XiaoMi-AI文件搜索系统
World File Search System网格的
智能网格的无证书两方认证的关键协议计划
智能电网是一个完全自动化的电力传输网络。它监视并控制每个用户和网格节点，以确保所有节点之间的信息和功率的双向流。，如何在智能电网环境中众多通信代理之间获得安全共享是一个重要的问题。身份验证的密钥协议（AKA）是在智能电表和实用程序之间进行安全通信的一个不错的选择。近年来，已经为智能网格环境提出了一些又名计划。这些方案中有两个缺点：首先，它们是根据传统的公钥基础设施（PKI）或基于身份的密码学（IBC）构建的，因此它们遭受了认证管理问题或密钥托管问题的困扰。第二，这些方案的安全性证明是在随机Oracle模型（ROM）中完成的。众所周知，在ROM中证明是安全的一项加密方案并不是必需的，这在实际应用中是安全的。在本文中，我们为智能网格提供了一项毫无根据的两方身份验证的密钥协议（CL2PAKA）计划，然后在标准模型中提供安全证明。我们的方案不需要配对操作，只需要四个刻度乘法操作，因此它比以前的计划更有效。2020 Elsevier Inc.保留所有权利。
落后的异质分布能源对分销网格的影响：预印本
摘要 - 分布式能源资源（DER）在电网上增加的整合带来了实用电网操作的新挑战和机遇。随着DERS的快速部署，将这些可控设备与各个级别的实用程序操作集成在一起，以进行监视和管理。通过增加幕后数量（BTM）的挑战并确定部署高级控制的需求，一项全面的网格影响研究是必不可少的。本文提出了分析，有助于可视化对网格的影响，确定挑战，并洞悉新的分配管理和控制需求，以实现可靠和弹性的网格操作。索引条款 - 分配的能源资源，分配网络，幕后电压，电压，opendss。
绿色网格的排放感知能量存储计划
减少我们对碳密集型能源的依赖对于减少电网的碳足迹至关重要。尽管电网看到清洁，可再生能源的部署越来越多，但使用传统的碳密集型能源仍可以满足网格需求的很大一部分。在本文中，我们研究了使用网格中部署的能量存储来减少电网的碳排放的问题。以前已将储能用于网格优化，例如剃须和平滑的间歇来源，但我们的见解是使用分布式存储来使公用事业能够减少其对效率较低和大多数碳密集型发电厂的依赖，从而减少其整体排放脚印。我们制定了排放意识到分布式储能的问题作为优化问题，并使用强大的优化方法非常适合处理负载预测的不确定性，尤其是在存在间歇性可再生能源（例如太阳能和风能）的情况下。我们使用具有1,341套房屋的分配网格的最佳神经网络负载预测技术和实际负载痕迹评估我们的方法。我们的结果表明，年度碳排放量降低了50万公斤，相当于我们的电网排放量下降了23.3％。
战术领域弱势网格的 SOA 建议
1.0 简介 1 1.1 范围 1 1.2 IST-118 团队介绍 1 1.3 本报告的范围和结构 1 2.0 方法 2 2.1 目的 2 2.2 螺旋方法 3 2.3 场景 4 2.4 网络类型 4 2.5 测试和评估 6 3.0 服务 6 3.1 NATO 核心服务 6 3.1.1 技术背景 7 3.1.2 W3C 的 Web 服务 – NATO 的选择 7 3.2 选定的核心服务 8 4.0 核心服务建议 8 4.1 跨层适配 10 4.1.1 哪些优化是可能的？ 10 4.1.2 IST-118 在跨层适配领域的贡献 10 4.1.3 前进的方向是什么？ 11 4.2 消息服务 11 4.2.1 请求/响应服务 11 4.2.2 发布/订阅服务 13 4.3 CIS 安全服务 15 4.3.1 使用哪些标准？ 15 4.3.2 这项服务在战术领域面临的主要挑战是什么？ 16 4.3.3 可以进行哪些优化？ 16 4.3.4 IST-118 在 CIS 安全服务领域的贡献 16 4.3.5 CIS 安全服务建议 17
b'one 在某种意义上用 O \xe2\x88\x9a \xf0\x9d\x91\xa1 步量子行走代替经典随机游走的 \xf0\x9d\x91\xa1 步。需要注意的是，量子快进只能以非常小的成功概率产生最终状态。然而，在我们的应用中，它以概率 e \xce\xa9 ( 1 ) 成功。这通过一个富有洞察力的论点表明，该论点根据经典随机游走来解释量子快进的成功概率。也就是说，它对应于经典随机游走从一个随机的未标记顶点开始，在 \xf0\x9d\x91\xa1 步后访问一个标记顶点，但在 \xf0\x9d\x91\xa1 个额外步骤后返回到未标记顶点的概率。我们表明，通过调整游走的插值参数，可以将该概率调整为 e \xce\xa9 ( 1 )。在第 2 节中描述了一些准备工作之后，我们在第 3 节中讨论了算法 1 和主要结果，并在第 4 节中提供了分析的细节。在第 5 节中，我们表明 HT + 和 HT 之间的差距确实可能非常大。我们在 \xf0\x9d\x91\x81 \xc3\x97 \xf0\x9d\x91\x81 网格上构造标记元素的排列，其中 HT + = \xce\xa9 ( \xf0\x9d\x91\x81 2 ) 但 HT = O( \xf0\x9d\x91\x93 ( \xf0\x9d\x91\x81 ))，其中 \xf0\x9d\x91\x93 任意缓慢地增长到无穷大。这表明当有多个标记元素时，Krovi 等人的算法可能严重不理想。原因是他们的算法实际上解决了一个更难的问题：它从限制在标记顶点的平稳分布中采样（在网格的情况下为均匀分布）。因此，当从该分布中采样比仅仅找到一些标记元素困难得多时，他们的算法可能会很慢。在第 6 节中，我们介绍了第二种更简单的新算法，我们推测 2 可以在 O \xe2\x88\x9a' 时间内找到一个标记元素
b'one 在某种意义上用 O \xe2\x88\x9a \xf0\x9d\x91\xa1 步量子行走代替经典随机游走的 \xf0\x9d\x91\xa1 步。需要注意的是，量子快进只能以非常小的成功概率产生最终状态。然而，在我们的应用中，它以概率 e \xce\xa9 ( 1 ) 成功。这通过一个富有洞察力的论点表明，该论点根据经典随机游走来解释量子快进的成功概率。也就是说，它对应于经典随机游走从一个随机的未标记顶点开始，在 \xf0\x9d\x91\xa1 步后访问一个标记顶点，但在 \xf0\x9d\x91\xa1 个额外步骤后返回到未标记顶点的概率。我们表明，通过调整游走的插值参数，可以将该概率调整为 e \xce\xa9 ( 1 )。在第 2 节中描述了一些准备工作之后，我们在第 3 节中讨论了算法 1 和主要结果，并在第 4 节中提供了分析的细节。在第 5 节中，我们表明 HT + 和 HT 之间的差距确实可能非常大。我们在 \xf0\x9d\x91\x81 \xc3\x97 \xf0\x9d\x91\x81 网格上构造标记元素的排列，其中 HT + = \xce\xa9 ( \xf0\x9d\x91\x81 2 ) 但 HT = O( \xf0\x9d\x91\x93 ( \xf0\x9d\x91\x81 ))，其中 \xf0\x9d\x91\x93 任意缓慢地增长到无穷大。这表明当有多个标记元素时，Krovi 等人的算法可能严重不理想。原因是他们的算法实际上解决了一个更难的问题：它从限制在标记顶点的平稳分布中采样（在网格的情况下为均匀分布）。因此，当从该分布中采样比仅仅找到一些标记元素困难得多时，他们的算法可能会很慢。在第 6 节中，我们介绍了第二种更简单的新算法，我们推测 2 可以在 O \xe2\x88\x9a' 时间内找到一个标记元素
改进基于网格的数字高程合并方法...
*Eawag：瑞士联邦水生科学与技术研究所，瑞士。电子邮件地址：joaopaulo.leitao@eawag.ch **贝尔格莱德大学土木工程系，塞尔维亚贝尔格莱德。电子邮件地址：eprodano@hikom.grf.bg.ac.rs ***伦敦帝国理工学院土木与环境工程系，英国伦敦。电子邮件地址：c.maksimovic@imperial.ac.uk