近期计算机领域不可错过的ScienceDirect高IF论文

发布时间:2020-10-15

01



篇1.png




期刊:计算机。社区

影响因子(IF):2.816

发表时间:2020-09-30

摘要


任务卸载是移动边缘计算的核心功能,可以弥补移动终端的能源短缺。学者们部署了包括云服务器在内的技术,以在困难的时间窗口约束下改善卸载过程,因为存在严格的期限,这是面对任务超时的用户灵活性所独有的。为了增加灵活性,本文研究了软时间窗口执行时用户容忍度的时变特征。任务处理的费用因完成时间而异,这是一个组合优化问题。本文提出了一种混合遗传算法和基于生物地理学的优化算法(HGABBO)卸载算法。实验表明,该算法对多任务处理有效,优于人工鱼算法和蚂蚁系统算法。


链接:

https://www.sciencedirect.com/science/article/abs/pii/S0140366420319319



02





篇2.png




期刊:计算机。社区

影响因子(IF):2.816   

发表时间:2020-09-30


摘要


在智能边缘计算中,用户的私有数据部分或全部外包给智能边缘节点进行处理。为了加强边缘网络的安全性和隐私性,数据所有者对自己的私有数据进行加密并将其外包。对加密数据进行有效的搜索和更新尤为重要。在本文中,我们提出了一种可搜索的方案来解决智能边缘网络上的这些问题。特别地,我们首先提出S-HashMap索引结构,以在保证多关键字模糊密文检索的同时,有效且安全地更新数据。其次,为了测量查询向量和索引节点之间的相似性,我们利用安全的k最近邻来计算欧几里得距离。除了消除预定义词典的必要性之外,我们在不增加搜索复杂度的情况下实现了有效的多关键字模糊搜索和索引更新。同时,本文对提出的方案进行了透彻的理论分析和仿真。与其他方案相比,我们证明了我们的方案具有更好的安全性和效率。


链接:

https://www.sciencedirect.com/science/article/abs/pii/S0140366420319320


03




篇3.png





期刊:无处不在的暴民。计算

影响因子(IF):2.725   

发表时间:2020-10-07


摘要


在设计城市,道路,公共交通系统等时,自动人类活动检测(主要是交通运输)与建筑师和城市规划人员(以及其他许多人)非常相关。这种检测可以更好地规划我们的城市,并且借助带有几种不同传感器的智能手机的广泛使用。


我们开发了edgeTrans,这是一个基于智能手机应用程序(简称app),数据库和服务器的系统。数据库存储已完成的行程,服务器运行机器学习算法,该算法生成模型(即分类器),然后将其集成到edgeTrans应用程序中。安装后,此应用在智能手机中运行时会指示正在使用的传输模式,而无需网络连接;现在可以从Android Play商店或iOS iTunes(该应用称为Woorti)下载。


考虑到要求(例如准确性和低成本),在现实环境中获得的结果非常令人鼓舞。


链接:

https://www.sciencedirect.com/science/article/pii/S1574119220301115


04




篇4.png




期刊:无处不在的暴民。计算

影响因子(IF):2.725

发表时间:2020-10-10

摘要


5G网络中的雾计算在增加给定网络中的用户数量方面发挥了重要作用。然而,物联网(IoT)驱使系统设计人员朝着设计异构网络的方向发展,以在通信和计算资源有限的情况下,在干扰约束下支持各种任务需求(例如,具有不同优先级值的异构任务)。在本文中,我们的目标是在存在异构任务需求和有限资源的情况下,最大化支持IoT的5G网络所服务的任务总数(标记为任务吞吐量)。由于我们最初的问题很棘手,因此我们提出了一种基于多图着色的高效两阶段解决方案。我们分析了所提出算法的计算复杂度,并证明了该算法的正确性。最后,

链接:

https://www.sciencedirect.com/science/article/abs/pii/S157411922030122X


05





篇5.png




期刊:模式识别。Lett ..

影响因子(IF):3.255   

发表时间:2020-09-22

摘要


监视视频异常检测用于检测在特定场景中很少或从未发生的事件。基于生成错误(GE)的方法在此任务上表现出出色的性能。他们首先训练一个生成神经网络(GNN)以生成正常样本,然后将具有大GEs的样本判断为异常。几乎所有基于GE的方法都使用帧级GE来检测异常。然而,异常通常发生在局部区域,帧级GE将正常区域的GE引入异常检测,这带来了两个问题:i)正常区域的GE降低了异常帧的异常显着性。ii)不同的视频具有不同的正常GE级别,因此很难为不同的视频设置统一的阈值以检测异常。为了解决这些问题,我们提出了一种升级方法:利用帧上最大的块级GE来检测异常。首先,我们计算帧上每个位置的块级GE。然后,我们利用帧中最大的块级GE来检测异常。基于现有的GNN模型,我们对多个数据集进行了实验。结果证明了所提出方法的有效性并获得了最新的性能。


链接:

https://www.sciencedirect.com/science/article/abs/pii/S016786552030355X


计算机新版尾.png


热门推荐