精选
在当今社会，网络技术已成为不可或缺的基础设施，深刻地影响着人们的生活和工作。北京邮电大学作为信息网络科学与技术、计算机科学与网络安全等领域的顶尖学府，一直致力于相关技术的研究与创新。
为了给读者提供更多的论文选题灵感，本文精心挑选了5篇北京邮电大学在该领域发表的优秀文章，希望能为您的研究提供有价值的参考。
1.走向鲁棒路由：利用图转换器和软件定义网络中的深度强化学习实现远程感知
本文提出了一种名为Graph Transformer Star Routing (GTSR) 的新型算法，用于增强软件定义网络(SDN) 中路由优化对拓扑变化的鲁棒性。
选题方向参考
未来的研究方向可以从以下几方面着手：一是探索分布式多智能体架构，打破对中央控制器的依赖，使路由器仅通过本地通信即可做出决策；二是在更复杂变化和流量的环境中进行评估，优化图神经网络 (GNN) 和多智能体深度强化学习 (MADRL) 的设计；三是改进MADRL合作机制，突出智能体的不同角色以及节点之间的共性与差异。
2.基于DRL的LEO卫星网络动态SFC编排算法
本研究旨在通过高效的SFC部署和调整，最大化服务提供商在LEO卫星网络中的收益。提出了一种基于近端策略优化 (PPO) 的新型动态SFC编排算法PPOSFC，该算法将未来拓扑信息纳入决策过程。
选题方向参考
未来的研究可以探索分布式训练、多目标权重自适应调整等技术，以进一步提升算法的性能和可扩展性。同时，卫星节点间物理资源的负载均衡也是新的研究方向，特别是负载均衡、服务质量与运营成本之间的权衡。
3.基于簇内联邦学习的核心网流量预测模型传递框架
本文针对计算能力有限的子网 (LCP-Nets) 在蜂窝流量预测中的应用问题，提出了一种基于联邦学习的模型迁移框架。
选题方向参考
未来可以从以下两个方向展开研究：
利用其他多维数据，如区域人口密度和紧急事件信息，而这些数据对蜂窝流量预测具有重要价值。
通过人工智能挖掘交通特征，当前交通特征需要由模型用户手动定义，虽简单有效，但仍可能存在其他有助于预测的交通特征，有待通过人工智能挖掘。
4.入侵检测系统中基于模型仿真分析的对抗样本生成
本文提出了一种基于模型模拟的对抗样本生成新方法，该方法能在短时间内快速生成对抗样本，并通过对抗训练提升模型的泛化能力和鲁棒性。
选题方向参考
未来的研究可以专注于生成涵盖各种攻击向量的对抗样本，以增强检测模型的鲁棒性。同时，由于当前模型是离线训练的，与实时检测系统存在偏差，因此未来可以进一步探索如何将动态样本选择整合到对抗训练中，以增强实时检测系统的鲁棒性
5.将视觉数据连接到隐私：预测和测量图像中的隐私风险
本文提出了一种图像隐私度量方案，结合用户隐私偏好，通过隐私特定的空间注意力机制提高预测精度，利用集合对分析 (SPA) 理论将网络输出作为隐私值，并结合用户研究及主成分分析修正和执行用户隐私偏好，能够端到端预测隐私风险，指导用户在开放平台分享数据。
选题方向参考
该研究在自建视觉隐私数据集上实现了隐私等级量化，但因多标签分类模型泛化能力不足，未达最优效果。未来工作包括：收集更多元视觉隐私数据集以提升模型泛化能力；探索不同神经网络模型与结构 (如GAN、自编码器) 提取隐私特征；尝试多任务学习、迁移学习方法；设计新度量指标；探索隐私测量结果解释方法；考虑不同隐私偏好并应用加权集合对分析理论计算数据隐私量。
此外，PSSA - SPA 的融合增加了计算开销，对实时应用构成挑战。未来需优化模型效率，探索模型剪枝、量化及硬件加速等手段减少计算时间。还需探索轻量级模型变体以满足边缘计算应用需求，如减少PSSA中注意力头数量、近似SPA计算等，并进行全面评估以确定模型在实时场景中的性能、部署资源需求及在边缘设备上的可行性。
Electronics 期刊介绍：https://www.mdpi.com/journal/electronics
主编：Prof. Dr. Flavio Canavero, Polytechnic University of Turin, Italy
期刊涵盖的研究领域包括但不限于：电子材料、微电子学、光电子学、工业电子、电力电子、生物电子、微波和无线通信、计算机科学与工程、系统与控制工程、电路和信号处理、半导体器件、人工智能、电动和自动驾驶汽车、量子电子等。期刊致力于快速发表与广泛电子领域相关的最新技术突破以及前沿发展。
2023 Impact Factor：2.6
2023 CiteScore：5.3
Time to First Decision：16.4 Days
Acceptance to Publication：2.4 Days
转载本文请联系原作者获取授权，同时请注明本文来自MDPI开放科学科学网博客。
链接地址：https://wap.sciencenet.cn/blog-3516770-1480563.html?mobile=1
收藏
