摘要

虽然即将进行6G / IoT过渡，但只有在保证用户隐私和安全的前提下，才能实现此过渡的真正优势。基于智能卡和密码的身份验证协议可以帮助快速过渡。然而，由于不安全和/或繁重的计算，许多这样的协议不能应付下一代网络的动态需求。最近，Kaul和Awasthi提出了一种基于资源友好的对称密码原语的健壮且安全的用户身份验证协议。他们声明，他们引入的协议对于现实世界中的应用程序是方便，高效和安全的。相反，本文描述了Kaul和Awasthi的协议并不安全，因为攻击者可以轻松找到在公共频道上发送的合法用户的身份。此外，通过使用合法用户的身份，攻击者可以将自己冒充为系统的合法用户，并可以享受服务器提供的服务。因此，他们的协议容易受到用户假冒攻击，并且证明其安全性的说法是错误的。因此，我们通过确保在整个渠道上的安全通信来扩展他们的工作，并提出了一种升级的方案。此外，我们提出的方案不仅可以安全地抵御用户假冒攻击，而且可以通过合理的通信，计算和存储成本来抵御主要的安全攻击，并且是在6G / IoT网络中进行部署的更好选择。他们的协议容易受到用户假冒攻击，并且他们声称的安全性被证明是错误的。因此，我们通过确保在整个渠道上的安全通信来扩展他们的工作，并提出了一种升级的方案。此外，我们提出的方案不仅可以安全地抵御用户假冒攻击，而且可以通过合理的通信，计算和存储成本来抵御主要的安全攻击，并且是在6G / IoT网络中进行部署的更好选择。他们的协议容易受到用户假冒攻击，并且他们声称的安全性被证明是错误的。因此，我们通过确保在整个渠道上的安全通信来扩展他们的工作，并提出了一种升级的方案。此外，我们提出的方案不仅可以安全地抵御用户假冒攻击，而且可以通过合理的通信，计算和存储成本来抵御主要的安全攻击，并且是在6G / IoT网络中进行部署的更好选择。

摘要

推荐问题涉及预测一组项目，以使用户的效用最大化。诸如滤波方法和相似性度量之类的许多因素影响预测准确性。我们提出了一种新颖的预测机制，可以应用于协同过滤推荐系统。这种预测机制由称为适应性预测（INH-BP）的新型适应性预测模型和合适的启发式搜索算法组成。INH-BP支持自定义预测变量以适合用户上下文。它有助于定义用户兴趣打印（UIP）矩阵，并采用优化算法，例如遗传算法。UIP矩阵应基于概念级别而不是实例级别反映用户满意度。优化算法用于确定每个用户的最佳预测变量。进行了一组实验，以将INH-BP与Resnick众所周知的调整后加权总和进行比较。使用了两个基准数据集MovieLens-100K和MovieLens-Last。两种预测方法均使用了不同的协作过滤技术。结果证明了INH-BP的优越性及其实现精确预测的能力，而与k邻居的数量及其质量无关。此外，结果表明，INH-BP缓解了冷启动和稀疏性问题。两种预测方法均使用了不同的协作过滤技术。结果证明了INH-BP的优越性及其实现精确预测的能力，而与k邻居的数量及其质量无关。此外，结果表明，INH-BP缓解了冷启动和稀疏性问题。两种预测方法均使用了不同的协作过滤技术。结果证明了INH-BP的优越性及其实现精确预测的能力，而与k邻居的数量及其质量无关。此外，结果表明，INH-BP缓解了冷启动和稀疏性问题。

摘要

数据所有者将其数据库托管在云中的一项主要挑战是数据隐私。在本文中，我们首先证明，即使使用最新的基于硬件的安全技术（例如Intel SGX），虚拟机管理程序仍可以嗅探其来宾虚拟机（VM）中运行的关键数据库操作，例如SQL查询的频率和类型，通过监视此VM主内存和辅助内存的访问模式。为了确保针对此类访问模式监视攻击的安全性，我们随后提出了ProDB，这是对具有硬件安全区和Oblivious RAM协议的常规DBMS的最小调整。为了提高其实用性能，我们还设计了一种SQL感知的Path ORAM协议SaP ORAM协议，该协议在实际数据库工作负载下优化了经典的Path ORAM协议。

摘要

作为一种重要的计算范例，云计算旨在解决大型分布式数据库而不是简单的计算问题。在这种范例中，数据挖掘是最重要和最基本的问题之一。传感器和其他智能设备会生成大量数据。这些大数据的数据挖掘在各种应用程序中至关重要。K-均值聚类是将相似数据分组到相同聚类中的一种典型技术，并且已广泛用于数据挖掘中。但是，对于包含大量噪声，离群值和冗余特征的数据仍然是一个挑战。在本文中，我们提出了一种鲁棒的K均值聚类算法，即灵活的子空间聚类。所提出的方法将特征选择和K-means聚类整合到一个统一的框架中，可以选择经过改进的功能并改善群集性能。此外，出于增强鲁棒性的目的，将-norm嵌入到目标函数中。我们可以根据不同的数据灵活选择合适的p，从而获得更鲁棒的性能。实验结果证明，与现有方法相比，该方法在基准数据库上具有更强大的性能和更好的性能。

摘要

N6-甲基腺苷（m6A）修饰是转录后修饰中最常见的RNA之一。这些修饰在不同的生物学过程中起着至关重要的作用，包括蛋白质的定位和翻译，X染色体失活，细胞稳定性，microRNA调节和重编程等。m6A位点的任何异常变化都可能导致几种异常，包括癌症，脑癌，相关疾病和许多其他威胁生命的疾病。准确检测m6A修饰对于这些疾病的诊断和治疗至关重要。现有方法存在m6A位点检测效率低下的问题，特别是在酵母转录组中（由于结构变化）以及计算技术无法捕获m6A位点周围的编码信息的问题。在这项工作中 我们提出了一种新颖的方法（称为m6A-pred预测子），该方法利用了特征的融合，包括核苷酸的统计和化学特性，可精确预测RNA序列中m6A位点的存在。多种类型的特征的融合产生了高维向量，可以使用进化算法对其进行进一步优化。最后，随机森林分类器通过使用最具区分性的特征来检测m6A站点。以酵母转录组为基准的结果表明，m6A预测的预测因子优于所有先前报道的预测因子，其准确度值为78.58％，特异性值为79.65％，马修斯相关系数为0.5717。以及核苷酸的化学特性，以精确预测RNA序列中m6A位点的存在。多种类型的特征的融合产生了高维向量，可以使用进化算法对其进行进一步优化。最后，随机森林分类器通过使用最具区分性的特征来检测m6A站点。以酵母转录组为基准的结果表明，m6A预测的预测因子优于所有先前报道的预测因子，其准确度值为78.58％，特异性值为79.65％，马修斯相关系数为0.5717。以及核苷酸的化学特性，以精确预测RNA序列中m6A位点的存在。多种类型的特征的融合产生了高维向量，该向量可以使用进化算法进行进一步优化。最后，随机森林分类器通过使用最具区分性的特征来检测m6A站点。以酵母转录组为基准的结果表明，m6A预测的预测因子优于所有先前报道的预测因子，其准确度值为78.58％，特异性值为79.65％，马修斯相关系数为0.5717。随机森林分类器通过使用最具区分性的功能来检测m6A站点。以酵母转录组为基准的结果表明，m6A预测的预测因子优于所有先前报道的预测因子，其准确度值为78.58％，特异性值为79.65％，马修斯相关系数为0.5717。随机森林分类器通过使用最具区分性的功能来检测m6A站点。以酵母转录组为基准的结果表明，m6A预测的预测因子优于所有先前报道的预测因子，其准确度值为78.58％，特异性值为79.65％，马修斯相关系数为0.5717。