基于代码片段的无线传感器网络密钥更新方案

来源 :计算机应用研究 | 被引量 : 4次 | 上传用户:chinamp3jgy
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
针对当前无线传感器网络密钥更新技术存在的安全隐患,提出了一种基于代码片段的密钥更新方案(简称CSKUS方案)。CSKUS首先为传感器节点预分配初始密钥以及代码片段,相邻节点之间通过交换代码片段获得相同的代码片段集;然后利用代码片段集所组成的更新程序完成密钥更新。理论分析表明,CSKUS不仅具有很高的安全性,同时具有计算、通信开销低的特点,完全支持大规模无线传感器网络。
其他文献
针对多敏感属性数据发布中存在的隐私泄露问题,在分析多维桶分组技术的基础上,继承了基于有损连接对隐私数据进行保护的思想,提出了一种(g,l)-分组方法,首先对多敏感属性根据各自的敏感度进行分组,然后将分组数作为多维桶的各个维的维数。同时还给出了两种不同的线性时间的分组算法:一般(g,l)-分组算法(GGLG)和最大敏感度优先算法(MSF)。实际数据集上的大量实验结果表明,该方法可以明显地减少隐私泄露
为了保证多起重机节能系统中设备的正常运行并取得较好节能效果,构造多起重机节能系统的等效电路,针对系统复杂难以建模问题,引入混杂系统理论,建立基于混杂自动机的电网整流装置模型,将离散事件活动周期图建模方法推广至混杂系统构建受控功率源的活动周期图模型,从而得到系统整体模型。仿真研究了系统直流母线的功率和电压,验证了所建模型的合理性。为更深入地开展多电机节能系统的研究提供仿真平台。
针对恶劣天气下拍摄图像的退化现象,提出了一种基于主成分分析(principal component analysis,PCA)的可变框架模型Retinex图像增强算法。PCA变换提供通道间良好的正交性,可避免由于亮度调整带来的色度失真。该算法通过PCA变换得到图像亮度分量、色度分量,对得到的亮度分量使用改进的可变框架模型Retinex进行处理,适当调整色度分量,最后对处理得到的RGB图像进行去相关
从信息散度角度出发,提出一种新的三维Otsu加权方法,对分布不均匀的图像做细致分割。由于三维Otsu中三个维度在分割中所起的作用不同,可以通过调整不同维度的权因子使不同的图像都能得到很好的分割效果。最后利用加权的特点,将三维Otsu分解为三个一维Otsu,在加快运算速度、降低时间复杂度的同时得到了比较好的分割效果,使得加权方法更具有实际效用。
针对在流形网格上已有经典的简单割角法不能使用的问题,提出一种流形网格上的简单割角法,此算法使用的边是离散测地线,而经典的简单割角法使用的边是直线段,此算法收敛于网格
提出了一种基于鱼群算法的二维阈值图像分割的新方法。传统的二维Otsu方法考虑了图像的灰度信息和像素间的空间邻域信息,是一种有效的图像分割方法。但是由于二维Otsu方法的计算量大、运行时间长的缺陷,采用鱼群算法来搜索最优二维阈值向量,通过鱼群追尾行为获得最优阈值。实验结果表明,所提出的方法不仅能得到理想的分割结果,而且分割速度快。
在有供应商参与的大批量制造企业多项目协同计划的执行过程中,可能会出现的资源颗粒或项目任务的变更,导致广义设计资源颗粒与多项目计划任务匹配出现的冲突,使原协同计划无法继续进行。针对这一问题,提出了在原协同计划执行过程中进行多项目计划与广义设计资源的动态再匹配的思想,建立了各种变更情况下的动态再匹配的模型及算法,以保证已启动的新产品开发多项目计划能顺利执行。用一实例对所建模型和动态再匹配算法进行了验证
构建了一个基于图像采集卡的复杂环境下实时运动目标检测与跟踪的实验平台。基于此平台提出并实现了一种改进的运动目标检测算法,它融合了帧间差分法和背景差分法的优点,以适应复杂环境的变化。实验表明,该算法利用所构建的平台,对变化场景中的运动目标实施了快速有效的检测与跟踪,为智能视频技术的研究提供了一个实用的实验平台。
通过学习数据集的低维流形结构,给出一种流形距离测度;结合成对约束信息,调整数据的相似度矩阵,将其作为近邻传播算法的输入,提出了基于流形距离的半监督近邻传播聚类算法(SAP-MD)。通过在UCI标准数据集上的仿真实验表明,SAP-MD算法相比于仅利用成对约束信息的聚类算法,在聚类性能上有很大提高。
针对指挥控制(C2)网络组织谣言传播具有动态性、适应性、非线性,采用多agent的建模方法,对谣言传播过程与网络组织的互动行为模式进行了描述和分析,得到了节点间影响水平、谣言源的特征、指挥跨度和最终接受谣言比例之间的关系。主要结论有:在谣言传播的过程中,下级对上级的影响力对最终接受谣言规模更加敏感;谣言源特征对最终接受谣言规模有影响,且谣言源的身份越高,对谣言传播效果的影响越大;指挥跨度越大,越有