12、卫星 - 地面集成网络的移动证书安全方法

卫星 - 地面集成网络的移动证书安全方法

1. 系统概述

在卫星 - 地面集成网络(S&E Integration Network)环境中,一种移动证书安全方法被提出。新节点 N 在接收到 t 份合法的部分签名证书后,可立即合成有效的系统证书并加入网络。同时,N 会发送消息通知相邻代理节点停止为其搜索认证节点。

2. 仿真参数设置

该方法的仿真场景在 ONES 仿真平台上展示,默认仿真参数如下表所示:
| 参数 | 值 |
| ---- | ---- |
| 移动模型 | RWP |
| 最小速度 | 0.5 |
| 最大速度 | 1.5 |
| 暂停时间 | 0s |
| 仿真区域 E | 5000×5000KM² |
| 消息大小 | 512 - 1024KB |
| 带宽 | 250kBps |
| 流量负载 | 5000 - 6000 |
| 节点数量 M | 200 |
| 目标延迟 Dt | 11k/单位仿真时间 |
| TTL | 20k/单位仿真时间 |
| 节点传输范围 R | 200m |
| 仿真时长 | 2*Dt |

3. 不同认证方法性能对比

3.1 性能测试

通过图 3 测试了不同延迟约束 Dt 下,集中式认证系统、分布式认证系统和本文方法(移动证书认证系统)的平均端到端延迟和平均传输次数,仿真时间为 2*Dt。

3.2 结果分析

  • 集中式认证系统 </
【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值