小型微型计算机系统

过刊目录

  • 2026年, 47卷, 第1期
    刊出日期：2026-01-15
      
  • 全选
    |
  • 利用历史感染结果的传播网络推理
    莫坤龙,赵宇翔,封奇志,甘庭,黄传河
    2026, 47(1): 1-9.
    摘要 ( ) PDF全文 ( )   可视化   收藏
    人与人之间的影响关系构成了以人为节点的传播网络.掌握传播网络中影响关系的拓扑结构和强度对理解历史传播机制、预测未来传播趋势具有重要意义.然而,现实中这些影响关系难以直接观测,通常只能通过历史传播中的感染数据进行推理.现有传播网络推理方法大多依赖于精确的感染时间数据,但这种数据难以获取,限制了方法的实际应用.本文尝试利用节点在各历史传播中的最终感染状态,而非精确的感染时间数据,进行传播网络推理.首先,本文将推理问题建模为影响关系拓扑结构和强度的非线性规划问题;并通过考察节点间感染结果的统计关联,来对影响各节点的潜在父节点进行剪枝,缩小解空间并得到初始解;然后,采用差分进化-共轭梯度混合优化方法对初始解进行优化,最终得到传播网络的推理结果.实验结果表明,本文方法在推理结果准确性上优于现有代表性方法.
  • 自适应扰动PSO算法的城域低空物资配送路径规划
    孙哲,谢雨轩,袁凯,孙知信
    2026, 47(1): 10-17.
    摘要 ( ) PDF全文 ( )   可视化   收藏
    低空物流是发展物流新质生产力的典型应用,本文围绕城市低空环境物资高效运输问题,构建了一种城域无人机配送三维路径规划模型.该模型关注配送活动的时效性和成本要求,反映城市场景的地形特点,可以实现城域环境无人机的高效低能耗物资配送.进一步为了实现模型求解飞行路径,提出了一种自适应扰动粒子群算法(ADPSO),分别引入拉丁超立方抽样、自适应参数调整和自适应t分布扰动策略来解决粒子群算法易陷入局部最优的问题,提升算法的全局搜索性能.最后通过数据实验及对比仿真,结果表明本文所构建模型及所提方法可以更加有效地实现多场景下城域低空物资配送,特别是在复杂环境中,相比于原算法路径缩短了12.10%.
  • 知识引导的跨工况旋转机械异常检测
    吴麒,李志坚,仇翔,李涛
    2026, 47(1): 18-25.
    摘要 ( ) PDF全文 ( )   可视化   收藏
    旋转机械是现代工业与制造业中的关键设备,其运行状态的安全性直接关系生产效率和设备寿命.然而,旋转机械通常运行于复杂多变的工况,这增加了现有异常检测方法对信号特征的辨识难度,导致其难以有效区分正常与异常状态.为此,本文提出了一种基于小波核注意力卷积自编码器与狄利克雷过程高斯混合隐马尔可夫模型的知识引导数据驱动方法,用于跨工况下旋转机械的异常检测.具体而言,小波核注意力卷积层被设计用于对振动信号进行多尺度特征提取与融合,随后通过卷积自编码器获取样本低维表示.接着,低维表示被用于估计高斯混合隐马尔可夫模型中每个隐状态对应的观测序列混合隶属度和状态转移概率,其中高斯组件的数量由狄利克雷过程确定.此外,本文提出了一个联合优化框架,使用变分贝叶斯推断的证据下界作为损失项,并结合观测序列能量等多个损失项,以端到端的方式诱导跨工况数据在压缩网络的表示学习和估计网络的密度估计.实验结果表明,本文方法在公开数据集与自研的主轴旋转机械平台上取得了优异的性能,并讨论了所提方法在特征提取与模型决策过程上的可解释性.
  • 引入交叉注意力的多模态装备实体对齐
    王景博,李宁,孙宗源,杜超,郭冬冬
    2026, 47(1): 26-33.
    摘要 ( ) PDF全文 ( )   可视化   收藏
    多模态装备实体对齐旨在发现不同多模态装备知识图谱中等价的装备实体.现有对齐方法通常以固定或动态权重融合多模态信息,忽略了模态间的信息交互.为此,本文提出一种基于交叉注意力机制和冗余抑制的多模态装备实体对齐 (CAMMEA) 方法.该方法通过引入交叉注意力机制,动态地捕捉模态间的相互依赖性,增强信息交互,实现更精确的模态融合.此外,考虑到不同知识图谱间结构上的差异对实体对齐效果的影响,设计了一个冗余信息抑制模块,抑制对齐无关信息,缓解由于装备知识图谱结构差异所带来的负面影响.最后,在私有数据集EMMEAD和公开数据集FB15K-DB15K、FB15K-Yago15K上进行的实验,验证了CAMMEA的有效性.结果表明,CAMMEA在实验数据集上Hits@1的表现相较于基线模型分别提升了3.20%、2.22%和1.91%.
  • 结合随机抽样和改进Relief-F的高效特征选择算法
    靳祥,王锋,魏巍
    2026, 47(1): 34-41.
    摘要 ( ) PDF全文 ( )   可视化   收藏
    特征选择是一种常用的数据预处理技术.为更深入分析复杂数据中隐藏的有用信息,本文提出了一种结合随机抽样和改进Relief-F的高效特征选择算法(SSFS).本文中,首先基于Relief-F算法拓展了一种新的计算特征权重的算法MDWA;并将该算法引入到基于耦合学习的特征选择中,设计了一种有效的特征选择算法nFSCL;在此基础上结合随机抽样,并使用随机森林中基于Gini指数的特征重要性评分对所选择到的特征进一步作重要性评价,从而获取到最终的有效特征子集.为验证本文提出新算法的有效性,实验分析中使用了12组UCI数据集作了测试和比较,分别验证了本文拓展的特征权重求解算法MDWA以及高效特征选择算法SSFS的有效性和可行性,进一步表明本文提出的特征选择算法在不同数据集上均能找到有效的特征子集.
  • 目标解耦驱动的在线深度网络
    郭虎升,申聪,夏浩森,王文剑
    2026, 47(1): 42-50.
    摘要 ( ) PDF全文 ( )   可视化   收藏
    概念漂移是数据流挖掘中不可避免的难点问题,其典型特征是数据分布随时间可能发生改变.针对现有模型处理数据流分类任务时出现过拟合的问题,本文提出了一种目标解耦驱动的在线深度网络(Online Deep Network driven by Target Decoupling,ODNTD).首先,该模型从历史数据流中学习一个任务未知型特征提取器,实现了对任务的无偏见表示学习,从而增强了模型的泛化能力;其次,模型利用任务特定的权重调整,使得任务未知的通用特征表示能够适应具体任务,通过这种目标任务的权重学习进一步提升了模型的适应性.实验结果表明,所提出的方法对含概念漂移的数据流有良好的泛化性能.
  • 知识增强和多任务学习的中文毒性言论细粒度检测
    陈健飞,卜凡亮,姜钰棋,闫钦与
    2026, 47(1): 51-57.
    摘要 ( ) PDF全文 ( )   可视化   收藏
    社交网络为用户提供线上交流环境的同时也滋生了大量毒性言论,是网络暴力事件的重要组成部分,现有毒性言论检测技术大多为针对英文文本的二分类检测,存在无法有效检测中文细粒度毒性言论的问题.因此,提出基于知识增强和多任务学习的中文毒性言论细粒度检测模型.首先提出一种知识增强方法,在RoBERTa嵌入层中根据侮辱词典识别毒性言论中的有毒词汇并置于句尾,采用位置编码融合其位置信息,并将其对应的实体类型融入网络中,建立有毒词汇与嵌入向量的联系.而后在下游任务处根据多任务学习思想,对各项任务进行决策融合,运用注意力机制和门控单元将各个粒度任务的向量融合,联合各分类器损失,构建任务之间的联系.实验结果表明,与现有的先进模型相比,该模型表现更佳,各个粒度的检测任务的F1值分别高出0.6%、9.8%、4.1%和5.8%.
  • 面向分布式集群的GPU性能分析与建模方法：现状及展望
    赵海燕,李志凯,钱诗友,曹健
    2026, 47(1): 58-72.
    摘要 ( ) PDF全文 ( )   可视化   收藏
    随着人工智能与高性能计算的快速发展,模型复杂度和数据规模持续增长,使得单个GPU难以应对大规模计算任务.因此,分布式GPU集群已成为现代深度学习与科学计算任务的重要基础设施.为了充分发挥此类系统的计算潜力,高效的性能分析与建模方法在识别系统瓶颈、优化资源利用以及指导系统设计决策方面显得尤为关键.本文系统综述了分布式集群环境中GPU性能分析与建模的前沿方法.首先深入剖析了当前主流GPU架构及其内部机制,解释其在并行计算任务中高效性的来源.随后介绍了常用的性能指标与分析工具,为架构师与运维工程师根据具体应用需求选择合适的分析框架提供实践指导.文章进一步探讨了包括瓶颈识别、故障归因及细粒度性能刻画在内的先进建模方法.最后,本文讨论了该领域仍存在的挑战,并展望了未来构建更精准、可扩展且可解释的GPU性能分析方法的发展方向.
  • CNN-BiLSTM残差网络的抗体抗原相互作用预测模型
    周宇,胡俊,周晓根
    2026, 47(1): 73-79.
    摘要 ( ) PDF全文 ( )   可视化   收藏
    抗体与抗原之间的相互作用是免疫系统识别和对抗病原体的核心机制,同时也是抗体药物设计的关键环节.近年来涌现出一些基于深度学习的方法来提升抗体抗原相互作用预测的效率和精度.为进一步提高预测性能,本文提出了一种新型深度学习模型 CBAAI.该模型整合了卷积神经网络(CNN)、双向长短时记忆网络(BiLSTM)以及残差网络的优势.具体而言,CBAAI 首先将抗体和抗原序列输入蛋白质语言模型,提取高质量的序列特征嵌入.然后,通过基于 CNN 和 BiLSTM 的残差单元对序列特征进行融合,以构建抗体抗原相互作用预测模型.在 HIV 和 SARS-CoV-2 两个独立测试集上的实验结果表明,与当前的主流方法相比,CBAAI 在多个评估指标上均取得了显著的性能提升.
  • 考虑多资源交错的深度学习训练作业调度策略
    林洁楠,郑裕恒,陈星
    2026, 47(1): 80-88.
    摘要 ( ) PDF全文 ( )   可视化   收藏
    随着深度学习(Deep Learning,DL)的迅速发展,各类DL模型在CPU、GPU、存储IO和网络IO等资源的使用上表现出明显差异化特征.然而,在带有资源约束的集群环境中,面对资源瓶颈各异的DL训练作业,如何进行作业调度以最小化完工时间是一个挑战.大多数现有工作主要关注GPU分配,难以有效应对不同类型模型对多种资源的综合需求.为了解决这一挑战,本文引入了一种考虑多资源交错的DL训练作业调度策略,该策略充分利用DL作业分阶段迭代的特点,通过不同资源的交替使用实现作业的并行运行,并提出一种结合了DDPSO-GA(Dynamic Discrete Particle Swarm Optimization algorithm with Genetic Algorithm operators)和多轮Blossom算法的调度方法DPGB,以搜索最优作业调度方案.实验结果表明,该方法能够有效缩短集群环境下DL训练作业的完工时间.
  • 利用编码器-解码器的温室温湿度长序列预测
    盖荣丽,王鹏飞,郭志斌,段立明
    2026, 47(1): 89-96.
    摘要 ( ) PDF全文 ( )   可视化   收藏
    针对现有温湿度预测模型难以充分考虑温室温湿度数据本身的复杂非线性特征和长期依赖关系,导致模型在实际应用中预测精度不足问题,本文提出了一种基于编码器-解码器架构的多层结构温湿度预测模型.模型通过卷积运算对数据进行多尺度转换和特征提取,并使用改进的双向限制性耦合长短期记忆网络(Bidirectional Restrictive Coupled Long-Short Term Memory,BiRCLSTM)优化了信息传递机制,同时运用多头注意力机制从不同的表示子空间中捕捉信息,最终实现了长序列多变量温室温湿度数据的精确预测.在自建温湿度数据集中,该模型的预测误差明显优于基线模型,并且该模型还在3个公共数据集上进行了不同时间分辨率的预测实验,综合实验结果表明,本文模型在温室温湿度预测中具有更高的精度和良好的泛化性能.
  • 同质性增强的异构图提示学习方法
    魏楚元,刘舜尧,卓胜达,张蕾,王昌栋,黄书强,刘杰
    2026, 47(1): 97-105.
    摘要 ( ) PDF全文 ( )   可视化   收藏
    图神经网络在多个不同领域展现出巨大潜力,然而传统的图神经网络方法通常依赖大量标注数据进行训练,而在实际应用中,标注大量数据往往代价高昂且费时费力.近年来,提示学习作为一种新兴的预训练模型范式,在Few-shot、Zero-shot等低资源场景中表现出色.图提示学习是一种新颖的图预训练和提示框架,能够通过少量标注数据实现图数据的多任务处理,有效弥合预训练任务与下游任务之间的差距.然而,现有图提示学习方法在处理异构图时,忽视了图数据复杂的内在结构,特别是未能充分挖掘异构图中蕴含的同质性特征.为了解决该问题,本文提出了一种同质性增强的异构图提示学习方法,旨在提升图神经网络在异构图中的表现.具体而言,设计了基于元路径的同质子图提取方法,并结合同质性软聚类技术,有效捕捉节点间的节点相似性关系,从而优化图提示效果.实验结果表明,所提出的方法在多个基准数据集上优于现有技术,表现出更强的性能和效果.
  • 融合案件要素与案件属性的罪名预测多任务学习模型
    李为祖,武友新,于程远
    2026, 47(1): 106-112.
    摘要 ( ) PDF全文 ( )   可视化   收藏
    在法律判决预测领域中,案件描述通常具有相似的结构,而现有的预测方法容易忽略不同案件间的要素差异,难以有效利用案件要素特征,导致模型预测准确率不高.此外,罪名预测任务还面临易混淆罪名问题.针对上述问题,提出了一种融合案件要素和案件属性的罪名预测多任务学习模型(Case Elements And Attributes Multi-Task Learning Model,简称CEAT-MLM),通过挖掘案件要素及案件属性与罪名之间的关联关系,将案件属性预测和罪名预测进行联合建模,达到提升罪名预测准确率的目标.实验结果表明,本文提出的模型相较于通用的文本分类模型具有显著的性能提升,并与法律判决领域的典型模型相比,Macro-F1 得分提升了1.76%.
  • 子聚类感知对比半监督CXR肺结核分类方法
    黄文强,钱旭升,李勇刚,戴亚康,周志勇
    2026, 47(1): 113-120.
    摘要 ( ) PDF全文 ( )   可视化   收藏
    胸部X光(Chest X-ray,CXR)检查是肺结核诊断的重要工具.然而,不同肺结核患者的CXR图像表现差异显著,且常与其他肺部疾病图像表现相似.在有标签数据不足的情况下,这种类内差异性与类间相似性对肺结核分类方法提出了很大的挑战.为此,本文提出了一种用于深度神经网络的子聚类感知对比半监督学习方法(Subcluster-aware Contrastive Semi-Supervised Learning,SCSSL),旨在构建更为精准的肺结核辅助诊断模型.SCSSL利用提出的动态k均值聚类算法,根据同类样本在特征空间中的分布差异,将其划分成若干个子聚类,并在网络训练过程中随着动态变化的特征分布自适应地调整聚类中心的数量与位置,以动态捕获类内的差异性特征.同时,设计子聚类感知对比损失,在伪标签的半监督学习框架下,引导高置信度伪标签的样本特征向所属子聚类聚集,远离其他子聚类,从而提高类内特征的代表性与多样性,并且增强类间特征的判别性.通过交替优化特征聚类与网络参数,SCSSL有效提升了分类性能.实验结果表明,该方法在肺结核CXR图像半监督分类任务上获得了良好的效果.
  • SPTJNet：用于图像去除雨条纹的稀疏Transformer和联合注意力轻量化网络
    尹震宇,石卓
    2026, 47(1): 121-132.
    摘要 ( ) PDF全文 ( )   可视化   收藏
    下雨天气会严重影响图像的清晰度,导致图像视觉质量下降.图像去雨技术能有效去除雨条纹的干扰,提升图像的清晰度和细节表现.然而,现有方法大多依赖卷积或单一注意力机制,限制了其在捕捉全局感受野和处理复杂雨条纹方面的能力,导致图像模糊和细节丢失.此外,单一注意力机制增加了模型的复杂度和计算成本,限制了实际应用效率.为此,本文提出了一种基于稀疏Transformer和联合注意力的轻量化图像去雨网络(SParse Transformer and Joint attention Network,SPTJNet).该网络设计了稀疏Transformer模块(SParse Transformer module,SPT),在提升性能的同时减少计算冗余,提高推理效率.并设计了联合注意力模块(Joint Attention Module,JAM),由通道注意力的压缩激励单元(Squeeze-and-Excitation,SE)和高效局部注意力单元(Efficient Local Attention Unit,ELAU)组成,能增强对复杂场景的处理能力.实验表明,SPTJNet在去雨任务中表现出色.
  • 融合全局和局部特征的多阶段渐进图像去雨网络
    刘丛,王晓艺
    2026, 47(1): 133-141.
    摘要 ( ) PDF全文 ( )   可视化   收藏
    针对雨纹大小的多样性,设计了一个融合全局和局部特征的多阶段渐进图像去雨网络MSPGLN (Multi-stage Progressive Global-Local Network for Image Deraining) 旨在实现高效的图像去雨任务.首先,提出了一个多级渐进网络结构,其分为两个阶段,能够逐渐去除不同特征的雨纹.在第1阶段中,使用较大的感受野来关注较大的的雨纹结构,将原本较小或中等的雨纹被完全去除,而原本较大的雨纹可能仍有残留;在第2阶段中,使用较小的感受野聚焦较小的雨纹结构,以进一步提高去雨图像的清晰度和视觉效果.其次,设计了多尺度补丁模块来捕捉雨纹的不规则几何特征和位置信息,表达更灵活和可变的感受野大小.同时,依据降雨区域之间存在局部相关的特点,构建了一种双分支结构分别提取并融合全局和局部信息.此外,提出了一种多头代理注意力模块,通过捕获多个不同的特征来获取更丰富的信息.大量的实验结果表明,该图像去雨网络模块以低成本取得了先进的效果.
  • 自适应动态选择尺度的ViT后训练量化模型研究
    裴颂文,彭宇昂,刘方鑫,陈铭松,张波
    2026, 47(1): 142-149.
    摘要 ( ) PDF全文 ( )   可视化   收藏
    后训练量化方法无需重新训练神经网络,且对数据集的依赖性小,是一种轻量且实用的模型压缩技术.然而,现有的量化范式未能有效地拟合post-Softmax激活的分布特性,并且在重新参数化post-LayerNorm激活后,精度不可避免地出现下降.因此,本文提出了一种自适应动态选择量化尺度的变换器后训练量化框架DAQ-ViT.DAQ-ViT首先提出了一种基于偏度度量的缩放因子分布选择器,解决了post-LayerNorm激活存在显著的通道间变化所导致的精度下降问题.其次,针对post-Softmax和post-GELU激活分布特性,提出了满足分布特性的Sigmoid量化器.此外,提出了感知分布检测器,自适应感知激活值分布情况,从而动态选择Sigmoid量化和log2量化.实验结果表明,在没有输出重建的情况下与PTQ4ViT相比,DAQ-ViT进行4比特量化时,在DeiT-Tiny和DeiT-Small上的精度分别提高了20%和35%.
  • 结合关键字提取和图对比学习的文档版面分析
    马晓松,刘杰,李晓辉,郭颖
    2026, 47(1): 150-156.
    摘要 ( ) PDF全文 ( )   可视化   收藏
    文档版面分析是信息检索和文档理解领域的重要任务和必要前提.传统的文档版面分析方法往往忽略了文本内容与结构之间的深度关联.本文提出了基于图神经网络结合大语言模型和图对比学习的方法,以提高文档版面分析的精确度.首先,通过大语言模型自动提取关键字并融合到图节点中,增强了图神经网络对文档内容与结构的理解.其次,采用图对比学习,通过视图间对比损失优化节点表示,使模型更有效地区分文档布局模式.实验结果表明,在DocLayNet数据集上的测试中,该方法显著提升了文档版面分析的准确率,优于现有的基准方法.本文的方法为文档理解与信息提取领域提供了一种新的技术路径,有望在更多实际应用中得到广泛应用.
  • 面向海量小对象的闪存键值缓存研究
    莫戈泉,吴晨涛
    2026, 47(1): 157-164.
    摘要 ( ) PDF全文 ( )   可视化   收藏
    闪存因其较低的比特成本、更高的数据密度和更高的能效,成为了键值缓存的高性价比解决方案.然而,闪存的写入寿命有限,许多基于闪存的键值缓存系统采用日志结构的追加写入方式以减少写放大,并依赖内存索引定位对象的最新数据.尽管如此,管理数十亿个小对象的内存索引仍需要大量内存,削弱了闪存在成本方面的优势.为解决索引的内存占用问题,提出了闪存索引哈希表以减少内存元数据开销.此外,采用基于访问次数的淘汰算法,以更有效地驱逐冷门和无效对象,同时保留热门对象,提高缓存命中率,同时使用近似计数器以降低内存占用.实验表明,与现有最先进方案相比,闪存的写入量最高可减少96.53%,缓存命中率提升可高达13.2%.
  • 一种基于AOP的运行时验证算法堆内存优化方法
    陈龙腾,陈哲
    2026, 47(1): 165-172.
    摘要 ( ) PDF全文 ( )   可视化   收藏
    参数化运行时验证扩展了运行时验证技术的能力,通过绑定多个参数精确定义和监控系统行为.然而,参数化特性导致运行时生成的监控实例数量激增,增加了内存开销和管理复杂性.针对这一问题,本文提出了一种基于AOP的运行时验证算法堆内存优化方法.通过引入触发条件集和活跃参数集,结合轻量级动态堆内存管理器,该方法能够动态判断并回收无用监控实例,从而显著降低内存使用成本.实验在20个规范的测试集中表明,该方法实现了平均41%的堆内存优化,显著降低了运行时验证工具的内存成本,验证了方法的有效性和高效性.研究为C语言运行时验证工具的内存管理优化提供了新思路,具有重要的理论意义和应用价值.
  • 时间感知的并行查询交互度量及执行计划选择
    韩建民,杨茸,郭梦涛,牛保宁
    2026, 47(1): 173-180.
    摘要 ( ) PDF全文 ( )   可视化   收藏
    查询是数据库系统最主要的操作,查询性能直接决定了应用程序的响应速度和用户体验.多查询并行场景下,查询之间争用或共享数据库系统资源,产生查询交互(Query Interaction,QI),是影响查询性能的主要因素,准确度量QI是为查询选择合适执行计划及提升查询性能的关键.QI随着查询中操作的执行动态变化,现有度量方法只考虑新查询加入时刻系统资源的使用情况,不考虑系统资源在查询执行过程中的变化,度量不准确.为此,本文提出查询组合时序异构图,用于描述查询组合中QI随时间的动态变化;提出时间感知多边类型权重计算模型(Time-Aware Multi-edge Type Weight Calculation,TA-MTWC),计算异构图中操作节点之间任意执行时刻的边权重,捕捉QI随时间的动态变化;提出查询组合时序异构图分类模型(Query-mix Time-series Heterogeneous Graph Classification,QTHGC),采用长短期记忆神经网络(Long Short Term Memory,LSTM)学习多个时刻图表示之间的时序关系,为并行查询选择执行计划.在PostgreSQL上的实验证明,QTHGC的平均准确率比查询优化器提高51.2%,比现有最新的QHGC模型提高2.87%.
  • 多样性引导的深度神经网络测试用例生成方法
    苏祥,杨志斌,周勇,张海
    2026, 47(1): 181-192.
    摘要 ( ) PDF全文 ( )   可视化   收藏
    基于覆盖引导的模糊测试(Coverage-Guided Fuzzing,CGF)广泛应用于深度神经网络(DNN)测试,通过生成覆盖率高的衍生测试样本以提升模型的测试充分性.已有CGF方法侧重覆盖率和对抗成功率,较少考虑样本的多样性和模型鲁棒性提升.本文提出了一种基于多样性引导的深度神经网络测试用例生成方法DeepGA,旨在有限时间内生成多样化的测试用例,并评估和提升模型的鲁棒性.该方法从训练集中提取代表性的图像特征分布构建聚簇中心,以最大化多样性轮廓系数作为目标函数,通过遗传算法和模糊测试的思想对初始种子集群采用真实的图像变异策略,迭代生成与不同类别在特征分布上相似的测试用例图像.为了验证所提方法的有效性,本文基于4个DNN模型和3种不同的数据集进行了实验,结果表明DeepGA可以生成多样化的测试用例,并且生成测试用例可用于重训练以进一步提高被测模型的鲁棒性.在鲁棒性提升方面,与基于6种覆盖引导的测试用例生成方法对比,准确率最高提升了11.44%.
  • 面向VRM模型的软件需求的形式化组合验证方法
    戴嘉磊,胡军,董亚炯,董泽华,王立松
    2026, 47(1): 193-200.
    摘要 ( ) PDF全文 ( )   可视化   收藏
    如何对软件需求展开有效验证是当前国内民机系统安全攸关软件研发过程中的重要挑战.本文对基于变量关系模型VRM(Variable Relation Model)的机载软件需求形式化建模与验证过程中出现的状态空间爆炸问题,提出了一个面向VRM需求模型的状态空间等价语义划分准则和形式化组合验证方法框架,包括：基于VRM模型的结构和语义,构建变量依赖图VDG(Variable Relation Graph);设计了多个独立性划分算法将模型划分为若干独立的子模型;同时考虑所需验证的属性公式中的变量依赖关系,提出了一种属性驱动的独立性划分方法,并证明了划分前后模型状态空间的语义等价性;最后建立了从VRM模型转换到SMV模型的流程,并给出了一个机载软件系统需求建模与验证的实例研究.
  • 差分隐私保护的拜占庭鲁棒联邦学习模型
    赵建喆,范树勋,雷裴根,张月婷
    2026, 47(1): 201-214.
    摘要 ( ) PDF全文 ( )   可视化   收藏
    拜占庭鲁棒联邦学习的目标是让服务提供者在存在有限数量恶意客户端的情况下,准确学习全局模型,他们通过对客户端提交的本地模型更新进行统计检验,排除那些异常的更新.但是,目前方法只要针对恶意用户所带来的安全性问题,而没有考虑可能存在的隐私问题,即窃取模型参数而进行的攻击类型.有的考虑了数据异构性,但是没有考虑由于系统异构性带来的效用下降问题.针对目前现有的隐私保护的联邦学习算法存在的问题,本文设计并实现了拜占庭鲁棒联邦学习算法(Byzantine Robust-Differentially Private Federated Learning,BR-DPFL),该算法创新性地引入了一种双层过滤机制：第1层过滤通过定义面向两种异构性(系统和数据)的效用函数,减少可能受到拜占庭攻击或其它干扰的数据影响;第2层过滤采用指数机制评估客户端的性能,并优先选择效用函数表现优异的客户端参与训练.此外,针对参数共享过程中的隐私问题,本文算法通过添加高斯噪声满足差分隐私保护,并且基于效用函数设计自适应的隐私预算分配方法,对于效用表现高于一定阈值的优质用户将隐私预算放大来减少噪声摄入,在保证隐私的同时提升算法的效用.综合实验结果表明,该算法在MNIST与CIFAR-10数据集上的准确率分别达到了96.6%和64.5%,在精度上优于现有的联邦学习算法.
  • 基于图结构学习的复杂网络关键节点识别方法
    吴安昊,卜凡亮,梁家杰,王宇哲,李志远
    2026, 47(1): 215-221.
    摘要 ( ) PDF全文 ( )   可视化   收藏
    现有复杂网络关键节点识别方法中缺少对节点本身特征的研究,存在网络拓扑信息提取不全面、特征冗余、泛化性低等问题.为了解决上述问题,本文提出一种基于图结构学习的复杂网络关键节点识别方法.首先,针对网络拓扑信息提取不全面问题,结合复杂网络微观结构和宏观结构构造节点特征;其次,针对特征冗余问题,提出一个融合选择性状态空间模型(State Space Models)和自监督学习的节点特征提取方法;最后,针对泛化性低问题,利用图结构学习在模型训练层面优化损失函数提高分类精度.利用4个公开数据集上进行了广泛实验,本文方法优于次优方法4.66%,节点分辨率保持稳定.实验表明,所提出方法能有效的识别不同网络的关键节点.
  • 面向网络流量矩阵的线性分解预测方法
    朱海婷,蒋亿鑫,何高峰,张璐,霍正群
    2026, 47(1): 222-228.
    摘要 ( ) PDF全文 ( )   可视化   收藏
    网络流量预测技术作为网络管理的重要手段,对于优化网络资源分配、保障网络稳定性等具有重要意义.基于统计学的流量预测方法难以捕捉网络流量的非线性特征.深度学习方法虽有较好的时序预测能力,但仍需在预测精度与训练时间之间权衡.本文提出了一种基于线性分解模型(DLinear)的流量预测方法(DLCNet)对网络流量矩阵进行预测.DLCNet在序列分解的基础上,利用多层感知器(MLP)处理季节分量,卷积神经网络(CNN)处理趋势分量,并采用可逆实例归一化(RevIN),消除非平稳性并保持数据一致性,提升了模型的准确性.在Abilene等数据集上的实验结果表明,DLCNet在预测准确度上显著优于其他先进方法,综合性能表现突出,同时训练时间也大幅缩短.
  • 对比学习引导的双通道自适应融合网络多视图聚类方法
    周丽娟,刘子源,许鑫航,张志鸿
    2026, 47(1): 229-239.
    摘要 ( ) PDF全文 ( )   可视化   收藏
    近年来,图卷积网络在多视图聚类中表现突出,但其侧重节点间结构信息建模,而属性信息仅通过简单的线性变换进行更新,限制了模型对节点属性信息的学习能力.为此,本文提出了对比学习引导的双通道自适应融合网络多视图聚类方法.首先,结合自编码器与图自编码器构建双通道网络,分别编码节点属性和结构信息,并设计通道自适应融合模块,利用注意力机制自适应融合不同通道网络在同一神经网络层中学习的属性与结构信息,以及不同神经网络层间的嵌入表示,以获得每个视图的嵌入表示.在此基础上,进一步利用注意力机制对多个视图的嵌入表示进行加权融合获得全局嵌入表示.最后,通过跨视图对比损失与自监督聚类损失迭代优化全局嵌入表示,强化视图间一致性信息学习,并生成了面向聚类任务的高质量嵌入表示.在3个公开数据集和3个来自郑州商品交易所的期货数据集上进行的实验表明,该方法在聚类任务中表现优异.
  • 车联网下身份认证密钥协商方案的研究
    邹志豪,杨晋吉,赵淦森,杨光
    2026, 47(1): 240-247.
    摘要 ( ) PDF全文 ( )   可视化   收藏
    针对车联网身份认证密钥协商中存在的假名更新异常和随机数可预测引发的隐私泄露问题,提出一种基于对称密码学的身份认证密钥协商方案.该方案通过可信机构维护车辆最近两个周期的协商信息,实现通信中的异常检测与状态恢复,确保假名正常更新;利用哈希函数强化秘密值的保护机制,避免弱随机数生成引发的隐私泄露.方案在随机预言机模型下证明了密钥安全性,借助Scyther Tool模型检测工具和非形式化方法对方案满足的安全属性进行分析.与现有方案相比,在保障安全性的前提下,该方案在计算开销、通信开销和通信时延方面具有一定优势,能够有效适应车联网中资源受限的实际应用场景.
  • 时空特征与注意力机制加密流量分类模型
    刘亚,邸展,赵逢禹,曲博
    2026, 47(1): 248-256.
    摘要 ( ) PDF全文 ( )   可视化   收藏
    针对现有基于深度学习加密流量分类方案存在泛化能力有限、时空特征提取不充分等问题.本文提出了基于注意力机制和时空特征的加密流量分类组合框架CSL-ETC.该框架将流量数据转换成灰度图像,再使用卷积神经网络提取流量的高阶空间特征,进而运用挤压和激励模块对高阶空间特征进行加权和重新分配,从而获得流量的关键空间特征,最后使用长短期记忆网络分析连续网络流并获得时空关联特征,最终实现了对网络流量的精准分类.在ISCX VPN-nonVPN、ISCX Tor-nonTor和USTC-TFC2016公开数据集上,对CSL-ETC模型进行了实验验证,结果表明：CSL-ETC方案可以对网络流量进行精准分类,且对加密应用底层的流量分类准确率超过了97%,F1分数值以及召回率也均超过97%,高于或不逊色于大多数其它的模型.