28、用于执行声明式IFC策略的分离逻辑

用于执行声明式IFC策略的分离逻辑

1. 多秘密场景与公共零策略

在一些场景中会存在多个秘密数据。假设前提条件 P 表明,变量 x、y 和 z 都包含高安全级(Hi)数据,变量 a 包含低安全级(Lo)数据,并且 a = (x + y + z)/3。在这种情况下,非干扰性原则意味着,只要三个秘密数据的平均值不变,我们可以将这些秘密数据从任意一组三元组值改变为另一组,而程序的输出不会受到影响。

还有一种“公共零”的情况。假设变量 x 存储着一个秘密数据,我们只愿意在 x 的值为 0 时将其公开。一种方法是在另一个变量中存储一个公共布尔值,当且仅当 x 为 0 时该布尔值为真。不过,还有更简单的方式来表示这个策略,无需额外的变量。前提条件 P 可以设定为:若 x 为 0,则其标签为 Lo;若 x 不为 0,则其标签为 Hi。这是条件标签的一个例子,即标签的值取决于某个状态谓词。当 x 为 0 时,由于状态中没有高安全级数据,非干扰性原则不产生额外约束;当 x 不为 0 时,只要前提条件 P 仍然成立,改变 x 的值(但不改变其标签)不会影响输出。也就是说,所有非零的 x 值对于观察者来说是不可区分的。条件标签是该系统的一个创新点,后续会看到它在验证程序安全性方面的强大作用。

2. 语言与语义

2.1 编程语言定义

编程语言的定义如下:
- 表达式(Exp)
plaintext E ::= x | c | E + E | · · ·
- 布尔表达式(BExp)
plaint

MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 能对比:对比不同优化算法在训练集和测试集上的预测能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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