::: block-1

“时问桫椤”是一个致力于为本科生到研究生教育阶段提供帮助的不太正式的公众号。我们旨在在大家感到困惑、痛苦或面临困难时伸出援手。通过总结广大研究生的经验，帮助大家尽早适应研究生生活，尽快了解科研的本质。祝一切顺利！——时问桫椤

:::

论文代码定期更新，欢迎各位的点赞，关注与转发

[1] 跨领域横向联合学习在网络流量分析中的方法

作者：Sanon S P, Reddy R, Lipps C, 等

摘要：联邦学习（FL）是一种机器学习（ML）技术，允许多个参与方协作训练模型，而无需共享原始数据。这种方法在关注数据隐私、数据主权和数据保护的场景中特别有用，可以确保组织遵守通用数据保护条例（GDPR）等数据保护法规。在网络流量分析中，FL适用于利用分散的数据源进行训练的场景，例如网络流量预测，这对于资源分配和网络优化至关重要。因此，本研究旨在探讨FL中用于网络流量预测的不同聚合方法的性能。我们比较了加权联合平均、安全聚合和鲁棒聚合等聚合方法。这些方法的性能是在GEANT项目的公共数据集上进行评估的。本研究为选择适当的FL方法进行网络流量分析提供了见解，并揭示了在存在恶意客户端的情况下准确性和鲁棒性之间的权衡。结果表明，中值聚合与同态加密（HE）的组合是一个不错的选择，因为它在性能、安全性和鲁棒性方面提供了可行性。

链接：Cross-Silo Horizontal Federated Learning Methods in Network Traffic Analysis

代码：https://github.com/RekhaRana1234/Federation-Aggregations.git

[2] 软件定义移动自组织网络中控制器部署和入侵检测系统启用的联合设计

作者：Kafetzis D, Koutsopoulos I.

摘要：本研究旨在改善支持软件定义网络（SDN）的移动自组织网络（MANET）的安全基础设施，重点是高效部署反应式防火墙。该防御系统由SDN控制器和多个入侵检测系统（IDS）组成，实时运行以检测潜在威胁并做出响应。IDS负责检测网络攻击和违反策略，并实时通知控制器检测到的攻击。我们提出了一个模型和算法框架，用于确定SDN控制器和IDS模块在网络图中的放置位置。这些约束包括IDS模块的最大放置数量，以及满足IDS所需的最小攻击流量路径覆盖范围。我们提出了两种算法：贪婪启发式算法和模拟退火算法。我们的方法根据攻击缓解延迟进行评估，并为IDS部署提供了高网络路径覆盖率。通过自定义Python模拟器和真实场景的验证结果，我们证明了我们的解决方案相对于所有节点都启用IDS和具有随机IDS模块放置的其他解决方案的效率。我们的算法在延迟方面表现显着优于这些基线，并实现了超过90%的攻击路径覆盖率。此外，模拟退火算法在运行时间方面表现出优越性，因此对于现实世界的实现而言，它是一个有吸引力的选择。

链接：Joint Controller Placement and Intrusion Detection System Enablement in Software Defined Mobile Ad Hoc Networks

代码：https://github.com/Dimitrios-Kafetzis/SDN-MANET-reactive-firewall-simulators

[3] 生活在罪恶状态中：用于随机线性网络编码的伪随机数生成器

作者：Cabrera J A, Pedersen M V, Pihl J, 等

摘要：著名数学家约翰·冯·诺依曼曾说：“任何考虑用算术方法产生随机数字的人当然都处于犯罪状态。”在本研究中，我们比较了最常用的随机生成算法方法在生成率和播种时间方面的表现。与传统生成器不同，我们还考虑了随机生成和播种的能耗。我们认为，对于随机线性网络编码应用来说，“好的”随机生成器被高估了。根据我们的测量，我们提出了一种更快的RLNC随机性生成方法，其性能与传统生成器相当甚至更好。在某些场景下，我们将线性依赖性减少了40%。

链接：Living in a State of Sin: Pseudo-Random Number Generators for Random Linear Network Coding

代码：https://github.com/JuanCabre/randomnessPaper

[4] 冲突窗口优化的多臂老虎机算法

作者：Raftopoulos R, Schembra G.

摘要：未来的网络将需要支持大量的通信设备。然而，IEEE 802.11网络采用的基本接入方法无法很好地适应不断增加的站点数量

。我们证明了这些网络中的智能设备可以利用多臂老虎机（MAB）学习算法通过选择最佳竞争窗口（CW）值来提高网络吞吐量。为此，我们提出了COMBAT，一种通过Multi-Armed Bandit进行竞争窗口优化的方法，它可以快速有效地找到最大化网络吞吐量的最佳竞争窗口。COMBAT基于MAB学习算法UCB1进行竞争窗口的集中决策。决策的CW从接入点（AP）广播到所有连接的设备。我们表明，使用学习算法确实有助于在此类网络中容纳更多设备。通过模拟活动，我们证明了COMBAT可以比当前最先进的方法更快地学习最优策略，同时还需要较低的计算成本。

链接：Multi-Armed Bandit for Contention Window Optimization

代码：https://github.com/raoulraft/COMBAT-contention-window-MAB

[5] 基于WiFi的无设备室内存在检测的单类支持向量机

作者：Zubow A, Petto K, Dressler F.

摘要：利用802.11（WiFi）等现有无线电信号进行无设备检测人体存在和室内运动，引起了学术界和工业界研究人员的极大兴趣。提高建筑物的效率，特别是在供暖和能源成本方面，依赖于准确检测房间占用情况。我们的方法使用从商用802.11ac硬件获得的信道状态信息（CSI）作为基于一类支持向量机（OC-SVM）的机器学习的输入。与其他需要在有或没有人类存在的环境中进行广泛学习的方法不同，我们的方法将人类的存在视为一种新奇事物。这简化了训练过程，因为我们只需要从没有人类存在的环境中学习，特别是空房间。此外，由于我们仅专注于分析CSI数据的幅度信息，因此不需要对相位信息进行复杂的清理。使用标准WiFi硬件的实验结果展示了卓越的性能，在大多数情况下，准确性、灵敏度和特异性超过97%。此外，我们提出的方法是实用的，因为它在无线电资源使用方面产生的开销最小。只需在5MHz信道的少数OFDM子载波上以5Hz采样率捕获CSI数据就足够了。

链接：One-Class Support Vector Machine for WiFi-based Device-free Indoor Presence Detection

代码：https://github.com/zubow/ocsvm_pd.git