计算机应用研究杂志

计算机应用研究杂志2024年第3期

• 复杂数据流在线集成分类算法综述

  李春鹏,韩萌,孟凡兴,何菲菲,张瑞华,

  复杂数据流中所存在的概念漂移及不平衡问题降低了分类器的性能。传统的批量学习算法需要考虑内存以及运行时间等因素，在快速到达的海量数据流中性能并不突出，并且其中还包含着大量的漂移及类失衡现象，利用在线集成算法处理复杂数据流问题已经成为数据挖掘领域重要的研究课题。从集成策略的角度对bagging、boosting、stacking集成方法的在线版本进行了介绍与总结，并对比了不同模型之间的性能。首次对复杂数据流的在线集成分类算法进行了详细的总结与分析，从主动检测和被动自适应两个方面对概念漂移数据流检测与分类算法进行了介绍，从数据预处理和代价敏感两个方面介绍不平衡数据流，并分析了代表性算法的时空效率，之后对使用相同数据集的算法性能进行了对比。最后，针对复杂数据流在线集成分类研究领域的挑战提出了下一步研究方向。

• 跨站脚本攻击检测与防御技术综述

  王铃铜,王慧玲,徐苗,綦小龙,

  跨站脚本（cross site scripting，XSS）攻击是Web安全中最严重的风险之一。随着Web服务、API等Web技术的广泛使用，以及AJAX、CSS和HTML5等新编程风格的出现，XSS攻击的威胁变得更加严重，因此如何处理XSS攻击安全风险已成为Web安全研究的重要关注点。通过对近年来XSS攻击检测和防御技术的调研，根据XSS攻击是否具有隐蔽性，首次从非对抗和对抗两个角度综述了XSS攻击检测和防御的最新技术。首先，从非对抗攻击检测和对抗攻击检测两个方面探讨分析了基于机器学习从数据中学习攻击特征、预测攻击的方法，以及基于强化学习识别或生成对抗样本策略来优化检测模型的方法；其次，阐述了非对抗攻击防御基于规则过滤XSS攻击、基于移动目标防御（MTD）随机性降低攻击成功率和基于隔离沙箱防止XSS攻击传播的方法；最后，分别从样本特征、模型特点和CSP的局限性、上传功能的广泛性等方面提出了XSS攻击检测和防御未来需要考虑的问题并作出展望。

• 轻量级网络在人脸表情识别上的新进展

  蒋斌,崔晓梅,江宏彬,丁汉清,袁俊岭,

  作为人工智能领域的热门研究方向，人脸表情识别（facial expression recognition，FER）是让计算机获取人类感情最直接最有效的方式，在人机交互、智慧医疗、疲劳驾驶等研发课题中占据关键的技术地位。为了满足高识别率的应用需求，FER深度学习网络结构愈发复杂，占用了大量的计算资源和存储空间，严重影响了算法实时性的要求。围绕如何在有效提升模型运算速度的同时，保障模型的精度这一问题展开综述。首先，介绍了利用轻量级网络实现表情识别的重要数据集；其次，对用于人脸表情识别的经典轻量级网络模型进行了分析；再次，阐述了主要的网络轻量化方法的原理、特点及适用场景；最后，总结了轻量级网络在人脸表情识别研究中存在的问题和挑战，对未来的研究方向进行展望。

• 区块链架构下蜂蜜供应链可信监管溯源模型

  杨万龙,陈琳,

  针对传统蜂蜜溯源效率低下、可信度较低等问题进行了研究，在分析了蜂蜜溯源标准后，结合区块链技术和IPFS技术构建了高可信蜂蜜溯源方案。首先提出了分层存储策略，解决了信息上链及溯源效率较低的问题；然后以多链构架隔离数据，提出基于外部随机预言的代理重加密方案，由智能合约完成密文重加密，同时附上消息认证码，解决了信息可信度低、假冒伪造和隐私数据泄露风险；最后，为防止突发性负载导致的数据不一致，提出了预上链机制，即“高流量打包预先上链，低流量补充上链”方案。为验证可行性，对上述方案使用Apache Bench工具进行仿真测试，结果表明，该方案实现了基本数据的有效上链、可控监管和可信溯源，能够满足企业、监管部门和用户的多级需求。

• 面向物联网多场景的PBFT共识算法改进方案

  戚文杰,史培中,古春生,景征骏,

  物联网与区块链融合过程中，实用拜占庭容错（PBFT）算法存在通信开销大、时延高且无法根据场景与设备差异进行合理划分的不足。为满足物联网多场景应用的问题，提出了一种基于综合评价的改进实用拜占庭容错算法。首先，对节点进行基于性能与信誉值加权的综合评价筛选出符合特定场景需求的节点；然后，进行基于节点综合评价的聚类，形成双层网络架构；最后，将共识过程分为子集群共识和主集群共识。实验结果表明，CE-PBFT拥有较高的容错性和场景适应性，且当场景节点数达到100时，在通信开销和共识时延方面较PBFT分别有着93.9%和87.8%的性能优化。

• 星型区块链架构的TKM分片算法

  徐克圣,谢诏驰,

  区块链系统的通量严重不足，而解决此问题最有效的一类方案是并行化处理，并行化方案主要为星型架构，当前星型架构对系统中节点的分片方式多为账户随机分片，这种分片方式的系统通量仍然不足。针对此问题，提出了一种基于星型结构的TKM分片算法，该算法将原始K-means聚类算法进行改进，并运用在节点分片上。TKM分片算法将聚类算法与区块链的网络分片技术相结合，使节点根据地理位置进行分片，极大提高邻近节点发生的交易为片内交易的概率，从而提高系统通量，同时在原始算法的基础上引入了时间戳，减少了恶意节点的攻击。仿真实验表明该算法与传统的随机分片算法相比，最大系统通量提高了20%。根据上述通量模型，通过实验得出基于TKM算法的星型区块链系统的最优分片数量。

• 基于代理选举的高效异构联邦学习方法

  王光辉,白天水,丁爽,何欣,

  物联网多样性终端设备在计算、存储、通信方面的异构性导致联邦学习效率不足。针对上述联邦训练过程中面临的问题，基于代理选举思路，提出了一种高效联邦学习算法。设计了基于马氏距离的代理节点选举策略，将设备的计算能力与闲置时长作为选举因素，选举性价比高的设备作为代理节点，充分发挥设备计算能力。进一步设计了基于代理节点的新型云边端联邦学习架构，提升了异构设备之间的联邦学习效率。基于MNIST和CIFAR-10公开数据集与智能家居设备真实数据的实验表明，该联邦学习方法的效率提高了22%。

• 高效联邦学习：范数加权聚合算法

  陈攀,张恒汝,闵帆,

  在联邦学习中，跨客户端的非独立同分布（non-IID）数据导致全局模型收敛较慢，通信成本显著增加。现有方法通过收集客户端的标签分布信息来确定本地模型的聚合权重，以加快收敛速度，但这可能会泄露客户端的隐私。为了在不泄露客户端隐私的前提下解决non-IID数据导致的收敛速度降低的问题，提出FedNA聚合算法。该算法通过两种方法来实现这一目标。第一，FedNA根据本地模型类权重更新的L1范数来分配聚合权重，以保留本地模型的贡献。第二，FedNA将客户端的缺失类对应的类权重更新置为0，以缓解缺失类对聚合的影响。在两个数据集上模拟了四种不同的数据分布进行实验。结果表明，与FedAvg相比，FedNA算法达到稳定状态所需的迭代次数最多可减少890次，降低44.5%的通信开销。FedNA在保护客户端隐私的同时加速了全局模型的收敛速度，降低了通信成本，可用于需要保护用户隐私且对通信效率敏感的场景。

• 在线异步联邦学习的客户优化选择与激励

  顾永跟,冯洲洋,吴小红,陶杰,

  联邦学习能够在保护用户隐私的前提下，使不同的客户端合作共同训练同一模型，如何激励高质量的客户端参与联邦学习是关键。在线联邦学习环境中，由于参与训练的客户端随机到达和离开，每轮参与报价的客户端动态变化，对客户端的在线质量评估与选择是一个难题。针对这一挑战提出了在线联邦学习激励算法，以优化在线客户端的选择和预算分配，提高预算约束下在线环境联邦学习的性能。该算法将预算按阶段划分并根据历史样本信息计算最优的质量密度阈值，其主要思想是对客户端模型质量进行动态评估，在此基础上采用质量阈值准入机制，同时对参与训练的客户端数量进行限制。从理论上证明了激励算法满足激励相容性、预算可行性和个体理性。实验结果表明，提出的在线激励算法在不同比例搭便车客户端的情况下都能有良好的性能，在预算充足且有搭便车和有误标标签的客户端情况下比已有方法在EMNIST-B和CIFAR-10两个数据集上分别提高约4%和10%。

• 大规模差异化点云数据下的联邦语义分割算法

  林佳斌,张剑锋,邵东恒,郭杰龙,杨静,魏宪,

  海量点云数据的存储对自动驾驶实时3D协同感知具有重要意义，然而出于数据安全保密性的要求，部分数据拥有者不愿共享其私人的点云数据，限制了模型训练准确性的提升。联邦学习是一种注重数据隐私安全的计算范式，提出了一种基于联邦学习的方法来解决车辆协同感知场景下的大规模点云语义分割问题。融合具有点间角度信息的位置编码方式并对邻近点进行几何衍射处理以增强模型的特征提取能力，最后根据本地模型的生成质量动态调整全局模型的聚合权重，提高数据局部几何结构的保持能力。在SemanticKITTI，SemanticPOSS和Toronto3D三个数据集上进行了实验，结果表明该算法显著优于单一训练数据和基于FedAvg的方法，在充分挖掘点云数据价值的同时兼顾各方数据的隐私敏感性。

• 一种解决数据异构问题的联邦学习方法

  张红艳,张玉,曹灿明,

  联邦学习是一种不通过中心化的数据训练就能获得机器学习模型的系统，源数据不出本地，降低了隐私泄露的风险，同时本地也获得优化训练模型。但是由于各节点之间的身份、行为、环境等不同，导致不平衡的数据分布可能引起模型在不同设备上的表现出现较大偏差，从而形成数据异构问题。针对上述问题，提出了基于节点优化的数据共享模型参数聚类算法，将聚类和数据共享同时应用到联邦学习系统中，该方法既能够有效地减少数据异构对联邦学习的影响，也加快了本地模型收敛的速度。同时，设计了一种评估全局共享模型收敛程度的方法，用于判断节点聚类的时机。最后，采用数据集EMNIST、CIFAR-10进行了实验和性能分析，验证了共享比例大小对各个节点收敛速度、准确率的影响，并进一步分析了当聚类与数据共享同时应用到联邦学习前后各个节点的准确率。实验结果表明，当引入数据共享后各节点的收敛速度以及准确率都有所提升，而当聚类与数据共享同时引入到联邦学习训练后，与FedAvg算法对比，其准确度提高10%~15%，表明了该方法针对联邦学习数据异构问题上有着良好的效果。

• 趋优变异反向学习的樽海鞘群与蝴蝶混合优化算法

  黄鑫宇,马宁,付伟,季伟东,亓文凤,

  针对蝴蝶优化算法（butterfly optimization algorithm，BOA）易陷入局部最优，且收敛速度慢和寻优精度低等问题，提出了一种趋优变异反向学习的樽海鞘群与蝴蝶混合优化算法（hybrid optimization algorithm for salp swarm and butterfly with reverse mutation towards optimization learning，OMSSBOA）。引入柯西变异对最优蝴蝶个体进行扰动，避免算法陷入局部最优；将改进的樽海鞘群优化算法（salp swarm algorithm，SSA）嵌入到BOA，平衡算法全局勘探和局部开采的比重，进而提高算法收敛速度；利用趋优变异反向学习策略扩大算法搜索范围并提升解的质量，进而提高算法的寻优精度。将改进算法在10种基准测试函数上进行仿真实验，结果表明，改进算法具有较好的寻优性能和鲁棒性。

• 基于混沌反向学习和水波算法改进的白鲸优化算法

  王亚辉,张虎晨,王学兵,胡继明,李娅,

  针对原始的白鲸算法（beluga whale optimization，BWO）在某些情况下，中后期的探索和开发能力不足、多样性和求解精度降低、容易陷入局部最优等问题，提出一种基于混沌反向学习和水波算法改进的白鲸优化算法（TWBWO），进一步提高白鲸算法的计算精度和收敛速度，增强全局搜索和跳出局部最优能力。结合混沌映射和反向学习策略提高种群的质量和多样性，加快收敛速度。引入水波算法（water wave optimization，WWO）的折射操作，避免寻优时轻易陷入局部最优，提高计算精度。实验结果表明，TWBWO算法较之原始算法和其他经典算法在收敛速度和求解精度以及稳定性方面更为优秀，性能和寻优能力更强。

• 双种群协同演化的改进蜜獾算法

  柴岩,王如新,任生,

  针对蜜獾算法存在的局部搜索能力不足、易陷入局部最优值等问题，提出一种双种群协同演化的改进蜜獾算法。在初始化阶段采用Cubic混沌映射对种群进行初始化，扩大可行解的搜索范围并提高种群的分布均衡性；引入融合黏菌算法和蜜獾算法的双种群优化机制，依托两者的更新优势协同推进个体逼近目标位置，进而提高整个算法的搜索效率和优化性能；采用柯西随机反向扰动策略对蜜獾种群最优位置进行扰动，以提高算法跳出局部最优的能力。通过评估单一策略的改进有效性实验、与七种对比算法的不同高维实验以及Wilcoxon秩和检验，结果表明该算法具有良好的收敛精度和求解速度。最后将改进算法应用于压缩弹簧设计和压力容器设计问题，进一步验证了改进策略的有效性及该算法的工程实用性。

• 双区型仓库订单分批与拣选协同优化研究

  张艳菊,李群,张彭涵,李蕊,

  针对订单分拣效率低下导致商品出库缓慢的问题，提出一种基于双区型仓库订单分批与拣选的协同优化模型，设计求解模型的CWDP-BSA（clarke-wright and dynamic programming & backtracking search algorithm）协同优化算法。在节约算法中引入快速排序法对订单组合的距离节约值排序，考虑AGV承载量，运用多阶段决策过程最优策略得出状态转移方程求解订单分批模型，确定初始分批方案；并采取多因子选择的回溯搜索算法求解拣选路径模型，以此确定初始拣选方案。再以以上两方案为基础，建立新的基于订单时间窗的订单分批和拣选协同优化模型并求解，进一步优化订单分批和拣选方案。最后通过对比实验得出，平均每批次订单的拣选距离减少了约24.56%，优化后的拣选时间比优化前缩短了约11.4%，在求解不同规模算例时，CWDP-BSA算法的求解结果优于CPLEX软件和其他算法，验证了模型与算法的稳定性和有效性。实验表明，协同优化后的订单分批与物品拣选策略能够有效提升订单出库效率。

• 云环境下实现容器部署的加速粒子群优化算法

  陆海锋,赵嘉凌,欧阳学名,周娜琴,左利云,

  基于容器的微服务部署是一个具有挑战性的问题，为获得更好的用户体验并给云供应商带来更多的利润，需要在降低微服务的故障率和减少响应时间的同时提高资源利用率。提出了一种改进的加速粒子群优化算法，用于解决集群中微服务容器部署的多目标优化问题。该算法通过考虑微服务之间的调用关系，使得容器聚集在一起，从而降低服务的数据传输成本、减少故障率，并提高集群资源利用率。与现有部署算法相比，实验结果表明，所提出的优化算法在服务间的数据传输开销、故障率和资源利用率等性能指标上有明显改善。具体表现在：容器聚集度的提升达到40%以上，数据传输消耗平均有提升4%以上，故障率减少10%~20%，利用率提升3%左右。

• 习题内外表示异质融合的知识追踪模型

  张凯,付姿姿,纪涛,

  现有知识追踪研究大多使用习题蕴涵的知识点等内隐信息或历史交互数据等外显信息建模习题表示，没有注意到内外信息的异质性特征，缺乏对习题内外信息的异质融合。针对上述问题，提出了融合内外异质信息的知识追踪模型。首先，基于知识点等内隐信息，计算历史知识点与当前知识点之间的相关程度，刻画历史知识点对当前知识点的影响，建模习题的内隐表示；其次，基于交互数据等外显信息，计算历史习题与当前习题之间的相关程度，获取历史习题对当前习题的影响，建模习题的外显表示；再次，基于上述习题的内外表示，使用通道注意力机制融合得到习题的内外异质表示，从而预测学习者的作答表现。为了验证提出模型的性能和有效性，选取了四个相关的基线模型，在三个真实数据集上进行了对比实验。实验结果表明：在性能方面，提出的模型在多个评价指标上均取得较好的效果；在有效性方面，消融实验证明了提出的模型可以更好地根据内外信息建模习题表示；在应用方面，设计智慧学习环境证明了提出的模型在实际教学场景中的可用性。

• 解纠缠邻域信息聚合的知识图谱补全方法

  马浩凯,祁云嵩,吴宇斌,

  针对现有基于图神经网络的知识补全模型在处理知识图谱异构性上的不足，及大部分模型采用单一静态实体表示方式导致的模型表达能力受限问题，提出一种基于图注意力网络的解纠缠邻域信息聚合模型。首先，该模型通过学习每个实体的解纠缠表示，对实体的潜在影响因子进行多组件表示。其次，利用注意力机制，为两个相连的实体选择最具影响力的潜在影响因子作为连接要素。接着，通过关系感知注意力机制自适应地聚合实体因子级的邻域消息，有效地减少了在信息聚合过程中不相关信息的相互干扰，进而显著增强了模型的语义表达能力。此外，为了使模型在评分过程中关注与给定关系最相关的实体组件，进一步引入了一个自适应评分系数，使模型能够自适应地感知给定的关系与实体不同组件的关联度。实验结果显示，提出的模型在WN18RR和FB15K-237数据集的知识图谱补全任务上相较其他先进基线模型表现更优，并显著地增强了模型的表达能力。

• 基于语序知识的双通道图卷积网络方面级情感分析

  黄俊,刘洋,王庆凤,陈立伟,邱家林,黎茂锋,

  当前大多数基于图卷积网络的方面级情感分析方法利用文本的句法知识、语义知识、情感知识构建文本依赖，但少有研究利用文本语序知识构建文本依赖，导致图卷积网络不能有效地利用文本语序知识引导方面项学习上下文情感信息，从而限制了其性能。针对上述问题，提出基于语序知识的双通道图卷积网络（dual-channel graph convolutional network with word-order knowledge，WKDGCN）模型，该模型由语序图卷积网络（wordorder graph convolutional network，WoGCN）和情感知识结合语义知识增强的句法图卷积网络（sentiment and attention-enhanced graph convolutional network，SAGCN）组成。具体地，WoGCN基于文本的语序知识构建图卷积网络，由文本的语序依赖引导方面项特征学习上下文情感信息；SAGCN利用SenticNet中的情感知识结合注意力机制增强句法依赖，利用增强后的句法依赖构建图卷积网络，以此引导方面项特征学习上下文情感信息；最后融合两个图卷积网络的特征用于情感分类。此外，设计了一种权重分配策略，在放大方面项权重的同时保持上下文权重一致，避免错误的计算方面项特征与重要特征的语义相关性。在多个公开数据集上的实验结果表明，所提方法优于对比模型。

• 基于BERT和超图对偶注意力网络的文本情感分析

  胥桂仙,刘兰寅,王家诚,陈哲,

  针对网络短文本存在大量的噪声和缺乏上下文信息的问题，提出一种基于BERT和超图对偶注意力机制的文本情感分析模型。首先利用BERT预训练模型强大的表征学习能力，对情感文本进行动态特征提取；同时挖掘文本的上下文顺序信息、主题信息和语义依存信息将其建模成超图，通过对偶图注意力机制来对以上关联信息进行聚合；最终将BERT和超图对偶注意力网络两个模块提取出的特征进行拼接，经过softmax层得到对文本情感倾向的预测结果。该模型在电商评论二分类数据集和微博文本六分类数据集上的准确率分别达到95.49%和79.83%，相较于基准模型分别提高2.27%~3.45%和6.97%~11.69%；同时还设计了消融实验验证模型各部分对分类结果的增益。实验结果表明，该模型能够显著提高针对中文网络短文本情感分析的准确率。

• 融合时序关联动态图与常微分方程的区域间出租车需求预测

  王海程,马纪颖,张苑媛,杨绍祖,

  为解决出租车行业中的高空驶率和不均衡的需求分布问题，通过对出租车出行的区域进行深入研究，提出了一个融合时序关联动态图与常微分方程的需求预测模型TCG-ODE（temporal correlation graphs-ordinary differential equations）。首先，模型使用ODE（ordinary differential equation）对图卷积神经网络（graph convolutional network，GCN）进行微分方程建模，将堆叠局部特征信息抽象为动态图，以节点的时序特性来推进局部节点状态；然后，设计了一种基于注意力分数调整采样策略的蒸馏方案，提高对多层稀疏图的适应效果，以更稳定地表征复杂时空特征，最终实现对区域间出租车需求量的预测。在真实的出租车订单数据集上进行实验，研究结果表明，TCG-ODE模型的预测效果均优于对照模型和改进前的模型。通过精准预测不同区域之间的出租车需求量，可以为出租车司机和乘客出行提供决策支持信息，从而优化供需关系。

• 基于深度编码注意力的XLNet-Transformer汉-马低资源神经机器翻译优化方法

  占思琦,徐志展,杨威,谢抢来,

  神经机器翻译（NMT）在多个领域应用中已取得显著成效，在大规模语料库上已充分论证其优越性。然而，在语料库资源不足的情形下，仍存在较大的改进空间。由于汉语-马来语（汉-马）平行语料的匮乏，直接导致了汉-马机器翻译的翻译效果不佳。为解决汉-马低资源机器翻译不理想的问题，提出了一种基于深度编码注意力和渐进式解冻的低资源神经机器翻译方法。首先，利用XLNet预训练模型重构编码器，在编码器中使用了XLNet动态聚合模块替代了传统编码层的输出方式，有效弥补了低资源汉-马语料匮乏的瓶颈；其次，在解码器中使用并行交叉注意力模块对传统编码-解码注意力进行了改进，提升了源词和目标词的潜在关系的捕获能力；最后，对提出模型采用渐进式解冻训练策略，最大化释放了模型的性能。实验结果表明，提出方法在小规模的汉-马数据集上得到了显著的性能提升，验证了方法的有效性，对比其他的低资源NMT方法，所提方法结构更为精简，并改进了编码器和解码器，翻译效果提升更加显著，为应对低资源机器翻译提供了有效的策略与启示。

• 一种分层强化学习的知识推理方法

  孙崇,王海荣,荆博祥,马赫,

  针对知识推理过程中，随着推理路径长度的增加，节点的动作空间急剧增长，使得推理难度不断提升的问题，提出一种分层强化学习的知识推理方法（knowledge reasoning method of hierarchical reinforcement learning，MutiAg-HRL），降低推理过程中的动作空间大小。MutiAg-HRL调用高级智能体对知识图谱中的关系进行粗略推理，通过计算下一步关系及给定查询关系之间的相似度，确定目标实体大致位置，依据高级智能体给出的关系，指导低级智能体进行细致推理，选择下一步动作；模型还构造交互奖励机制，对两个智能体的关系和动作选择及时给予奖励，防止模型出现奖励稀疏问题。为验证该方法的有效性，在FB15K-237和NELL-995数据集上进行实验，将实验结果与TransE、MINERVA、HRL等11种主流方法进行对比分析，MutiAg-HRL方法在链接预测任务上的hits@k平均提升了1.85%，MRR平均提升了2%。

• 基于无服务器边缘计算下的服务负载调度算法

  高明,陈国扬,

  随着边缘计算的不断发展，其在资源管理配置方面逐渐出现相关问题，无服务器计算作为一种新的方式可以有效解决边缘计算的相关问题。然而，无服务器计算不具备在分布式边缘场景中高效处理请求所需服务负载调度的能力，针对这一问题，提出了一种基于无服务器边缘计算的服务负载调度算法（service load scheduling algorithm，SLSA）。SLSA的核心是通过隐式建模充分考虑了动态变化的节点状态、负载调度器放置等影响因素来优化整体时延，然后通过改进的平滑加权轮询调度（smooth weighted round robin，SWRR）算法进行服务调度。经仿真实验分析，SLSA在资源消耗上有着明显下降，同时在单城市场景与多城市场景下均有良好的性能表现，其中在单城市场景中相对于集中式轮询调度（round robin centralized，RRC）算法提升了43.01%，在多城市场景中提升了53.81%。实验结果表明，SLSA可以有效降低资源消耗率并提升性能。

• 基于缓存优化的移动边缘计算资源分配策略

  司强毅,陈祎鹏,杨哲,

  移动边缘计算研究中，边缘服务器通过缓存任务数据可以有效节约计算资源，但如何分配缓存资源解决边缘服务器的竞争关系，以及能耗和效益问题，达到系统性能最优是一个NP难问题。为此提出基于缓存优化的在线势博弈资源分配策略OPSCO（online potential-game strategy based on cache optimization），采用新的缓存替换策略CASCU（cache allocation strategy based on cache utility），最大化缓存的效用。通过优化边缘服务器的效益指示函数，将缓存替换代价等因素与李雅普诺夫优化、势博弈以及EWA（exponential weighting algorithm）算法结合，对边缘服务器的竞争关系建模，进行势博弈相关证明和分析。仿真结果表明，OPSCO相比于其他资源分配策略，可以明显提升任务完成率和缓存效用，并降低设备能耗和时间开销，解决了移动边缘计算在线缓存场景中的资源分配以及数据缓存问题。

• 基于改进随机分块模型的电商网络链路预测算法

  史玉林,钱晓东,

  通过改进的随机分块模型（SBM）链路预测算法，研究电子商务网络的演化过程与社团结构。针对原始SBM模型块之间的度分布为二项式分布，引入度衰减参数使得随机分块模型中块之间的度分布遵循幂律分布。针对原始SBM模型中节点之间的连接仅仅取决于节点所属块的假设，引入度控制参数使其更接近真实网络的度数分布。基于此提出优化后的随机分块模型，并利用阿里巴巴淘宝数据集验证该算法，结果显示该算法精确度高于随机分块模型（SBM）、度修正的随机分块模型（DCSBM）以及层次结构模型（HBM）。说明改进后的算法能较好地刻画电商网络中的社团结构，准确地发现网络中的缺失链接。

• 基于多策略改进鲸鱼算法的船舶推力分配方法

  刘明,

  船舶动力定位推力分配求解是一种复杂的多约束多目标优化问题，鲸鱼优化算法（WOA）处理该类问题较传统推力分配算法计算更简便、精度更高，但以牺牲时间为代价，需解决实时可靠收敛问题。针对上述问题，提出一种改进鲸鱼推力分配算法，通过采用等式约束项的特解系数为个体变量，降低搜索空间维度和范围，为算法获取可靠解和快速收敛奠定基础；通过空间区块化和“精英”筛选法初始化种群，增加初始种群分散性和“精英”个体数量，提高寻优效率和收敛稳定性；引入动态种群边界获取合理的搜索空间，提高算法收敛速度；最后运用类梯度法进行种群更新，模拟区域遍历搜寻，以较少迭代次数获取可靠解。以Cybership Ⅲ船模为对象进行仿真验证，结果表明该算法可行，具有较好的实时性和稳定收敛性，提高了推力分配性能。

• 基于测试代价的三支邻域属性约简算法

  张欣蕊,万仁霞,岳晓冬,陈瑞典,

  针对粗糙集属性约简时很少考虑属性自身的测试代价等问题，提出了一种基于测试代价的三支邻域属性约简算法。算法根据各属性在邻域分辨矩阵中出现的频次和比例来计算属性重要性，并结合属性自身的测试代价来构造性价比指标，以此指导属性的甄选。三支决策方法被用于划分属性集，为属性的约简处理提供数据支撑。在7个UCI公共数据集上进行对比实验，结果表明，该算法可得到比对比算法更小的属性约简集合，在分类精度不降低的情况下，该算法具有更少的运行时间和更小的测试代价。基于财政收入的预测应用实例进一步证明了所提算法的有效性和实用性。

• 基于改进人工势场法的医疗配送机器人路径规划

  刘澳霄,周永录,刘宏杰,

  随着科技的高速发展和近几年新冠疫情的影响，医疗配送机器人开始逐步出现在各大医疗机构中，然而传统医疗配送机器人在使用人工势场算法进行路径规划时存在局部最优解和目标不可达问题。因此，针对局部最优解问题，提出了设计虚拟目标点的方法，将机器人从局部最优状态解救出来；针对目标不可达问题，在障碍物斥力势场函数中引入了目标距离函数对障碍物斥力进行限制，从而解决目标不可达问题。最后将该方法在多种复杂环境中与传统算法进行比较验证，实验结果表明，该改进算法能够解决传统算法存在的局部最优解和目标不可达问题，在算法效率上也提高了5%~9%，并且能够有效运用于实际场景。

• 改进松鼠搜索算法求解分布式节能柔性调度

  曾亮,石俊洋,王珊珊,李维刚,

  为了优化同时考虑最大完工时间和机器能耗的双目标分布式柔性作业车间调度问题，提出了一种改进的多目标松鼠搜索算法。引入了基于升序排列规则的转换机制，实现了松鼠位置向量与调度解之间的转换，并针对机器空闲时间设计了从半主动到主动的解码策略。针对不同优化目标设计了三种种群初始化策略。同时提出了动态捕食者策略来更好地协调算法的全局探索和局部开发能力。设计了四种领域搜索策略用于增加种群多样。20个实例上的实验结果验证了改进后的算法求得解的质量和多样性更好，从而证明了其可有效求解分布式节能柔性调度问题。

• 基于增量加权的不平衡漂移数据流分类算法

  蔡博,张海清,李代伟,向筱铭,于曦,邓钧予,

  概念漂移是数据流学习领域中的一个难点问题，同时数据流中存在的类不平衡问题也会严重影响算法的分类性能。针对概念漂移和类不平衡的联合问题，在基于数据块集成的方法上引入在线更新机制，结合重采样和遗忘机制提出了一种增量加权集成的不平衡数据流分类方法（incremental weighted ensemble for imbalance learning，IWEIL）。该方法以集成框架为基础，利用基于可变大小窗口的遗忘机制确定基分类器对窗口内最近若干实例的分类性能，并计算基分类器的权重，随着新实例的逐个到达，在线更新IWEIL中每个基分器及其权重。同时，使用改进的自适应最近邻SMOTE方法生成符合新概念的新少数类实例以解决数据流中类不平衡问题。在人工数据集和真实数据集上进行实验，结果表明，相比于DWMIL算法，IWEIL在HyperPlane数据集上的G-mean和recall指标分别提升了5.77%和6.28%，在Electricity数据集上两个指标分别提升了3.25%和6.47%。最后，IWEIL在安卓应用检测问题上表现良好。

• 面向小型边缘计算的深度可分离神经网络模型与硬件加速器设计

  孟群康,李强,赵峰,庄莉,王秋琳,陈锴,罗军,常胜,

  神经网络参数量和运算量的扩大，使得在资源有限的硬件平台上流水线部署神经网络变得更加困难。基于此，提出了一种解决深度学习模型在小型边缘计算平台上部署困难的方法。该方法基于应用于自定义数据集的深度可分离网络模型，在软件端使用迁移学习、敏感度分析和剪枝量化的步骤进行模型压缩，在硬件端分析并设计了适用于有限资源FPGA的流水线硬件加速器。实验结果表明，经过软件端的网络压缩优化，这种量化部署模型具有94.60%的高准确率，16.64 M的较低的单次推理定点数运算量和0.079 M的参数量。此外，经过硬件资源优化后，在国产FPGA开发板上进行流水线部署，推理帧率达到了366 FPS，计算能效为8.57 GOPS/W。这一研究提供了一种在小型边缘计算平台上高性能部署深度学习模型的解决方案。

• 面向国产超算平台的通用能源管网仿真计算模型

  韩璞,商建东,薛飞,谢景明,王洪生,王海,

  为实现城市能源管网仿真软件的自主可控，基于国产异构高性能计算机“嵩山”超级计算平台，提出一种通用的城市能源管网仿真计算模型。通过优化管网中“非管”组件模型，提高了计算模型对国产异构并行计算机系统的适配性；将不同管网组件的计算过程进行封装，弱化了网络组件在仿真计算过程的依赖性，提升模型在工程实现上的可并行性。供水、燃气和热力三种场景的并行仿真实验，证明了计算模型在解决城市能源供给网络的仿真计算上具有一定的普适性；通过管网实测数据与仿真模型中模拟数据对比结果表明仿真管网压力的误差率在4%以下，其温度的误差率低于2%，同时也说明了提出的管网仿真计算模型在国产超算平台上具有良好的计算通用性。

• 基于改进涡流搜索算法的外骨骼迭代学习控制

  钟佩思,张大卫,张超,王晓,

  为提升康复外骨骼机器人的步态跟踪性能，提出一种基于改进涡流搜索算法的迭代学习控制方法。首先针对传统迭代学习控制抗扰性差和控制信息缺失问题，引入PD控制器、自适应遗忘因子、误差过渡曲线和控制信息搜索等策略，改进迭代学习控制律；其次，基于多种策略对涡流搜索算法进行改进，提出了一种改进涡流搜索算法，改进后的算法可优化迭代学习控制的PD参数；最后进行行走实验，将提出的迭代学习控制方法与现有的同类算法进行仿真和数值比较，并测试了扰动情况下的跟踪性能。实验结果表明，所提方法的误差更小，跟踪性能更强。该算法改进了迭代学习控制的不足，具有较强的抗扰性能，保证了使用时的稳定性。

• 基于数据影响的多对象交互流程偏差检测方法

  钱陈婧,方贤文,张希为,

  现有的大多数偏差检测方法能够识别来自流程活动及部分数据属性的偏差，但是无法处理流程执行过程中数据变化对流程的影响问题，尤其是在涉及多对象交互的情况下。针对这一问题，提出了一种多对象交互情况下基于数据影响的业务流程偏差检测方法。首先，基于控制流与数据信息识别可能的偏差活动；然后，根据数据变化对活动的影响定义影响集；接着，将以对象为中心的概念引入偏差检测过程，形式化以对象为中心的Petri网模型，在此基础上，通过分析对象是否对其修改的数据具有执行权限，分类并定义了四种数据影响类型及其计算标准，据此得到基于数据影响的偏差检测结果；最后，与其他偏差检测方法对比验证，结果表明，应用该方法得到的偏差检测结果值得到提升，并且能够处理多对象交互的流程偏差。该方法能够有效捕获多对象交互流程中数据变化影响的流程活动，提高偏差检测的合理性与准确性。

• 基于大规模多目标优化的跳频序列设计方法

  张毅恒,刘以安,宋海凌,

  针对跳频序列设计中存在的规模小和难以兼顾多指标的问题，提出一种基于大规模多目标优化的跳频序列设计方法。首先，综合考虑跳频序列的多项性能指标，建立跳频序列多目标优化模型；然后，引入大规模多目标优化方法，并提出决策变量洗牌策略和反向差分进化，通过重新分配决策变量位置以形成具有多样性的非支配集，并通过使反向个体参与差分进化来为后续进化持续提供有效的方向；最后，通过提出算法对模型进行优化得到跳频序列集。实验结果表明，所提方法相较于其他多目标优化方法具有更强的寻优能力，得到跳频序列集的性能指标具有明显优势；所提方法在不同干扰环境中相较于其他方法具有更低的误码率，验证了提出方法的有效性和优越性。

• 认知无线电系统多接入用户信息新鲜度研究

  原帅前,贾向东,尚通健,孙阳阳,

  为了解决物联网信道资源有限的问题以及提高物联网系统的信息时效性，考虑了包括一个主用户（primary user，PU）和两个次用户（secondary user，SU）节点的多接入认知无线电（CR）物联网系统模型。在PU工作状态和SU数据队列稳定的约束下，分别分析了第一个SU节点在先来先服务（first come first served，FCFS）、后来先服务（last come last served，LCLS）以及包丢弃队列下的平均信息年龄（age of information，AoI），推导了在阈值策略下第二个SU节点的平均AoI。然后，提出了使第一个SU平均AoI最小化，并且第二个SU的平均AoI低于给定阈值的优化问题。优化问题的约束条件是凸的，但所得到的目标函数是非凸的，故引入了一种次优技术，利用双层凸优化算法得到最优解。仿真结果给出了所考虑优化算法在不同系统参数下的性能，该算法在不同系统参数和多天线影响下的性能表现良好。后续工作可以考虑扩展到两个以上次用户的CR物联网系统。

• 一种基于小数倍多普勒信道的OTFS信道估计方法

  夏麒煜,王华华,李峰,

  针对现有正交时频空（OTFS）调制系统的信道估计中存在的高峰均比和小数倍多普勒信道下估计困难及复杂度高的问题，提出了一种基于序列导频的匹配滤波（SMF）信道估计方法。该算法首先将序列导频与数据联合成帧，依靠序列的自相关性获取路径数、时延和整数倍多普勒；然后通过互相关匹配滤波估计小数倍的多普勒抽头和信道增益，从而得到信道状态信息；最后根据小数倍信道整数采样的特征，更新信道增益和信道初始相位。仿真结果表明，该方法相比基于嵌入式脉冲导频的信道估计，改善了峰均比，并提高了信道估计性能。相比于传统的序列导频，该方法可以估计得到小数倍多普勒抽头，估计的信道状态信息更准确。该信道估计方法更具有普遍性。

• 结合对抗训练和特征混合的孪生网络防御模型

  张新君,程雨晴,

  神经网络模型容易受到对抗样本攻击。针对当前防御方法侧重改进模型结构或模型仅使用对抗训练方法导致防御类型单一且损害模型分类能力、效率低下的问题，提出结合对抗训练和特征混合训练孪生神经网络模型（SS-ResNet18）的方法。该方法通过线性插值混合训练集样本数据，使用残差注意力模块搭建孪生网络模型，将PGD对抗样本和正常样本输入不同分支网络进行训练。在特征空间互换相邻样本部分输入特征以增强网络抗干扰能力，结合对抗损失和分类损失作为网络整体损失函数并对其进行标签平滑。在CIFAR-10和SVHN数据集上进行实验，该方法在白盒攻击下表现出优异的防御性能，黑盒攻击下模型对PGD、JSMA等对抗样本的防御成功率均在80%以上；同时，SS-ResNet18模型时间花销仅为子空间对抗训练方法的二分之一。实验结果表明，SS-ResNet18模型能防御多种对抗样本攻击，与现有防御方法相比，其鲁棒性强且训练耗时较短。

• 基于MILP的MGFN全轮差分分析及改进

  李艳俊,毕鑫杰,项勇,林怡平,

  研究了轻量级分组密码MGFN算法的抗差分分析能力并提出了改进方法。首先，基于MILP工具对MGFN算法建模，搜索迭代差分并构造了全轮差分路径，整体差分概率为2－40，远远大于随机置换的差分概率。然后，给出S盒的差分分支数概念并将其作为衡量差分安全性的指标，以新S盒替代原MGFN算法的S盒，并修改了密钥扩展算法，提出新的MGFN-P算法。最后，通过差分路径搜索和分析比较，说明了MGFN-P算法比原MGFN算法更安全、高效。

• 基于空洞单流ViT网络的灵活模态人脸呈现攻击检测方法

  肖立轩,封筠,高宇豪,贺晶晶,

  灵活模态人脸呈现攻击检测突破传统多模态方法对于模型训练与部署的模态一致性限制，可将统一模型按需灵活部署到多样模态的现实场景，但仍存在模型性能有待提升、计算资源需求高的问题。为此，提出一种以视觉 Transformer（ViT）结构为基础的单流灵活模态人脸呈现攻击检测网络。提出空洞块嵌入模块以减少运算冗余，降低输入向量维度；为区分不同模态特征，设计模态编码标记；采用非补齐策略处理模态缺失问题。在公开多模态数据集上的实验结果表明，该方法在域内和跨域评估中分别获得2.69%和33.81%的最佳平均ACER值，相较于现有的三种方法，具有更优的域内和域外泛化性能，在不同子协议上的性能表现较为均衡，且其模型计算量与参数量均远低于多流方法，更加适合模态缺失场景下的灵活、高效部署。

• 基于动态频域分解的乐队指挥动作生成

  贺鑫,刘凡,陈德龙,周睿志,

  近年来，音乐与人体动作之间的内在关联一直以来都在被广泛研究。然而，很少有人关注音乐驱动的乐队指挥动作生成这一任务，即以音乐为输入信号，生成与音乐节奏和语义相协调的乐队指挥动作。聚焦于这一任务，针对指挥动作多种语义成分时空重合的特性，提出基于动作动态频域分解（dynamic frequency-domain motion decomposition，DFMD）的指挥动作生成方法。具体地，首先利用节拍信息构建滤波器，将指挥动作分解成高频和低频分量；接着，通过深度卷积神经网络动态地学习这些分量；最后合成最终的指挥动作。在大规模指挥动作数据集ConductorMotion100上进行的实验中，基于DFMD的指挥动作生成方法得到的低频动作分量和高频动作分量的标准差分别达到了4.457 9和9.646 6，与真实动作十分接近。该方法突破了现有基于时域或空间域动作分解中连贯性与协调性不可兼得的局限，并有效避免了大幅值低频动作对小幅值高频动作的影响。可视化结果证明生成的动作自然、美观、多样，且与音乐信号紧密同步。为音乐与动作之间的关联提供了新的解释，并为音乐表演领域带来了创新的应用前景。

• DenseNet和SeNet融合残差结构的DR分类方法

  宋鹏飞,吴云,

  糖尿病性视网膜病变（diabetic retinopathy，DR）是糖尿病在发病过程中影响视网膜的症状。针对模型下采样过程中特征提取DR图像微动脉瘤等病灶区域信息丢失问题，提出了一种DenseNet融合残差结构的模块。该模块首先连接两个连续的dense block，然后利用残差结构对特征信息求和，并行融合处理特征图像信息，以防止有效特征信息的丢失，最后残差连接两个含有dropout的卷积块，抑制过拟合现象。针对以往卷积操作中未对病变区域的特征图通道加权的问题，提出了一种SeNet融合残差结构的模块。该模块首先连接SeNet，把全局平均池化和全局最大池化的特征信息相加，以提高有效通道信息的利用率，然后通过Conv1×1的残差方式来保证特征图信息的完整性。基于以上两个模块的设计，提出了一种DenseNet和SeNet融合残差结构的DR分类方法。该模型在APTOS2019数据集上的精确度达到89.8%，特异性达到97.0%，在Messidor-2数据集上的精确度达到78.8%，特异性达到91.9%，能够有效地提高视网膜图像病变程度的分类能力。

• 基于静脉关键特征和AdaFace损失的轻量级指静脉识别算法

  刘润基,王一丁,

  基于深度学习的指静脉识别方法通常需要大量的计算资源，限制了其在嵌入设备上的推广和普及，采用轻量级网络又面临模型参数减少导致准确率下降的问题，为此提出一种基于指静脉关键特征和AdaFace损失的轻量级识别算法。在MicroNet框架中，首先提出一种FMixconv卷积来替代原网络中的深度卷积，减少参数的同时可以获得静脉特征的多尺度信息；其次引入轻量级注意力模块CA模块，从空间和通道上聚焦于静脉特征的关键信息；最后在损失函数中加入AdaFace损失，通过特征范数对图像质量进行评价，以减少图像质量下降对训练的影响。该算法在SDUMLA-HMT、FV-USM和自建数据集上的识别准确率达到99.84%、99.39%和99.42%，而参数量仅有0.82 M。实验结果表明，该算法在准确率和参数量大小上均领先于其他方法。

• 基于CU特征差异的VVC帧内快速划分算法

  陈燕辉,李强,董阳,明艳,

  针对通用视频编码（versatile video coding，VVC）在编码单元（coding unit，CU）划分中引入了多类型树划分结构导致编码复杂度增加的问题，提出了一种基于CU子块方向特性与空间复杂度的快速划分算法。首先利用CU整体的纹理复杂度对当前CU进行分类，筛选出不划分CU；然后利用子块不同划分方向的特性差异提前决策CU划分方向；最后利用CU中间区域与边缘区域的复杂度差异特征判断是否跳过三叉树（ternary tree，TT）划分，进一步减少候选列表划分模式数量。实验结果表明，与官方测试平台VTM10.0相比，编码器在平均输出比特率增加1.12％的代价下，编码时间减少了40.25％，说明该算法在通用视频编码中能以较小的质量损失实现更短的编码时间。

• 基于联合注意力的复杂纹理瓷砖缺陷检测方法

  叶旭芳,陈梅,李晖,曹阳,王喜宾,

  复杂纹理瓷砖表面存在较多的低可视度小目标缺陷与严重的复杂纹理背景干扰，使应用目标检测方法时易出现较高的误检率和漏检率。为提升复杂纹理瓷砖表面缺陷检测效率，提出了基于通道与空间联合注意力的复杂纹理瓷砖表面缺陷检测方案。首先通过建模深浅层特征通道间关系设计了一种选择性特征融合方法，以提升模型对小目标缺陷的特征表达；其次，提出了通道与空间联合注意力模块，通过通道注意力和空间注意力来筛选关键特征通道和抑制纹理区域，使模型着重于学习缺陷特征以增强模型辨别缺陷与纹理的能力；最后，在复杂纹理瓷砖表面缺陷数据上进行了实验验证。实验结果表明，相较于AFF（attentional feature fusion）和CBAM（convolutional block attention module）方法，选择性特征融合方法和通道与空间联合注意力模块使模型检测性能分别提高了5.3 AP、6.32 AP。最终，实验证明了该方案分别优于现有的瓷砖检测方法YOLOv5和纹理织物缺陷检测AFAM方法1.32 AP、2.12 AP。

• 预指导的多阶段特征融合的图像语义分割网络

  王燕,范向辉,王丽康,

  针对目前语义分割对图像边缘和小物体不能进行精确识别，以及简单融合多阶段特征会造成信息冗余、混杂不清等问题，提出了一个预指导的多阶段特征融合的网络（pre-guidanced multi-stage feature fusion network，PGMFFNet），PGMFFNet采用编解码器结构，编码阶段利用预指导模块对各阶段信息进行指导，增强各阶段特征之间的联系，解决各阶段特征在后续融合过程中产生的语义混杂问题。在解码阶段，利用多路径金字塔上采样模块融合高级语义特征，然后使用改进的密集空洞空间金字塔池化模块对融合后的特征进一步扩大感受野，最后将高低层次的特征信息融合，使得对小物体的分割效果更优。PGMFFNet在CityScapes公开数据集上进行了验证，得到了78.38%的平均交并比（mean intersection over union，MIoU），分割效果较好。

• 融合时空图卷积网络与非自回归模型的三维人体运动预测

  刘一松,高含露,蔡凯祥,

  当前人体运动预测的方法大多采用基于图卷积网络的自回归模型，没有充分考虑关节间的特有关系和自回归网络性能的限制，从而产生平均姿态和误差累积等问题。为解决以上问题，提出融合时空图卷积网络和非自回归的模型对人体运动进行预测。一方面利用时空图卷积的网络提取人体运动序列的局部特征，可以有效减少三维人体运动预测场景中的平均姿态问题和过度堆叠图卷积层引起的过平滑问题的发生；另一方面将非自回归模型与时空图卷积网络进行结合，减少误差累计问题的发生。利用Human3.6M的数据集进行80 ms、160 ms、320 ms和400 ms的人体运动预测实验。结果表明，NAS-GCN模型与现有方法相比，能预测出更精确的结果。