排序方式： 共有3条查询结果，搜索用时 62 毫秒
1
1.
联邦学习是一种新型的分布式学习框架，它允许在多个参与者之间共享训练数据而不会泄露其数据隐私。但是这种新颖的学习机制仍然可能受到来自各种攻击者的前所未有的安全和隐私威胁。本文主要探讨联邦学习在安全和隐私方面面临的挑战。首先，本文介绍了联邦学习的基本概念和威胁模型，有助于理解其面临的攻击。其次，本文总结了由内部恶意实体发起的3种攻击类型，同时分析了联邦学习体系结构的安全漏洞和隐私漏洞。然后从差分隐私、同态密码系统和安全多方聚合等方面研究了目前最先进的防御方案。最后通过对这些解决方案的总结和比较，进一步讨论了该领域未来的发展方向。 相似文献
2.
本文介绍了用于地表和亚地表观测的机载多频极化SAR“IMARC”。改进的SAR系统包括了4个频段（X、L、P和VHF），相应的波长分别为4cm、23cm、68cm和254cm。这种SAR能以不同线性的极化（VV、HH、VH和HV）从飞机的左右两侧进行测量。空间分辨率在X波段为1．5～3m，L波段为4～6m，P波段为6～8m和VHF波段为8～16m。该系统采集并处理雷达数据以获得实时图像。这种SAR系统将用于测定土壤水文表面，调查植被、雪、冰层和冻土的特征，对人造目标和自然目标以及各种自然界异常现象进行定位亚地表探测。 相似文献
传统的卫星网络通常将控制层和数据层集中在同一网络设备中，使得网络结构复杂、带宽固定、资源利用率差，而软件定义卫星网络（SDSN）架构能实现卫星资源的有效管理，提高资源利用率，为多波束间切换机制提供有效的技术支撑。针对具有多波束覆盖的SDSN，提出了一种多决策指标切换（MDIH）机制。首先，分析了传统切换机制的缺陷，确立了基于SDSN的切换框架。其次，在传统信道预留机制的基础上，引入时间门限的概念，使得切换机制能够精确触发；同时，在切换决策过程中，采用MDIH算法来确定用户的切换优先级，决策粒度细。最后，给出了一种抽象化多决策指标实例，进一步体现了MDIH算法的可扩展性。 相似文献
1