引 言 大数据拥有数据量巨大；数据类型多样；数据中富含价值； 在尽可能短的时间内挖掘出数据的真实性等典型特征[1]。 数据挖掘技术 [2]（Data Mining）可在大型数据库中自动发现有用信息，具有聚类分析，预测建模，关联分析，异常检测等功能，既可以独立运行，也可以联合操作。聚类分析实用的技术包括 K 均值、凝聚层次聚类、dbscan、簇评估等，主要目的在于通过基于原型、密度、图像等的聚类，发现其间关系。预测建模更多的是一种可视化角度分析方法，利用分类、回归等方法建立模型以解决问题。数据挖掘技术分为统计方法、机器学习方法、神经网络方法和数据库方法。 计算机机器人专业博士邓侃 [3] 表示，大数据不是忽悠， 关键要能够发现其中的价值，而数据挖掘的算法、云计算和并行计算就是发现数据价值的工具。 科技情报服务平台维护的公益类科技服务平台，是为顺应情报系统的网络化、智能化、集成化和决策化的未来发展要求而构建的自动化情报收集与服务体系，可从每日涌现在互联网上的海量信息中快速、准确地获取有用信息，并完成对情报资料的自动筛选、分类、分析工作，为政府部门、科研人员和企业提供具有前瞻性、时效性和专业化的情报服务。它采用知识管理的理念和技术对科技信息资源进行深度挖掘和战略优化，通过强化科技信息的智能采集和深度加工、发布和共享机制，构建科技情报创新服务体系。 1 数据挖掘简介 数据挖掘的主要任务是关联分析、聚类分析、分类、预测、时序模式和偏差分析等[4]。 (1) 关联 分 析（AssociationAnalysis）。 关联 规 则由 RakeshApwal 等人率先提出。两个或两个以上变量取值之间存在的规律称为关联，使得所挖掘的规则更符合需求。 (2) 聚类分析（Clustering）。聚类是把数据按照相似性归纳成若干类别，同一类中的数据彼此相似，不同类中的数据相异。 (3) 分类（Classification）。分类即找出一个类别的概念描述，它代表了这类数据的整体信息，即该类的内涵描述，并用这种描述来构造模型，一般用规则或决策树模式表示。 (4) 预测（Predication）。预测是利用历史数据找出变化规律，建立模型，并由此模型预测未来数据的种类及特征。 (5) 时序模式（Time-SeriesPattern）。时序模式是指通过时间序列搜索出重复发生概率较高的模式。 (6) 偏差分析（Deviation）。在偏差中包括很多有价值的知识，数据库中的数据存在诸多异常情况，而发现数据库中数据存在的异常情况非常重要。 2 科技信息采集与存储系统 使用垂直搜索技术在互联网扩大信息搜集途径，实现了科技信息的采集与存储[5]。智能情报加工系统运用信息抽取、机器学习、自然语言理解、信息检索等技术对文本进行处理， 实现对海量信息的数据挖掘，完成数据的自动分类、聚类、去除重复信息、发现关联规则、自动文摘的生成等。科技信息发布与共享平台通过将门户型科技信息发布平台作为情报发布、信息共享、交流互动的窗口与载体，可提供情报简报的自动生成、定题服务等功能。 该平台是集情报收集、存储、处理和分析于一体的新一代综合性信息系统。其主要功能是协助情报人员制定情报计划， 系统地收集信息，并对收集到的信息进行分析和加工，生成情报产品并提交给用户，为用户提供公益情报服务。 3 科技信息采集与存储体系 科技信息采集与存储体系的主要功能在于可完成情报信息分类体系规划与情报信息源规划。采用垂直网站抓取技术， 通过设置关键词、数据源、重要程度等抓取策略，自动发现互联网相关内容，并对页面进行抓取。通过索引技术对抓取到的文档进行全文索引，为用户提供全局文档信息搜索结果； 搜索结果以知识树的方式展现，并实现对抓取内容的管理。 抓取器由 URL 搜索引擎、页面抓取引擎 [6]（页面抓取器） 组成，用以实现 URL 发现。抓取器需要对页面中的目录页面、 列表页面等非描述性内容页面进行剔除。URL 搜索引擎首先 对全互联网相关内容的 URL 进行搜索，并执行去重检测，以 保证相同页面只被抓取一次。 页面抓取引擎抓取页面后，对其内容进行分析，剔除其中 的非正文内容页面。抓取器内含定时抓取策略，可按一定时间 周期和抓取策略进行循环抓取，以确保我们能够及时获取互 联网更新的内容。 4 数据聚类算法 聚类，即一些给定的元素或者对象分散存储在数据库中， 根据我们感兴趣的对象属性对其进行聚集，同类对象之间相似度高，不同类之间差异较大。其最大的特点是事先不确定类别。这其中最经典的算法非 KMeans 算法[7] 莫属，而这也是最常用的聚类算法。在给定 K 值和 K 个初始类簇中心点的情况下，把每个点（亦即数据记录）分到离其最近的类簇中心点所代表的类簇中，待所有点分配完毕后，根据类簇内的所有点重新计算该类簇的中心点（取平均值），然后迭代进行分配点和更新类簇中心点的步骤，直至类簇中心点变化微小，或达到指定的迭代次数为止。KMeans 算法虽然思想比较简单，但合理确定 K 值和 K 个初始类簇的中心点对于聚类效果而言有很大影响。 5 信息抓取管理平台 信息抓取管理平台 是控制抓取的后台工具，分为 关键词抓取 和 深度抓取 。 关键词抓取 [8] 是指在互联网上抓取具有特定关键词的网页，每 24 小时抓取一次，于夜晚进行，以保证抓取网页与互联网上的信息同步更新。 深度抓取 [9] 是指一次性获取某个网站的全部信息，以快速积累初始数据。深度抓取是一次性的抓取，不会更新。 5.1 关键内容抓取 根据北京科技信息网的需求，确定数据搜索内容包括科技政策科技动态等频道内容。抓取器通过设定依内容抓取的策略，对全网内容进行抓取。并通过后端的内容聚 合进行内容的后处理，以便实现关键内容的抓取。如图 1 所示， 当标签位置为“普通抓取”时，可实现对关键内容的抓取 5.2 深度抓取 北京市科技信息网 对一些特定网站设定了全站内容抓取，对全站内容进行一次性内容获取，并实时对其更新的内容进行监控，同步抓取。如图 2 所示，当标签位置为 深度抓取时，可以实现对全站内容的抓取。 图 2 控制台的深度抓取界面 5.3 工作状况的实时监控与回溯查询 实时监控终端对引擎运行的各项指标进行实时监控，以随时掌握引擎的运行状态。 回溯查询平台 可查看已抓取的网页和网页去噪情况。回溯查询平台界面如图 3 所示。…

引 言 道路交通信号灯是交通管理中一种比较重要的工具，有时会由于人为或环境等因素，导致交通信号灯出现故障。考虑到交通信号灯的特殊性，应尽快修好。但故障通常通过执勤交警在日常站岗巡逻过程中发现或热心市民通过报警等方式告知，还需要相关部门人员首先通知交通设施部门，然后再安排维修人员维修，不仅浪费时间，还无法获得确定的信息，因此在无形中拉长了维修时间。本文使用无线传感器网络在交通信号灯处采集其故障信息，通过DSP 处理器将所收集的信号发送至无线通信接口，最终送至上位机。 1 系统概述 无线传感器网络中融入了传感器技术、嵌入式技术、无 线通信网络技术等，可通过不同类型的集成化微型传感器共 同监察、感知和采集不同情形下的数据，通过自组织多跳的网 络方式发送到用户终端，帮助人们探索未知事物。且无线传感 器网络加强了人们捕捉信息的能力，能够把客观世界的物理信 息同传输网络紧密结合起来，其结构由分布在监控区域内的 大量传感器节点、通信网络、汇任务管理节点结合而成。传感 器节点使用能量有限的电池供电。利用传感器节点能够获取大 量外界信息，通过传感器节点将勘察到的信息通过其他传感器 节点逐跳传送，经多跳后路由到汇聚节点，经过卫星或互联网 发送至任务管理节点，如图 1 所示。 2 硬件设计 无线节点的硬件结构框图如图 2 所示，主要包括数据采 集模块、数据处理模块、无线收发模块。传感器节点收集到 交通灯故障信号时，经信号处理器 DSP 分析处理后，将以上 数据通过无线通讯模块发送至无线终端模块，并在上层界面 中展示。 2.1 数据采集模块 无线传感器网络除了可以完成特定的环境数据采集功能， 还具备存储和简单的处理功能，不仅可将数据转发给汇聚节 点、终端节点，还能够作为路由使用，将远离汇聚节点的采集 节点采集的数据转发给汇聚节点。汇聚节点由网络通信模块、 数据处理模块、能源管理模块构成，对比终端节点，汇聚节点 缺少传感器数据采集模块，当传感器节点捕捉到交通灯故障 信息时，将捕捉到的数据传给网关节点，网关节点汇集节点传 送来的监视范围内的数据，并通过传输介质即移动通信网络将 监测到的数据传到数据管理中心与 DSP 处理器。 2.2 数据处理模块 DSP 是一种专门实现信号处理算法的微处理器芯片。 DSP 具有实时处理的特点，能够在短时间内完成处理并输出 结果，对外界事件迅速做出反应。处理器必须配置完整的辅 助器件才能正常工作，当用于分析处理的外部接口电路 FPGA 作为 DSP 辅助接口时，终端节点将图像数据发送到 DSP 处理器，通过无线通讯接口将数据传到上位机接口，并最终在界面 中显示出来。 2.3 供电模块 无线传感器节点由电量有限的电池供电，资源匮乏，导致 传感器网络的能量资源、计算能力、存储能力受到限制。而 勘察数据一般随机散布在整个网络的覆盖范围内，搜集和分 析数据使得节点之间的通信需花费大量能量。由于低功耗高 性能无线传感器网络节点应用于实时性要求高的场所，所以提 供了供电模块，避免节点因能耗降低而影响信号收集的实时性。 3 软件设计 上位机软件可以在 PC 机上完成对传感节点的控制与传感 器节点间的通讯。采用 VC++ 环境对上位机进行编译。上位 机界面软件通过串口与簇头节点结合，使无线传感器网络将上 位机界面软件的控制命令传递到相应的传感器节点，再把传 感节点的数据传送到上位机界面软件。 4 结 语 本文利用无线传感网络收集数据，经过 DSP 处理数据后， 将数据通过无线通信的方式上传到上位机界面，能够更快地 对故障交通灯做出处理，节约了出现故障到发现故障的时间， 降低了故障带来的影响。

引 言 近年来，随着网络通信技术的不断发展和各种智能终端设备的飞速普及，实现海量终端间互联互通的物联网（Internet ofThings，IoT）正在进行广泛部署[1]。然而，随着连接设备的不断增加与连接规模以及应用场景的不断扩展，物联网庞大的网络体系和其中流转的海量数据正面临着巨大的安全挑战，俨然已成为制约物联网发展的瓶颈之一，无论是信息泄露、系统破坏或者被外部控制，都会造成严重损失[2,3]。因此，物联网数据安全与隐私保护问题受到了愈来愈多的关注，也成为了物联网领域的研究热点之一。 相较于传统网络，物联网的感知节点大多部署于无人值守的环境中，具有能力脆弱、资源受限等特点，导致传统的网络安全防御手段不再适用，从而使得物联网的安全问题具有很大的特殊性。因此，在解决物联网安全问题时，必须根据物联网自身的特点设计相关的安全机制。 基于上述需求，本文提出了一种基于软件定义网络（SDN） 的异构型物联网安全解决方案，应用SDN 技术在物联网的网络层和应用层，将网络控制与业务转发相分离，通过网络虚拟化，将网络安全作为一种应用面向物联网用户提供服务，实现对网络安全资源的集中调度、网络安全标准的统一整合和网络安全策略的灵活配置[4,5]。 1 异构型物联网面临的主要安全问题 随着物联网的广泛部署，在同一环境中经常会存在多种不同类型的物联网互联以共享数据，即形成了异构型网络。在异构型物联网中，由于感知设备、网络拓扑、数据类型、传输协议各异，导致面临的安全问题更加复杂棘手。 物联网安全的总体需求是物理安全、信息采集安全、信息传输安全和信息处理安全的综合，安全的最终目标是确保信息的机密性、完整性、真实性和网络容错性。因此，结合异构型物联网的连接和管理（DCM）模式，本节给出了相应的安全层次模型，如图 1 所示，并对每层所面临的安全问题进行系统阐述[6]。 根据功能的不同，物联网网络体系结构主要分为 3 个逻辑层。底层是进行信息采集的感知层，中间层是进行数据传输的网络层，顶层则是包括管理服务层和综合应用层的应用/ 中间件层。 1.1 感知层的安全问题 物联网感知层用以智能感知外界信息，包括信息采集、捕获和物体识别。该层的典型设备包括 RFID 装置和各类传感器（红外、超声、温度、湿度、速度传感器）等。 传感器作为物联网的基础单元，决定着物联网感知任务的成败，由于感知层的泛Sensor 无处不在，导致IoT 终端不可信，主要存在如下安全问题： (1) 终端在户外分散安装，易被接触又未纳入管理，容易遭到物理攻击、篡改和仿冒； (2) 终端驱动的不可信，可能导致泄密和被控制； (3) OS或软件过时，漏洞无法及时修复； (4) 考虑到成本问题，终端资源计算能力有限，防病毒等传统的保护手段和高安全技术可能无法应用。 1.2 网络层的安全问题 物联网网络层主要实现信息的转发和传送，它将感知层获取的信息传送到远端，为数据在远端进行智能处理和分析决策提供强有力的支持。考虑到物联网本身具有专业性的特征， 其基础网络可以是互联网，也可以是具体的某个行业网络。网络层IP化和融合化打开了威胁的大门，因此物联网的网络层安全问题主要体现在如下几个方面： (1) 无线协议本身存在缺陷，如缺乏有效认证可能导致接入侧泄密； (2) 封闭的工业应用与协议无法被安全设备识别，被篡改和入侵后无法及时发现； (3) 未加密的通信过程容易遭受劫持、重放、篡改和窃听等中间人攻击； (4) IP化后面临IP体系的安全问题，如来自互联网的攻击和入侵。 1.3 应用层的安全问题 物联网应用是信息技术与行业专业技术紧密结合的产物。物联网应用层充分体现了物联网智能处理的特点，涉及业务管理、中间件、数据挖掘等技术。考虑到物联网涉及多领域、多行业，因此，广域范围的海量数据信息处理和业务控制策略将在安全性和可靠性方面面临巨大挑战，特别是业务控制、管理和认证机制、中间件以及隐私保护等安全问题尤为突出，主要包括以下几个方面： (1) 平台层管理的设备分散繁多，设备升级过程和安全状态等难以管理； (2) 新的通信协议可能引起应用层的安全问题，导致出现漏洞，比如畸形攻击、泛洪攻击等； (3) 新平台自身存在的漏洞和 API开放等容易引入新的风险； (4) 越权访问导致隐私和安全凭证等重要数据有被泄露的风险； (5) 应用丰富、数据中心出口多，DDoS等网络攻击风险高； (6) 参差不齐的IoT应用存在不可信风险。 此外，设备、网络和应用的厂商存在差异，导致单一厂商无法进行全面的安全防护，甚至无法看到整个攻击面。 综上所述，异构型物联网的各个层面均面临多种安全威胁，即使分别保证感知层、网络层和应用层的安全，也无法保证整个物联网的安全。这是因为物联网是融多层于一体的大系统，许多安全问题具有多层次、多维度等特点，而传统的安全防御手段难以有效应对物联网中的各种安全威胁，因此需要研究建立一体化的端到端安全防御体系，确保即使物联网在遭遇攻击时整个系统仍可持续运行。 2 基于SDN的异构型物联网安全方案 SDN 采用与传统网络截然不同的控制架构，解耦网络控制层面和转发层面，采用集中控制替代原有的分布式控制，并通过开放和可编程接口实现 软件定义 。基于SDN 的新型物联网架构如图 2 所示。与传统物联网架构相比，基于SDN 的物联网架构具有以下 3 个显著优势： (1) 统一控制物联网中的海量数据在泛感知节点与分布式数据中心间进行相互传递； (2) 统一协调全网的存储、计算等资源； (3) 统一对全网数据进行处理并做出整体决策。 本文将 SDN 引入异构型物联网中，借助网络虚拟化和OpenFlow 技术 [7] 与OPenFlow 安全网关、SDN 控制器、安全控制器 / 服务器、应用层网络安全服务，构建全网统一安全监控管理平台[8]，通过全网态势感知，及时发现安全异常，并统一调度全网安全设备，实现对已知和未知威胁的主动防御， 实现端到端的一体化安全防御体系。基于SDN 的异构型物联网安全防御系统方案如图 3 所示。 2.1 OpenFlow安全网关 在异构型物联网中，使用网关可以支持多种不同类型物联网互联，并且能够消除不同物联网中多种感知设备所采集数据类型间存在的差异，由此可简化整个异构型网络架构和其中的数据通信管理。基于 OpenFlow 的安全网关包含多种流量表和群组表，可以执行数据包的查询和转发等操作，以及实现不同类型物联网的互联，向下为感知层传感器接入网络提供接口，向上通过南向接口支持上层 SDN 控制器规划全网流量路径，可任意增加、更新或者删除网关中的流规则，实现高效的全网流量管理。 2.2 SDN控制器、安全控制器/服务器 SDN 控制器具备对网络进行集中管控的能力，SDN 控制器通过标准化的南向接口协议OpenFlow管理底层的物理网络和设置的虚拟网络，通过北向API接口向上层提供服务，屏蔽了具体物理设备的细节。在控制层增加网络安全系统模块， 主要包括网络安全控制器和安全策略服务器。网络安全控制器是一个安全服务执行单元，监控下层网络的安全状态，并根据网络和用户需要执行相应的安全策略等。安全策略服务器主要负责根据用户申请的业务情况向上层安全应用订阅相关服务，并存储上层应用提供的安全策略，供网络安全控制器查询使用。 2.3 应用层网络安全服务 在SDN 控制层的网络安全系统模块上运行着不同的应用层网络安全服务，可实现流量监控，威胁 / 异常检测和威胁 / 异常消除等功能。处理流程可以归结为以下几方面： (1) 数据收集分析服务：数据收集分析服务通过下层SDN控制器收集全网流量数据，并进行实时数据统计分析，然后在周期时隙内将分析结果传递给威胁/异常检测服务模块； (2) 威胁…

引 言 我国是小麦种植大国，在麦田管理过程中，存在麦田火灾、 燃烧秸秆及过量使用化肥引起土壤环境问题等现象。近年来， 物联网技术的快速发展和应用 [1,2]，为解决上述问题提供了有 效方法。 ZigBee 技术的通信距离较短，且组网复杂 [3]。LoRa 技 术通信距离较远，主要采用星型轮询组网结构 [4]，组网简单。 通用分组无线业务（General Packet Radio Service，GPRS）是 基于 GSM 的一种新型数据处理业务，也被描述为 2.5G，具 有传输速率高、接入时间短等特点 [5]。由于麦田面积比较大、 监测点多，若只使用 ZigBee 和 GPRS 技术，组网较为复杂 [6]； 若只使用 LoRa 和 GPRS 技术，将会因通信范围内部署节点较 多而导致轮询获取信息的速度较慢。因此，将上述三种无线 通信技术相结合，形成分层系统结构。麦田监控系统可在麦田 科学管理、麦田火灾报警及燃烧秸秆管控方面发挥积极作用。 1 系统总体架构 该 系 统 主 要 由 ZigBee 终 端、ZigBee-LoRa 采 集 器、LoRa-LoRa 中继器、LoRa-GPRS 集中器组成。 由ZigBee 终端采集麦田信息，并将采集到的麦田信息传送到ZigBee-LoRa 采集器，ZigBee-LoRa 采集器将接收到的信息传送到LoRa-GPRS 集中器。若距离较远，则可以使用LoRa-LoRa 中继器，实现远距离传输。集中器将报警信息通过基站传送至麦田负责人，并可将麦田信息通过Internet上传给监控中心。麦田监控系统如图 1 所示。 2 系统硬件结构图 2.1 ZigBee终端 ZigBee 终端主要用于采集多麦田信息， 其结构如图 2所示，包括电源模块、交互模块、主控芯片 MSP430F169、 ZigBee 通信模块及烟雾传感器等。 微量元素和水分对小麦产量有着重要的影响[7]，而滥用肥料将会造成土壤污染[8]。麦田火灾不仅会造成生命财产损失， 且燃烧秸秆对空气亦会造成污染。因此，本文设计的系统主要对微量元素、水分、烟雾进行监测。为防止烟雾传感器被误认为遭到遮挡，特增加了对烟雾传感器遮挡的监测。 2.2 ZigBee-LoRa采集器 ZigBee-LoRa 采集器的结构如图 3 所示，包括电源模块、主控芯片MSP430F169、交互模块、ZigBee 通信模块、LoRa 通信模块及GPS 模块。 当ZigBee 通信模块完成对 ZigBee 终端信息的采集后， 由LoRa 通信模块将采集到的信息上传到LoRa-GPRS 集中器或 LoRa-LoRa 中继器， 全球定位系统（Global Positioning System，GPS）[9]为麦田监控系统提供位置信息。由于ZigBee通信距离较近，因此，在ZigBee-LoRa 采集器中应用GPS 模块即可满足采集信息的位置要求，同时大大节省了成本。 2.3 LoRa-LoRa中继器 LoRa-LoRa 中继器的结构如图 4 所示，包括电源模块、交互模块及LoRa 通信模块。对于距离大面积麦田相对较远的孤立麦田，为减少 GPRS 模块的使用，可以通过LoRa-LoRa 中继器对信号进行复制、放大，保证 LoRa-GPRS 集中器可以不失真地接收到信号。 2.4 LoRa-GPRS集中器 LoRa-GPRS 集中器的结构如图 5 所示，包括电源模块、LoRa 通信模块、交互模块及GPRS 通信模块。LoRa 通信模块用于接收LoRa-LoRa 中继器和ZigBee-LoRa 采集器上传的信息，GPRS…

近年来，随着我国金税工程的不断深化，我国税收控管能力不断增强，税收征管水平不断提高，虚开增值税专用发票等违法犯罪活动得到了有效遏制，但也仍有少数不法分子利用现有防伪税控系统只加密发票七要素的局限性，通过伪造发票、篡改发票信息等手段，非法谋利。为了有效防范新型涉税违法案件（“雷霆一号”）的发生，国家金税工程主要承担者航天信息股份有限公司在原有增值税防伪税控系统上实现了发票信息的汉字防伪。 新系统在原有发票七要素防伪的基础上增加了对购销企业名称等票面重要信息的防伪。自2010年12月启动试运行工作以来，为满足不同行业的需求，并进一步提升识别通过率,航天信息专门组建了技术研发团队，持续推进汉字防伪技术的升级研发。在增值税防伪税控系统基础上，依托发票汉字防伪技术，针对稀土行业的特殊字符展开防伪攻关，对稀土企业开具的稀土发票进行有效的开具管理与开票数据的分析监管，为我国以税务信息化手段跨界资源监管提供了可行性的有效助力。 防堵发票漏洞 作为金税工程的主要组成部分之一，航天信息增值税防伪税控系统是为控管增值税，扼制利用发票偷税、骗税，防止税收流失而研制的。自研发成功以来，目前该系统已成功覆盖350多万户增值税纳税企业，以及全国各级国税单位，不仅为国家税收征管提供了有效技术保障，同时也为国家税收持续增收作出了重要贡献。但是，由于近年来不法分子偷税、漏税的手段越来越复杂，越来越多样化，该系统也逐渐显现出一定的局限性，需要加强防伪手段，从而有效打击日趋多样化的偷、漏税行为，保障国家税收不流失。 为了加强增值税发票票面信息的防伪特性，有效防范不法分子篡改企业名称、商品名称等汉字信息虚开增值税专用发票的犯罪活动，航天信息在原有增值税防伪税控系统上实现了发票信息的汉字防伪。新系统采用数字密码和二维码技术,利用可以存储更多信息量的二维码替代了原来的字符密文，并在加密发票七要素信息的基础上实现了对购销方企业名称等信息的加密、扌艮税采集和解密认证。自2010年试运行以来，该系统凭借防伪能力强、防伪信息量大、兼容性好等三大特点使发票防伪更上一层楼，更进一步地从税收和发票源头上防范了偷、漏税等行为的发生。 跨界稀土资源监管 稀土是我国最丰富的战略资源，它是很多高精尖产业所必不可少的原料。长期以来，由于稀土品种的复杂多样性，针对其的监管往往存在漏洞和不足。为了加强对稀土企业的监管,促进稀土行业持续健康发展，我国政府鉴于航天信息增值税汉字防伪税控系统能够采集销货方纳税人名称、购货方纳税人名称、货物名称等众多发票开票明细的特性以及试运行以来取得的显著成效，决定将我国境内12个省1000多个从事稀土开采、冶炼、分离的企业及稀土商贸企业（以下简称稀土企业）全部纳入稀土行业监管范围。以增值税专用发票为基础,掌握稀土行业开采、分离冶炼产品的销售数量，通过稀土专用发票采集相关数据、查询、统计、分析并导出相关数据，供相关部门加强行业监管时使用。 自2012年6月1日稀土增值税专用发票正式开具以来,目前已成功覆盖稀土产品及应税劳务共计368个品名。通过增值税汉字防伪税控系统在稀土行业的应用我们可以看到，该系统的应用不仅为加强稀土资源监管提供了有效的技术手段，对稳定稀土市场、遏制私挖、盗采等行为具有重要意义，同时也为国家监管重点行业与重点物资提供了良好的借鉴。

轮椅是帮助残疾人士进入社会交流最常用的工具。据世界卫生组织统计，全球有超过 6 500 万人需要坐轮椅，占全球 目前国内外一些学者在这方面做了许多工作，文献 [1] 提出的一种可用于车辆附近障碍物检测、交通信号灯检测的系统便可以扩展到轮椅上。 S.Manogna等人 [2] 提出了一种在加速度计帮助下具有导航功能的轮椅系统，但该系统缺乏障碍物检测系统。松本yoshio提出了基于眼球和大脑运进行动控制轮椅的人机接口， 为了使轮椅运动，使用者必须查看他想要到达的目的地，然后通过点头或者摇头控制轮椅的运动或停止。但该系统的椅子后面必须连接计算机对数据进行处理，导致系统体积很大且成本高昂。同时该系统缺少障碍物检测能力，对盲人没有太多用处。 本文设计的轮椅在原有轮椅的基础上拓展了诸多功能， 可以被身体残疾、视力受损、行动不便的老年人使用。文中设计的控制系统可以安装在任何电动轮椅上，无需做过多修改， 同时还可提供语音指导工具，对视障人士进行语音指导。其子系统使用常用的廉价MP3 播放器与微控制器连接，预录音文件放在该 MP3 中，存储在微控制器中的算法根据要求执行所需剪辑，从而向用户提供必要的帮助。 轮椅的整个控制系统可以分为导航子系统、定位子系统、语音导航子系统、障碍物检测子系统四大模块。系统整体框图如图 1 所示。 1.1 导航子系统 该子系统用于轮椅导航，便于用户将轮椅向任何方向移动。该系统主要由加速度计和磁力计组成，外形为一个小的导航板，可以戴在手腕或头上，按照所需的运动方向倾斜导航板便可以使轮椅向相应的方向移动。X 和 Y 轴的数据从加速度计中读取，与上限和下限比较，如果在范围内，则执行相应动作。该过程可以防止由于意外冲击造成读取数据突变，导致椅子失速，对用户造成伤害。表 1 所列为读数的上限和下限。 1.2 定位子系统 该子系统使用有源 RFID 技术构建，用于实时定位监控轮椅在室内的位置。将有源 RFID 标签放置在室内一些重要地方，用户可以通过语音系统获得当前轮椅所在位置，比如靠近楼梯，门口或者不同路径通向不同地点的路口。轮椅进入便签范围后，附在轮椅上的RFID 接收器会获得标签的唯一ID 并将信息传递给微控制器。微控制器将接收到的ID 与预先存储的ID 列表进行对比，找到信息相匹配的ID 位置，生成MP3 播放器控制信号。 1.3 语音导航子系统 该子系统由一个MP3 播放器和微控制器组成，适合为视觉受损的人群提供导航。MP3 播放器中预装了剪辑音频，当轮椅运动到RFID 标签范围内时，微控制器将接收到唯一的标签 ID，然后向 MP3 播放器发送信号，播放特定的剪辑音频， 从而向用户提供周围的环境信息。用户通过耳机收听音频，可以很清楚地知道自己目前所处位置，以及可以到达的地方。 1.4 障碍物检测子系统 该子系统由超声波传感器组成，用以检测障碍物。这些传感器可以发出频率远高于人耳可感知的频率范围的声波，这些声波撞击到物体后会产生反射声波并被传感器接收，因此， 通过测量声波来往的总时间，就可以计算出离障碍物的距离。其计算公式为： s=（t 10-6 34300）/2（1）  式中：s 为离障碍物的距离，t为测量声波来回的时间。在该系统中，我们设定 40cm为极限。如果任何障碍物接近该极限， 蜂鸣器便会被激活并告知用户。但如果障碍物更靠近轮椅，则停止该方向的运动。 该系统的工作流程如图 2 所示。 2.1 加速度计和磁力计 加速度计是一种微电机系统，可以测量无论是由重力还是运动所产生的加速度。磁力计用于测量磁场强度，在某些情况下还可以测量空间的磁场方向。本文使用LSM303DLHC 模块，该模块由一个数字 3 轴加速度计和 3 轴磁力计构成，而且满足I2C通信协议。该模块的加速度测量范围为 2～16 g， 满量程磁场测量范围为 1.3 ～ 8.1 Gs。 2.2 超声波测距仪 超声波传感器的工作原理类似雷达或声纳，它们都会产生高频声波并接收反射回来的声波。传感器计算发送信号和接收回波之间的时间间隔，计算确定距离物体的位置。本文使用HC-SR04 超声波传感器，工作频率为 40 Hz，可以测量2 ～350 cm 的距离，精度为 3 mm。 2.3 有源RFID 为了自动识别和跟踪附加到对象的标签，本文采用无线非接触式射频识别（RFID），利用射频电磁场进行数据传输。有源 RFID 标签采用电池供电，功耗低，识别范围相对较长。本系统使用的RFID工作频率为433 MHz，识别范围为4 ～5 m。 3 结 语 本文设计的系统可为身体残疾人士、视力受损人士和老人提供一些正常生活所需的帮助。该系统成本低、易实现，配有用于轮椅运动的加速度计和用于障碍物检测的超声波传感器。该系统的语音导航功能可以随时指引用户到达目的地。因此，该系统具有一定的现实意义，可有效协助需要帮助的人群。

引 言 随着电子产品设备的普及，手持设备（手机、平板电脑等） 的人均拥有数量增多，设备日趋微型化，经常发生急于寻找某种设备却不能快速准确找到的情况，影响了人们生活或工作的效率。虽然这些设备使用方便，但丢失之后难以寻找。特别是盲人人群，由于无法直接看到，因此寻找东西对于他们来说更为困难。为解决这一问题，目前成熟的产品可将定位的RFID 标签以贴片形式置于设备上，但该做法并不安全，被人捡到后易被撕下，在使用过程中也有可能被磨损或丢失。还有一种是蓝牙追踪器，采用黏胶或夹扣的形式附加在设备上，但使用和携带不便，容易损坏，且受蓝牙无线传输距离的限制，使得上述装置具有一定的局性限。也有一些无线寻物装置，可以方便寻找物品，通过智能终端发送命令来控制装置发声或发光， 但缺少反馈设备所在位置信息以及语音播报功能。 1 语音寻物探测方法的具体实现 WiFi 语音寻物探测基于RSSI 三角定位算法，将处于同一个WLAN 的无线路由器、探测节点与被测节点（文章中三个节点的编号分别为 1、3、2）定义为三角形的三个顶点，分别测量出探测节点与路由器间的距离、被测节点与路由器间的距离，进行位置定位。继而可根据这一算法编制软件，嵌入到硬件模块中，制成WiFi 语音寻物探测装置。该产品定位准确、搜索速度快，又有语音提示，势必会成为一款具有广阔市场前景的新产品。 三角定位原理的实现思想是无线路由器与被测节点位置固定，探测节点处于移动状态。根据RSSI技术，首先分别计算出被测节点、探测节点与无线路由器间的距离 d21和 d31。如果要使三点构成一个三角形，那么被测节点与探测结点间的距离 d23 应满足公式（1）： |d21 － d31|< d23< d21+d31（1）  先给 d23选出一个最大值，根据三边关系，计算出边 21与边 31 的夹角 α。接下来，假设边 21 与边 31 的夹角成 90 ， 与推算出的 d23 进行比较。如果结果大于 d23，此时再引入一个方位传感器，在它的帮助下适当调小夹角 α 的值。循环计算与比较，直至逐步接近目标为止。 三角定位原理示意图如图 1 所示。 探测方法主要包括以下步骤： 将探测装置置于可移动物体（类似遥控小车）上， 由探测装置根据设备的MAC 地址，确定要搜索的目标，开启定位请求。 测出被测节点与探测节点接收信号强度 RSSI的值。 分别计算出无线路由器节点与被测节点之间的距离以及无线路由器节点与探测节点之间的距离。 在公式（2）中，d 表示无线路由器节点与被测节点或探测节点之间的距离；n 表示信号传播系数；A 表示被测节点或探测节点与无线路由器节点相距 1 m 时的信号强度。其中，A 的值通过测量距离路由器 1 m 处的RSSI 值得到。 若未知节点和无线路由器节点相连构成的边与无线 路由器节点和探测节点相连构成的边的夹角为钝角，则说明探 测节点与被测节点的距离还很远，钝角的情况不考虑 ；否则计 算出探测节点和被测节点之间的距离，并通过语音播报。 根据步骤（4）的结果不断缩小被测节点和无线路由 器节点相连构成的边与无线路由器节点和探测节点相连构成的 语音寻物探测流程如下所示： （1）搜索装置开始工作，电源开关开启 ； （2）打开模块上的 WiFi 开关，开始搜索附近的 WiFi 设 （3）选择被测设备 ； （4）计算距离，并语音播放距离 ； （5）判定距离是否大于设定值，如果是，则调整夹角及 （6）进行声、光报告，结束搜索过程。 2 方法的改进  在不同的环境下，可能存在不同的信号干扰，采用节点之 间的 RSSI 值估算距离必定存在一定的误差，可以根据特定的 环境对步骤（3）中测量到的距离采用传统最小二乘法进行修正， 得到修正后的距离 d ： 其中，n 表示信号传播系数。设无线路由器节点坐标为（X1， Y1），探测节点坐标为（X3，Y3）；以无线路由器节点为圆心，以 无线路由器节点和探测节点相连构成的边为半径，以（X3，Y3） 为焦点，在其附近取 m 个取样点，坐标分别为（X31，Y31），（X32， Y32），…，（X3m，Y3m），可分别得到 a、b 的值。 3 该探测方法的优点分析  该方法利用接入在生活区域或工作区域里无处不在的 WiFi 信号，开启搜索设备的 WiFi 功能，该装置可利用无线信 号的空间传递性，将被寻物信息向四面八方发送，自动扫描 附近热点设备。搜索原理是利用每一个 WiFi 热点独一无二的 MAC 地址，在搜索到目标设备后，立即上传设备位置信息给 装置。同时，通过语音播报功能把位置和距离通知给搜寻者。 根据语音提示，不断调整搜索方位，缩小距离，直至最终找…

家用服务机器人市场领导者科沃斯正式发布全新一代扫拖机器人地宝X1家族。地宝X1全系产品搭载了地平线旭日3芯片，是业内首款搭载人工智能专用处理器的扫拖机器人。同时，这也是地平线继智能驾驶场景大规模量产后，在“赋能机器”的使命下又一重要的落地成果。 基于旭日3芯片，地宝X1的AI能力实现全面创新升级，物体识别种类从5种扩展至15种，具备高度识别、光流速度、景深测距以及可行驶区域感知能力，实现了从物体识别到空间感知的转变，AI处理速度提升高达400%，可持续OTA升级迭代，是真正意义上可持续进化、越用越聪明的智能机器人。 作为地宝X1强大AI性能的核心基础，地平线旭日3芯片发布于2020年，是地平线针对AIoT场景推出的新一代低功耗、高性能的AI处理器。旭日3集成了地平线先进的BPU®伯努利架构2.0，可提供5TOPS 的等效算力，AI真实性能可达到416FPS，拥有60毫秒业界最低延迟和2.5Watt超低功耗，是当前低功耗端侧推理芯片中拥有最强真实AI计算性能的芯片。 科沃斯CEO钱程表示： “机器人的聪明度决定了用户对产品的喜爱度，也决定了行业的机器人化率是否可以持续提高。真正的机器人需要做到不断提升智能能力，与之匹配的是具备强大神经网络算法和加速能力的芯片。地平线是边缘人工智能计算平台的全球领导者，依托旭日3芯片带来的强大性能表现，科沃斯扫拖机器人地宝X1将为家庭生活带来前所未见的智能新体验。” 地平线创始人兼CEO余凯表示： “科沃斯和地平线拥有共同的使命，都致力于通过赋能机器让人类生活更美好。人工智能的发展让扫拖机器人愈加具备成长性，需要具备环境感知、人机交互和路径规划能力，所要应对的场景复杂度堪比智能驾驶，而地平线在智能驾驶领域拥有深厚的技术积累和量产经验。相信双方的合作能够把先进的人工智能技术带入每个家庭，引领家庭服务机器人产业的变革。” 扫拖机器人已经成为智慧家居的必备产品，也是率先实现大规模落地量产的机器人终端产品之一。科沃斯自1998年成立以来，专注于研发、设计和制造全球领先的家用服务机器人解决方案，在扫拖机器人市场坚持产品迭代创新，连续多年占据国内第一的位置。相信在旭日3的加持下，科沃斯将持续引领扫拖机器人市场的发展。 地平线是边缘人工智能计算平台全球领导者，可面向智能驾驶及智能物联网领域提供全面开放的赋能服务。在智能驾驶领域，地平线是目前国内唯一一家实现汽车智能芯片前装量产的企业。面向更广泛的智能物联网领域，地平线推出的旭日系列芯片，已在智能机器人、智能大屏、智能家居、商用车主动安全等领域实现规模化落地量产，赋能客户包括科沃斯、小米、TCL、锐明技术等行业头部企业。 从智能驾驶到智能机器人，地平线始终秉承着“AI on Horizon, Journey Together”的品牌战略，面向未来机器人时代，打造以“芯片+算法+工具链”为核心的底层计算平台，以全面开放、生态共赢的商业模式，赋能客户及合作伙伴加速智能终端落地量产，让智能产品走进千家万户，让人类生活更安全、更美好。

加拿大滑铁卢, Oct. 12, 2021 (GLOBE NEWSWIRE) — Teledyne 很高兴地宣布其 Linea™ HS 16k Multifield TDI 相机已批量生产。Linea HS 16K Multifield 相机利用不同波长的光源，一次扫描即可同时捕获最多三幅图像。电荷转移 CMOS TDI 传感器采用 16k x (64+128+64) TDI 阵列和 5×5 μm 像素尺寸，利用先进的晶圆级二向色滤光片镀膜，具有最小的光谱串扰，用光谱隔离方法实现三幅图像成像。这款相机配有高速 CLHS 接口，通过单根长光纤电缆可实现高达每秒 84 亿像素的传输速度。 “先进的多场成像技术是 Linea HS 16k Multifield 相机与其他线扫描相机的不同之处，”Teledyne DALSA 高级产品经理　Xing-Fei He 表示。“二向色滤光片解决了传统滤色片的光谱串扰问题，用光谱分割方法实现了图像隔离。” Linea HS 16k Multifield 相机显著提升了检测速度和图像质量。它无需多次扫描，因此提高了检测系统的数据通量并增强了可检测性，同时最大限度减少了机械振动的影响。Linea HS 非常适合用于以下应用：平板显示器、印刷电路板 (PCB) 和半导体晶片检测;薄膜、金属箔Web 检测;通用机器视觉和生命科学应用。 这款相机还可用于使用白光源进行彩色成像。二向色滤光片的光谱具有独特的颜色表征，可用于增强可检测性。 产品特点： 一次扫描即可同时捕获三幅不同场图像 133 kHz x 3 的高速行频 高灵敏度多阵列 TDI 双向扫描 辅助对齐标记

0 引 言 随着我国教育水平的不断提升，对高等教育的质量要求 越来越高，与此同时各种问题也日益突出。根据实际调查与多 方了解，目前高等院校的在线教学系统普遍具有功能比较简单、 界面不够友好等缺点，尤其缺乏自动分析功能，如成绩对比分 析、出勤率分析、抄袭率分析等。  Python 语言由于具有简洁、易读、易维护以及类库丰富 等优点，在编程界的地位迅速上升（在 2017 年 5月的 TIOBE 编程语言社区排行榜中，Python 语言已升至第 4 位）[1,2]。因此， 在借鉴相关软件的基础上 [3]，基于 Python 语言设计并开发符 合时代特色的新型辅助教学平台具有十分重要的现实意义。  1 基于 Python 的辅助教学模块设计  为了提高教学平台的质量和可维护性，Piclass 辅助教学 系统采用 Django 1.9.8 作为 Web 应用程序框架，开发语言为 Python 2.7.10，后台关系型数据库采用 MySQL 5.6，非关系型 数据库采用 Redis（缓存）。系统基础功能包括课程管理、微 信签到、作业管理、文件管理、消息管理、教务管理六大模块， 提供了数据分析功能和微信接口，解决了各高校在课程管理、 上课点名、作业批改、师生互动等方面产生的一系列问题。 1.1 上课与上机一体化管理  由于上课人数过多，传统的点名方式往往存在同学代替 答到的情况，无法保证数据的可靠性。由于我校计算中心采用 大面积上课的方式，上机课程选课独立，由教师手工统计上课、 上机签到信息，造成了很多不必要的麻烦，因此，在调研相 关产品的基础上，Piclss 采用基于微信的签到模型，即学生通 过扫描动态二维码快速签到，同时会借助动态二维码时间差、 微信 openid 绑定等方式来防止各种作弊行为，提升数据的可 靠性。通过事先在数据库中建立上机、上课的关联，通过退 改选课程增量导入、重复课程合并等模块，解决了上课、上机 数据同步问题。上机、上课数据关联示意图如图 1 所示。 1.2 作业成绩自动对比分析  作业批改需要消耗大量时间和精力，同时周期也长，导 致学生无法及时了解自己的不足，而老师则难以及时掌握学生 的学习情况。由于目前大多高校存在跨校区的现状，作业来回 搬运十分不便。在调研一线教师日常布置作业的类型、评测方 式等基础上，借鉴 ACM 评测模式，查阅相关资料解决死循环、 恶意代码等问题后，Piclass系统的作业管理模块实现了程序类、 填选类作业的自动评测功能，如图 2 所示，能自动生成规范化 的实验报告，帮助老师了解学生的掌握情况，及时修改授课内 容并调整进度。  1.3 微信端随时学习、沟通  结合时代需求，学生通过学号和密码绑定本系统微信接 口后即可进行微信做题，微信签到，微信收发消息及各种信息 查询，如图 3 所示。微信做题可以通过顺利、随机、错题复 2 结 语 根据高校真实需求并结合先进技术，Piclass 辅助教学系 统不仅实现了传统辅助教学系统的各种功能，还根据时代需求 积极探索，实现了微信 2 分钟快速签到；程序、填选类作业自 动评测；上课上机课程数据关联、退改选数据增量导入；教师、 学生、管理员等角色的控制，不同角色之间的关系构架 ；各类 分析报告自动导出（学生综合情况，程序题实验报告，选择题 情况分析 ppt）；网页端、移动端、客户端、服务端等多平台系 统的开发与数据交互等功能。解决了目前教学管理系统中存在 的一系列问题。  本套系统在 2016 年中国大学生计算机设计大赛中获得了 全国二等奖的好成绩 [4]，并于 2017 年获得了华东理工大学教 学成果奖三等奖。目前系统公众号粉丝有 3 800人，本学期有 15 门课程在使用该系统。未来会将大数据技术与现代教育相 融合，继续加强数据分析模块的研究，努力实现精准教育。