70、可否认的可学习加密与Docker镜像和容器安全

可否认的可学习加密与Docker镜像和容器安全

可否认的可学习加密

模型训练准确性对比

在对CIFAR数据集的研究中,对比了两种模型(ResNet和CNN)在普通图像和加密图像上的训练准确性,具体数据如下表所示:
| 模型 | 普通图像准确率 | 加密图像准确率 | 多模型预测准确率 |
| ---- | ---- | ---- | ---- |
| ResNet | 0.8469 | 0.7788 | 0.8507 |
| CNN | 0.8393 | 0.7469 | 0.8289 |

从表中可以看出,使用普通图像训练时,ResNet和CNN的准确率分别为0.8469和0.8393;而使用可学习加密的图像进行训练时,准确率下降了近0.1。不过,通过提出的多模型预测方法,可以减少可学习加密导致的特征损失,使准确率恢复到与使用普通图像训练时几乎相同的水平,并且该方法对两种模型结构都有效。

模型数量对预测准确性的影响

模型数量对预测准确性有着显著的影响,具体表现如下:
- 准确性提升 :随着模型数量的增加,预测准确性会得到提高。
- 投票与概率求和对比 :当模型数量达到10个或更多时,通过标签投票和概率求和的方式得到的结果几乎相同;而当使用较少的模型时,概率求和的方式会比标签投票更好。
- 资源与准确性平衡 :虽然更多的模型能带来更高的准确性,但会消耗更多的资源。至少使用3到4个模型可以使准确性有显著提升,而使用6到7个模型时,准确性几乎达到极限。为了提

资源下载链接为: https://pan.quark.cn/s/67c535f75d4c C语言作为一门基础且强大的编程语言,在底层系统编程算法实现方面表现卓越,其效率灵活性备受推崇。其中,“用指针实现的C语言排序算法”这一主题,融合了C语言的核心概念——指针,以及数据结构算法的基础知识。指针是C语言的一大特色,它能够直接操作内存地址,从而为高效的数据操作提供了有力支持。在排序算法中,指针通常被用作迭代工具,用于遍历数组或链表,进而改变元素的顺序。 常见的排序算法,如冒泡排序、选择排序、插入排序、快速排序归并排序等,都可以借助指针来实现。具体而言: 冒泡排序:通过交换相邻元素来实现排序。在C语言中,可以定义一个指向数组的指针,通过指针的递增或递减操作来遍历数组,比较相邻元素并在必要时进行交换。 选择排序:每次从剩余部分中找到最小(或最大)元素,然后将其第一个未排序的元素进行交换。指针可用于标记已排序未排序部分的边界。 插入排序:将元素插入到已排序的部分,以保持有序性。可以使用指针跟踪已排序部分的末尾,并在找到合适位置后进行插入操作。 快速排序:采用分治策略,选择一个“基准”元素,将数组分为两部分,一部分的所有元素都小于基准,另一部分的所有元素都大于基准。这一过程通常通过递归来实现,而基准元素的选择划分过程往往涉及指针操作。 归并排序:将数组分为两半,分别对它们进行排序,然后再进行合并。在C语言中,这通常需要借助动态内存分配指针操作来处理临时数组。 在实现这些排序算法时,理解指针的用法极为关键。指针不仅可以作为函数参数传递,从而使排序算法能够作用于任何可寻址的数据结构(如数组或链表),而且熟练掌握指针的解引用、算术运算比较操作,对于编写高效的排序代码至关重要。然而,需要注意的是,尽管指针提供了直接操作内存的便利,但不当使用可能会引发错误,例如内存泄漏、空指针
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