_TESLA广播认证协议优化研究_陈骁
基于低轨卫星互联网的双模通信终端技术
基于低轨卫星互联网的双模通信终端技术目录一、摘要 (2)二、内容概括 (2)三、双模通信终端技术原理 (3)1. 低轨卫星互联网技术 (5)2. 双模通信终端技术概念 (6)四、低轨卫星互联网技术 (7)1. 低轨卫星互联网发展现状 (9)2. 低轨卫星互联网的优势与挑战 (10)五、双模通信终端技术 (11)1. 双模通信终端技术原理 (12)2. 双模通信终端技术分类 (14)六、基于低轨卫星互联网的双模通信终端设计 (15)1. 硬件设计 (16)a. 天线设计 (17)b. 信号处理模块 (18)c. 电源管理模块 (20)2. 软件设计 (21)a. 系统软件 (21)b. 应用软件 (23)c. 数据传输协议 (24)七、基于低轨卫星互联网的双模通信终端实现 (26)1. 系统硬件选型与集成 (27)2. 系统软件开发与调试 (28)3. 系统测试与验证 (28)八、结论与展望 (30)1. 双模通信终端技术的优势与应用前景 (30)2. 未来发展趋势与研究方向 (32)一、摘要本文档重点探讨了基于低轨卫星互联网的双模通信终端技术，低轨卫星互联网以其高速度、广覆盖、低延迟的特点在现代通信领域起到了不可替代的作用。
双模通信终端技术作为实现陆基与卫星网络无缝连接的关键，整合地面通信网络与传统卫星通信网络的优势，显著提高了通信系统的灵活性和可靠性。
本文主要介绍了双模通信终端技术的概念、设计原理、技术难点以及实现方式，同时探讨了其在现代通信领域的应用前景，特别是在偏远地区通信、应急通信以及全球互联网连接等方面的潜在价值。
本文旨在为相关领域的研究人员和技术开发者提供理论基础和实践指导，推动基于低轨卫星互联网的双模通信终端技术的进一步发展。
二、内容概括本文档主要围绕“基于低轨卫星互联网的双模通信终端技术”涵盖了该技术的背景、发展现状以及未来可能的应用前景。
在背景方面，随着全球互联网的快速普及和扩展，网络覆盖范围和通信质量的需求持续提升。
5G优化案例：nsa_volte掉话原因分析处理案例
NSA VoLTE 掉话原因分析处理XX分公司目录1 概述 (3)1.1 版本信息 (3)1.2网络拓扑图 (3)2 NSA VoLTE 掉话问题 (3)2.1问题背景 (3)2.2问题分析 (4)2.3解决措施 (4)2.4.4现场验证 (5)3 整体测试验证情况 (6)3.14G数据业务验证 (6)3.1.1用户感知指标：（上行优良比）（≥5M bp s） (6)2.1.2用户感知指标：(下行优良比)（≥12M bp s） (6)3.1.3切换指标:切换成功率 (6)3.1.4切换失败原因分析 (7)3.2V oL T E验证 (7)3.2.1覆盖率 (7)3.2.2接通率 (8)3.2.3掉话率 (8)3.2.4M O S优良比（≥3.5比例） (8)3.2.5呼叫建立时延（秒） (8)3.2.6切换成功率，切换失败原因分析 (8)3.3关键KP I (8)3.3.1接通率 (8)3.3.2切换成功率 (9)3.3.3V o l t e接通率 (9)4 总结 (10)1概述1.1版本信息项目相关信息升级时间2019 年 4 月 15 日 0:00~4:00eNodeB BTS3900 V100R015C10SPC100测试工具(终端跟踪工具) 4G:鼎利5G:Mate 20 X1.2网络拓扑图2NSA VoLTE 掉话问题2.1 问题背景NSA 用户做 VoLTE，由 NSA 锚点站切换到 17B LTE only 存量站点失败。
测试手机在R15协议版本基站驻留（已添加N R），拨打V o LTE 电话，向R12.1协议版本基站移动，触发切换，切换后 VoLTE 会发生掉话。
2.2 问题分析NSA 终端在 NSA 区域下使用 NR PDCP，而17B 及之前的 LTE 版本不支持 R15 协议，无法识别N R P D C P,所以当17B基站接收到19B基站发出的切换准备消息时，因为协议不兼容，不能识别切换准备消息中的 NR P DCP，最终导致切换准备失败。
清华大学电子工程系各研究所科研方向及导师相关信息
通信与微波研究所....................................................................................................................... 1 通信技术方向...........................................................................................................................1 数字传输系统、网络及 SoC 课题组................................................................................... 1 多媒体通信技术研究组....................................................................................................... 2 数字电视技术研究中心宽带传输课题组........................................................................... 2 通信网络研究室................................................................................................................... 3 曹志刚、刘序明、晏坚课题组........................................................................................... 4 无线与移动通信技术研究中心无线通信课题组............................................................... 5 陆建华教授课题组............................................................................................................... 7 电磁场与微波技术研究方向................................................................................................... 8
《安全与电磁兼容》2020年总目录(总第162~167期)
新视角利用电磁学和计算电磁学分析电磁兼容…………周永祖 1 9 近场EMC 测试技术…………………………魏兴昌 丁力 1 15磁共振射频信号对医疗器械影响的数值和实验研究……………………………………………陈戟 郑剑锋 王庆岩 等 2 9电磁辐射对燃料危害的若干考虑……………Mark Mifsud 2 21有意电磁干扰辐射智能建筑线缆系统的最坏情况分析………………塞吉欧·皮那立 梁涛 乔达诺·斯巴达齐尼 等 3 95G 基站天线面临的电磁兼容问题及对策…………………………………………………………褚庆昕 常玉林 吴锐 等 3 14基于添加电感层的高选择性频率选择表面………………………………………唐政华 侯赛因·穆阿德 周加峰* 等 4 9硅通孔互连通道噪声评估与抑制方法………缪旻 刘欢 4 15开发EMC/SI/PI 的机器学习CEM 方法…………………………………………………………姜立军* 姚赫明 张欢欢 等 5 9 5G 无线终端设备的电磁兼容测试………………………………………………………………刘宝殿 王俊青 周镒* 等 5 16 集成电路技术发展对电磁兼容的影响…………………………………………艾·西加 亚历山大·博耶 吴建飞* 等 6 95G 基站的电磁特性检测…………………………………………………………………………王守源 安少赓 呼彦朴 等 6 18 2019 CISPR 年会2019 IEC/CISPR 年会主要技术内容(下)……………………1 25车载无线通信质量的优化设计全息投影干扰GPS 接收灵敏度优化方案…………………………………………………………丁一夫 陆明 秦孔建 等 2 27遥控门禁系统接收灵敏度的干扰定位……………………………………………………………郭建东 国晨 陈希琛 等 2 31蓝牙认证蓝牙资格认证要点……………………………………申俊圣 2 35蓝牙认证V5.2和V5.1版解析…………………………………闵荷芳 徐凯 刘志辉 2 385G 终端天线的OTA 测试 5G 终端OTA 测试的挑战和标准化进展——单天线……………………………………………………………郭琳 王瑞鑫 3 215G 终端OTA 测试的挑战和标准化进展——多天线MIMO……………………………………………………郭琳 王瑞鑫 3 27标准与应用IEC/TC108上海会议综述…………………………………………………………………………王莹 刘海婷 刘云柱 等 1 31平板电视外壳开孔结构设计的改进分析………………………………………………………………高宏伟 刘立 牛淑芳 1 34压敏电阻在IEC 60950-1中的要求解析……武鹏 齐玮 2 42解析GB/T 17626.5-2019…………胡申 李平 宋昊 等 2 46近距离射频骚扰抗扰度的试验方法探讨……………………………………………………………吕飞燕 吴桐 小林康浩 3 33供电适应性试验系列标准对比及工程应用研究………………………………………………周成龙 李子森 张梓超 等 3 37ECE R10第六版技术内容变化解析…………………………………………………………………陈磊 张旭 丁一夫 等 4 35GB/T 6882-2016用于轨道交通产品噪声测量的关键点分析……………………………………黄哲昊 张锐 李肖刚 4 39电动汽车30 MHz 以下磁场辐射骚扰标准解析与验证……………………………………………黄雪梅 张柏年 李晓智 5 37期 页CISPR 35中宽带脉冲骚扰抗扰度测试方法研究……曹朱 5 41IEC/TC108 2020年虚拟会议综述………………………………………………………………………王莹 刘云柱 刘惟凡 6 39CISPR 发射测量中测量仪器不确定度的评定……………………………………………………………………Jens Medler 6 35测试与测量GJB 8848应用于运载火箭的试验方法探讨………………………………………………………………………李云 静广宇 1 41电动汽车EMC 测试中的交流充电模拟方法研究与应用…………………………………………孙子杰 国晨 冯巨龙 等 1 47电磁混响室的辐射发射快速校准法…………………………………………………………………朱赛 马岚 李焕然 等 2 51ETSI EN 301893 V2.1.1中自适应测试方法及要点……………………………………………刘军鹰 牟芳氐 林奕翔 等 2 55EMI 滤波器插入损耗的精准测量方案及实验研究……………………………………………………区健昌 周阔 田元波 3 45耐尖峰电压测试比较分析及源内阻变换应用…………付喆 3 52手机无线充电状态下的电磁辐射测量方法探讨……………………………………………………林军 赵竞 林晓军 等 4 43电子设备抗强射频干扰门限确定方法研究……………………………………………………………谢大刚 阮鹏 陈旗 4 48传导骚扰测试中的波形重建…………………………………………………………………………邱傅杰 马士平* 吴瑞豪 5 46车辆电驱动总成系统级的EMC 测试研究…………………………………………………………王云 柳海明 张广玉 等 5 52浪涌防护电路方案的设计与验证…………张本军 徐加征 6 27防强电磁冲击的某舰炮武器EMC 设计与测试……………………………………………………徐保成 林福昌 姚忠 等 6 31工程师日志EMC 测试中EUT 启动异常问题及对策……………朱文立 1 52EMI 滤波设计如何从“试错”到“精准”……………王蓉 2 60整车电磁兼容精益验证方案……………………………马谦 3 58汽车USB 播放系统的抗干扰优化………王建磊 温剑喜 4 53锂离子电池检测实验室认可评审要点………………………………………………………………何鹏林 王晓冬 王黎雯 5 56实物标准——电子电器行业的标准样品浅谈……………………………………………………………………彭强 宫赤霄 6 74认证与标志FCC 认证中的9 kHz~30 MHz 低频磁场辐射解决方案…………………………………………………………何勇 黄开平 1 555G 手机电磁辐射检测认证与探讨……………………………………………………………………林军 林浩 邹方竹 等 3 41新型与传统SAR 测试系统性能对比分析…………………………………………………………………李菁 林浩 訾晓刚 4 24无线通信设备与助听器兼容性认证及测试…………甘悦名 4 29标准EN 61000-3-2:2019对CE 认证的照明设备谐波测试的影响……………………………黄浩 张娴 刘成 等 5 245G 终端FR1射频测试规范解析……………………陈少建 5 29照明设备认证之谐波电流检测实例分析………………林为 6 71电磁干扰抑制技术海洋平台大功率整流电源电磁兼容整改分析…………………………………………………………李鹏 李锐 宋博 等 1 59USB 3.0接口电路的EMC 和安全设计……………徐加征 1 62 电磁炉ESD 测试失效整改实例…………………………………………………………………万今明 廖常浩 吴洪清 等 3 61期 页《安全与电磁兼容》2020年总目录（总第162~167期）期 页期 页电动汽车特征发射频率EMI的排查及优化措施…………………………………………………王志远 高新杰 张兆龙 3 65汽车雷达误报警整改分析及整车EMC正向设计………………………………………………张高杰 李腾飞 楚艳钢 等 4 55服务机器人ESD抗扰度测试整改实例………柳龙 邢琳 4 59全自动内窥镜清洗消毒机电磁发射分析与整改…………………………………………………陈婷 宋盟春 余华通 等 4 65某数据终端机RE102辐射发射超标的排查与整改……………………………………………………阮鹏 谢大刚 陈旗 5 59某型飞机吊舱控制信号异常分析与整改………………杨武 5 65电动汽车DC-DC控制器传导骚扰分析与整改………………………………………………刘方磊 丁亚平 陈俊玲 等 6 43某型天线倒伏装置的RE102项目整改及验证……………………………………………………罗辉生 阮鹏 杜跃旭 等 6 47 LED显示设备电源线传导敏感度问题及解决方法…………………………………………………………………龙余 刘超 6 51 EMC材料应用HDMI线结构对多媒体设备电磁辐射的影响……………………………………………………………杨楠 刘静 刘颖 等 1 66结构/屏蔽一体化复合材料研究现状及发展趋势…………………………………………………王东红 张泽奎 张晗 等 2 85 ETC试验箱中透波材料性能影响因素的研究……………………………………………………柳海明 蒋莉 邱振宇 等 3 91宽频电磁屏蔽材料的研究现状…………………………………………………………………………陈玮君 郑凯 张贵恩 3 95不同复合材料屏蔽效能对比试验研究…………………………………………………………………………石广军 陈雪冰 4 95新型电磁材料在高速数字系统EMI抑制中的应用…………………………………………………胡玉生 胡佳妮 周道龙 5 89强电磁环境下无人机的电磁防护技术…………………………………………………………………王永胜 李伟 郭文卿 5 95 VPX机箱的电磁防护设计及测试整改…………………………………………………………………尤贵 魏露露 周思远 6 55专题研究电动汽车“有意”及“无意”天线电磁干扰案例解析……………………………………………王志远 高新杰 周炳峰 1 70电子设备安全性评定的关键要素………………………………………………………………………周晨 何鹏林 刘云柱 1 75单值-移动极差质控图在EMC中的应用…………………………………………………………………孙正捷 陈维 王聪 2 64质量控制图在电器安全检测中的应用分析……………朱满 2 69脉冲磁场抗扰度试验系统校准及不确定度评定………………………………………………………胡申 李 平 宋昊 等 3 71面向整车研发的电磁兼容数据库建设……………………………………………………………冯玉明 高世萍 徐跃 等 3 76 HIRF环境下航空电子模块场线耦合分析……………………………………………………………胡超 刘烨树 冯罡 等 4 71磁场辐射环线圈系数的计算方法……………………………………………………………………范晓雷 余肖莹 马欣 4 76基于V2X的ADAS室内电磁抗扰性测评研究……………………………………………………秦孔建 范岩 姜国凯 等 5 69上合青岛峰会核心区雷电环境分析………………………………………………………………宋琳 庞华基 唐巧玲 5 75“骚扰相似度”评价无源滤波器件的抑制能力………………………………………………………………叶畅 付君 朱赛 6 77 EMC辐射抗扰度测量不确定度的评定方法…………………………………………………………陈亚亮 刘芳 丁勇 等 6 83智能网联汽车频率共存性问题初探………………………………………………………………张旭 钱肇钧* 丁一夫 等 6 87电磁仿真基于SIwave的设备级辐射发射仿真分析………………………………………………………………刘恩博 薄元窈 王媛 1 79车载天线射频系统电磁干扰的仿真与抑制………………………………………………………信长安 王钦玉 王媛 等 1 85基于矩量法的电磁仿真存储空间需求研究………………………………………………………冯玉明 高世萍 徐跃 等 2 74 5G天线对典型强电磁脉冲响应的对比分析…………………………………………………………付强 郭太强 陈昆 等 2 80航空发动机电子控制器电磁耦合的防护仿真研究……………………………………………郭文卿 丁祎明 王保国 等 3 83车载4G天线的辐射性能仿真……………………………………………………………………王福坚 谢佶宏 练朝春 等 3 87控制板PCB耦合电路串扰仿真分析与实测……………………………………………………于洪涛 史欧阳 方小斌 等 4 82微波等离子体反应器的设计与仿真………………………………………………………………卫博 郭海霞 丁叁叁 等 4 87航空电子模块孔缝耦合的屏蔽效能分析………………………………………………………潘加明 彭泽清 薛宝玥 等 5 79汽车控制器电源防负压馈入电路的设计……………………………………………………………张伟锋 陈超 辛聪 等 5 84混响室“Z”型搅拌器的设计优化…………………………………………………………………李可 魏兴昌 宋立军 等 6 61电源与地平面间谐振电压噪声和阻抗特性仿真……………………………………………………高成 寇震梦* 黄姣英 6 65产品介绍 BS EN 55035:2017中的高斯白噪声波形实现方法…………………………………………………牟芳氐 林奕翔 刘军鹰 1 89适用于RTCA/DO-160G的感应尖峰信号发生器…………………………………………………………………………杨小军 2 91沿屏蔽高压电源线的电瞬态传导抗扰测试系统…………………………………………………侯帅 丁一夫 张登雨 等 3 98系统级电磁兼容测试用测功机适用性验证……………………………………………………张广玉 马明宇 柳海明 等 4 99用于EMI测试的梳状源设计………………………………………………………………………王雪 史锁兰 熊宇飞 等 5 101大功率电机RE测试用高速穿墙屏蔽轴的研制……傅诺毅 6 97电磁辐射干扰诊断的近场测试方法及应用……………………………………………………………………董荻莎 许明明 6 103论文撷英2019 APEMC 国际学术研讨会——最佳文章(三)…………1 95 2019 APEMC 国际学术研讨会——最佳文章(四)…………2 97 2019 IEEE EMC ＆ SIPI 国际会议——获奖文章……………3 103 2019 IEEE EMC ＆ SIPI 国际会议——提名文章(一)………4 103 2019 IEEE EMC ＆ SIPI 国际会议——提名文章(二)………5 105 2019 IEEE EMC ＆ SIPI 国际会议——提名文章(三)………6 92实验室之窗华东地区汽车技术综合服务平台 ——广家院威凯(上海)检测技术有限公司汽车电磁兼容实验室……………………………………………………………1 99潜心科研、服务社会、培养人才 ——东南大学电磁环境效应研究中心………………………2 102安全检测助推电子产品行业健康发展 ——中国电子技术标准化研究院安全实验室………………3 109北京蓝天弘高计量检测有限公司EMC中心…………………4 107国家城市轨道交通建设工程产品质量监督检验中心…………5 111军民两用电磁兼容测试平台 ——西安苏试广博电磁兼容实验室…………………………6 107。
兼顾经济性和鲁棒性的配电网分布式储能MPC协调控制方法
肖健夫（１９８７—），男，工程师，主要从事综合能源与储能技术研究与应用。
张 亮（１９８４—），男，工程师，主要从事新能源动力工程和储能技术研究。
黄 娟（１９８１—），女，工程师，主要从事电网储能与新能源应用技术研究。
基金项目：山西省重点研发计划项目（２０１９０３Ｄ１２１０２２）兼顾经济性和鲁棒性的配电网分布式储能ＭＰＣ协调控制方法肖健夫１， 张 亮１， 黄 娟１， 黄 斌１， 肖 浩２（１．深圳市欣旺达综合能源服务有限公司，广东深圳 ５１８１０８；２．中国科学院电工研究所，北京 １００１９０）摘 要：针对配电网中分布式储能（ＤＥＳＳ）的协调优化控制问题，提出了一种兼顾经济性和鲁棒性的ＤＥＳＳ两阶段模型预测协调控制（ＭＰＣ）方法。
在日前阶段，采用雨流计数法量化评估储能使用寿命，同时详细考虑源荷随机性，制定ＤＥＳＳ日前经济运行基准计划。
在日内阶段，基于电压灵敏度矩阵，构建基于状态空间的分布式储能ＭＰＣ协调控制模型，尽量跟踪日前经济性计划，同时通过ＭＰＣ超前优化和滚动控制，有效平抑源荷短时功率波动。
改造后的ＩＥＥＥ３３节点算例分析表明：相比传统潮流断面控制方案，所提方法能降低ＤＥＳＳ荷电状态跟踪误差和系统节点电压偏差降幅分别达２８．４％和３９．２％。
关键词：配电网；分布式储能；模型预测控制；鲁棒优化中图分类号：ＴＭ７３ 文献标志码：Ａ 文章编号：２０９５ ８１８８（２０２２）０５ ００５５ １０ＤＯＩ：１０．１６６２８／ｊ．ｃｎｋｉ．２０９５ ８１８８．２０２２．０５．００９ＤｉｓｔｒｉｂｕｔｅｄＥｎｅｒｇｙＳｔｏｒａｇｅＭＰＣＣｏｏｒｄｉｎａｔｅｄＣｏｎｔｒｏｌＭｅｔｈｏｄｆｏｒＤｉｓｔｒｉｂｕｔｉｏｎＮｅｔｗｏｒｋＣｏｎｓｉｄｅｒｉｎｇＥｃｏｎｏｍｙａｎｄＲｏｂｕｓｔｎｅｓｓＸＩＡＯＪｉａｎｆｕ１， ＺＨＡＮＧＬｉａｎｇ１， ＨＵＡＮＧＪｕａｎ１， ＨＵＡＮＧＢｉｎ１， ＸＩＡＯＨａｏ２（１．ＳｕｎｗｏｄａＥｌｅｃｔｒｏｎｉｃＣｏ．，Ｌｔｄ．，Ｓｈｅｎｚｈｅｎ５１８１０８，Ｃｈｉｎａ；２．ＩｎｓｔｉｔｕｔｅｏｆＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＣｈｉｎｅｓｅＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓ，Ｂｅｉｊｉｎｇ１００１９０，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇａｔｔｈｅｃｏｏｒｄｉｎａｔｅｄｏｐｔｉｍａｌｃｏｎｔｒｏｌｐｒｏｂｌｅｍｏｆｔｈｅｄｉｓｔｒｉｂｕｔｅｄｅｎｅｒｇｙｓｔｏｒａｇｅ（ＤＥＳＳ）ｉｎｄｉｓｔｒｉｂｕｔｉｏｎｎｅｔｗｏｒｋ，ａｔｗｏ ｓｔａｇｅｍｏｄｅｌｐｒｅｄｉｃｔｉｖｅｃｏｏｒｄｉｎａｔｅｄｃｏｎｔｒｏｌ（ＭＰＣ）ｍｅｔｈｏｄｆｏｒｔｈｅｄｉｓｔｒｉｂｕｔｅｄｅｎｅｒｇｙｓｔｏｒａｇｅｉｎｄｉｓｔｒｉｂｕｔｉｏｎｎｅｔｗｏｒｋｃｏｎｓｉｄｅｒｉｎｇｅｃｏｎｏｍｙａｎｄｒｏｂｕｓｔｎｅｓｓｉｓｐｒｏｐｏｓｅｄ．Ｉｎｔｈｅｄａｙ ａｈｅａｄｓｔａｇｅ，ｔｈｅｒａｉｎｆｌｏｗｃａｌｃｕｌａｔｉｏｎｍｅｔｈｏｄｉｓｕｓｅｄｔｏｑｕａｎｔｉｔａｔｉｖｅｌｙｅｖａｌｕａｔｅｔｈｅｌｉｆｅｏｆＤＥＳＳ，ａｎｄｔｈｅｒａｎｄｏｍｎｅｓｓｏｆｔｈｅｒｅｎｅｗａｂｌｅｅｎｅｒｇｙａｎｄｔｈｅｌｏａｄｐｏｗｅｒｉｓｃｏｎｓｉｄｅｒｅｄｉｎｄｅｔａｉｌｔｏｆｏｒｍｕｌａｔｅ，ｔｈｅｄａｙ ａｈｅａｄｅｃｏｎｏｍｉｃｏｐｅｒａｔｉｏｎｂｅｎｃｈｍａｒｋｐｌａｎｏｆＤＥＳＳ．Ｉｎｔｈｅｉｎｔｒａ ｄａｙｓｔａｇｅ，ｂａｓｅｄｏｎｔｈｅｖｏｌｔａｇｅｓｅｎｓｉｔｉｖｉｔｙｍａｔｒｉｘ，ｔｈｅＭＰＣｃｏｏｒｄｉｎａｔｅｄｃｏｎｔｒｏｌｍｏｄｅｌｏｆＤＥＳＳｂａｓｅｄｏｎｓｔａｔｅｓｐａｃｅｉｓｃｏｎｓｔｒｕｃｔｅｄ，ａｎｄｔｈｅａｄｖａｎｃｅｄｏｐｔｉｍｉｚａｔｉｏｎｒｅｇｕｌａｔｉｏｎａｎｄｔｈｅｒｏｌｌｉｎｇｃｏｎｔｒｏｌａｒｅｉｍｐｌｅｍｅｎｔｅｄｆｏｒｅａｃｈＤＥＳＳ，ｗｈｉｃｈｅｎｓｕｒｅｔｈｅｔｒａｃｋｉｎｇｏｆｔｈｅｅｃｏｎｏｍｉｃｏｐｔｉｍｉｚａｔｉｏｎｐｌａｎｏｆｅａｃｈＤＥＳＳ，ｔｈｅｖｏｌｔａｇｅｆｌｕｃｔｕａｔｉｏｎｃａｕｓｅｄｂｙｔｈｅｓｈｏｒｔ ｔｅｒｍｌｏａｄｐｏｗｅｒ．ＴｈｅｔｅｓｔｃａｓｅａｎａｌｙｓｉｓｏｎｔｈｅｍｏｄｉｆｉｅｄＩＥＥＥ３３ｎｏｄｅｓｈｏｗｔｈａｔｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｔｒａｄｉｔｉｏｎａｌｐｏｗｅｒｆｌｏｗｓｅｃｔｉｏｎｃｏｎｔｒｏｌｓｃｈｅｍｅ，ｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｃａｎｒｅｄｕｃｅｔｈｅＳＯＣｔｒａｃｋｉｎｇｃｏｎｔｒｏｌｅｒｒｏｒａｎｄｎｏｄｅｖｏｌｔａｇｅｄｅｖｉａｔｉｏｎｂｙ２８．４％ａｎｄ３９．２％ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｋｅｙｗｏｒｄｓ：ｄｉｓｔｒｉｂｕｔｅｄｎｅｔｗｏｒｋ；ｄｉｓｔｒｉｂｕｔｉｏｎｅｎｅｒｇｙｓｔｏｒａｇｅ；ｍｏｄｅｌｐｒｅｄｉｃｔｉｖｅｃｏｎｔｒｏｌ；ｒｏｂｕｓｔｏｐｔｉｍｉｚａｔｉｏｎ—５５—０ 引 言随着“双碳”战略发展目标的推进，整县光伏、光伏扶贫等政策的推广实施，配电网中分布式可再生能源的接入将迎来新一轮的快速增长期，在可再生能源资源丰富的局部地区，分布式可再生能源渗透率将达到并超过８０％，这对于配电网的安全、稳定运行带来新的严峻挑战［１ ３］。
常用通信术语缩写解析
缩写中文全称英文全称2G 第二代移动通信系统Second Generation of Wireless Communications Systems 3G 第三代移动通信系统 Third Generation of Wireless Communications Systems 3G-MSC 第三代移动交换中心3G Mobile Switch Center3GPP 第三代合作项目3G Partnership Project3G-SGSN 第三代服务GPRS节点3G Service GPRS NodeA/D 模数转换Analog-to-DigitalAAA 认证、鉴权和计费Authentication、Authorization and AccountingAB 地址总线Address BusABB 模拟基带Anolog BasebandAC 天线校准Antenna CalibrationAC 交流电Alternating CurrentACLR 邻道泄漏比Adjacent Channel Leakage RatioACPR 邻道功率比Adjacent-Channel Power RatioACS 邻道选择性Adjacent Channel SelectivityADC 模数转换器Analog-to-Digital ConverterADI 美国模拟器件公司Analog Devices InstrumentsAEP 有源方向图法Active Element PatternAFC 自动频率控制Auto Frequency ControlAFMS来音频信号AFPCB 音频电路板AGC 自动增益控制Automatic Gain ControlA-GPS 辅助全球定位系统AHB Advanced High Performance BusALC自动电平控制Automatic Level ControlALEV自动电平ALPS 高级线性规划系统Advanced Linear Programming System ALPS 相关逻辑并行运算系统Associative Logic Parallel System AMP放大器AMPS 先进移动电话业务Advanced Mobile Phone Service AMR Adaptive Multi-rate CodecAM-SAP 确认业务接入点ANT天线ANT/SW 天线开关AOA 到达的角度APC自动功率控制API Application Program InterfaceAPI 应用编程接口Application Programming InterfaceARFCH 绝对信道号ARQ 自动请求重发ASIC 专用集成电路Application Specific Integrated Circuit ASIC专用接口集成电路ASK amplifier shift keyingASM Antenna Switch ModuleASP application service providerAST-DET 饱和度检测ATM asynchronous transfer modeATM 异步转移模式ATMS到移动台音频信号ATPC 自动发送功率控制Automatic Transmit Power Control AUC 身份鉴定中心AUX 辅助数据通道Auxiliary Data ChannelAWGN additive white Gaussian noiseBAI Baseband and Audio InterfaceBAP 基带模拟处理器BB 基带BasebandBCCH 广播控制信道BCFE 广播控制功能实体BCH 广播信道Broadcast ChannelBER 误码率Bit Error RateBH 接力切换Baton HandoverBIAS-PA 功放信置BIAS-PD 推动偏置BIC 总线接口BLIGHT 背景灯BMC 广播/多播控制BPSK 二进制相移键控binary phase shift keying BS 基站Base StationBSC 基站控制器Base Site ControllerBT 高斯滤波器带宽与比特率之比BTS 基站收发器base transceiver stationBUZZ 蜂鸣器C/I 载干比CA 码分配CAI 公共空间接口CAMEL 移动网定制应用增强逻辑CBCH 小区广播信道CC 呼叫控制CCBS 用户忙呼叫完成CCH 公共传输信道Common Transport ChannelsCCITT 国际电话与电报咨询委员会International Telephone and Telegraph consultative committeeCCPCH 公共控制物理信道CCRR co-channel rejection ratioCCTrCH 编码复用传输信道Coded Composite Transport ChannelCDMA 码分多址code-division multiple accessCDPD Cellular Digital Packet DataCEPT 欧洲邮电管理委员会CG 计费网管Change Gate WayCIR 允许的信息速率Committed Information RateCM 连接管理模块CM 交叉调制Cross ModulationCMD California Micro DevicesCMM 控制管理维护模块CMOS 互补金属氧化物半导体complementary metal-oxide semiconductor CMRR common-mode rejection ratioCN 核心网子系统CNAP 主叫名显示CODEC 编码器/解码器COFDM 编码正交频分复用Code Or-thogonal Frequency Division Multiplexing CORBA Common Object Request Broker ArchitectureCPCH 公共物理信道CPLD 复杂可编程逻辑设备Complex Programmable Logical DeviceCQI 信道质量指示Channel Quality IndicatorCRC 循环冗余校验CTCH 公共业务信道CW 连续波continuous waveCWDM 粗波分复用Coarse Wavelength Division MultiplexingCWTS 中国无线通信标准Chinese Wireless Telecommunication StandardsDAB 数字音频广播Digital Audio BroadcastingDAI 数字音频接口Digital Audio InterfaceDARPA 美国国防部高级研究计划署DCA 动态信道分配技术Dynamic Channel AllocationDCCH 专用控制信道DCH 专用传输信道Dedicated Transport ChannelsDCIN 外接电源输入DCS distributed communications system or digital cellular system DCS1800 Digital Cellular System at 1800MHzDCU 数据计算单元Data Computation UnitDDC 数字下变频DDS 直接数字频率合成技术Dirrect Digital SynthesisDEC 网络范围内的数据保密性机制DECODER 解码器DECT 数字增强无绳通信系统digital European cordless telephone DEM 解调DemodulationDEMUX 分接DeMutiplexDF 抽取滤波器Decimation FilterDF 判决反馈Decision FeedbackDFMEA Design Failure Mode Effect and AnalysisDFMS 来数据信号DIF 数字中频DIO DSP I/O intercore blockDM 双模Dual ModelsDMA Direct Memory AccessDMAC DMA ControllerDOA 到达的方向Direction Of ArrivalDPCH 专用物理信道DPT 动态分组传输技术Dynamic Packet Transport DRA 动态资源分配Dynamic Resource Allocation DRNC 漂移无线网络控制器DRNS 漂移无线网络子系统DRP 数字射频DSCH 下行共享信道Downlink Shared Channel DSP 数字信号处理Digital Signal ProcessorDSS 数字信号处理子系统DSP Subsystem DTCH 专用业务信道DTMS 到数据信号DTV 数字电视Digital TVDUT device under testDVB-C 数字有线节目DVB-S 数字卫星节目DWDM 密集波分复用Dense Wavelength Division MultiplexingDwPTS 下链导引时隙Downlink Pilot Timeslot Physical ChannelEBI 外部总线接口External Bus InterfaceEBMM External Baseband Memory ModuleECC Emergency Call CodeECT 直接呼叫转移EDGE 改进数据率GSM服务Enhanced Data rate for GSM Evolution EEPROM 电擦除可编程只读存储器electrically erasable programmable read-only memoryEER Envelope Eliminaton RestorationEFR Enhanced Full-rate codecE-GSM Extended GSM frequency bandEIR 移动设备识别寄存器Equipment Identify RegisterEMC 电磁适应性electromagnetic compatibilityEMI 电磁接口electromagnetic interferenceEMI 电磁干扰External Memory InterfaceEPROM 电编程只读存贮器ESD 静电漏电Electro-static dischargeETACS 增强的全接入通信系统ETSI 欧洲电信标准委员会European Telecommunications Standards Institute EUIC 增强用户身份保密性EVITA+ 评估验证集成测试应用平台Evaluation Verification Integration Test Application PlatformEVM 矢量幅度误差EWC 增强无线联盟FACCH 快速随路控制信道FACH 前向接入信道Forward Access ChannelFCA 固定信道分配技术FCC 联邦通信委员会federal communications commissionFCH 频率校正信道FDD 频分复用frequency division duplexFEC 前向纠错Forward Error Correction.FEM 前端模块FER 误帧率frame error rateFET 场效应管field-effect transistorFH 跳频Frequency HoppingFHSS 跳频扩频frequency-hopping, spread spectrumFIFO 先进先出first-in, first-outFIR 有限冲激响应finite impulse responseFM 调频Frequency ModulationFN 闪烁噪声Flicker NoiseFPACH 快速物理接入信道FPLMTS 未来公共陆地移动通信系统Future Public Land Mobile Telecom System FSA 全球IC设计委外代工协会Fabless Semiconductor AssociationFSK frequency shift keyingFSM 有限状态机Finite State MachineFTA Final Type ApprovalFTMS Field Trial Mobile StationFU 功能单元Functional UnitGaAs 砷化镓gallium arsenideGaN gallium nitrideGDA Gate Way Design AutomstitionGFSK Gaussian filtered frequency shift keyingGGSN 通用分组无线业务网关支持节点GIF-SYN 双工中频GMM 通用分组无线业务移动性管理GMSC 网关移动交换中心GMSK Gaussian minimum shift keyingGP 保护时隙GPIB general-purpose interface busGPIO 通用输入输出General Purpose Input/OutputGPRS 通用分组无线业务General Packet Radio ServiceGPS 全球定位系统global positioning systemGSM 全球移动通信系统Global System for Mobile communication GTP 通用分组无线业务隧道协议HBT heterojunction bipolar transistorHDB3 三阶高密度双极性码Trinodal high density bipolar code HDR hardware defined radioHDTV 高清晰度电视High-definition TelevisionHEMT high electron mobility transistorHLR 归属用户位置寄存器HLR 归属位置寄存器HOOK 外接免提状态HPA 高功率线性放大器High Power AmplifierHRF 高通滤波器HRPD High Rate Packet DataHSCSD 高速电路交换数据high-speed circuit-switched dataHSDPA 高速下行链路分组接入High Speed Downlink Package Access HS-DSCH 高速下行共享信道High Speed Downlink Shared Channel HS-SCCH 高速下行共享信道的共享信息信道HTTP 超文本传输协议hypertext transfer protocolHW 硬件HardwareIC 干扰抵消(算法Interference CancellationIC 集成电路integrated circuitICD In-Circuit DebuggerICE In-Circuit EmulatorICTRL 供电电流大小控制端IDU 室内单元Indoor UnitIEMF 感应电动势法Induced Electromotive ForceIF 中频intermediate frequencyIIC/I2C Inter-Integrated Circuit (BusIM 互调intermodulationIM IP多媒体IM 相互调制Inter ModulationIMD 互调失真intermodulation distortionIMEI 国际移动设备识别码IM-MGW IP多媒体媒体网关功能IMS IP多媒体核心网子系统IMSI International Mobile Subscriber IdentityIMT-2000国际移动通信—2000 International Mobile Telecommunication for the 21st centuryInGaP indium gallium phosphideInP indium phosphideIOT Inter operability testIP 知识产权Intellectual PropertyIP internet protocolIPTV 互联网协议电视Internet Protocol TelevisionISCP 干扰信号码功率ISDN 综合业务数字网ISI 多径干扰ISM industrial, scientific, and medicalISUP 综合业务数字网用户部分ITS Incompatible Time Sharing SystemITU 国际电信联盟International Telecommunication UnionIWF 互通功能JD 联合检测Joint DetectionJPEG Joint Photographic Expert Group; glossy image compression format JTAG 标准检测访问接口与边界扫描结构LAC 位置区号LAL 位置区域识别码LAN 本地网络Local Area NetworkLCD 液晶显示器Liquid Crystal DisplayLCR 低码片速率Low Chip RateLDMOS laterally diffused metal oxide siliconLDO 低压差线性稳压器Low Drop Out RegulatorLINC Linear Amplification with Nonlinear ComponentsLLC Logical Link ControlLMDS 本地多点分配业务系统Local Multipoint Distribution ServiceLNA 低噪音放大器low-noise amplifierLO 本机振荡器local oscillatorLOG 逻辑LOGKED 锁机LOMC 本地操作维护中心LOS 信号丢失Loss of SignalLPF 低通滤波器low-pass filterLSI large scale integrationLTCC low-temperature co-fired ceramicLTE 本地终端模拟器Local Terminal EmulatorLTP 长期预测器LTPS 低温多晶硅Low Temperature Poly Silicon LVDS 低压差分技术Low Voltage Differential Signaling M&C 监控Monitor and ControlMAC 媒体访问控制(媒体接入层Media Access Control MAC 测量与控制Measurement and ControlMAI 多址干扰MAP 移动应用部分MBOA 多频段OFDM联盟MCC Mobile Country CodeMCP Multi Chip PackageMDM 调制解调MDS multipoint distribution systemsMDU 调制解调单元Modem UnitME Mobile EquipmentMexE 移动执行环境MF 匹配滤波器Matching FilterMGW 媒体网关MIPS Mega Instructions Per SecondMM 移动性功能管理模块MMDS multichannel multipoint distribution serviceMMI 人机界面Man Machine InterfaceMMIC 单片微波集成电路monolithic microwave integrated circuitMMS 多媒体信息服务Multimedia Messaging ServiceMMSE-BLE最小均方误差块均衡Minimum Mean Square Error Block Linear Equalizer MNC Mobile Network CodeMOM 矩量法Method of MomentMOSFET metal-oxide semiconductor field-effect transistorMP3 Audio Player 3 of MPEG 1 and 2MPEG Moving Picture Experts GroupMS 移动台Mobile StationMSC 移动交换中心MSIN 移动台识别码MSK 最小移频键控MSM Mobile Station ModemMTMRA 多发多收天线MTP 消息传输部分MUD 多用户检测Multiuser DetectionMUX 复分接器Multiplexer/DemultiplexerNAM 号码分配模块NAS 非接入层NBAP 节点B应用协议NCO 数控振荡器Numerically Control Oscillator NFR 陷频滤波测试Notch Filter RejectionNMS 网络管理系统Network management system NNMC 全国网管中心NRI 网络资源标识NTC Negative Temperature CoefficientNZIF Near ZIFODB 运营商闭锁业务ODU 数字微波收发信机Outdoor UnitOEM Original equipment ManufacturerOFDM 正交频分复用Orthogonal Frenquency Division MultiplexingOLED 有机发光显示器Organic Light Emitting DisplayOMC 操作管理中心Operation And Management CenterOMT 操作管理终端Operation And Management TerminalONSRQ 免提开关控制OO-VHDL 面向对象的VHDL Object Oriented VHDLOSA 开放业务接入OSR 过采样比Over Sampling RatioOTA 空中下载技术Over The AirOVSF 正交可变扩频因子Orthogonal Variable Spreading Factor OXCO oven controlled crystal oscillatorPA 功率放大器Power AmplifierPAE power added efficiencyPAN 个人接入网Personal Acess NetworkPAR peak-to-average ratioPAS 个人介入系统Personal Acess SystemPC 功率控制Power ControlPCB 印制电路板Printed Circuit BoardPCCH 寻呼控制信道P-CCPCH 主公共控制物理信道PCDE 峰值码域误差Peak Code Domain ErrorPCH 寻呼信道Paging ChannelPCM 脉冲编码调制pulse-code modulationPCN personal communications networkPCS Personal Communication SystemPCU 程序控制单元Program Control UnitPDA Personal Digital AssistantPDATA 并行数据PDC 个人数字蜂窝电话Personal Digital Cellular PDCP 分组数据汇聚协议Package Data Collect Protocol PDH 准同步数字系列Plesiochronous Digital Hierarchy PDP Packet Data ProtocolPDPCH 分组数据物理信道PDSCH 物理下行链路共享信道PECL positive emitter-coupled logicPGA 可编程功率放大器Programmable Gain Amplifier PhCH 物理信道Physical ChannelPHEMT pseudomorphic high-electron-mobility transistor PHS 个人手持电话系统Personal Handy-phone SystemPI 外围设备连接Peripheral InterconnectPICH 寻呼指示信道PIN 个人识别码PIO 并行输入输出Parallel I/OPLL 索相环Phase-Locked LoopPLMN 公共陆地移动网Public Land Mobile NetworkPMIC 电源管理集成电路Power Management Integrated Circuit PMU 功率管理单元Power Management UnitPNMC 省级网管中心PRACH Physical-Random Access ChannelPRBS 伪随机二进制序列Pseudo-random Binary Pulse Sequence PROM 可编程只读存储器PS Philips SemiconductorPSAM 导频符号辅助调制Pilot Symbol Assisted ModulationPSK phase shift keyingPSTN 公用交换电话网Public Switching Telephone NetworkPVC 永久虚电路PVCO voltage-controlled oscillatorPWDM 极化波复用Polarization Wavelength Division Multiplexing PWM 脉宽调制Pulse Width ModulationQAM quadrature amplitude modulationQASK quadrature amplitude shift keyingQoS 服务质量要求Quality of ServiceQPSK 正交相移键控Quadrature Phase Shift KeyingRAB 无线接入承载Radio Access BearerRACH 随机接入信道Random Access ChannelRAM 随机存储器Random Access MemoryRAN 无线接入网RANAP 无线接入网络应用实体RAT Radio Access TechnologyRBER 残余比特误码率Remainder Bit Error RateRBW 中频分辨率带宽RCCC 并行级联分组码RF 射频Radio FrequencyRFADAT 射频频率合成器数据RFAENB 射频频率合成器启动RFCI RAB子码流组合指示RFDRXM 双路射频收模块Radio Frequency Double Receiver Module RFDTXM 双路射频发模块Radio Frequency Double Transmitter Module RFI 射频接口radio frequency interferenceRFIC 射频集成电路radio frequency integrated circuitRFID 射频标签Radio Frequency IdentificationRFTRXU 射频收发信机模块Radio Frequency Transceiver UnitRISC reduced instruction set computingRLC 无线链路控制RLP 无线链路协议RMS Record Management SystemRMS 均方根值RNC 无线网络控制器RNS 无线网络子系统ROM 只读存储器Read Only MemoryRRC 平方根升余弦Root-Raised CosineRRC 无线资源控制RRM 无线资源管理RRM 无线资源管理Radio Resource ManagementRSC 循环系统卷积码Recursive Systematic ConvolutionalRSCP 接收信号码功率 RSL 接收信号电平 Received signal level RSSI 接收信号强度指示 Received signal strength indication RSU 倒换单元 Redundancy Switch Unit RSVP 资源预留协议 RTK Real Time Kernel RTK-E Real Time Kernel, embedded RTT 无线传输技术 RU Resource Unit RX 接收机 Receiver RXIFN 接收中频信号负 RXIFP 接收中频信号正 RXON 接收开 RXVCO 收信压控振荡器 SA 智能天线 Smart Antenna SABP 服务区广播协议 SACCH 慢速随路控制信道 SAP 服务接入点 SAR 电磁波吸收比值 Specific Absorption Rate SAT 饱和度 SAW 地面声波 Surface Acoustic Wave SBDM "Swift" Baseband Digital Module SC 系统控制器 System Controller S-CCPCH 辅助公共控制物理信道 SCDMA 同步码分多址 Synchronous Code Division Multiplexing Access SCH 同步信道 Synchronization Channel SCIF 系统控制器界面 System Controller Interface SCLK 串行时钟 SCM 信号编码调制 signal code modulation SCTP 简单控制传输协议 SD Sigma Delta 调制 Sigma Delta Modulation SDAT 串行数据 SDCCH 快速随路控制信道 SDH 同步数字系列Synchronous Digital Hierarchy SDM 统计复用 Statistical Division Multiplexing SDR 软件定义无线电 Softwaer Defined Radio SDU 业务数据单元 SEMC 安全性管理中心Security Management Center SF 扩频系数 Spreading Factor SFDR 无杂散动态范围Spurs Free Dynamic Range SFN System Frame Number SGSN 支持 GPRS 的功能实体SGW 信令网关 SiGe silicon-germaniumSIM 用户识别模块 Subscriber Identity Module SIP 系统级封装 SIR 信干比Signal Interference Ratio SLIP 串行线路网际协议 Serial Line Internet Protocol SM 会话管理功能模块 SMCP "Swift" Multi-Chip Package Module SMMI "Swift"人机接口界面 "Swift" Man-Machine Interface Module SMOC 调制解调器 SMR specialized mobile radio SMS Short Message Service (Point-to-Point SMSCB Short Message Service Cell Broadcast SMT surface-mount technology or surface-mount toroidal SNDR 信号与噪声畸变比 Signal to Noise- Distorsion Ratio SNMP 简单网络管理协议 Simple network management protocol. SNR 信噪比 signal-to-noise ratio SoC 系统级芯片 SOC 信号操作控制器 Signal Operation Control SoC 片上系统（系统单芯片）System-on-Chip SOIC small-outline integrated circuit SONET synchronous optical network SPDT single-pole double-throw SPI 串行外围接口 Serial Peripheral Interface SRAM 静态随机存储器 SRB 信令无线承载 SRNC 服务无线网络控制 SRNS 服务无线网络子系统 SS 同步偏移控制符号 Synchronization Shift SS 辅助服务 Supplementary Service SSB single side band SSCF 具体业务协调功能 SSCOP 特定业务面向连接协议 SSPA solid state power amplifiers SSPA 固态功率放大器 Solid State Power Amplifier STM SDH 光同步传输模式 SVC 交换虚电路 SW 开关 SWDC 未调整电压 SW-RF 射频开关SYNSTR 频率合成器启动 TACS 全选址通信系统 Total Access Communications System TACS 全接入移动通信系统 TC 测试用例 Test case TCH Traffic Channel TCP transmission control protocolTDD-LCR Time Division Duplex – Low Chip Rate TDK 东京电气化学工业株式会社 Tokyo Dengikagaku Kogyo K.K TDMA time-division multiple access TD-SCDMA 时分同步码分多址技术 Time Division-Synchronous Code Division Multiple Access TE 终端设备 Terminal Equipment TEMP 温度监测 TETRA trans European trunked radio TF 传输格式 Transport Format TFC 传输格式组合 Transport Format Combination TFCI 传输格式组合指示 Transport Format Combination Indicator TFCS 传输格式组合集合 Transport Format Combination Set TFD 薄膜二极管 Thin Film Diode TFI 传输格式显示 Transport Format Indicator TFS 传输格式集合 Transport Format Set THD 总谐波失真 Total Harmonics Distortion TMEM TD-SCDMA Modem Emulation Module TMU Tandem Mailbox Unit TP 测试点 Test Point TPC 传输功率控制 Transmitter Power Control TrBK 传输块 Transport Block TrCH 传输信道 Transport Channel TSG 技术规范部 Technical Specification Group TSM TD-SCDMA System for Mobile communication TSMB Two-Slot Mother Board TTD Test, Trace and Debug (tool TTI 传输时间间隔 Transmission Time Interval TTL transistor — transistor logic TX Transmitter, Transmission TXC 发信控制 Transmitter Control TXCO temperature-compensated crystal oscillator TXVCO 发信压控振荡器 UART Universal Asynchronous Receiver / Transmitter UCA 均匀圆阵 Uniform Circular Array UE 用户终端 User Equipment UHF 超高频 UltraHigh Frequency ULA 均匀直线阵 Uniform Linear Array UM-SAP 非确认业务接入点 UMTS 公用移动电话系统 UniversalMobile Telecommunications Service UpPTS 上行导频时隙 USB 通用串行总线Universal Serial Bus USCH 上行共享信道 Uplink Shared Channel UTRAN 无线网络子系统 UWB 超宽带 Ultra WidebandVBW 视频分辨率带宽 VCXO 压控晶体振荡器 Voltage Control X-tal [Crystal] Oscillator VDSM 超深亚微米 Very Deep Submicron VHDL 高速集成电路硬件描述语言 VHSIC Hardware Description Language VHE 虚拟归属环境 VHSIC 高速集成电路Very High Speed Integrated Circuit VLR 拜访用户位置寄存器 Visiter Location Register VLR 拜访位置寄存器 VOFDM 正交矢量频分复用 Vector Orthogonal Frequency Division Multiplexing VSAT 小孔径终端 very small aperture terminal (satellite service VSB 残余边带 vestigial side band VSWR 电压驻波比 Voltages Standing Wave Ratio WAD 无线广告业务 Wireless AD WAFI Walkthrough and Fagan Inspection WAP 无线应用协议 Wireless Application Protocol WBMP 无线位图Wireless Bitmap WCDMA 宽带码分多址技术 wideband code-division multiple access WD-CP 看门狗脉冲 WIFI 无线相容性认证 Wireless Fidelity WiMAX 全球微波接入互操作性 Worldwide Interoperability for Microwave Access WLAN 无线局域网wireless local area network WMF 白化匹配滤波 White Matching Filter ZF-BLE 迫零块均衡（算法） Zero Forcing Block Linear Equalizer ZIF 零中频 Zero Intermediate Frequency。
数字孪生水网建设应着力解决的几个关键问题
数字孪生水网建设应着力解决的几个关键问题目录一、内容概要 (2)二、数字孪生水网概述 (3)三、关键问题 (4)3.1 感知与传输技术问题 (6)3.2 数据集成与管理问题 (6)3.3 模型构建与仿真优化问题 (7)3.4 网络安全与隐私保护问题 (8)四、解决方案与建议措施 (9)4.1 加强感知与传输技术的研发和应用 (10)4.2 提升数据集成与管理水平 (11)4.3 优化模型构建与仿真流程 (13)4.4 加强网络安全防护和隐私保护机制建设 (13)五、实施步骤与路径选择 (15)5.1 制定详细实施方案和时间表 (16)5.2 确定关键技术路径和优先级排序 (17)5.3 加强产学研合作，共同推进项目实施 (18)六、预期效果与风险评估 (19)6.1 预期效果分析 (21)6.2 风险评估与应对措施 (22)七、结论与展望 (24)7.1 研究结论总结 (25)7.2 未来研究方向和展望 (26)一、内容概要随着全球气候变化和水资源短缺问题日益严重，数字孪生水网建设作为一种创新的解决方案，正逐渐受到各国政府和企业的关注。
数字孪生水网通过实时监测、数据分析和智能控制，实现水资源的高效利用和管理。
在实际推进过程中，数字孪生水网建设面临着诸多挑战和关键问题。
本文将对数字孪生水网建设应着力解决的几个关键问题进行探讨，以期为相关领域的研究和实践提供参考。
数字孪生水网建设需要解决的数据采集和传输问题，由于水网涉及众多复杂的设备和系统，如何实现对这些设备的实时、准确的数据采集成为一大挑战。
数据传输的安全性和稳定性也是需要重点关注的问题。
数字孪生水网建设需要解决的模型构建和仿真技术问题，如何构建逼真的数字孪生水网模型，以及如何利用先进的仿真技术对水网运行进行有效模拟，是提高数字孪生水网决策能力和优化运行效果的关键。
数字孪生水网建设需要解决的智能控制和优化调度问题，通过对水网数据的实时分析，实现对水网运行状态的智能监控和预测，进而实现对水网的精细化调度和管理。
网络中基于单向函数密钥链的广播认证协议
入 八
／＼／＼／＼／＼
／”＼
让．
｝
｝
图１
Ｓ、
≯
Ｉ
ｓｔ
≯
｝
ｓｌ
≯
｝
Ｓ‘
≯
｝
ｓｓ
≯ ｝≯ Ｉ
ｓ‘ ｓ１
≯
ｆ
Ｓｔ
利用Ｍｅｒｔｄｅ树进行广播认证协议初始化参数的发布
２．２认证的基本过程 较早的也是最主要的基于单向函数密钥链的广播认证协 议是由Ｐｅｒｒｉｇ等人提出的ＴＥＳＬＡＨｌ协议，主要针对移动自组 网（Ｍｏｂｉｌｅ
农耕等。其中一些应用，如战场侦察，森林火险监测，对无线
传感器网络的安全性提出了要求。 无线传感器网络与有线网络在安全性要求上基本一致， 需要报文的保密性、数据完整性，节点和报文的可认证性，节 点的不可否认性，网络的可用性等。由于无线传感器网络的 节点能源受限（通常采用普通电池作为能源），能力受限（处 理器主频较低，内存较小，可传输的距离较小），以及节点之 间无线通信的特性，基于无线传感器网络的安全设计难以采 用有线网络中成熟的安全方案，而必须结合传感器网络的节 点能力，通信特性及应用特征进行综合设计。例如无线通信 的方式使得攻击者很容易在无线传感器网络中插入有害报文 或更改有效报文，为确保节点收到的报文不是恶意节点所发 且在传输过程中未被替换或篡改，必须引入认证的安全机制。 认证技术按照报文的传输特性可分为点对点认证和广播
Ａｄ ｈｏｃ
是用于表示一组数据是否属于一个集合的可高效利用存储空
ｆｉｌｔｅｒ
ＮＥＴｗｏｒｋ，ＭＡＮＥＴ）。后由其针对无线传感
是一个ｍ位的向量ｙ，初始每位为０。选择互相独立的ｋ个哈 希函数ｈ。，…ｈ。，并且其哈希值范围为０到ｍ—ｌ。用这ｋ个哈 希函数对每个集合｜ｓ中的元素进行哈希运算，将结果对应向 量ｙ上的位置为１，这样就完成了ｂｌｏｏｍ ｆｉｌｔｅｒ的设置。对某个 给定值聋，要判断其是否属于集合．ｓ，可用选定的ｋ个哈希函数 对石进行哈希运算，并检查其结果对应的向量ｙ上的位是否 都为ｌ。若全部为ｌ，则认为戈属于集合ｓ；若存在某位为０，则算 必然不属于集合Ｓ。由于不同的元素值可能将向量ｙ上同一 位置为１，因此ｂｌｏｏｍ ｆｉｌｔｅｒ技术可能将不属于集合ｓ的元素判 定为属于它，这种可能性的概率约为（１一ｅ－“”）‘。 Ｒｅｎ等在文献［２］中将每个节点的初始化参数组成集合 ｓ，为减小错误判断的概率，设定ｍ＞ｋｎ。设每个初始化参数 的大小为Ｌ位，则利用ｂｌｏｏｍ ｆｉｌｔｅｒ技术可将预置参数的存储 空间降低到原来的ｍ／Ｌｎ，因此ｂｌｏｏｍ ｆｉｌｔｅｒ技术的有效性建立 在初始化参数较大（即Ｌ＞ｋ）的情况下，且随着网络中节点 数的增多，也存在可扩展性问题。 在文献［３］中，ｕｕ等提出通过建立如图１所示的Ｍｅｒｋｌｅ 树来完成初始化参数的发布。假设一个传感器网络应用中需 要ｍ个广播认证实例，为方便起见，假设ｍ＝２。，（ｋ为整数， 如图ｌ中ｋ为３）。在传感器撒布出去之前，由中心服务器先 计算出ｍ个广播实例所需的初始化参数。假设第ｉ个实例的 初始化参数为Ｓ；，Ｆ为单向哈希函数，则计算Ｋ＝Ｆ（Ｓ；），
210975093_基于缓存结构的民机实时QAR数据译码方法
段'全过程分析 的 必 不 可 少 的 环 节! 相 关 技 术 研 究 和 程 序 航产业智慧飞行'智慧运营的重要基 础 保障$+1+-年0月!
开发具有重要意义和价值$
民航局正式发布 0中 国 民 航 新 一 代 航 空 宽 带 通 信 技 术 路 线
文献 ,3 -1- 提 出 了 基 于 UPZ 网 络 的 实 时 数 据 的 应 用方案!包括 机 舱 音 视 频 实 时 监 控'客 舱 无 线 网 络'GUT 数据实时译码与监控等模块!但其中 GUT 译 码 并 没 有进针 对实时数据的特性进行专门优化$本文提出基于缓存数据
F" 引 言
目前 的 民 机 航 线 数 据 分 析! 航 中 阶 段 数 据 主 要 为 UNUT"报文 ! ,-- 虽然具有实 时 性! 但 带 宽 低' 费 用 高' 可 供分析数据有限+航后阶段 数据主 要 为 GUT (cD%8;A88F77 $F8)$JF$) 数 据!GUT 数 据 采 集 参 数 丰 富' 采 样 频 率 高! 能较好满足数据分析的需求$航后 GUT 数据 一 般 待 飞机落 地'发动机关车后!通过地面蜂窝基站或 X%I%热点 将 GUT 数据下传至 航 空 公 司 以 及 飞 机 主 制 造 商 的 服 务 器 上 $ ,+- 航 后数据分析延迟较大!难以用于部署实时性要求较高的分 析模型$受限于通信链路带宽限制!基于飞行过程中实时 数据的分析尚未普及$
基于缓存结构的民机实时 456 数据译码方法
马"驰- 乔"添- 王"潇- 袭"奇+ 王"婧+ 张怡丰+
基于改进YOLOv5s的烟火轻型检测算法
基于改进YOLOv5s的烟火轻型检测算法目录一、内容概述 (3)1. 研究背景及意义 (3)2. 国内外研究现状 (4)3. 研究目的与任务 (6)二、YOLOv5s算法概述 (7)1. YOLOv5s算法基本原理 (8)2. YOLOv5s算法特点 (9)3. YOLOv5s算法应用现状 (9)三、烟火轻型检测算法改进思路 (11)1. 改进动机与目标 (12)2. 改进方案设计 (13)3. 关键技术实现 (14)3.1 烟火特征提取优化 (15)3.2 检测模型性能提升策略 (17)3.3 轻量化设计思路与实施 (18)四、基于改进YOLOv5s的烟火轻型检测算法实现 (19)1. 数据集准备与处理 (20)2. 模型训练与测试 (21)3. 算法性能评估 (23)4. 实验结果分析 (24)五、算法优化与性能提升 (25)1. 模型参数优化 (27)2. 运算速度优化 (27)3. 检测精度提升 (28)4. 泛化能力提升 (29)六、系统设计与实现 (30)1. 系统架构设计 (31)2. 系统功能模块划分 (32)3. 界面设计 (33)4. 系统测试与评估 (34)七、实际应用与案例分析 (35)1. 应用场景介绍 (37)2. 实际应用效果展示 (38)3. 案例分析 (38)八、总结与展望 (40)1. 研究成果总结 (40)2. 研究局限性分析 (41)3. 未来研究方向与展望 (42)一、内容概述本文档旨在阐述基于改进YOLOv5s的烟火轻型检测算法的相关内容。
在当前背景下，烟火检测在多个领域具有广泛的应用价值，如公共安全、环境保护等。
针对烟火检测的需求和挑战，我们提出了一种基于改进YOLOv5s的轻型检测算法，旨在提高烟火检测的准确性和实时性。
本文将详细介绍改进YOLOv5s算法的核心内容，包括算法的设计思路、关键技术、实现方法和优化手段等。
通过对YOLOv5s算法进行改进和优化，使其在保证高精度的同时，降低模型复杂度和计算成本，从而满足轻型化的需求。
基于国密SM2算法的广播加密方案的设计与
或破坏。
保证广播消息的可认证性
03
设计方案应对广播消息进行身份认证，确保消息的发送者和接
收者身份真实可靠。
基于SM2算法的加密方案设计
SM2算法介绍
加密方案架构
基于SM2算法的广播加密方案包括密钥管理中心、 广播发送方和广播接收方三个主要组成部分。
SM2是国家密码管理局提出的基于椭圆曲线 公钥密码体系的国密算法，具有较高的安全 性。
本方案采用国密SM2算法进行加密，这是一种 基于椭圆曲线公钥密码体系的非对称加密算法
数据加密过程
将需要加密的数据通过SM2算法进行加密，生 成密文
3
数据解密过程
持有正确的私钥的用户可以解密该密文，恢复 出原始数据
实现结果与分析
加密效果
经过测试，本方案可以在保证数据安全性 的同时，实现高效的加密和解密过程
方法
采用理论分析和实验验证相结合的方法，对所设计的广播加密方案进行评估。首先，对所采用的关键 技术进行分析和设计；其次，通过实验测试该方案的性能和安全性；最后，对实验结果进行分析和总 结，得出结论。
02
国密SM2算法介绍
SM2算法的数学基础
基于椭圆曲线密码 体制
安全性高
SM2算法是基于椭圆曲线密码 体制的一种加密算法，它利用 了椭圆曲线数学理论中的一些 特性，如费马大定理和椭圆曲 线离散对数问题等，来实现加 密和解密过程。
讨论
虽然该方案在性能方面表现良好，但仍需考 虑在实际应用中可能遇到的问题，如数据安 全、系统稳定性等。未来工作可以进一步优 化算法，提高安全性，同时考虑如何在实际
环境中部署和应用该方案。
06
结论与展望
研究成果总结
实现了基于国密SM2算法的广播加密方案
优化EfficientDet深度学习的车辆检测
优化EfficientDet深度学习的车辆检测作者：陈西江安庆班亚来源：《南京信息工程大学学报》2021年第06期摘要针对深度学习EfficientDet模型的车辆检测性能进行分析，基于训练过程中容易陷入局部最优进行优化改进，构建分阶段自适应的训练模型，利用该训练模型对短距离和远距离车辆进行检测，并将检测结果与基于Cascade R-CNN和CenterNet方法进行比较，从计算复杂度、耗时及检测精度三方面分析显示本文方法优于其他两种方法.同时，对不同角度和不同距离车辆检测结果进行分析，确定了检测的最优距离和角度.最后，通过实例验证了本文方法可以用于大范围车辆的检测.关键词深度学习;EfficientDet;车辆检测;学习率中图分类号TP391.41文献标志码A0 引言随着居民生活水平的不断提高，越来越多的人拥有车辆，而车辆的不断增加也加剧了城市对车辆监控的难度.为了有效地打击违法、违规行为，保障城市安全，城市主要路段都有监控系统[1-2]，以实现对机动车和非机动车等目标的有效监管.车辆检测成为城市车辆智能监控系统中的重要功能.在实际应用中，由于受光照条件、部分遮挡及背景杂乱等环境因素的影响，车辆检测的准确度会受到极大影响.为了提高车辆检测的可靠性及准确度，学者们对其进行了大量的研究.车辆检测方法主要包含基于图像的检测方法和基于深度学习的检测方法.基于图像的检测方法主要是通过车辆图像特征和方向梯度直方图特征来对车辆目标进行检测.例如：文献[3] 使用图像的特征变换进行车辆的分类检测;文献[4] 通过分析车辆图像的边缘特征结合主成分分析法来实现对车辆的检测.基于图像特征的车辆检测方法虽然计算复杂度较低，能够快速地检测车辆，但受环境影响较大，特别是对于车辆有部分遮挡或者光照变化的区域很难对其进行准确检测.因此，文献[5] 通过融合Sobel和Sift特征来对车辆图像特征进行增强处理，并由此实现对车辆的检测;文献[6] 利用Sobel边缘检测对车位中的车辆进行检测，并实现了不同种类车辆的检测得分;文献[7] 使用基于模糊c均值聚类和超参数调优的分类器来实现对车辆的检测，并基于车辆检测结果完成了车辆在某个车位的定位.由于车辆本身的图像具有独特的纹理特征，所以可以根据车辆纹理特征来实现对车辆的检测[8].基于车辆图像纹理特征及车辆边缘特征的车辆检测方法的主要缺点是受光照的影响较大.随着深度学习的不断发展，越来越多的学者开始研究利用深度学习来实现对车辆的检测.文献[9] 利用卷积神经网络对车辆图像进行训练，并将训练后的模型用于车辆检测;文献[10] 提出一种基于Haar-AdaBoosting算法和卷积神经网络的车辆检测方法;文献[11] 提出超区域候选网络，该深度学习检测模型可以实现对较远摄像头拍摄的小车辆进行检测.在检测车辆的过程中，很难保证车辆不被遮挡，为了解决车辆在遮挡情况下能够实现对其检测，文献[12] 将对抗学习引入到RCNN目标检测过程中，提高了车辆检测精度.RCNN算法的优点是检测精度较高，但其检测速度较慢，很难适用于实时视频流车辆检测.为了提高检测效率，文献[13] 引入YOLO系列算法来实现对车辆的检测，该检测网络主要是基于SSD网络，对车辆的检测速度较快，但其精度不是特别高.为了提高检测精度，文献[14] 对SSD网络进行了改进，通过融合级联模块和元素模块来实现高精度的车辆检测，但由于融合了较多的模块，使得检测速度有所下降.目前，深度学习在车辆检测领域得到了学术界的广泛关注[15].因此，本文通过对深度学习EfficientDet模型訓练阶段进行优化，构建分阶段训练模型，实现快速准确的车辆检测.1 车辆检测模型的构建首先利用EfficientDet深度学习模型对车辆进行训练，并用训练好的模型对车辆进行检测.基于深度学习的目标识别网络主要包括Cascade R-CNN[16]、SpineNet[17] 和CenterNet[18] 等.为了验证不同深度学习网络的性能，表1给出了不同识别网络模型的检测性能.表1 中的COCO mAP[^1]是用于衡量检测性能的平均精度，其值越大说明检测性能越好.由表1可以明显看出，EfficientDet系列的深度学习网络模型检测性能最好，其次是Cascade R-CNN_ResNet深度学习网络模型.而EfficientDet系列中检测性能最好的为EfficientDet-D7x网络，该网络的识别精度达到了55.1，其次是EfficientDet-D3.EfficientDet-D7x网络的缺点是复杂度太高，无法实现车辆实时检测.综合考虑，本文选用EfficientDet-D3作为车辆检测网络.为了构建基于EfficientDet-D3优化的车辆检测模型，采集了不同时间段不同场景下的车辆图像数据集，如图1所示.该数据集分为训练数据集和验证数据集.总共7 533张图像，其中，6 387张为训练数据集，1 146张为验证数据集，均通过LabelImg工具进行注释.每张图像生成的注释文件通过Python脚本文件转换为Tensorflow统一的TFRecord数据格式.根据数据集的特点，训练前调整模型对应的配置文件中的参数，包括类别数量、批大小、初始学习率以及相关的数据读取路径.车辆检测模型不受车型的影响，在迭代开始时，选取一部分数据，通过深度学习算法得到预测值.根据数据集大小和计算机配置，首先选择初始训练的批大小，然后根据损失函数值的变化和检测效果进行调整.利用标准梯度下降算法训练车辆检测模型，在模型训练阶段，TensorFlow_Slim 模块提供了简单但很强大的训练模型.在模型训练过程中，损失函数的返回值即为每次迭代过程中产生的目标函数值.另外，检测模型对车辆定位损失和置信度损失之和是衡量预测模型性能的指标.为了调试和优化模型训练过程，TensorFlow提供了一个可视化工具TensorBoard，通过读取记录的数据文件来监控和显示训练过程.批处理的大小越大，内存利用率就越高，处理数据的速度就越快.在训练中，当使用单个NVIDIA GeForce RTX 2080Ti GPU时，本文将批大小设置为16.学习率是影响模型性能最大的参数之一，学习率太大会导致检测不稳定，学习率太小会导致过拟合和收敛速度慢等现象.为了加快模型的收敛速度，本文利用AdamW算法[19] 来优化学习率.在训练阶段，如果连续3个周期损失不下降，学习率就会降低.本文依据总损失值变化情况对车辆检测模型训练阶段学习率参数的变化情况调整，结果如图2所示.根据图2，第1阶段为迭代从0到41 870阶段，初始学习率被设定为1e-3，此时，由图3可明显看到，总损失值较为迅速地递减到0.26，意味着学习率需要调整.第2阶段迭代从41 871 到 54 980，学习率设置为1e-4，由图3可知总损失值降低为0.225，且在其附近趋于平滑.为了确定学习率是否仍然需要优化，第3阶段从59 431次迭代到结束，学习率被降低到1e-6，总损失值仍然没有变化，其值为0.225，并趋于平滑.整个模型训练过程结束，总的训练收敛时间约为37 h，训练得分大于99.5%，总的学习率参数经过3次调整，最终完成深度学习车辆检测模型的构建.2 实验分析1）不同方法比较为了验证本文方法的性能，利用Cascade R-CNN和CenterNet 方法对远近距离车辆进行检测，并将检测结果与本文方法进行比较.表2给出了3种方法对车辆检测时需要使用的参数数量.由表2可以明显看出，本文方法对车辆检测使用的参数数量最少，Cascade R-CNN需要使用的参数数量最多，即该方法的计算复杂度最高，其次是CenterNet模型.利用这3种方法对近距离车辆进行检测，结果如图4所示.由图4可明显看出，3种方法对近距离车辆的检测得分都大于80%，表明都适合该种情况下的车辆检测.其中，本文方法对2辆车的检测得分均为100%，高于其他2种方法.利用3种方法对远距离车辆进行检测，检测得分如图5所示.图5显示：本文方法对3辆车的检测得分均为100%，基于Cascade R-CNN方法对3辆车的检测得分分别为99%、100%和100%，基于CenterNet方法对3辆车的检测得分分别为99%、98%和99%.本文方法的检测得分最高且最稳定.为了评估本文方法和其他2种方法在检测车辆上面的检测效率，得到对车辆检测的时间成本，结果如图6所示.由图6可明显看出，基于Cascade R-CNN检测时间最长，需要140 ms左右，而本文和基于CenterNet方法的检测时间相似，且2种方法只需要耗费32 ms左右，低于基于Cascade R-CNN方法.从检测时间成本上可以看出，本文和基于CenterNet方法较好，但是，基于CenterNet方法需要的参数较多，计算复杂度较高.因此，从检测时间成本、检测精度及复杂度3个方面综合分析，本文方法要优于基于Cascade R-CNN和CenterNet方法.2）不同场景检测比较为了评价本文所构建的深度学习车辆检测模型适用于不同场景下的车辆检测情况，对不同场景下的车辆进行检测，结果如图7所示.车辆的检测得分越高，检测效果越好.由图7可明显看出，3种不同背景下的车辆检测得分均为100%，特别是只有部分车身在图像中显示的情况下，车辆检测得分仍然是100%，表明本文方法对车辆检测效果较好，适用于不同背景下车辆的检测，且能够实现对非完整车辆图像进行检测.3）不同距离车辆检测分析为了验证不同距离对本文方法的影响，选取4个不同距离：8、15、22和30 m，使用训练好的深度学习车辆检测模型对不同距离的车辆进行检测，如图8所示.由图8a可明显看出，在8 m的情况下，4辆车都能被检测到，且检测分数都为100%.摄像头距离车辆15 m的情况下，7辆车检测得分都为100%，如图8b所示.当距离增加到22 m时，检测得分稍微有所降低，其中有1辆车检测得分为98%，剩余6辆为100%，如图8c所示.从以上分析可知，当距离为22 m以内时，本文方法对每辆车的检测得分几乎不受距离的影响.主要原因是本文方法训练模型所使用的车辆距离都超过了22 m.当检测距离增加到30 m时，大部分车辆的检测得分大于93%，如图8d所示.即随着距离的增加，检测效果略有降低.因此，在训练模型时，所使用的车辆数据集的距离最好要大于检测车辆的距离，这样可以保证检测车辆的精度.4）不同角度车辆检测分析为了验证不同角度车辆对检测的影响，本文设置6个不同角度：0°、20°、40°、60°、80°和90°，结果如图9所示.图9a为正对着车辆拍摄，即0°方向，本文方法对所拍摄4辆车均可检测，且检测得分均为100%.图9b显示的是20°的情况，本文方法对5辆车的检测得分分别为100%、100%、100%、100% 及 89%.当角度变为40°时，相邻车辆图像之间存在重叠区域，由图9c覆盖的5辆车中仅有3辆车能够被检测到.图9d显示的是60°的情况，仅有4辆车被检测到，其得分分别为92%、86%、100% 和100%.而从图9e可以看出，12辆车中只有2辆车的检测分数大于90%，其余都无法被检测到.如图9f所示，当角度增加到90°时，几乎所有车辆都无法被检测到.所以，车辆检测效果受角度的影响较大，造成这种现象的可能原因是训练数据集中不包含不同角度的车辆数据集;同时，角度较大时，图像中的相邻车辆间存在着重叠.因此，为了对车辆进行准确检测，应尽量使用正对着拍摄的车辆.3 实例分析利用本文训练好的深度学习车辆检测模型对停车场中的车辆进行检测，其检测后的得分如图10所示.由图10检测结果可知，实现了对拍摄的12个车辆的检测.其中，最高检测得分为100%，最低检测得分为74%，且只有1辆车检测得分低于90%，其余车辆检测得分均高于90%.高于70%的检测得分被认为是有效检测，即本文检测的结果认定这12个检测均为车辆，与实际情况相同，表明本文方法的检测为可靠检测.4 结论本文提出一种基于深度学习的车辆检测方法，建立了基于EfficientDet-D3模型的车辆检测模型.在EfficientDet-D3模型训练阶段，为了提高检测模型的訓练效率，依据总损失值的变化情况，给出分阶段训练学习参数的设定，建立了自适应的模型训练的学习机制.根据图2，第1阶段为迭代从0到41 870阶段，初始学习率被设定为1e-3，此时，由图3可明显看到，总损失值较为迅速地递减到0.26，意味着学习率需要调整.第2阶段迭代从41 871 到 54 980，学习率设置为1e-4，由图3可知总损失值降低为0.225，且在其附近趋于平滑.为了确定学习率是否仍然需要优化，第3阶段从59 431次迭代到结束，学习率被降低到1e-6，总损失值仍然没有变化，其值为0.225，并趋于平滑.整个模型训练过程结束，总的训练收敛时间约为37 h，训练得分大于99.5%，总的学习率参数经过3次调整，最终完成深度学习车辆检测模型的构建.2 实验分析1）不同方法比较为了验证本文方法的性能，利用Cascade R-CNN和CenterNet 方法对远近距离车辆进行检测，并将检测结果与本文方法进行比较.表2给出了3种方法对车辆检测时需要使用的参数数量.由表2可以明显看出，本文方法对车辆检测使用的参数数量最少，Cascade R-CNN需要使用的参数数量最多，即该方法的计算复杂度最高，其次是CenterNet模型.利用这3种方法对近距离车辆进行检测，结果如图4所示.由图4可明显看出，3种方法对近距离车辆的检测得分都大于80%，表明都适合该种情况下的车辆检测.其中，本文方法对2辆车的检测得分均为100%，高于其他2种方法.利用3种方法对远距离车辆进行检测，检测得分如图5所示.图5显示：本文方法对3辆车的检测得分均为100%，基于Cascade R-CNN方法对3辆车的检测得分分别为99%、100%和100%，基于CenterNet方法对3辆车的检测得分分别为99%、98%和99%.本文方法的检测得分最高且最稳定.为了评估本文方法和其他2种方法在检测车辆上面的检测效率，得到对车辆检测的时间成本，结果如图6所示.由图6可明显看出，基于Cascade R-CNN检测时间最长，需要140 ms左右，而本文和基于CenterNet方法的检测时间相似，且2种方法只需要耗费32 ms左右，低于基于Cascade R-CNN方法.从检测时间成本上可以看出，本文和基于CenterNet方法较好，但是，基于CenterNet方法需要的参数较多，计算复杂度较高.因此，从检测时间成本、检测精度及复杂度3个方面综合分析，本文方法要优于基于Cascade R-CNN和CenterNet方法.2）不同场景检测比较为了评价本文所构建的深度学习车辆检测模型适用于不同场景下的车辆检测情况，对不同场景下的车辆进行检测，结果如图7所示.车辆的检测得分越高，检测效果越好.由图7可明显看出，3种不同背景下的车辆检测得分均为100%，特别是只有部分车身在图像中显示的情况下，车辆检测得分仍然是100%，表明本文方法对车辆检测效果较好，适用于不同背景下车辆的检测，且能够实现对非完整车辆图像进行检测.3）不同距离车辆检测分析为了验证不同距离对本文方法的影响，选取4个不同距离：8、15、22和30 m，使用训练好的深度学习车辆检测模型对不同距离的车辆进行检测，如图8所示.由图8a可明显看出，在8 m的情况下，4辆车都能被检测到，且检测分数都为100%.摄像头距离车辆15 m的情况下，7辆车检测得分都为100%，如图8b所示.当距离增加到22 m时，检测得分稍微有所降低，其中有1辆车检测得分为98%，剩余6辆为100%，如图8c所示.从以上分析可知，当距离为22 m以内时，本文方法对每辆车的检测得分几乎不受距离的影响.主要原因是本文方法训练模型所使用的车辆距离都超过了22 m.当检测距离增加到30 m时，大部分车辆的检测得分大于93%，如图8d所示.即随着距离的增加，检测效果略有降低.因此，在训练模型时，所使用的车辆数据集的距离最好要大于检测车辆的距离，这样可以保证检测车辆的精度.4）不同角度车辆检测分析为了验证不同角度车辆对检测的影响，本文设置6个不同角度：0°、20°、40°、60°、80°和90°，结果如图9所示.图9a为正对着车辆拍摄，即0°方向，本文方法对所拍摄4辆车均可检测，且检测得分均为100%.图9b显示的是20°的情况，本文方法对5辆车的检测得分分别为100%、100%、100%、100% 及 89%.当角度变为40°时，相邻车辆图像之间存在重叠区域，由图9c覆盖的5辆车中仅有3辆车能够被检测到.图9d显示的是60°的情况，仅有4辆车被检测到，其得分分别为92%、86%、100% 和100%.而从图9e可以看出，12辆车中只有2辆车的检测分数大于90%，其余都无法被检测到.如图9f所示，当角度增加到90°时，几乎所有车辆都无法被检测到.所以，车辆检测效果受角度的影响较大，造成这种现象的可能原因是训练数据集中不包含不同角度的车辆数据集;同时，角度较大时，图像中的相邻车辆间存在着重叠.因此，为了对车辆进行准确检测，应尽量使用正对着拍摄的车辆.3 实例分析利用本文训练好的深度学习车辆检测模型对停车场中的车辆进行检测，其检测后的得分如图10所示.由图10检测结果可知，实现了对拍摄的12个车辆的检测.其中，最高检测得分为100%，最低检测得分为74%，且只有1辆车检测得分低于90%，其余车辆检测得分均高于90%.高于70%的检测得分被认为是有效检测，即本文檢测的结果认定这12个检测均为车辆，与实际情况相同，表明本文方法的检测为可靠检测.4 结论本文提出一种基于深度学习的车辆检测方法，建立了基于EfficientDet-D3模型的车辆检测模型.在EfficientDet-D3模型训练阶段，为了提高检测模型的训练效率，依据总损失值的变化情况，给出分阶段训练学习参数的设定，建立了自适应的模型训练的学习机制.根据图2，第1阶段为迭代从0到41 870阶段，初始学习率被设定为1e-3，此时，由图3可明显看到，总损失值较为迅速地递减到0.26，意味着学习率需要调整.第2阶段迭代从41 871 到 54 980，学习率设置为1e-4，由图3可知总损失值降低为0.225，且在其附近趋于平滑.为了确定学习率是否仍然需要优化，第3阶段从59 431次迭代到结束，学习率被降低到1e-6，总损失值仍然没有变化，其值为0.225，并趋于平滑.整个模型训练过程结束，总的训练收敛时间约为37 h，训练得分大于99.5%，总的学习率参数经过3次调整，最终完成深度学习车辆检测模型的构建.2 实验分析1）不同方法比较为了验证本文方法的性能，利用Cascade R-CNN和CenterNet 方法对远近距离车辆进行检测，并将检测结果与本文方法进行比较.表2给出了3种方法对车辆检测时需要使用的参数数量.由表2可以明显看出，本文方法对车辆检测使用的参数数量最少，Cascade R-CNN需要使用的参数数量最多，即该方法的计算复杂度最高，其次是CenterNet模型.利用这3种方法对近距离车辆进行检测，结果如图4所示.由图4可明显看出，3种方法对近距离车辆的检测得分都大于80%，表明都适合该种情况下的车辆检测.其中，本文方法对2辆车的检测得分均为100%，高于其他2种方法.利用3种方法对远距离车辆进行检测，检测得分如图5所示.图5显示：本文方法对3辆车的检测得分均为100%，基于Cascade R-CNN方法对3辆车的检测得分分别为99%、100%和100%，基于CenterNet方法对3辆车的检测得分分别为99%、98%和99%.本文方法的检测得分最高且最稳定.为了评估本文方法和其他2种方法在检测车辆上面的检测效率，得到对车辆检测的时间成本，结果如图6所示.由图6可明显看出，基于Cascade R-CNN检测时间最长，需要140 ms左右，而本文和基于CenterNet方法的检测时间相似，且2种方法只需要耗费32 ms左右，低于基于Cascade R-CNN方法.从检测时间成本上可以看出，本文和基于CenterNet方法较好，但是，基于CenterNet方法需要的参数较多，计算复杂度较高.因此，从检测时间成本、检测精度及复杂度3个方面综合分析，本文方法要优于基于Cascade R-CNN和CenterNet方法.2）不同場景检测比较为了评价本文所构建的深度学习车辆检测模型适用于不同场景下的车辆检测情况，对不同场景下的车辆进行检测，结果如图7所示.车辆的检测得分越高，检测效果越好.由图7可明显看出，3种不同背景下的车辆检测得分均为100%，特别是只有部分车身在图像中显示的情况下，车辆检测得分仍然是100%，表明本文方法对车辆检测效果较好，适用于不同背景下车辆的检测，且能够实现对非完整车辆图像进行检测.3）不同距离车辆检测分析为了验证不同距离对本文方法的影响，选取4个不同距离：8、15、22和30 m，使用训练好的深度学习车辆检测模型对不同距离的车辆进行检测，如图8所示.由图8a可明显看出，在8 m的情况下，4辆车都能被检测到，且检测分数都为100%.摄像头距离车辆15 m的情况下，7辆车检测得分都为100%，如图8b所示.当距离增加到22 m时，检测得分稍微有所降低，其中有1辆车检测得分为98%，剩余6辆为100%，如图8c所示.从以上分析可知，当距离为22 m以内时，本文方法对每辆车的检测得分几乎不受距离的影响.主要原因是本文方法训练模型所使用的车辆距离都超过了22 m.当检测距离增加到30 m时，大部分车辆的检测得分大于93%，如图8d所示.即随着距离的增加，检测效果略有降低.因此，在训练模型时，所使用的车辆数据集的距离最好要大于检测车辆的距离，这样可以保证检测车辆的精度.4）不同角度车辆检测分析为了验证不同角度车辆对检测的影响，本文设置6个不同角度：0°、20°、40°、60°、80°和90°，结果如图9所示.图9a为正对着车辆拍摄，即0°方向，本文方法对所拍摄4辆车均可检测，且检测得分均为100%.图9b显示的是20°的情况，本文方法对5辆车的检测得分分别为100%、100%、100%、100% 及 89%.当角度变为40°时，相邻车辆图像之间存在重叠区域，由图9c覆盖的5辆车中仅有3辆车能够被检测到.图9d显示的是60°的情况，仅有4辆车被检测到，其得分分别为92%、86%、100% 和100%.而从图9e可以看出，12辆车中只有2辆车的检测分数大于90%，其余都无法被检测到.如图9f所示，当角度增加到90°时，几乎所有车辆都无法被检测到.所以，车辆检测效果受角度的影响较大，造成这种现象的可能原因是训练数据集中不包含不同角度的车辆数据集;同时，角度较大时，图像中的相邻车辆间存在着重叠.因此，为了对车辆进行准确检测，应尽量使用正对着拍摄的车辆.3 实例分析利用本文训练好的深度学习车辆检测模型对停车场中的车辆进行检测，其检测后的得分如图10所示.由图10检测结果可知，实现了对拍摄的12个车辆的检测.其中，最高检测得分为100%，最低检测得分为74%，且只有1辆车检测得分低于90%，其余车辆检测得分均高于90%.高于70%的检测得分被认为是有效检测，即本文检测的结果认定这12个检测均为车辆，与实际情况相同，表明本文方法的检测为可靠检测.4 结论本文提出一种基于深度学习的车辆检测方法，建立了基于EfficientDet-D3模型的车辆检测模型.在EfficientDet-D3模型训练阶段，为了提高检测模型的训练效率，依据总损失值的变化情况，给出分阶段训练学习参数的设定，建立了自适应的模型训练的学习机制.。
融合门控单元与多头自注意力机制的特征自动交互推荐算法
现代电子技术Modern Electronics Technique2023年12月1日第46卷第23期Dec. 2023Vol. 46 No. 230 引 言电商平台、广告公司等需要根据用户的喜好推荐内容，所以说对用户喜好进行推荐预测是非常重要的。
然而在推荐任务中寻找有意义的特征组合极为重要[1⁃2]。
一般来说，推荐算法主要分为传统推荐模型和基于深度学习的推荐模型两类。
传统推荐模型主要使用协同过滤[3⁃4]和矩阵分解[5⁃6]，但这些模型忽略了与用户和物品相关的其他特征信息，不能有效地开发特征。
因式分解机（Factorization Machine, FM ）模型[7]可以对低阶特征进行特征交叉，但无法挖掘高阶信息，而特征域因式分解机（Filed Factorization Machine, FFM ）模型[8]则在此基础上增强了特征交叉，但其本质仍然是针对低阶特征。
随着深度学习在自然语言处理、计算机视觉、对抗攻击等领域的快速发展，为推荐算法开辟了新的机遇。
研究人员发现全连接层[9]在高阶特征的挖掘有良好的表现。
所以研究人员主要以深度神经网络（Deep Neural Network, DNN ）为核心，结合传统推荐模型来进行改进融合门控单元与多头自注意力机制的特征自动交互推荐算法喻金平， 李 钰， 姚炫辰， 罗 琛（江西理工大学 信息工程学院， 江西 赣州 341000）摘 要： 为了解决推荐算法中使用手工制作、特征工程等方式枚举所有的特征组合不但会带来巨大的存储空间和计算成本，而且无用的特征交互会引入噪声使模型训练过程复杂化的问题，文中提出融合多头自注意力机制的特征自动交互推荐算法。
该算法首先利用门控机制对输入特征进行初次筛选；然后将特征送入多头自注意力机制中，选取关键特征进行不同阶的组合；最后利用残差网络进行特征融合输出预测结果。
该算法能有效地提高预测结果的准确性，同时具有良好的解释性。
关键词： 门控单元； 自动特征交互； 多头自注意力机制； 推荐算法； 特征组合； 可解释性中图分类号： TN911.1⁃34； TP301.6 文献标识码： A 文章编号： 1004⁃373X （2023）23⁃0126⁃07Feature automatic interactive recommendation algorithm integrating gating unitand multi⁃head self⁃attention mechanismYU Jinping, LI Yu, YAO Xuanchen, LUO Chen(School of Information Engineering, Jiangxi University of Science and Technology, Ganzhou 341000, China)Abstract ： In recommended algorithms, enumerating all feature combinations by means of manual production and feature engineering will result in huge storage space and computational costs. In addition, irrelevant feature interaction will bring noise, which will complicate the model training process, so a feature automatic interactive recommendation algorithm integrating multi⁃head self⁃attention mechanism is proposed. In the algorithm, a gating mechanism is used to filter the input features, the features are fed into the multi ⁃head self ⁃attention mechanism, and the key features are selected for combination of different stages.Finally, a residual network is utilized for feature fusion and output of prediction results. The proposed algorithm can effectively improve the prediction accuracy while maintaining good interpretability.Keywords ： gating unit; automatic feature interaction; multi⁃head self⁃attention mechanism; recommended algorithm; featurecombination; interpretabilityDOI ：10.16652/j.issn.1004⁃373x.2023.23.023引用格式：喻金平，李钰，姚炫辰，等.融合门控单元与多头自注意力机制的特征自动交互推荐算法[J].现代电子技术，2023，46（23）：126⁃132.收稿日期：2023⁃06⁃07 修回日期：2023⁃06⁃28基金项目：中央引导地方科技发展专项资金（20201ZDI03003）126第23期和创新。
车联网基于信任度的RSU识别及资源分配算法
传 输 车 辆 W 到 接 收 车 辆 V；有 V2 V 链路 传 输 模 式 和 V2 I 链 路 传 输 模 式 2 种 传 输 方 式 • 在 V2 V 传 输 模 式 中 ，传 输 车 辆 直 接 与 接 收 车 辆 通 信 ; 在 V2 I 传 输 模 式 中 ，通 信 被 分 为 2 个 传 输 过 程 ：传输车辆到中 继 RSU(V - I ) 的 通 信 ；中 继 R S U 到 接 收 车 辆 （I V )的通信. 1 . 2 通信模型
保证车辆对的传输需求.为了更好地支持车辆的移 动 性 ，R S U 按 照 一 定 的 间 隔 均 匀 部 署 在 道 路 两 旁 ， 为车辆提供数据传输服务和相关的信令消息.备选 的中继R S U 节 点 集 合 为 二 H ,其 中 ，不 可 信 任 的 R S U 节 点 数 量 为 m .
图 1 车联网网络模®
Abstract ：In network of vehicles, clue to some roadside units ( R S U ) are remote and cannot be main tained timely by network administrator, they m a y be attacked and become untrustworthy R S U s , resulting in reduction of vehicle communication quality and network energy efficiency. To effectively identify the reliability of the R S U , a trust degree-based R S U recognition and resource allocation algorithm ( T R R A ) is proposed. In this algorithm, roadside unit identification，transmission m o d e selection , and power alloca tion are jointly modeled as the network energy efficiency optimization problem , which is divided into three sub-optimization problems to solve respectively. Firstly, the trust degree-based R S U recognition algorithm is used to identify the trusted and untrusted roadside units；Secondly, the resource block allocation and the link selection are optimized；Finally, the sub-gradient algorithm is used to optimize the transmission power and maximize the network energy efficiency. Simulations show that the proposed algorithm has low er complexity, which can achieve higher recognition accuracy of roadside units, and effectively improve the overall network energy efficiency. Key words：resource allocation ；trust degree; road side unit identification；network energy efficiency
基于级联Adaboost与示例投票的人脸检测
基于级联Adaboost与示例投票的人脸检测陈骁;金鑫【摘要】In the conditions of complicated backgrounds and extreme illumination,face detection based on Adaboost algorithm usually has a higher false positive rate. Present a cascade of two algorithms in this paper,Adaboost and exemplar-based voting,to detect face in static images which is able to reduce the false-positives efficiently. This method utilizes LBP as features and a cascade Adaboost classifier is used to detect faces,and a voting method based on sparse coding is used as the final classifier to verify face or non-face. The innovation of the proposed method lies in combining sparse coding and part based model for face detection. The experimental result shows that this method can detect face with high detection rate,suppressing the error detection rate,with high robustness.%传统的人脸检测算法在复杂背景、极端光照等非控条件下进行人脸检测的误检率较高. 为有效降低误检率,文中提出一种级联adaboost和示例投票的人脸检测方法. 首先采用基于LBP特征的adaboost算法初步定位人脸可能存在的区域,然后通过人脸示例集建立字典,使用稀疏编码的方法利用示例人脸对这些候选区域进行中心位置投票,根据得票数得到判别结果,排除非人脸区域,最终完成人脸检测. 该方法的创新在于将基于字典学习的稀疏编码和基于部件模型的目标检测相结合,级联传统的adaboost算法,实现非控环境下的人脸检测. 在两个数据集上的实验结果表明,该方法在保持较高检测率的同时,有效降低了误检率,且鲁棒性较好.【期刊名称】《计算机技术与发展》【年(卷),期】2015(025)012【总页数】5页(P18-21,27)【关键词】人脸检测;LBP特征;adaboost算法;稀疏编码;示例投票【作者】陈骁;金鑫【作者单位】南京航空航天大学计算机科学与技术学院,江苏南京 210000;南京航空航天大学计算机科学与技术学院,江苏南京 210000【正文语种】中文【中图分类】TP391人脸检测是计算机视觉领域的一个经典问题。
一种新的多级_TESLA广播认证协议_徐国愚
缓存一个高层时间间隔 Δ0 ． 由于 Δ0 时间较长（ 通常设置 Δ0
为 1 分钟） ，攻击者可发送大量的伪造 CDM 包，使得传感器
节点缓存耗尽，降低其接受正确 CDM 的可能性．
2） 错 误 恢 复 时 延 长． 当 传 感 器 节 点 未 收 到 正 确 的
CDM i － 2 时，将在时间段 Ii 中无法使用密钥链 ＜ K i，0 ＞ 对数据 包进行认证． 节点需要暂时将数据包缓存，并在时间段 Ii + 2 通
本文通过使用当前底层密钥链分发pdm由于底层密钥链的时间间隔1很短一般设置1100ms所以不易受dos攻击的影响基站仅需发送少量参数包即可达到高认证率由于cdm与pdm的字节数相同为了方便叙述与比较本文将cdm和pdm统称为参数包
一种新的多级 μTESLA 广播认证协议
徐国愚1 ，陈性元1 ，杜学绘1 ，肖建鹏2
收稿日期： 2011-10-11 基 金项 目： 国 家" 九 七 三" 重点基础研究发展计划项目 （ 2011CB311801 ） 资助； 河南省科技创 新 人 才 计 划 项 目 （ 114200510001） 资助． 作者简介： 徐国愚，男，1982 年生，博士研究生，研究方向为网络安全； 陈性元，男，1963 年生，教授，博士生导师，研究方 向为网络安全； 杜学绘，女，1968 年生，博士，教授，研究方向为网络安全； 肖建鹏，男，1981 年生，硕士，研究方向为网络安全．
图 1 多级 μTESLA 协议 Fig． 1 M ultilevel μTESLA protocol
协议使用高层密钥链认证底层密钥链，底层密钥链认证
广播数据包． 由于底层密钥链中的时间间隔很短，能够保证数
据认证的及时性，而高层密钥链的时间间隔是整个底层密钥
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第22卷 第11期2009年11月传感技术学报CHIN ES E JO URN AL O F SENS ORS AND ACTUATO RSVol.22 No.11Nov.2009收稿日期:2009 07 13 修改日期:2009 08 09Research on Optimization of TESLA Broadcast Authentication ProtocolCH EN X iao ,G UO Daw ei *,ZH A N G Guoqing ,L I J iaw eiAu tomation College of N or th w ester n Poly te chnical Unive rsity ,X i an 710129,ChinaAbstract:Broadcast authentication is the important guarantee that can keep wireless sensor netw orks w orking nor mally.Because of its cost effective encryption and authentication framework, TESLA protocol is to be in line w ith the characteristic and security needs of wireless sensor networks to some extent.In this paper,the implementation procedure of TESLA protocol w as researched deeply.T hen the concept of Authentication Drift and threshold based multiple authentication mechanism (M TESLA)w ere put forward,against the common problem that the broadcast packets might not be authenticated normally in the junction of cycles.The research result indicates that the performance of TESLA protocol could be improved by this mechanism effectively.Key words:wireless sensor netw o rks;broadcast authentication;M T ESLA;authentication drift EEACC :6150P;7230T ESLA 广播认证协议优化研究陈 骁,郭达伟*,张国庆,李嘉为西北工业大学自动化学院,西安710129摘 要:广播认证是无线传感器网络能够正常工作的重要保证。
T ESLA 协议凭借其低成本高效率的加密技术和认证框架,在一定程度上符合了无线传感器网络的特点和安全需求。
深入研究了 T ESL A 协议的实现过程,并针对广播周期交界处易出现的广播数据包无法正常认证的问题,提出了 认证漂移 的概念和一种基于阈值的多重认证机制(M T ESL A )。
研究结果表明,该机制有效改善了 T ESLA 协议的性能。
关键词:无线传感器网络;广播认证;M T ESLA ;认证漂移中图分类号:TP393文献标识码:A 文章编号:1004 1699(2009)11 1623 05无线传感器网络(Wireless Senso r Netw o rks,WSN)作为计算、通信和传感器技术相结合的产物可以应用在交通监测、战场跟踪、建筑物安全、污染检测、野生动物监视和医疗等各个方面,其规模也可以从10个到1,000,000个不等[1]。
由于WSN 常常部署在包括敌方阵地在内的各种不同的环境中,加之其本身固有的脆弱性,因而它的安全问题就越来越引起了研究人员的重视。
而广播通信是WSN 中一种基本的数据传输方式,因此广播认证在整个安全体制中占有非常重要的地位。
但是,W SN 节点有限的能源、计算能力、存储能力以及可移动的无线通信模式都使其广播认证问题面临着许多的困难,也使传统的广播认证协议无法直接应用其上[2 3],因此针对WSN 的特点设计出相应的广播认证协议就成为了当务之急。
本文首先对WSN 所面临的广播认证问题进行讨论;然后以 T ESLA (M icro T imed Efficient Stream ing Lo ss tolerant Authentication Pr otoco l)协议为基础展开对WSN 广播认证技术的研究;并重点针对 TESLA 协议中易出现广播周期交界处数据包可能无法正常认证的问题,提出了相应的改进方法,优化了 TESLA 协议。
1 相关研究在WSN 中,为了节省带宽和通信时间,基站一般采用广播的方式向节点发布命令或者进行程序更新。
节点接收到广播包后必须要能够对广播包的来源和完整性进行认证。
1 1 WSN 广播认证的基本要求广播认证协议的安全条件是: 没有攻击者可以伪造正确的广播包。
一般情况下,广播认证包括身份认证和报文认证两个部分。
身份认证确保报文来自所声明的源节点;报文认证确保报文在传输过程中未被篡改。
这两部分认证一般可以通过生成和验证消息认证码,并对消息认证码进行加密和解密来实现。
如果广播认证采取对称加密机制,则任何一个被捕获的接收节点都可以修改或者伪造报文,威胁整个网络的安全。
因此广播认证需要非对称的加密技术来完成。
传统网络中,广播认证所需要的非对称加密是由RSA 数字签名来完成,但由于昂贵的计算开销和能耗使其很难应用到WSN 上。
WSN 的特点使其广播认证协议需要在一般的广播认证协议的基础上同时具备以下性质:低计算、存储、通信开销;可以容忍报文的丢失;在复杂多变的条件下保证认证的准确性。
1 2 TESLA 协议目前,WSN 领域内较为流行的广播认证构架是Perrig A 等提出的 T ESLA [4]协议。
该协议采用了轻量级加密技术,并在广播时通过延迟公布密钥机制在使用对称密钥的情况下实现了非对称的认证要求,很大程度上契合了WSN 的特点和安全需求。
TESLA 协议的主要思想是先广播一个通过密钥K mac 认证的数据包,然后公布K mac 。
这样就保证了密钥K mac 公布之前没有人能得到认证密钥的任何信息,也就没有办法在广播包正确认证之前伪造出正确的广播包。
TESLA 协议的运行过程包括基站安全初始化、网络节点加入安全体系和节点完成数据包广播认证3个部分。
基站一旦在目标区域开始工作,首先生成密钥池:K N 是初始密钥,F (x )是单向密钥生成函数,K i =F(K i +1)。
随后,基站确定密钥同步时钟的两个变量:同步时间间隔T int 和密钥发布延迟时间间隔d 。
基站完成广播安全初始化后,就开始接收节点的加入。
每个节点通过SNEP [4]与基站建立同步。
假设节点A 在某时间向基站要求加入网络,则其加入的具体过程如下:A !S:(N M |R A )S !A :(T s |K i |T i |T int |d),MA C(K ∀as ,N M |T s|K i |T i |T int |d)N M 是随机数,表示使用的是强新鲜性认证;R A是加入网络请求;K ∀as 是节点与基站间的认证密钥;T s 是当前时间;T i 是当前时间之前某一个时间间隔i 的起始时间;K i 是T i 所对应的认证密钥,在这作为初始化密钥;T int 是同步周期;d 是密钥发布的延迟时间尺寸,单位为T int 。
经过这样一轮认证,节点将获得参与广播的所有信息。
节点认证广播包的过程(这里令d =2T int ,下同):在[T i ,T i +T in t ]内,基站发送广播包P 1,P 2。
节点接收到广播包后通过时间同步条件判断,它们公布的广播密钥K i 还没有公布出来,于是将包保存,等待该密钥的公布。
在T i +2时刻,基站公布K i ,节点计算F(K i ),看是否等于K i -1,若相同,则K i 就是合法密钥,否则就丢弃该密钥。
验证合法后,节点就根据时间标尺,自动使用K i 来认证P 1和P 2。
假设没有收到K i ,节点会把P 1,P 2包的认证推迟到接收到下一个密钥K i +1时。
收到K i +1后节点会通过F (2)(K i +1)即F (F (K i +1)),看是否等于K i -1来确定密钥是否合法。
若合法,计算K i =F(K i +1),用K i 对P 1,P 2进行认证。
整个过程如图1所示。
图1 T ESLA 广播认证示意图普通节点发送广播包的情况比较少,所以一般的实现方法是:(1)节点将广播信息发送给基站,由基站向全网广播[4]。
(2)节点借用基站广播用的密钥链(通过点到点协议来获得)完成认证广播,密钥公布还是由基站完成[5]。
T ESLA 协议资源消耗少,也可以容忍报文的丢失,但是它不能很好的适应WSN 复杂多变的应用环境。
2 认证漂移 及解决方法经研究发现,在WSN 广播认证中,处于周期交界处发送的数据包易漂移到相邻周期而造成无法正常认证。
本文将这种紊乱现象定义为 认证漂移 (Authenticatio n Drift)。
该现象很容易遭到忽视进而造成不必要的损失,而目前对此尚无有效的预防和弥补措施。
接下来将就此现象进行研究并提出相应的解决方法。
1624传 感 技 术 学 报2009年2 1 TESLA 协议中的 认证漂移WSN 的传输延迟主要来自于四个部分[5]:(1)发送者创建消息的时间,包括操作系统的消耗和传输消息到网络接口的时间;(2)每个包发送之前,在MAC 层面临的延迟,如来自MA C 层的调度、等待空闲信道或TDM A 中的时隙;(3)信息在发送者和接受者之间传输所消耗的时间;(4)接受者的网络接口接收信息并传送给主机所消耗的时间。
在 TESLA 协议中,欲实现正确的广播认证必须以基站与节点间固定的传输延迟为前提。
然而,当出现以下情况之一时,基站与节点间的传输延迟会发生改变:(1)节点移动;(2)网络通信状况变化,如网络由空闲变成繁忙或由繁忙变成空闲;(3)节点自身能源状况和数据处理速度发生变化。
一旦传输延迟发生改变,在周期交界处发送的数据包就很容易出现 认证漂移 ,如图2所示。
另外,接收者和发送者本身的时钟速率差异也可能会造成 认证漂移 。
下文主要就由传输延迟改变造成的 认证漂移 进行研究,其解决方法同样适用于由时钟速率差异引起的 认证漂移 。