美国网络空间领域战略思想及发展重点研究

美军将网络空间视为继陆、海、空、天外的第五大作战域,并将其列为国防部11项现代化优先事项之一,在美国等军事大国推动下,网络空间成为国家安全竞争和军事斗争的新疆域.文中对近年美国联邦政府、各部门及各军种发布的网络空间领域主要战略政策、规划计划进行梳理,研究其主要战略思想;分析美军2022财年国防预算、研究经费投向投量及重点项目的 研发情况.形成的研究成果将对我国网络空间安全领域研究提供技术支撑.     

基于GNSS的广电发射塔状态监测技术研究

随着全球卫星导航系统(Global Navigation Satellite System,GNSS)技术的迅速发展,定位精度持续优化,其应用范围越来越广.为了突破单基站载波相位差分(Real Time Kinematic,RTK)技术带来的局限性,网络RTK技术应运而生.网络RTK技术使设备在基准站网络覆盖范围内实现精准定位,因此在各个传统行业中的应用越来越广泛.广播电视的信号发射环节非常重要,由于广电发射塔一般地处高山地区,维护维修不便.基于此,设计一种基于网络RTK定位技术的高精度发射塔状态监测方法,可以在保证广电信号安全优质播出方面发挥重要作用.     

基于图神经网络的网络性能智能预测

传统网络性能预测技术存在网络状态获取不够全面及网络性能评估准确性欠佳等问题，利用图神经网络学习推理网络关系数据的特点，结合捕获的网络全局信息，提出了一种基于图神经网络的网络性能智能预测方法。通过网络系统抽象及网络性能建模，将复杂的网络信息转化为形式化的图数据进行描述，利用图空域卷积处理图网络节点的消息传递过程，实现网络信息之间的关系推理，研究了实现网络性能预测的图神经网络模型，提出了一种能处理流量矩阵、网络拓扑、路由策略、节点配置的图神经网络体系结构，最后通过实验论证了模型能更好地实现包括时延、抖动和丢包率的网络性能的准确预测。     

论数学实验在解题中的应用及能力培养——以2020年北京高考试题为例北大核心

近年来,北京高考正逐年加重对数学实验的考查,尤其是2020年高考,在题目数量以及考查形式上达到新的高度,2020年北京高考数学试题中的(6)、(8)、(10)、(14)、(19)、(21)等6道题在求解过程中,可以借助数学实验的手段获取解决思路,因此研究数学实验在解题中的应用以及探究提升数学实验能力的途径具有重要意义.     

Best Proximity Point Theorems for p-Proximalα-η-β-Quasi Contractions in Metric Spaces with w0-Distance

In this paper,we propose a new class of non-self mappings called p-proximalα-η-β-quasi contraction,and introduce the concepts ofα-proximal admissible mapping with respect toηand(α,d)regular mapping with respect toη.Based on these new notions,we study the existence and uniqueness of best proximity point for this kind of new contractions in metric spaces with w;-distance and obtain a new theorem,which generalize and complement the results in[Ayari,M.I.et al.Fixed Point Theory Appl.,2017,2017:16]and[Ayari,M.I.et al.Fixed Point Theory Appl.,2019,2019:7].We give an example to show the validity of our main result.Moreover,we obtain several consequences concerning about best proximity point and common fixed point results for two mappings,and we present an application of a corollary to discuss the solutions to a class of systems of Volterra type integral equations.     

Network-Initialized Monte Carlo Based on Generative Neural Networks

We design generative neural networks that generate Monte Carlo configurations with complete absence of autocorrelation from which only short Markov chains are needed before making measurements for physical observables,irrespective of the system locating at the classical critical point,fermionic Mott insulator,Dirac semimetal,or quantum critical point.We further propose a network-initialized Monte Carlo scheme based on such neural networks,which provides independent samplings and can accelerate t...