分布式系统与网络
从 P2P、Overlay 与传感器网络切入,建立大规模系统视角。
主题可重叠,数量表示由标签与论文题目匹配到的关联论文。
按问题与方法的变化聚合,而非逐年堆叠关键词。
从 P2P、Overlay 与传感器网络切入,建立大规模系统视角。
GreenOrbs 等长期部署暴露教科书假设失效,并推动理论化研究。
相位、极化、人眼—相机差异成为通信、定位与隐私的新资源。
研究重心延伸到联邦学习、差分隐私、边缘智能与机密推理。
只展示在多篇论文中重复出现、且能回到来源的模式。
先找真实环境中最先失效的假设,再决定需要怎样的机制与理论。
把识别、定位或估计改写成信道、编码与解码问题。
算法之后继续追问:何时可定位、可估计,以及最坏情况的上下界。
当前展示 9 篇高信号论文,完整索引共 674 篇。
把定位从单个算法问题上升为误差控制与网络可定位性理论,给出统一的研究框架。
真实部署显示瓶颈节点分散在网络各处,网络动态更多来自并发竞争,而非环境变化。
利用人眼与相机在时间融合和滚动快门上的差异,让视频可观看却难以被相机忠实记录。
非视距条件下天线间相位差方差更大,多子载波加权能够放大这一差异。
两阶段通用哈希在无需完美哈希的前提下,仍可为大规模 RFID 计数给出严格精度界。
在感知均匀色彩空间中精确控制色差,使屏幕—相机通信兼顾不可见性与吞吐量。
多传感器、多轴数据形成高维指纹空间,LSTM 能学习比手工特征更稳定的设备本质特征。
把 RFID 极化效应从误差源转化为位置与朝向的可计算信号,实现单标签三维追踪。
利用 Transformer 层间顺序性,只保留首尾层密钥即可锁定推理并降低通信复杂度。