Bmgu

提出了一种结合多尺度卷积神经网络与长短期记忆 (MSCNN-LSTM)的统一模型。该模型首先采用MSCNN分析数据集的空间特征，然后采用 LSTM网络对时间特征进行分类。

由于卫星和地面站之间的连接高度零星和不规则，卫星间联邦学习可能需要几天甚至几周的时间。本文提出了一种一次性卫星联邦学习方法，通过合成数据生成、知识蒸馏和虚拟模型再训练实现卫星与地面站之间的一次性通信。

一篇小论文，比较短，只有3页。名字太长了，标题放不下，完整名称见参考文献。提出了一种高效的星地融合联邦学习框架，通过快速收敛参数来减少训练时间。仿真结果表明，该算法能够提高全局聚合速度。

为解决卫星网络中联邦学习存在的空闲等待和模型陈旧问题，加速模型聚合，提出了一种新的异构联邦学习架构，引入星环拓扑结构、模型分层中继、分组聚合与陈旧折扣，提高模型收敛速度与准确率。

从网络安全属性的角度对空间信息网中的网络威胁进行分析，仅看威胁部分，具体解决方案感觉还是得具体看论文，光看综述啥都学不到。

对《天地网络安全保障技术》这篇论文进行总结，加深自己对文章的理解。个人感觉虽然是同一个作者，但这篇论文比上一篇更加清晰，我想一方面是作者在进步，另一方面是该领域也在不断成熟，研究方向更加清晰。