)構(gòu)，通常包含一個(gè)可逆的非線性函數(shù)S和一個(gè)可逆線性變換P，其中S層起混淆作用，線性層P起擴(kuò)散作用.當(dāng)給定S層和P層的某些密碼指標(biāo)，設(shè)計(jì)者可給出SP密碼抵抗差分分析和線性
計(jì)算機(jī)研究與發(fā)展 2022年10期2022-10-14
- 基于IPv6的無線傳感器網(wǎng)絡(luò)地址分配法
量為50時(shí)，隨著輪數(shù)的增加，能量損耗如圖2所示?？梢钥闯?，在輪數(shù)比較少時(shí)，分配地址的LEACH算法和傳統(tǒng)的LEACH算法能量損耗差距不大，但隨著輪數(shù)的增加，性能就有一個(gè)明顯的下降。原因在于，由于分配地址的LEACH算法傳輸?shù)臄?shù)據(jù)長(zhǎng)度會(huì)比傳統(tǒng)的LEACH算法更大，在輪數(shù)較少的初期，還不是很明顯，但隨著輪數(shù)增加，數(shù)據(jù)量就會(huì)累加很多，性能就與傳統(tǒng)的LEACH算法相比差距逐漸變大。圖2 節(jié)點(diǎn)數(shù)為50時(shí)的平均能量損耗通過對(duì)比圖2～圖4，可以看出，隨著節(jié)點(diǎn)數(shù)的增加，分
傳感器與微系統(tǒng) 2022年10期2022-10-11
- 基于差分表的Blow-CAST-Fish算法的密鑰恢復(fù)攻擊
鑰的S 盒、基于輪數(shù)的輪函數(shù)和基于子密鑰的循環(huán)移位操作，使算法具有強(qiáng)大的抗線性分析和差分分析的能力。S 盒由密鑰產(chǎn)生，使得算法分析更加困難，目前對(duì)該類算法的分析方法較少。研究針對(duì)該算法的攻擊方法，可對(duì)算法安全性進(jìn)行分析并實(shí)現(xiàn)密鑰恢復(fù)過程，有助于精研對(duì)此類Feistel 結(jié)構(gòu)密碼算法的攻擊方法，具有一定的理論意義和應(yīng)用價(jià)值。文獻(xiàn)［4］中分別根據(jù)單個(gè)活性S 盒和兩個(gè)活性S盒的差分特征給出了Blowfish 算法的密鑰恢復(fù)攻擊；文獻(xiàn)［5］中根據(jù)輪函數(shù)f1和f3的
計(jì)算機(jī)應(yīng)用 2022年9期2022-09-25
- 輕量級(jí)密碼TWINE-128 的量子密碼分析*
換循環(huán)移位來減少輪數(shù)， 可以改善Type-II 型GFS 的擴(kuò)散特性， 使其達(dá)到足夠的安全級(jí)別. 2019 年，Dong 等人[8]研究了一些廣義Feistel 結(jié)構(gòu)的量子區(qū)分器， 對(duì)于d分支Type-II 型GFS (類似CAST-256的結(jié)構(gòu))， 引入了具有多項(xiàng)式時(shí)間的(2d-1) 輪多項(xiàng)式時(shí)間量子區(qū)分器. 對(duì)于2d分支Type-II 型GFS (類似RC6/CLEFIA 的結(jié)構(gòu))， 給出了具有多項(xiàng)式時(shí)間的(2d+1) 輪量子區(qū)分器. 2020 年，
密碼學(xué)報(bào) 2022年4期2022-09-07
- 一種蛛網(wǎng)啟發(fā)的農(nóng)田無線傳感器網(wǎng)絡(luò)壽命優(yōu)化方法
，調(diào)節(jié)系數(shù)對(duì)仿真輪數(shù)和網(wǎng)絡(luò)效率比的影響規(guī)律，設(shè)置隨機(jī)破壞節(jié)點(diǎn)數(shù)由5~15變化，調(diào)節(jié)系數(shù)由0~40進(jìn)行增大，仿真結(jié)果如圖2所示。從圖2a）可以得出，當(dāng)死亡節(jié)點(diǎn)個(gè)數(shù)在5~15，調(diào)節(jié)系數(shù)由0~40增長(zhǎng)時(shí)，仿真輪數(shù)下降率分別為41.1%，38.2%，35.1%，32.8%，31.8%，31.3%，30.1%，25.4%，23.5%，可以得出，節(jié)點(diǎn)故障數(shù)增多時(shí)，隨著調(diào)節(jié)系數(shù)增大，仿真輪數(shù)下降率逐漸減小，表明增大調(diào)節(jié)系數(shù)能有效減緩節(jié)點(diǎn)失效造成的仿真輪數(shù)急劇下降的趨勢(shì)。
現(xiàn)代電子技術(shù) 2022年12期2022-06-14
- 基于虛擬力的無人機(jī)群自組網(wǎng)連通性優(yōu)化算法*
隨著優(yōu)化算法迭代輪數(shù)的增加，五架無人機(jī)都在不斷地靠攏。這是由于海洋環(huán)境介質(zhì)影響著網(wǎng)絡(luò)中的每個(gè)無人機(jī)，使得它們各自的等效穩(wěn)定通信距離變短。因此，五架無人機(jī)就在虛擬力和吸引力的作用下不斷靠攏，當(dāng)各自達(dá)到等效穩(wěn)定通信距離，建立起穩(wěn)定的通信鏈路，就不會(huì)改變運(yùn)動(dòng)狀態(tài)。圖2 海洋環(huán)境介質(zhì)干擾下無人機(jī)運(yùn)動(dòng)的變化圖3（a）表明隨著優(yōu)化算法迭代輪數(shù)的增加，五架無人機(jī)都在不斷進(jìn)行靠攏運(yùn)動(dòng)。但是在運(yùn)動(dòng)過程中，無人機(jī)之間的相對(duì)位置關(guān)系沒發(fā)生很大變化。因此，整個(gè)優(yōu)化過程中無人機(jī)群自
艦船電子工程 2022年1期2022-02-12
- 面向流式數(shù)據(jù)的邊緣訓(xùn)練研究
聚精度隨全局迭代輪數(shù)增長(zhǎng)之間的聯(lián)系等；另一部分工作將聯(lián)邦學(xué)習(xí)等作為服務(wù)部署到網(wǎng)絡(luò)邊緣，以滿足邊緣用戶的訓(xùn)練。如果等到所有用戶數(shù)據(jù)就緒之后，再進(jìn)行聯(lián)邦學(xué)習(xí)訓(xùn)練，不僅會(huì)浪費(fèi)數(shù)據(jù)就緒的整個(gè)過程，產(chǎn)生不必要的等待，而且會(huì)在數(shù)據(jù)就緒之后的短時(shí)間內(nèi)持續(xù)在邊緣設(shè)備上產(chǎn)生高峰訓(xùn)練負(fù)載，影響邊緣設(shè)備的正常使用。因此，亟需研究利用流式數(shù)據(jù)的到達(dá)特點(diǎn)，不斷在流式數(shù)據(jù)到達(dá)的過程中在邊緣設(shè)備上進(jìn)行負(fù)載的攤銷，不斷進(jìn)行小批量數(shù)據(jù)計(jì)算，避免給邊緣設(shè)備帶來過高的負(fù)載，以達(dá)到和數(shù)據(jù)就緒后不
江蘇通信 2021年6期2022-01-19
- 基于CS算法的LEACH極值雙簇首分簇方法
,r為當(dāng)前經(jīng)歷的輪數(shù),Gr為前r-1輪未被選為簇首的節(jié)點(diǎn)集合。第二階段是數(shù)據(jù)傳輸階段,普通節(jié)點(diǎn)在規(guī)定的時(shí)間內(nèi)將收集到的數(shù)據(jù)直接傳輸給簇首,不在規(guī)定傳輸時(shí)間內(nèi)則進(jìn)入休眠狀態(tài),簇首等收集完全部數(shù)據(jù)后再將數(shù)據(jù)傳送給基站[4,5]。雖LEACH算法以循環(huán)方式選舉簇首平衡了網(wǎng)絡(luò)負(fù)載,但未考慮節(jié)點(diǎn)自身的任何因素使得簇首選舉不合理,單跳通信使得距離較遠(yuǎn)的節(jié)點(diǎn)需要消耗大量的能量甚至出現(xiàn)數(shù)據(jù)無法到達(dá)的情況。目前針對(duì)WSNs中節(jié)點(diǎn)的數(shù)據(jù)傳輸方式,先后提出了許多改進(jìn)算法,文獻(xiàn)[
傳感器與微系統(tǒng) 2021年12期2022-01-18
- 基于自適應(yīng)權(quán)重的無線傳感器網(wǎng)絡(luò)動(dòng)態(tài)成簇算法
(LND)的運(yùn)行輪數(shù)。從圖4中可以看出，EEDCA算法第一個(gè)節(jié)點(diǎn)死亡、一半節(jié)點(diǎn)死亡、最后一個(gè)節(jié)點(diǎn)死亡的運(yùn)行輪數(shù)分別為810、1725、2415，而LEACH算法的運(yùn)行輪數(shù)分別為243、1150、1732。通過比較第一個(gè)節(jié)點(diǎn)死亡和最后一個(gè)節(jié)點(diǎn)死亡的運(yùn)行輪數(shù)，EEDCA算法能夠穩(wěn)定運(yùn)行的時(shí)間大于LEACH協(xié)議近70%。同時(shí)，EEDCA算法節(jié)點(diǎn)死亡速率較小，從而能夠有效延長(zhǎng)網(wǎng)絡(luò)生命周期。這表明LEACH協(xié)議適用性較小，多個(gè)節(jié)點(diǎn)反復(fù)擔(dān)任簇頭，能量過度消耗而失效。所
- SIMON算法相關(guān)密鑰不可能差分特征搜索*
應(yīng)的概率和包含的輪數(shù),并與本文結(jié)果對(duì)比.目前對(duì)分組密碼算法進(jìn)行安全性分析時(shí),使用的自動(dòng)化搜索工具主要為MILP、SAT、SMT/STP等.這些工具的搜索效率受維數(shù)影響很大,特別是當(dāng)前輕量級(jí)分組密碼算法幾乎都是基于比特運(yùn)算的,即使是單密鑰下路徑搜索,隨著輪數(shù)的增加,搜索速度降低也非常明顯,無法在此基礎(chǔ)上直接進(jìn)行相關(guān)密鑰下路徑搜索.對(duì)不可能差分特征的搜索,需要限制輸入輸出差分均只有1比特或1個(gè)S盒活躍,在此基礎(chǔ)上找出概率為1的截?cái)嗖罘致窂?當(dāng)中間某一輪中某個(gè)比
密碼學(xué)報(bào) 2021年5期2021-11-20
- 差分可辨性隱私參數(shù)的迭代分配方法*
足隱私參數(shù)在迭代輪數(shù)固定情況下的平均分配和迭代輪數(shù)不固定時(shí)的任意分配, 并且最終得到的模型仍滿足ρ-差分可辨性的要求.本文結(jié)構(gòu)如下. 第2 節(jié)介紹了差分可辨性的相關(guān)定義及組合性質(zhì). 第3 節(jié)給出了差分可辨性參數(shù)分配方法在聚類中的應(yīng)用. 第4 節(jié)是實(shí)驗(yàn)分析, 驗(yàn)證本文方法的可行性. 最后, 第5 節(jié)總結(jié)全文, 并討論未來可能的研究方向.2 相關(guān)知識(shí)Lee 和Clifon[10]認(rèn)為,?-差分隱私的定義存在一定缺陷: 隱私預(yù)算?是評(píng)估安全性的指標(biāo), 它旨在限制
密碼學(xué)報(bào) 2021年4期2021-09-14
- 分組密碼算法Lattice的滑動(dòng)攻擊*
6 bit，迭代輪數(shù)8輪。3G ALE標(biāo)準(zhǔn)中使用了稱為SoDard-3的版本對(duì)26位協(xié)議數(shù)據(jù)單元（PDU）中的24位數(shù)據(jù)進(jìn)行加密。SoDark-3的迭代輪數(shù)為16輪，其輪函數(shù)與Lattice算法相同。由于3G ALE還使用48位的PDU，因此SoDark-3已擴(kuò)展為具有48位大小的版本，稱為SoDark-6。Lattice算法是SoDark族算法中的基本算法。對(duì)Lattice算法的分析成果將極大地促進(jìn)對(duì)SoDark族算法的成功分析，進(jìn)而實(shí)現(xiàn)對(duì)短波通信情報(bào)信
通信技術(shù) 2021年7期2021-08-06
- OMECNN:一種基于有序馬爾可夫枚舉器和判別神經(jīng)網(wǎng)絡(luò)的口令生成模型
gth)與訓(xùn)練的輪數(shù)(iteration)進(jìn)行數(shù)據(jù)對(duì)比.得到的命中情況如圖7所示.圖7 PassGAN模型命中情況 Fig.7 The hit rate of PassGAN model圖7中，m10i200000表示在PassGAN模型中，最大序列長(zhǎng)度取10，最大訓(xùn)練輪數(shù)取2×105，其他圖例亦類似.結(jié)果得出，PassGAN模型中，當(dāng)最大序列長(zhǎng)度取10，最大訓(xùn)練輪數(shù)取2×105時(shí)，PassGAN模型命中性能最好，命中條目情況如表3所示.上述結(jié)果表明，Pa
- LowMC實(shí)例的差分枚舉攻擊效果分析
。通過對(duì)關(guān)鍵起始輪數(shù)的研究發(fā)現(xiàn)，差分枚舉攻擊并非總是可以達(dá)到理論攻擊輪數(shù)。對(duì)于某一些關(guān)鍵起始輪數(shù)比理論值小的LowMC實(shí)例，差分枚舉攻擊甚至?xí)?。由于LowMC算法的輪數(shù)設(shè)置基于現(xiàn)有攻擊的效果，該分析對(duì)LowMC算法的輪數(shù)設(shè)計(jì)具有重要意義。分組密碼；LowMC算法；差分枚舉攻擊；關(guān)鍵起始輪數(shù)1 引言Albrecht等[1]在2015年歐密會(huì)上提出了LowMC算法。LowMC算法基于SPN結(jié)構(gòu)，采用了部分非線性層和隨機(jī)線性層的設(shè)計(jì)，其乘法復(fù)雜度非常低。Lo
網(wǎng)絡(luò)與信息安全學(xué)報(bào) 2021年3期2021-06-30
- WSNs中一種基于閾值修正的多跳分簇路由算法?
r表示當(dāng)前執(zhí)行的輪數(shù)；G表示上一輪為非簇頭的節(jié)點(diǎn)集合；若上一輪已成為簇頭,本輪不再參與簇頭的競(jìng)選；Υi表示由節(jié)點(diǎn)的能量因子、距離因子和密度因子構(gòu)建適度因子,其定義如式(12)所示:式中:λ1,λ2和λ3為權(quán)重系數(shù),且0節(jié)點(diǎn)在競(jìng)爭(zhēng)簇頭時(shí),先產(chǎn)生一個(gè)隨機(jī)數(shù)。再將所產(chǎn)生的隨機(jī)數(shù)與閾值比較。若隨機(jī)數(shù)小于閾值,節(jié)點(diǎn)就宣稱自己為本輪的簇頭。并向鄰居節(jié)點(diǎn)廣播通告消息Avd_Mes。2.3 形成簇的流程利用2.2節(jié)產(chǎn)生k個(gè)簇頭{Ch1,Ch2,…,Chk}。這些簇頭就鄰居
傳感技術(shù)學(xué)報(bào) 2021年3期2021-06-16
- 膠結(jié)液參數(shù)對(duì)微生物加固粉土的影響
2),但在濃度、輪數(shù)、配比等參數(shù)的選擇上不盡相同.根據(jù)已有研究,膠結(jié)液的濃度對(duì)加固效果存在明顯影響[6].文獻(xiàn)[7]認(rèn)為低濃度有助于獲得較高的加固強(qiáng)度,生成的碳酸鈣晶體尺寸也較大;文獻(xiàn)[8]則認(rèn)為膠結(jié)液濃度過低會(huì)導(dǎo)致生成的碳酸鈣不足并影響加固效果.由此可見,目前對(duì)膠結(jié)液參數(shù)的研究還不夠深入.此外,上述結(jié)論多是針對(duì)加固砂土,關(guān)于膠結(jié)液參數(shù)對(duì)加固細(xì)粒土影響方面的研究更加不足.針對(duì)以上研究現(xiàn)狀,本文以海相吹填粉土為研究對(duì)象,在前期尋找出有效加固方法的基礎(chǔ)上,通過
- 關(guān)于Trivium-型序列密碼代數(shù)次數(shù)估計(jì)的研究*
驗(yàn)立方攻擊的最高輪數(shù)為802 輪[9]. 在相關(guān)立方攻擊中[11], Liu 利用超多項(xiàng)式和一些簡(jiǎn)單密鑰表達(dá)式之間的相關(guān)性給出了835-輪Trivium 的密鑰恢復(fù)攻擊. 2017 年美密會(huì)上由Todo 提出基于可分性的立方攻擊, 受益于可分性和MILP 工具, 攻擊者可以使用高維數(shù)的立方集, 這也進(jìn)一步提高了立方攻擊的效果. 例如, 在文[13] 中, 作者給出了891-輪Kreyvium 算法, 184-輪Grain-128a算法以及750-輪Acor
密碼學(xué)報(bào) 2021年1期2021-03-19
- 比特切片型算法差分及線性特征的快速構(gòu)造*
建模直接去求解高輪數(shù)的特征, 在有效時(shí)間內(nèi)實(shí)現(xiàn)還是困難的. 對(duì)于RECTANGLE、TANGRAM 等擴(kuò)散層為行循環(huán)移位的比特切片型算法, 我們希望利用算法本身的結(jié)構(gòu)特點(diǎn)和S 盒的差分(線性) 性質(zhì), 嘗試構(gòu)造單輪或低輪迭代特征, 并結(jié)合MILP 自動(dòng)化搜索技術(shù)高效構(gòu)造長(zhǎng)輪數(shù)的差分和線性特征.本文中我們引入單輪循環(huán)差分(線性) 特征的概念, 針對(duì)RECTANGLE 型比特切片型算法, 根據(jù)算法的行移位參數(shù)和S 盒的可逆差分(線性) 對(duì), 給出了快速構(gòu)造單輪
密碼學(xué)報(bào) 2021年1期2021-03-19
- 8 輪PRINCE 的快速密鑰恢復(fù)攻擊*
NCE 算法不同輪數(shù)版本的主要分析結(jié)果. J. Jean 等給出了4 輪和6 輪PRINCE 的積分攻擊[6]. 王小云團(tuán)隊(duì)使用中間相遇攻擊方法攻擊了8 輪和9 輪PRINCE[7]. 雖然PRINCE 的輪密鑰除了首尾白化外都相同, 但仍假設(shè)差分特征概率等于各輪差分概率的乘積, A. Canteaut 等[8]構(gòu)造了5 輪和6 輪的多重差分區(qū)分器, 攻擊了9 輪和10 輪PRINCE; 趙光耀等[9]給出了5 輪和6 輪的截?cái)嗖罘謪^(qū)分器, 并攻擊了7 輪
密碼學(xué)報(bào) 2021年1期2021-03-19
- 毀傷評(píng)估無線傳感網(wǎng)絡(luò)能耗均衡方法
比例，r為當(dāng)前的輪數(shù)，G為最近1/p輪循環(huán)中未成為簇首節(jié)點(diǎn)的集合，mod為求模運(yùn)算符，p×r·mod(1/p)代表一輪中當(dāng)選簇首的節(jié)點(diǎn)個(gè)數(shù)占總節(jié)點(diǎn)數(shù)的比例。考慮參選節(jié)點(diǎn)的剩余能量和當(dāng)前節(jié)點(diǎn)未被選舉為簇首的輪數(shù)兩個(gè)參數(shù)，對(duì)LEACH算法選舉簇首的閾值T(n)改進(jìn)為：(2)式(2)中，Erest(n)為節(jié)點(diǎn)n的剩余能量，Eavg(r-1)為上一輪穩(wěn)定的數(shù)據(jù)傳輸階段最后一次數(shù)據(jù)幀傳輸時(shí)基站統(tǒng)計(jì)的網(wǎng)絡(luò)節(jié)點(diǎn)平均剩余能量，Ri(n)為該節(jié)點(diǎn)連續(xù)1/p循環(huán)中未擔(dān)當(dāng)簇首的
探測(cè)與控制學(xué)報(bào) 2021年6期2021-02-21
- 教師專業(yè)學(xué)習(xí)社群對(duì)幼兒教師組織沉默現(xiàn)象的影響
統(tǒng)計(jì)每位成員的話輪數(shù)，即成員發(fā)言總次數(shù)。同時(shí)，研究者通過SPSS 20.0軟件，對(duì)話輪數(shù)進(jìn)行相關(guān)因素分析，以此探知影響組織沉默的可能因素。3.訪談法研究者圍繞“影響我發(fā)言的原因”這一話題，選取話輪數(shù)最高與最低的各5位教師進(jìn)行非結(jié)構(gòu)式訪談，并通過扎根理論的質(zhì)性資料分析方法，對(duì)訪談內(nèi)容進(jìn)行初始編碼與聚焦編碼，借以深入探知組織沉默產(chǎn)生的原因。三、研究結(jié)果（一）本行動(dòng)研究符合教師專業(yè)學(xué)習(xí)社群特征行動(dòng)結(jié)束后，研究者邀請(qǐng)成員完成《教師專業(yè)學(xué)習(xí)社群量表》，該量表為四點(diǎn)量
武夷學(xué)院學(xué)報(bào) 2021年11期2021-02-12
- 一種基于橋梁橫向裂縫的病害識(shí)別方法
，按照相同的迭代輪數(shù)(epochs)和輸入圖片的batch數(shù)量分別對(duì)分辨率為75 px、150 px和300 px的橫向裂縫圖片進(jìn)行訓(xùn)練，得出在不同分辨率情況下橫向裂縫病害的訓(xùn)練精度、收斂性和效率如圖9～圖11所示。圖9 收斂性圖10 訓(xùn)練精度圖11 訓(xùn)練效率在圖9～圖11中，迭代輪數(shù)為200，黑色實(shí)線表示分辨率為300 px訓(xùn)練的結(jié)果，黑色虛線表示分辨率為150 px訓(xùn)練的結(jié)果，黑色小圓點(diǎn)表示分辨率為75 px訓(xùn)練的結(jié)果。通過對(duì)3種不同分辨率的橫向裂縫圖
計(jì)算機(jī)與現(xiàn)代化 2021年1期2021-01-27
- 提升分片規(guī)模和有效性的多輪PBFT驗(yàn)證方案
＜10-7。對(duì)于輪數(shù)T的上限，在3.1節(jié)中給出。對(duì)于節(jié)點(diǎn)隨機(jī)分配算法，在3.2節(jié)中描述。3.1 多輪輪數(shù)的選擇3.1.1 拜占庭節(jié)點(diǎn)合謀的概率在拜占庭節(jié)點(diǎn)比例比較高的情況下，可能在某個(gè)分片內(nèi)拜占庭節(jié)點(diǎn)占據(jù)大多數(shù)，且相互串通，進(jìn)行合謀攻擊。此時(shí)，盡管主節(jié)點(diǎn)收集到足夠多的消息，但是這些確認(rèn)消息是拜占庭節(jié)點(diǎn)之間串通合謀發(fā)送給主節(jié)點(diǎn)的，使得最終達(dá)成錯(cuò)誤的共識(shí)。若想在某個(gè)分片內(nèi)進(jìn)行合謀攻擊，則要求此分片中至少含有(2×L)/3+1 個(gè)拜占庭節(jié)點(diǎn)且進(jìn)行合謀，但這是比較
計(jì)算機(jī)工程與應(yīng)用 2020年24期2020-12-26
- 一種融合時(shí)間和剩余能量激發(fā)的分簇優(yōu)化算法
期性收集數(shù)據(jù)，每輪數(shù)據(jù)收集，節(jié)點(diǎn)都要發(fā)送相同數(shù)據(jù)包長(zhǎng)度的數(shù)據(jù)給簇頭；（5）所有節(jié)點(diǎn)時(shí)鐘同步。本文選擇如圖1 所示的無線通信模型，考慮發(fā)送電路、接收電路、放大器以及傳輸?shù)臄?shù)據(jù)字節(jié)數(shù)，一個(gè)無線射頻收發(fā)器將k bit 數(shù)據(jù)包發(fā)送到距離為d 的另外一個(gè)無線收發(fā)器。圖1 無線通信模型發(fā)送能耗主要由信號(hào)發(fā)射電路能耗和放大器電路能耗兩部分組成，因此，發(fā)送k bit 數(shù)據(jù)到距離為d 的節(jié)點(diǎn)上的能耗：式中：Etx表示接收單位比特?cái)?shù)據(jù)所需能耗；εamp1、εamp2表示所采用
實(shí)驗(yàn)室研究與探索 2020年10期2020-11-20
- 立方攻擊研究進(jìn)展
1]的立方攻擊的輪數(shù)是 839 輪，但時(shí)間復(fù)雜度為常數(shù)，攻擊實(shí)際可行。3.4 完善的三子集可分性HAO Y L 等人[8]發(fā)現(xiàn)王森鵬等人的立方攻擊的計(jì)算方法并非總是有效的，在求841 輪的Trivium的超級(jí)多項(xiàng)式時(shí)，由于 L 的規(guī)模過大，在合理的時(shí)間內(nèi)是無法求解的。 于是，提出了完善三子集可分性的概念。定義 6[8](完善三子集可分性) 設(shè) X 是一個(gè)多重集合，其元素，設(shè) L 也是一個(gè)多重集合，其元素有完善的三子集可分性是指滿足下面的條件：HAO Y L
網(wǎng)絡(luò)安全與數(shù)據(jù)管理 2020年10期2020-10-28
- 削減輪數(shù)的Khudra-64 積分攻擊*
14 年提出的總輪數(shù)為18 輪的輕量級(jí)分組密碼算法。積分攻擊[5]、差分攻擊[6]、線性攻擊[7]是目前最主要的三種密碼分析方法，用來對(duì)密碼算法進(jìn)行安全性的評(píng)估。 積分攻擊通過分析加密過程中積分性質(zhì)的傳播變化過程，確認(rèn)區(qū)分器的活躍比特、常數(shù)比特和平衡比特的位置，進(jìn)行積分區(qū)分器的構(gòu)建。 利用得到的積分區(qū)分器的性質(zhì)，可以以更好的時(shí)間和數(shù)據(jù)復(fù)雜度，對(duì)密碼算法進(jìn)行更多輪數(shù)的密鑰恢復(fù)攻擊。近年來，自動(dòng)化搜索技術(shù)的提出與不斷發(fā)展，也進(jìn)一步推動(dòng)了密碼分析領(lǐng)域的發(fā)展。 區(qū)
北京電子科技學(xué)院學(xué)報(bào) 2020年1期2020-10-12
- Midori密碼算法FPGA優(yōu)化研究
輪密鑰RK是根據(jù)輪數(shù)的奇偶性來動(dòng)態(tài)獲取的，當(dāng)輪數(shù)為奇數(shù)時(shí)，RK是K0與輪常量ai異或的結(jié)果；當(dāng)輪數(shù)為偶數(shù)時(shí)，RK為K1與輪常量ai異或的結(jié)果，其中0≤i≤14。單元替換：Midori64狀態(tài)以4比特為一單元同S盒Sb0進(jìn)行替換，Sb0如表1所示。單元移位變換：將單元替換結(jié)果分為16個(gè)長(zhǎng)度為4比特的塊，以塊為單位進(jìn)行變換，即：2 改進(jìn)的Midori64算法2.1 優(yōu)化原理Midori64的密鑰擴(kuò)展是以輪數(shù)的奇偶性為控制信號(hào)，通過K0或K1與輪常量異或來獲取的
衡陽師范學(xué)院學(xué)報(bào) 2020年3期2020-05-19
- 公路工程水泥混凝土路面施工技術(shù)研究
量3 500，軸輪數(shù)1-1/1-1，Pi(KN)數(shù)為11.5、23)、中客車SH130(車軸為前軸與后軸，交通量700，軸輪數(shù)1-1/1-2，Pi(KN)數(shù)為16.5、23)、大客車CA50(車軸為前軸與后軸，交通量750，軸輪數(shù)1-1/1-2，Pi(KN)數(shù)為28.7、67.2)、小貨車BJ130(車軸為前軸與后軸，交通量1 600，軸輪數(shù)1-1/1-2，Pi(KN)數(shù)為13.55、27.2)、中貨車CA50(車軸為前軸與后軸，交通量820，軸輪數(shù)1-1
黑龍江交通科技 2020年4期2020-05-18
- 基于模糊規(guī)則的WSNs分簇路由算法
死亡節(jié)點(diǎn)數(shù)出現(xiàn)的輪數(shù)圖5顯示三個(gè)路由的活動(dòng)節(jié)點(diǎn)數(shù)。用活動(dòng)節(jié)點(diǎn)數(shù)表征網(wǎng)絡(luò)的生命周期。從圖5可知,在同一輪數(shù),FLECR路由活動(dòng)節(jié)點(diǎn)數(shù)遠(yuǎn)高于LEACH路由、KMCR路由。原因在于:FLECR路由減少重新構(gòu)建簇的頻率,降低能耗。圖5 活動(dòng)節(jié)點(diǎn)數(shù)3.2 實(shí)驗(yàn)二本次實(shí)驗(yàn)分析三個(gè)路由的網(wǎng)絡(luò)能耗,如圖6所示。從圖6可知,在執(zhí)行同等的輪數(shù)時(shí),FLECR路由的剩余能量最高,高于LEACH路由和KMCR路由。這主要是因?yàn)?FLECR路由采用按需方式?jīng)Q策是否重新分簇,減少了構(gòu)建
傳感技術(shù)學(xué)報(bào) 2019年5期2019-06-05
- 無線傳感器網(wǎng)絡(luò)上考慮能量因子的LEACH算法
中并未關(guān)注到隨著輪數(shù)的增加，各個(gè)因子對(duì)網(wǎng)絡(luò)負(fù)載均衡的影響力不同這一特征。本文針對(duì)LEACH算法的不足，考慮能量因子側(cè)重度對(duì)簇頭選舉閾值進(jìn)行改進(jìn)，提出一種新型的LEACH-OE(LEACH based on energy factors)自適應(yīng)算法。本文擬對(duì)此展開研究論述如下。1 系統(tǒng)建模1.1 網(wǎng)絡(luò)模型本文研究的無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)隨機(jī)地分布在一個(gè)正方形監(jiān)測(cè)區(qū)域內(nèi)[11]，傳感器節(jié)點(diǎn)和sink節(jié)點(diǎn)在部署之后位置固定不變[12]，并且不再進(jìn)行人為干涉；節(jié)點(diǎn)同構(gòu)
智能計(jì)算機(jī)與應(yīng)用 2019年1期2019-01-11
- 異構(gòu)傳感網(wǎng)中一種能量均衡非均勻分簇算法
的比例，r為當(dāng)前輪數(shù)，G為當(dāng)前1/p輪數(shù)中未能成為CHs的節(jié)點(diǎn)集合.2級(jí)能量異構(gòu)網(wǎng)絡(luò)中，DEEC算法中高級(jí)節(jié)點(diǎn)和普通節(jié)點(diǎn)當(dāng)選臨時(shí)簇頭的概率分別為(2)(3)將式(2)，(3)計(jì)算出的概率padv，pnrm，替代式(1)中的p，得到不同能級(jí)節(jié)點(diǎn)當(dāng)選臨時(shí)簇頭對(duì)應(yīng)的閾值.比較節(jié)點(diǎn)隨機(jī)產(chǎn)生的值與閾值的大小，確定該節(jié)點(diǎn)能否在本輪中當(dāng)選臨時(shí)簇頭.1.2.2 簇頭最終確定簇頭最終確定要使用非均勻多跳路由EEUC算法，并引入競(jìng)爭(zhēng)機(jī)制選取簇頭.依據(jù)臨時(shí)簇頭與基站間的距離設(shè)定
- 基于FPGA的AES算法中行位移與列混淆混合設(shè)計(jì)
不同決定了加密的輪數(shù)和輪變換的輪數(shù)，當(dāng)密鑰分組長(zhǎng)度為128位時(shí)加密輪數(shù)和輪變換輪數(shù)為10輪；當(dāng)密鑰分組長(zhǎng)度為192位時(shí)加密輪數(shù)和輪變換輪數(shù)為12輪；當(dāng)密鑰分組長(zhǎng)度為256位時(shí)加密輪數(shù)和輪變換輪數(shù)為14輪。雖然相應(yīng)的加密輪數(shù)能夠?qū)崿F(xiàn)對(duì)數(shù)據(jù)信息進(jìn)行有效地保護(hù)，但輪函數(shù)中的行位變換和列混淆變換為加密算法提供了更高的擴(kuò)散性以抗擊密碼攻擊,因此輪變換中的行位變換和列混淆變換對(duì)實(shí)現(xiàn)AES加密算法有著至關(guān)重要的作用。1.1 行位移變換行位移變換是一個(gè)簡(jiǎn)單的字節(jié)換位操作，
- WSN中LEACH協(xié)議的改進(jìn)與研究*
示網(wǎng)絡(luò)當(dāng)前運(yùn)行的輪數(shù)，G表示在最后的1/p輪中還沒有成為簇首節(jié)點(diǎn)的集合。在r=0時(shí)，每個(gè)節(jié)點(diǎn)都以p的概率成為簇頭，經(jīng)過1/p-1輪后閾值變?yōu)?。1.1.2 簇的建立簇頭選舉過程完成后，成為簇頭的節(jié)點(diǎn)廣播自己成為簇頭的消息到整個(gè)網(wǎng)絡(luò)。該消息主要包括簇頭的ID、位置等。普通節(jié)點(diǎn)根據(jù)接收到消息的強(qiáng)弱選擇強(qiáng)度最大的簇，并向?qū)?yīng)的簇頭返回消息，確保加入距離自身最近的簇頭。簇頭根據(jù)簇內(nèi)包括的節(jié)點(diǎn)個(gè)數(shù)，采用TDMA方式為簇中每個(gè)節(jié)點(diǎn)分配向其傳輸數(shù)據(jù)的時(shí)間點(diǎn)。在數(shù)據(jù)傳輸穩(wěn)
通信技術(shù) 2018年2期2018-03-13
- 馬尾松生長(zhǎng)性狀配合力和雜種優(yōu)勢(shì)及相關(guān)性分析
胸徑、材積、活枝輪數(shù)和母本間胸徑 GCA 效應(yīng)值的差異均達(dá)極顯著或顯著。第Ⅰ設(shè)計(jì)雜交組合間樹高、胸徑、材積的 SCA 效應(yīng)值差異均達(dá)極顯著，第Ⅱ設(shè)計(jì)雜交組合間樹高的 SCA 效應(yīng)值差異達(dá)顯著。2 個(gè)設(shè)計(jì)中，雜種優(yōu)勢(shì)在 5% 以上的組合與性狀在第Ⅰ設(shè)計(jì)中占 53.1%，在第Ⅱ設(shè)計(jì)中占 29.2%，平均達(dá) 41.15%。材積與樹高、胸徑、活枝輪數(shù)均呈極顯著正相關(guān)，與下三輪活枝數(shù)呈顯著負(fù)相關(guān)；樹高與胸徑、活枝輪數(shù)均呈極顯著正相關(guān)；胸徑與活枝輪數(shù)均呈極顯著正相關(guān)，
湖南林業(yè)科技 2017年4期2017-11-24
- 基于重復(fù)博弈的WSN節(jié)點(diǎn)合作性研究
明：采取最優(yōu)懲罰輪數(shù)的懲罰策略能夠在保證最少的減小網(wǎng)絡(luò)生命周期的前提下，最大程度地提升網(wǎng)絡(luò)的整體效益約22.83%。無線傳感器網(wǎng)絡(luò)；能量均衡；路由；重復(fù)博弈；理性偏好無線傳感器網(wǎng)絡(luò)(wireless sensor network，WSN)作為物聯(lián)網(wǎng)研究的一個(gè)重要組成部分吸引了大量科研工作者的關(guān)注。WSN由眾多具有自我控制、感知、數(shù)據(jù)處理和無線通信能力的無線傳感器節(jié)點(diǎn)通過自組織的方式構(gòu)成[1?3]。由于WSN中節(jié)點(diǎn)的能量有限[4]，使得部分節(jié)點(diǎn)會(huì)以節(jié)省自身能
- 一種基于鄰近區(qū)域平均能量的分簇算法
r)(r表示當(dāng)前輪數(shù)，初始化時(shí)r=0)：(5)2.2 簇頭選舉簇頭選舉包含候選簇頭選舉階段和候選簇頭競(jìng)選簇頭階段.1)候選簇頭選舉階段PCCAEAR算法中，如果節(jié)點(diǎn)i在第r輪屬于能夠參與簇頭選舉的節(jié)點(diǎn)集合，則根據(jù)概率函數(shù)pi計(jì)算其成為候選簇頭的概率：(6)其中，P表示節(jié)點(diǎn)中簇頭的百分比.α表示影響候選簇頭個(gè)數(shù)的參數(shù)，由于在簇頭選舉階段要進(jìn)行功率控制，為選出一定量的簇頭，需增加候選簇頭個(gè)數(shù).第r輪的鄰近區(qū)域平均能量Ei Navg(r)是根據(jù)上一輪的鄰近區(qū)域平
- 基于LEACH的低能耗改進(jìn)算法研究
的存活數(shù)和分簇的輪數(shù)的關(guān)系，對(duì)LEACH算法和本文算法進(jìn)行對(duì)比仿真，如圖2所示。圖2 節(jié)點(diǎn)存活數(shù)-輪數(shù)由圖2可以看出，本文改進(jìn)的LEACH分簇路由算法提高了節(jié)點(diǎn)的存活率，LEACH算法在20輪之前便出現(xiàn)節(jié)點(diǎn)死亡，改進(jìn)算法在75輪以后出現(xiàn)；在輪數(shù)300之前，LEACH算法的節(jié)點(diǎn)存活率高于45%，本文改進(jìn)的算法節(jié)點(diǎn)存活率高于60%，提高了15%。所以，在基站距離較近的隨機(jī)分布無線傳感網(wǎng)絡(luò)環(huán)境中，改進(jìn)算法提高了節(jié)點(diǎn)存活率，延長(zhǎng)網(wǎng)絡(luò)壽命。3.1.2 網(wǎng)絡(luò)能耗同樣對(duì)
無線電通信技術(shù) 2016年6期2016-12-20
- 論Miller-Rabin算法預(yù)處理的局限性*
，簡(jiǎn)單地增加測(cè)試輪數(shù)即可；二是提高p素，這需要在隨機(jī)抽取數(shù)n時(shí)采取一些策略，即預(yù)處理，根據(jù)素?cái)?shù)分布特性，數(shù)越大素?cái)?shù)越稀疏，因此合數(shù)擁有小素?cái)?shù)因子的概率較大，故預(yù)處理時(shí)用一些小素?cái)?shù)篩一下能較有效的濾除大部分合數(shù)，另外可采用遞增隨機(jī)法取數(shù)，即在一個(gè)大隨機(jī)數(shù)的基礎(chǔ)上，每次遞增lnn附近的一個(gè)隨機(jī)數(shù)的增量，因?yàn)檫@是素?cái)?shù)的平均間距，從而更有可能選取到素?cái)?shù)。然而這里仔細(xì)計(jì)算一下可以發(fā)現(xiàn)，明確了降低p錯(cuò)的目標(biāo)之后，若以抵消掉p素的影響為要求，用第一種方法，只需要增加3、
通信技術(shù) 2015年4期2015-06-23
- 循環(huán)賽
一條規(guī)律：比賽的輪數(shù)總比參賽的人數(shù)少1。比賽的場(chǎng)數(shù)則是：人數(shù)×輪數(shù)的一半。6個(gè)人參加循環(huán)賽，需要的輪數(shù)是：6-1=5（輪）比賽的場(chǎng)數(shù)是：6×（6-1）÷2=30÷2=15（場(chǎng)）問題解決了，長(zhǎng)頸鹿長(zhǎng)長(zhǎng)地噓了口氣：原來有些復(fù)雜的問題，先用簡(jiǎn)單問題作類比，便可以找到解決辦法了。于是他便著手編制比賽程序，作好一切賽前準(zhǔn)備。
小天使·五年級(jí)語數(shù)英綜合 2015年4期2015-04-20
- 一種能量高效的無線傳感器網(wǎng)絡(luò)拓?fù)淇刂扑惴?/a>
的概率;r為選舉輪數(shù);G為最近1/p輪中還未當(dāng)選過簇頭的節(jié)點(diǎn)集合。第r輪節(jié)點(diǎn)的能量閾值Eth的計(jì)算公式為其中，L為網(wǎng)絡(luò)預(yù)計(jì)要運(yùn)行的輪數(shù)，E0為節(jié)點(diǎn)的初始能量。通過引入能量閾值，有效地防止了低能量的節(jié)點(diǎn)成為簇頭，避免了因?yàn)榇仡^死亡造成的數(shù)據(jù)丟失和網(wǎng)絡(luò)空洞，使網(wǎng)絡(luò)能量得到均衡的利用，顯著地延長(zhǎng)網(wǎng)絡(luò)的壽命。2.2.2 簇的建立階段離Sink節(jié)點(diǎn)近的簇頭承擔(dān)了轉(zhuǎn)發(fā)其他簇頭數(shù)據(jù)信息的任務(wù)，其能量消耗比離Sink節(jié)點(diǎn)遠(yuǎn)的簇頭大，為了保證各簇頭節(jié)點(diǎn)的能量消耗達(dá)到均衡，離
傳感器與微系統(tǒng) 2014年2期2014-12-31
- 淺談籃球項(xiàng)目競(jìng)賽方法
：比賽場(chǎng)次和比賽輪數(shù)的計(jì)算；比賽輪次表的編排；抽簽方法和號(hào)碼位置排定；計(jì)分方法和名次排定。淘汰制是指參賽各方按編排的比賽次序，由相鄰的兩個(gè)隊(duì)伍進(jìn)行比賽，敗者被淘汰，勝者進(jìn)入下一輪比賽，直至淘汰下最后一支隊(duì)伍，即為本次比賽的冠軍。1、單循環(huán)比賽的輪數(shù)和場(chǎng)數(shù)的計(jì)算（1）比賽輪數(shù)：在循環(huán)制的比賽中，各隊(duì)都參加完一場(chǎng)比賽即為一輪。(所有對(duì)數(shù)同時(shí)進(jìn)行一場(chǎng)比賽為一輪)參加比賽的隊(duì)數(shù)為單數(shù)時(shí)，比賽輪數(shù)等于隊(duì)數(shù)。如5個(gè)隊(duì)參加比賽，即比賽輪數(shù)為五輪。參加比賽的隊(duì)數(shù)為雙數(shù)時(shí)，
文體用品與科技 2014年2期2014-12-25
- 牛年齡的鑒定
輪，所以母牛的角輪數(shù)與產(chǎn)犢數(shù)大致相同。當(dāng)母牛每年能產(chǎn)1胎時(shí)，其年齡約為角輪數(shù)加上初產(chǎn)年齡。通常母牛多在30～36月齡時(shí)初次產(chǎn)犢，故將角輪數(shù)加2.5～3.0年，即可判斷出牛的大致年齡。由于母牛的妊娠期將近1年，因此角輪數(shù)加上初產(chǎn)年齡減去妊娠期1年，即可得出結(jié)果。若母牛初產(chǎn)年齡不詳，則可將角尖部分生長(zhǎng)期（約2年）加上角輪數(shù)來估算牛的年齡。具體方法：母牛的年齡=角輪數(shù)+2.5或3.0，母牛的年齡=角輪數(shù) + 角尖部生長(zhǎng)期（約2年）。（黑龍江省賓縣畜牧獸醫(yī)局 趙云
農(nóng)村百事通 2014年12期2014-12-01
- 分組密碼TWIS的三子集中間相遇攻擊
8 bit，加密輪數(shù)為10輪。算法的設(shè)計(jì)文章未給出任何密鑰恢復(fù)攻擊。Su Bozhan等人首先對(duì)其進(jìn)行了安全性分析，通過構(gòu)造10輪差分區(qū)分器，給出全10輪TWIS不抵抗差分分析的結(jié)論[3]。隨后，Onur Kocak 與Nese Oztop給出了TWIS安全性的進(jìn)一步研究，差分分析全10輪的TWIS，恢復(fù)12 bit末輪輪密鑰的計(jì)算復(fù)雜度為221；構(gòu)造了9.5輪的不可能差分區(qū)分器與線性區(qū)分器；指出 TWIS的實(shí)際密鑰長(zhǎng)度僅為62 bit，而不是設(shè)計(jì)者宣稱的
通信學(xué)報(bào) 2014年6期2014-10-27
- 四倍體與二倍體白花泡桐木材纖維形態(tài)及化學(xué)成分的差異分析
). 在相應(yīng)生長(zhǎng)輪數(shù)及樹高處，PF4的纖維長(zhǎng)度均大于PF2. 徑向變化曲線顯示隨樹齡增加纖維長(zhǎng)度呈現(xiàn)持續(xù)增長(zhǎng)后平穩(wěn)的趨勢(shì)，說明了木材從幼齡材到成熟材的過渡過程. PF4，PF2纖維長(zhǎng)度徑向變化范圍分別為695.80～985.48 μm，651.93～900.89 μm，平均值分別為897.38，825.31 μm，PF4纖維長(zhǎng)度最大值、最小值均大于PF2，平均值比PF2大8.03%. 軸向變化曲線顯示隨樹高的增加纖維長(zhǎng)度呈現(xiàn)先增大至最大值后下降趨于平穩(wěn)的趨
- 大規(guī)模無線傳感器網(wǎng)絡(luò)環(huán)域多扇區(qū)多跳分簇路由算法*
量、存活節(jié)點(diǎn)數(shù)隨輪數(shù)變化的情況分別如圖2和圖3所示。圖2 剩余能量總量與輪數(shù)關(guān)系從圖2明顯看出:在輪數(shù)相同時(shí)，MMCR的剩余能量總量要高于LEACH,ERBMC,E-LEACH，其中能量消耗為初始總能量50%時(shí)，LEACH,ERBMC,E-LEACH,MMCR運(yùn)行輪數(shù)分別為357,673,467,802輪，可見MMCR對(duì)于整個(gè)網(wǎng)絡(luò)能量利用率更高。因?yàn)橥ㄐ拍芰肯恼季W(wǎng)絡(luò)內(nèi)能量消耗比例較大，通信中發(fā)送信息能量消耗是主要部分，發(fā)送能量消耗主要依賴于發(fā)送距離，這里
傳感器與微系統(tǒng) 2014年3期2014-09-25
- 對(duì)IKE協(xié)議中弱密鑰的研究*
[7]。然后根據(jù)輪數(shù),這兩部分分別循環(huán)左移1位或2位。若密鑰的兩部分的所有位都是0或1,那么每一輪使用的子密鑰都是相同的。這些就是DES的弱密鑰。該弱密鑰降低了密文的“混淆”程度(擴(kuò)散和混淆是密碼算法設(shè)計(jì)的基本方法),也就降低了密碼算法的安全強(qiáng)度。另外DES還存在60個(gè)半弱密鑰,類似于弱密鑰——存在著重復(fù)的子密鑰,但子密鑰不全相同。2.2 3DES3DES是DES的變形,3DES共有4種不同模式,RFC標(biāo)準(zhǔn)中使用的是DES-EDE3模式[8]。該模式對(duì)一個(gè)
通信技術(shù) 2014年10期2014-02-10
- 基于WSN的核輻射監(jiān)測(cè)系統(tǒng)路由算法研究
存活節(jié)點(diǎn)數(shù)與仿真輪數(shù)的關(guān)系如圖 2所示。與LEACH算法相比較，隨著輪數(shù)的進(jìn)行，改進(jìn)算法的中第一個(gè)節(jié)點(diǎn)出現(xiàn)死亡的時(shí)間比較晚，并且當(dāng)20%的節(jié)點(diǎn)數(shù)目出現(xiàn)死亡時(shí)，節(jié)點(diǎn)經(jīng)歷的輪數(shù)比LEACH算法中節(jié)點(diǎn)經(jīng)歷的輪數(shù)多了25%左右，也就是說當(dāng)經(jīng)歷相同輪數(shù)時(shí)，節(jié)點(diǎn)的生存周期相對(duì)延長(zhǎng)了 25%左右。由此可知，本文改進(jìn)算法相比LEACH算法，節(jié)省了節(jié)點(diǎn)的能量，顯著地延長(zhǎng)了網(wǎng)絡(luò)的生存周期。圖2 存活節(jié)點(diǎn)數(shù)與仿真輪數(shù)的關(guān)系圖網(wǎng)絡(luò)節(jié)點(diǎn)剩余總能量與仿真輪數(shù)的關(guān)系如圖3所示。仿真結(jié)果
網(wǎng)絡(luò)安全技術(shù)與應(yīng)用 2013年4期2013-09-19
- 高級(jí)加密標(biāo)準(zhǔn)算法R i j n d a e l的分析與應(yīng)用*
長(zhǎng)度，相應(yīng)的加密輪數(shù)分別為10、12、14，每一輪循環(huán)都有一個(gè)循環(huán)密鑰，它來自于初始密鑰。2.1 Rijndael算法的加密流程加密過程分為四個(gè)階段：密鑰擴(kuò)展、輪密鑰加、Nr-1（128 bit、192 bit、256 bit密鑰長(zhǎng)度，Nr分別為 10、12、14）輪變換及最后一輪變換。輪變換包括字節(jié)代換、行移位、列混淆和輪密鑰加四個(gè)過程，最后一輪變換包括字節(jié)代換、行移位和輪密鑰加三個(gè)過程。其流程圖如圖1所示。（1）狀態(tài)：指明文分組及每次變換的中間結(jié)果[4
網(wǎng)絡(luò)安全與數(shù)據(jù)管理 2012年7期2012-08-15
- 基于能量異構(gòu)的傳感器網(wǎng)絡(luò)分簇路由協(xié)議
中r表示已完成的輪數(shù)，p為簇頭節(jié)點(diǎn)占總節(jié)點(diǎn)的比例，G表示節(jié)點(diǎn)在前r mod（1/p）輪沒有當(dāng)選中簇頭節(jié)點(diǎn)的集合。選出的簇頭發(fā)布消息成為簇頭，非簇頭節(jié)點(diǎn)根據(jù)收到的消息加入對(duì)應(yīng)的簇，并發(fā)消息給簇頭，簇頭為按TDMA方式每個(gè)簇內(nèi)節(jié)點(diǎn)分配時(shí)隙。數(shù)據(jù)傳輸階段每個(gè)節(jié)點(diǎn)按所分配的時(shí)隙傳輸數(shù)據(jù)給簇頭節(jié)點(diǎn)，簇頭節(jié)接收簇內(nèi)節(jié)點(diǎn)發(fā)來的數(shù)據(jù)并融合處理提交給基站。節(jié)點(diǎn)在空閑的時(shí)隙進(jìn)入休眠狀態(tài)，減少了監(jiān)聽所消耗的能量。提交給簇頭節(jié)點(diǎn)數(shù)據(jù)進(jìn)行融合再傳輸減少了數(shù)據(jù)流量，降低了能耗。1.2
科技視界 2012年13期2012-04-16
- 任意可分負(fù)載的多輪調(diào)度算法
求解近似最優(yōu)調(diào)度輪數(shù)的算法(DCMR)，通過對(duì)特定的調(diào)度時(shí)序分析，得出閉合式方程組，然后利用二分法快速搜索并結(jié)合回溯調(diào)整法求解近似最優(yōu)調(diào)度輪數(shù)，使計(jì)算時(shí)間盡可能多地與傳輸時(shí)間重疊，從而縮短了整個(gè)應(yīng)用的執(zhí)行時(shí)間，算法經(jīng)仿真表明：在多種參數(shù)變化的情況下，可以求解出近似最優(yōu)的調(diào)度方案；與經(jīng)典的FIFO和LIFO算法相比具有更強(qiáng)的自適應(yīng)能力；在計(jì)算時(shí)間明顯大于傳輸時(shí)間的情況下，能夠穩(wěn)定地保持任務(wù)響應(yīng)時(shí)間為理想時(shí)間的1.1倍左右。
西安交通大學(xué)學(xué)報(bào) 2009年8期2009-09-18