计算机应用研究杂志

计算机应用研究杂志2024年第7期

• 量子计算技术在金融领域的应用探索

  栾添,匡学衡,高岩松,岳寰宇,陆军,

  量子计算是一种遵循量子力学规律调控量子信息单元进行计算的新型计算机制，被认为在特定算法上可实现并行处理能力，对信息领域技术变革有着重要意义。针对近年来量子计算在金融领域应用进展进行梳理总结。首先，从量子计算基本原理出发阐述了量子比特、量子逻辑门、量子线路等基础理论，重点分析了实现量子计算几种技术路线优缺点；其次，归纳总结了量子计算在衍生品定价、投资组合优化、风险计量、欺诈检测和市场预测方面算法研究进展，以及量子金融软件开发的主要组成架构；最后，分析了目前量子计算技术在金融领域应用发展的三大挑战，即人才问题、效率问题、合规性问题，并对未来发展趋势进行展望，为相关领域研究提供参考。

• 基于深度学习的图像拼接算法研究综述

  杨利春,田彬,党建武,

  图像拼接是计算机视觉和计算机图形学中的一个重要分支，在三维成像等方面具有广泛的应用。相较于传统基于特征点检测的图像拼接框架，基于深度学习的图像拼接框架具有更强的场景泛化表现。目前虽然关于基于深度学习的图像拼接研究成果众多，但仍缺少相应研究的全面分析和总结。为了便于该领域后续工作的开展，梳理了该领域近10年的代表性成果。在对传统拼接方法与基于深度学习的图像拼接方法对比的基础上，从图像拼接研究领域中的单应性估计、图像拼接和图像矩形化三个子问题出发，进行了学习策略及模型架构设计、经典模型回顾、数据集等方面的整理与分析。总结了基于深度学习的图像拼接研究方法的一些特点和当前该领域的研究现状，并对未来研究前景进行了展望。

• 程序算法识别研究综述

  张雅雯,张丽萍,闫盛,魏敏,

  了解程序代码所描述的算法，能帮助程序员理解程序从而开展各项软件工程任务。由于人工理解程序算法要求程序员具备丰富的专业知识并且十分耗时耗力，程序算法识别任务以实现程序算法理解的自动化为主要研究目标，与人工理解相比更为高效、准确。系统整理了程序算法识别领域的相关工作。首先，梳理程序算法识别等相关概念，简介基于知识表示与基于信息检索的方法；其次，将基于代码表征的方法划分为基于序列、基于树和基于图等方法展开详细阐述，并对三类方法作出小结与对比；最后，介绍程序算法识别任务的相关应用领域，分析该任务中尚存的问题并对未来的发展作出展望。

• 面向数据保护的区块链物联网边缘卸载策略

  刘汝鸿,栗娟,

  物联网（IoT）设备的广泛应用带来了数据安全性和完整性的挑战。针对这一问题，提出了一种区块链物联网边缘卸载策略，专注于数据保护。该策略通过将IoT设备数据上传至区块链，利用其不可窜改性和可追溯性来保障数据安全。鉴于区块链的工作量证明（PoW）共识算法在数据验证和区块添加方面的高计算资源需求，该策略采用边缘计算技术，将PoW共识过程卸载至边缘服务器执行。进一步地，设计并实现了一个多目标边缘卸载算法（multi-object edge offloading algorithm，MEOA），以寻找最优卸载策略，动态调整PoW共识难度，实现系统安全性与运行效率的平衡。仿真实验结果表明，该策略相比其他卸载策略，在提高IoT设备数据上链效率、降低时间和能耗成本方面表现优异，同时确保了数据安全性和完整性。

• 基于区块链的无人机网络跨域身份认证研究

  张楦杰,张敏,刘韬,张宇航,

  传统的无人机跨域身份认证的方案大多依赖公钥基础设施 （public key infrastructure，PKI）。该模型高度依赖于可信第三方，易造成单点故障且认证效率低下。据此，提出基于区块链的无人机网络跨域身份认证协议方案，该方案不但可以有效实现无人机的跨域认证，且可以改善传统基于PKI模型面临的诸多安全问题。同时，为了实现无人机网络跨域认证的隐私保护，提出了可实现无人机跨域身份认证身份标识的匿名化的方法。安全性分析与仿真实验的结果表明，该方案不但可抵御常见网络攻击，在认证效率和时间开销上也有明显提升。

• 基于GA-TD3算法的交叉路口决策模型

  江安旎,杜煜,原颖,张昊,赵世昕,

  为了解决交叉路口场景下无人驾驶决策模型成功率低、模型不稳定、车辆通行效率低的问题，从两个方面对TD3算法作出改进，提出了基于GA-TD3算法的交叉路口决策模型。首先引入记忆模块，使用GRU神经网络来提升决策模型的成功率；其次在状态空间引入社会注意力机制，更加关注与社会车辆的交互行为，保证模型稳定性的同时提升车辆的通行效率。采用CARLA仿真器进行20 000回合的模型训练后，TD3算法通过路口的成功率为92.4%，GA-TD3算法的成功率为97.6%，且车辆的通行时间缩短了3.36 s。GA-TD3算法模型在学习效率和通行效率上均有所提升，可用于缓解城市中的交通压力，提高驾驶效率。

• 基于多智能体深度强化学习的车联网可信任务卸载策略

  王亚丽,娄世豪,

  针对车联网中边缘节点的可信性无法保证的问题，提出了一种基于声誉的车联网可信任务卸载模型，用记录在区块链上的边缘节点声誉来评估其可信度，从而帮助终端设备选取可靠的边缘节点进行任务卸载。同时，将卸载策略建模为声誉约束下的时延和能耗最小化问题，采用多智能体深度确定性策略梯度算法来求解该NP-hard问题的近似最优解，边缘服务器依据任务卸载的完成情况获得奖励，然后据此更新记录在区块链上的声誉。仿真实验表明，与基准测试方案相比，该算法在时延和能耗方面降低了25.58%~27.44%。

• 基于强化学习的离散层级萤火虫算法检测蛋白质复合物

  张其文,郭欣欣,

  蛋白质复合物的检测有助于从分子水平上理解生命的活动过程。针对群智能算法检测蛋白质复合物时假阳/阴性率高、准确率低、种群多样性下降等问题，提出了基于强化学习的离散层级萤火虫算法检测蛋白质复合物（reinforcement learning-based discrete level firefly algorithm for detecting protein complexes，RLDLFA-DPC）。引入强化学习思想提出一种自适应层级划分策略，动态调整层级结构，能有效解决迭代后期种群多样性下降的问题。在层级学习策略中个体向两个优秀层级学习，避免算法陷入局部最优。为了提高蛋白质复合物检测的精度，结合个体环境信息提出自适应搜索半径的局部搜索策略。最后，在酵母蛋白质的4个数据集上，与8种经典的蛋白质复合物检测方法进行对比，验证了该方法的有效性。

• 基于知识表示学习的KBQA答案推理重排序算法

  晋艳峰,黄海来,林沿铮,王攸妙,

  现有的知识库问答（KBQA）研究通常依赖于完善的知识库，忽视了实际应用中知识图谱稀疏性这一关键问题。为了弥补该不足，引入了知识表示学习方法，将知识库转换为低维向量，有效摆脱了传统模型中对子图搜索空间的依赖，并实现了对隐式关系的推理，这是以往研究所未涉及到的。其次，针对传统KBQA在信息检索中常见的问句语义理解错误对下游问答推理的错误传播，引入了一种基于知识表示学习的答案推理重排序机制。该机制使用伪孪生网络分别对知识三元组和问句进行表征，并融合上游任务核心实体关注度评估阶段的特征，以实现对答案推理结果三元组的有效重排序。最后，为了验证所提算法的有效性，在中国移动RPA知识图谱问答系统与英文开源数据集下分别进行了对比实验。实验结果显示，相比现有的同类模型，该算法在hits@n、准确率、F1值等多个关键评估指标上均表现更佳，证明了基于知识表示学习的KBQA答案推理重排序算法在处理稀疏知识图谱的隐式关系推理和KBQA答案推理方面的优越性。

• 结合社交网络图的多模态虚假信息检测模型

  叶舟波,罗舜,于娟,

  针对现有虚假信息检测方法主要基于单模态数据分析，检测时忽视了信息之间相关性的问题，提出了结合社交网络图的多模态虚假信息检测模型。该模型使用预训练Transformer模型和图像描述模型分别从多角度提取各模态数据的语义，并通过融合信息传播过程中的社交网络图，在文本和图像模态中加入传播信息的特征，最后使用跨模态注意力机制分配各模态信息权重以进行虚假信息检测。在推特和微博两个真实数据集上进行对比实验，所提模型的虚假信息检测准确率稳定为约88%，高于EANN、PTCA等现有基线模型。实验结果表明所提模型能够有效融合多模态信息，从而提高虚假信息检测的准确率。

• 基于离群点检测和自适应参数的三支DBSCAN算法

  李志聪,孙旭阳,

  针对经典的DBSCAN算法存在难以确定全局最优参数和误判离群点的问题，该算法首先从选择最优参数角度出发，通过数据集的分布特征生成Eps和MinPts列表，将两个列表中的参数进行全组合操作，把不同的参数组合依次进行聚类，从而寻找准确率最高点对应的参数。最后从离群点角度出发，将三支决策思想与离群点检测LOF算法进行结合。该算法与多种聚类算法进行效果对比分析，结果表明该算法能够全自动化选择全局最优参数，并提高聚类算法的准确性。

• 基于活动恢复集的有效低频行为分析方法

  任紫薇,王丽丽,左殷恺,

  低频行为识别是揭示业务流程重要信息和优化流程模型的方法之一，现有流程发现方法忽略了数据影响链对低频行为产生的影响，导致了一些低频行为被视为噪声直接过滤掉。针对这一问题，提出了一种基于活动恢复集的有效低频行为分析方法。首先根据事件日志中的行为重要性过滤日志，并构建初始流程模型；其次从事务日志中提取活动的输入输出数据项，并根据这些数据项构造活动影响链图，在此基础上获取每个活动基于迹的活动恢复集；最后根据活动恢复集来计算每条迹的行为容忍度以区分有效低频行为和噪声。实验结果表明，与其他方法相比，该方法能够有效区分有效低频行为与噪声，并且从拟合度、精度以及简单性方面提高了流程模型的质量。该方法考虑了由活动恢复集而导致的偏差情况，可以成功识别事件日志中的有效低频行为，从而优化了流程模型。

• 两阶段机场多特种车辆协同充电调度策略

  诸葛晶昌,张一鸣,单绪宝,王世政,王颖佳,康春华,

  在机场区域内，新能源特种车辆充电具有很大的随机性，且不同种类特种车辆充电情况各不相同，造成飞行区内各充电桩利用率相差过大，影响机场配电网的健康运行。针对上述现象，设计了十一车型两阶段特种车辆协同充电调度策略。第一阶段通过分析不同车辆对航班的保障流程，以同一车辆对相邻航班保障起始时间差值最小为目标，生成存在充电需求的车辆序列。第二阶段以减小飞行区各区充电桩时间利用率方差和车辆充电排队时间为目标，在上一阶段车辆序列基础上采用改进的自适应变异粒子群算法进行模型求解，并以国内某枢纽机场的实际车辆充电数据进行对比验证。实验表明，采用该算法后，车辆充电时的等待时间降低了93.5%、飞行区充电桩时间利用率的整体方差下降了88.7%，达到了均衡使用充电桩的目标。

• 基于Conformer的端到端语音识别方法

  胡从刚,申艺翔,孙永奇,赵思聪,

  针对Conformer编码器的声学输入网络对FBank语音信息提取不足和通道特征信息缺失问题，提出一种RepVGG-SE-Conformer的端到端语音识别方法。首先，利用RepVGG的多分支结构，增强模型的语音信息提取能力，而在模型推理时通过结构重参数化将多分支融合为单分支，以降低计算复杂度、加快模型推理速度。然后，利用基于压缩和激励网络的通道注意力机制弥补缺失的通道特征信息，以提高语音识别准确率。最后，在公开数据集Aishell-1上的实验结果表明：相较于Conformer，所提出方法的字错误率降低了10.67%，验证了方法的先进性。此外，RepVGG-SE声学输入网络能够有效提高多种Transformer变体的端到端语音识别模型的整体性能，具有很好的泛化能力。

• 基于元学习的多视图对比融合冷启动推荐算法

  张子扬,刘小洋,

  针对当前冷启动推荐模型在处理异质信息网络时难以充分挖掘结构与语义信息，以及忽略网络中用户行为属性的问题，提出了一种基于元学习的多视图对比融合冷启动推荐算法（MVC-ML）。该算法在模型层和数据层双重作用下，有效缓解了冷启动问题。在MVC-ML算法框架中，首先通过元路径视图提取异质信息网络的高阶语义信息；其次，利用网络模式视图捕获网络的结构特征；再接着，通过聚类视图分析用户行为属性信息；最后，运用对比学习方法，将上述三个视图中提炼的信息进行综合融合，以生成准确的表示向量。通过在DBook等三个数据集上的实验验证，MVC-ML模型在冷启动场景下相较MetaHIN等传统异质信息网络模型，在MAE上降低了1.67%，在RMSE上降低了2.06%，同时nDCG@K提高了1.48%。这些数据充分证实了MVC-ML算法的合理性和有效性。

• 基于反向延长增强的对抗生成网络推荐算法

  张文龙,孙福振,吴相帅,李鹏程,王绍卿,

  针对现有序列推荐模型因数据稀疏性严重难以达到最优性能的问题，提出了一种基于反向延长增强的生成对抗网络推荐算法。该方法通过对交互序列进行延长增强来获取高质量的训练数据，以缓解数据稀疏性带来的模型训练不充分的问题。首先，使用伪先验项将项目序列进行反向延长，深化项目序列特征；其次，延长增强的对象由短序列更改为所有用户序列，充分挖掘长序列中富含的上下文信息，缓解了增广序列中伪先验项占比过大而带来的噪声问题；最后，使用共享项目嵌入的生成对抗网络，通过判别器与生成器联合训练以提高模型推荐性能。在三个公开数据集上的实验结果表明，所提模型的命中率（HR@N）和归一化折损累计增益（NDCG@N）相较于最优基线ELECRec平均提升30%，验证了反向延长增强对挖掘序列特征和缓解数据稀疏性的有效性。

• 基于概念漂移检测的数字孪生流程预测模型

  熊正云,方贤文,

  预测性流程监控可以在业务流程运行过程中提供及时的信息，以便采取措施来应对潜在风险，如何提高流程预测的准确度一直受到高度关注。现有的研究方法大部分都在静态环境下引入，很少有结合数字孪生技术用于动态环境的流程预测。为此，提出了一个基于概念漂移检测的方法，并构建数字孪生流程预测模型（digital twin based on concept drift，DTBCD）预测下一个活动。首先利用事件流行为关系和权重散度将流程中的活动进行特征提取，得到数据流的特征集，其次进行漂移检测，动态选择特征集输入人工智能模型中训练并预测下一个活动，然后运用物联网和云计算等先进技术创建数字孪生虚拟环境，最后得到基于概念漂移的数字孪生模型。通过公开可用的数据集进行评估分析，实验结果表明，提出的方法能够有效提高预测的准确性。

• 基于双仿射注意力的迭代式开放域信息抽取

  李欣,邵靖淇,王昊,何丽,段建勇,

  当前的开放域信息抽取（OpenIE）方法无法同时兼顾抽取结果的紧凑性和模型的性能，导致其抽取结果不能更好地被应用到下游任务中。为此，提出一个基于双仿射注意力进行表格填充及迭代抽取的模型。首先，该模型通过双仿射注意力学习单词之间的方向信息、捕获单词对之间的相互作用，随后对二维表格进行填充，使句子中的成分相互共享并识别紧凑成分；其次，使用多头注意力机制将谓词和参数的表示应用于上下文的嵌入中，使谓词和参数的提取相互依赖，更好地链接关系成分和参数成分；最后，对于含有多个关系成分的句子，使用迭代抽取的方式在无须重新编码的情况下捕获每次提取之间固有的依赖关系。在公开数据集CaRB和Wire57上的实验表明，该方法比基线方法实现了更高的精度和召回率，F1值提升了至少1.4%和3.2%，同时产生了更短、语义更丰富的提取。

• 基于动态双种群的黏菌和花粉混合算法

  李大海,刘晓峰,王振东,

  针对单一启发式算法易受自身原理导致的全局和局部搜索不平衡的问题，提出了一种基于动态双种群的黏菌和花粉混合算法HASMFP。首先，通过种群个体和当前最优个体之间的距离，将种群动态划分为黏菌子种群和花粉子种群分别进行搜索，以更有效地平衡算法的探索能力和开发能力；其次，对全局搜索融入相似度与适应度的综合排序感知机制来提高黏菌子种群的多样性，以帮助黏菌算法跳出局部最优；最后，在标准花粉算法的全局搜索中加入动态权重和恒定收缩系数，并对局部搜索设计了精英引导项来提高算法的收敛速度和搜索精度。选用CEC2017测试集中的12个函数作为实验测试集，将HASMFP与ISMA、DTSMA、HLFPA、SCFPA和tMFPA五种改进算法进行性能测试对比。还对HASMFP的各个改进策略进行消融实验，实验表明在综合改进策略的共同作用下，HASMFP的优化性能排名第一。基于实验结果的Friedman检验表明，HASMFP能够获取最优的性能。

• 增强型野马优化算法及其工程应用

  马志海,刘升,

  针对野马优化算法易陷入局部最优、收敛速度慢等缺点，提出增强型野马优化算法。首先，在种群初始化阶段，采用Sinusoidal映射，增加种群的多样性；其次，在阶段更新过程中，设计出非线性收敛性更强的自适应权重，调节全局搜索和局部优化能力；然后，在更新领导者位置阶段加入扰动因子，平衡局部和全局探索能力；进一步，利用自适应t分布变异，对个体位置进行扰动，提高算法跳出局部最优的能力。通过在CEC2021测试竞赛进行测试优化比较，验证算法的有效性和稳健性，并利用Wilcoxon秩和检验和MAE排名，验证算法的有效性。最后将算法应用到工程难题问题中，验证了其在工程优化问题上的适用性与优越性。实验结果表明，与其他智能算法相比，增强型野马优化算法具有更强的寻优能力和更快的收敛速度。

• 面向在线率差异的SaaS订阅限额及资源配置组合优化

  金晶,程岩,彭慧洁,

  软件即服务（softuare as a service，SaaS）是一种让用户通过支付订阅费来获得软件访问权的云服务模式。由于其业务的多样性，用户对不同软件的在线访问率存在很大差异，所以不同软件所消耗的云计算资源也存在差异。为避免违反服务等级协议（service level agreement，SLA）而产生违约赔付的风险，SaaS运营商不仅要优化各种软件的计算资源配置，还要对各类软件的订阅量加以限额。在考虑SLA限制的基础上，构建了一个以收益最大化为目标的有资源约束的非线性整数规划模型。由于模型计算的复杂性，其无法在多项式时间内求解，所以设计了基于Q学习-粒子群（particle swarm optimizoction，PSO）的融合算法来求解该NP难题。该算法将Q-学习嵌入到PSO中，动态调整PSO参数，从而避免直接使用PSO时会面临的局部最优陷阱和计算效率低下的问题。仿真实验验证了在不同场景下模型及算法的有效性，结果表明该算法可在云计算资源有限的条件下，以较高的求解效率获得收益更高的订阅限额及资源配置方案。其中，当处于需求波动大的情境下时，运营商应尽可能地降低软件的资源争用比，通过配置足量的虚拟机资源并设定严格的订阅限额来保障软件的服务质量，减少违约赔付成本；相反，当处于需求波动小的情境下时，运营商可以提高软件的资源争用比，通过放宽订阅限额来抢占更大的市场，实现收益最大化。

• 增强学习标签相关性的多标签特征选择方法

  滕少华,卢建磊,滕璐瑶,张巍,

  针对现有多标签特征选择方法存在的两个问题：第一，忽略了学习标签相关性过程中噪声信息的影响；第二，忽略探索每个簇的综合标签信息，提出一种增强学习标签相关性的多标签特征选择方法。首先，对样本进行聚类，并将每个簇中心视为一个综合样本语义信息的代表性实例，同时计算其对应的标签向量，而这些标签向量体现了每个簇包含不同标签的重要程度；其次，通过原始样本和每个簇中心的标签级自表示，既捕获了原始标签空间中的标签相关性，又探索了每一个簇内的标签相关性；最后，对自表示系数矩阵进行稀疏处理，以减少噪声的影响，并将原始样本和每个簇代表性实例分别从特征空间映射到重构标签空间进行特征选择。在9个多标签数据集上的实验结果表明，所提算法与其他方法相比具有更好的性能。

• 车路协同下的无信号交叉口车辆通行调度策略

  张方忆,彭景阳,李磊,王文格,

  无信号交叉口车辆通行调度问题是智能交通领域的研究重点，由于车辆通行顺序决策问题的解空间随着车辆数增加而指数级增长，在保证实时性的同时找到较优通行顺序成为无信号交叉口通行调度的一大问题。针对该问题提出一种基于自适应蒙特卡罗树搜索算法的无信号交叉口车辆通行调度方法，采用分层式框架，上层集中式顺序决策，下层分布式轨迹规划。首先，建立基于冲突点的交叉口模型，将网联车加入到待搜索队列中，根据交叉口中的车辆通行特点设计通行顺序的蒙特卡罗树搜索流程，以总通行时间为指标建立评价函数，然后针对不同交通情景设计自适应探索系数及其他超参数，使算法在求解不同车辆数时以及搜索的不同时期保持最佳状态。轨迹规划环节以加速度二范数为目标函数，以速度、加速度以及始终点位置等为约束，建立最优控制命题求解车辆轨迹。最后，进行实验，结果表明该算法相较于其他算法在数值仿真和微缩平台实验中最大优化幅度分别达到33.42%和38.04%，为无信号交叉口车辆通行调度提供了一个有效解决方案。

• 基于Z-Score动态压缩的高效联邦学习算法

  刘乔寿,皮胜文,原炜锡,

  联邦学习作为一种具有隐私保护的新兴分布式计算范式，在一定程度上保护了用户隐私和数据安全。然而，由于联邦学习系统中客户端与服务器需要频繁地交换模型参数，造成了较大的通信开销。在带宽有限的无线通信场景中，这成为了限制联邦学习发展的主要瓶颈。针对这一问题，提出了一种基于Z-Score的动态稀疏压缩算法。通过引入Z-Score，对局部模型更新进行离群点检测，将重要的更新值视为离群点，从而将其挑选出来。在不需要复杂的排序算法以及原始模型更新的先验知识的情况下，实现模型更新的稀疏化。同时随着通信轮次的增加，根据全局模型的损失值动态地调整稀疏率，从而在保证模型精度的前提下最大程度地减少总通信量。通过实验证明，在I.I.D.数据场景下，该算法与联邦平均（FedAvg）算法相比可以降低95%的通信量，精度损失仅仅为1.6%，与FTTQ算法相比可以降低40%~50%的通信量，精度损失仅为1.29%，证明了该方法在保证模型性能的同时显著降低了通信成本。

• 时变路网下考虑碳排放的需求响应型公交调度优化模型

  胡凯,袁鹏程,李佶霖,

  以往对需求响应型公交的研究中，鲜有考虑到时变路网、碳排放等因素对车辆调度的影响，需要对现有研究的局限性进行改进。针对当前“双碳”背景下存在传统燃油公交与电动公交混合运行的现状，结合两者特性分别给出约束条件、成本和碳排放测算方法，建立包含延误时间、碳排放和运营成本作为优化目标的调度优化模型，并提出了自适应遗传-萤火虫算法用以求解该模型。实验结果表明：a）所提算法改善了传统遗传算法中易陷入局部最优的问题，在基于仿真路网的实验中能使目标函数减少9.1%，平均车辆使用数、平均途经节点数和平均行驶里程数分别减少了0.3辆、4.9个和104.57 km，提高了求解精度；b）模型考虑碳排放影响最高能减少9%的碳排放量，运营成本降低2.9%；c）动态阻抗下的车辆调度方案既贴近实际情况，又能同时降低7.5%的碳排放以及节约5%的运营成本；d）电动公交的引入能得到显著的碳减排效果，但由此带来的成本上升也是不容忽视的。

• 基于双向时间卷积网络的半监督日志异常检测

  尹春勇,孔娴,

  由于日志解析准确率不高以及标记样本不足降低了异常检测的准确率，所以提出了一种新的基于日志的半监督异常检测方法。首先，通过改进字典的日志解析方法，保留了日志事件中的部分参数信息，从而提高日志信息的利用率和日志解析的准确率；然后，使用BERT对模板中的语义信息进行编码，获得日志的语义向量；接着采用聚类的方法进行标签估计，缓解了数据标注不足的问题，有效提高了模型对不稳定数据的检测；最后，使用带有残差块的双向时间卷积网络（Bi-TCN）从两个方向捕获上下文信息，提高了异常检测的精度和效率。为了评估该方法的性能，在两个数据集上进行了评估，最终实验结果表明，该方法与最新的三个基准模型LogBERT、PLELog和LogEncoder相比，F1值平均提高了7%、14.1%和8.04%，能够高效精准地进行日志解析和日志异常检测。

• 灾害场景下基于MADRL的信息收集无人机部署与节点能效优化

  李梦丽,王霄,米德昌,孟磊,

  灾害场景下，对灾区内第一手重要信息的及时、可靠收集是灾害预警研究、灾区救援工作开展的关键。无人机是与灾区内部建立应急通信网络的高效辅助工具。通过对现有研究中应急场景下无人机的部署方法进行调查，指出了无人机部署时对节点能效考虑不充分的问题。由于地面传感器节点位于灾区内部，环境恶劣且极为被动，所以结合灾害场景，首次以提高地面节点能效为优化目标，基于深度强化学习方法，在DDQN网络模型基础上，通过自定义经验回放优先级、合理设计奖励函数和采用完全去中心化训练方式，解决该特定场景下用于信息收集无人机的自适应部署问题。仿真结果表明，所提算法的节点能源效率比DDQN基准算法提高21%，训练速度相比DDPG、A3C算法分别提升42%和34%。

• 基于动态异构网络的股价预测

  韩忠明,孟怡新,郭惠莹,郭苗苗,毛雅俊,

  股票预测通常被形式化为非线性的时间序列预测任务，但很少有研究者试图通过技术面数据去系统地揭示股票市场内在结构，例如股票上涨或下跌背后的原因可能是业务领域之间的合作或冲突，这些额外信息的增加有助于判断股票的未来趋势。为了充分真实刻画股票市场的交易状态，表达股票之间显式或隐式的关系，提出一种基于动态异构网络的股价预测模型sDHN（stock dynamic heterogeneous network），综合股票以及所属行业和地域，将其建模为动态异构网络。该模型在网络上引入动态时序特征，创新融合股票节点的四种不同技术层面的相似性图，生成富信息异构图，最后聚合不同元路径中隐含的语义信息生成嵌入，从异构图的角度充分探索股票之间的潜在关联。此外，在三个真实世界的股票数据集上进行了大量实验，所提出的模型准确率比所有基线模型均高出5%~34%，F1-score则高出11.5%~37%，并且在图解释上证明了该方法的有效性。

• 跨脉冲传播的深度脉冲神经网络训练方法

  曾建新,陈云华,李炜奇,陈平华,

  基于反向传播的脉冲神经网络（SNNs）的训练方法仍面临着诸多问题与挑战，包括脉冲发放过程不可微分、脉冲神经元具有复杂的时空动力过程等。此外，SNNs反向传播训练方法往往没有考虑误差信号在相邻脉冲间的关系，大大降低了网络模型的准确性。为此，提出一种跨脉冲误差传播的深度脉冲神经网络训练方法（cross-spike error backpropagation，CSBP），将神经元的误差反向传播分成脉冲发放时间随突触后膜电位变化关系和相邻脉冲发放时刻点间的依赖关系两种依赖关系。其中，通过前者解决了脉冲不可微分的问题，通过后者明确了脉冲间的依赖关系，使得误差信号能跨脉冲传播，提升了生物合理性。此外，并对早期脉冲残差网络架构存在的模型表示能力不足问题进行研究，通过修改脉冲残余块的结构顺序，进一步提高了网络性能。实验结果表明，所提方法比基于脉冲时间的最优训练算法有着明显的提升，相同架构下，在CIFAR10数据集上提升2.98%，在DVS-CIFAR10数据集上提升2.26%。

• NURBS体参数化模型的无支撑打印算法

  徐建宁,李厦,陈龙,

  处理大角度悬垂结构的打印问题是无支撑打印的主要挑战。针对NURBS（non-uniform rational B-spline）体参数化模型的多自由度无支撑三维打印技术，提出一种锥形切片算法。通过对模型的三维文件进行几何映射，利用水平切片算法对其进行切片，得到模型变形后的连续打印路径G-code；然后对得到的G-code进行逆映射，生成适用于六轴机械臂的多自由度连续打印路径。利用锥形切片算法规划打印路径，可以在无须支撑的情况下，依靠自支撑结构实现对悬空结构部分的打印。最后，通过仿真实验和对比实验，验证了锥形切片算法的准确性、可行性和有效性。锥形切片算法的引入为NURBS体参数化模型的无支撑三维打印提供了一种更加高效、经济和环保的解决方案。

• 基于对比学习的跨语言代码克隆检测方法

  吕泉润,谢春丽,万泽轩,魏家劲,

  代码克隆检测是提高软件开发效率、软件质量和可靠性的重要手段。基于抽象语法树（abstract syntax tree，AST）的单语言克隆检测已经取得了较为显著的效果，但跨语言代码的AST节点存在同义词、近义词且手工标注数据集成本高等问题，限制了现有克隆检测方法的有效性和实用性。针对上述问题，提出一种基于对比学习的树卷积神经网络（contrastive tree convolutional neural network，CTCNN）的跨语言代码克隆检测方法。该方法首先将不同编程语言的代码解析为AST，并对AST的节点类型和节点值作同义词转换处理，以降低不同编程语言AST之间的差异；同时，采用对比学习扩充负样本并对模型进行训练，使得在小样本数据集下能够最小化克隆对之间的距离，最大化非克隆对之间的距离。最后在公开数据集上进行了评测，精确度达到95.26%、召回率为99.98%、F1为97.56%。结果表明，相较于现有的最好的CLCDSA和C4方法，该模型的检测精度分别提高了43.92%和3.73%，其F1值分别提升了29.84%和6.29%，证明了所提模型是一种有效的跨语言代码克隆检测方法。

• 基于知识图谱的案件特征增强法律判决预测

  李紫阳,张亚娟,黄义雄,王云鹤,

  现有基于知识图谱的法律判决预测方法重点关注案件的要素实体和关系，不能充分地获取案件的特征信息。针对该问题，提出了一种增强案件特征融合的知识图谱法律判决预测方法。首先，该方法利用双向门控循环神经网络挖掘事实描述文本深层次的因果、时序等全文语义特征信息。然后通过知识图谱向量空间中案例间相似度注意力计算学习类案特征表示。最后，融合特征信息和知识图谱的结构化知识，丰富实体和关系在案件事实文本中的语义特征表示，实现法律判决链路预测任务。在危险驾驶罪和盗窃罪两类罪名数据集上的实验结果显示，该方法在MRR、Hit@1两个关键评价指标上与当前表现最好的链路预测模型相比提升了1.5%左右，Hit@3和Hit@10等指标也均有提升，验证了案件特征增强融合能补充法律知识图谱中缺失的案件特征信息并提高预测的效果。

• 串联重复序列比对的位置筛选方法

  温华铭,徐云,杨金宝,

  串联重复序列是基因组构建的困难片段，由于其重复单元之间的相似性与其拷贝数的不确定性，在序列比对时容易定位到多个候选位置，如何快速而准确地筛选出正确的比对位置是一项挑战。现有方法使用种子（从测序片段中选取的短序列）来定位并扩展候选比对位置，但挑选种子时未考虑串联重复序列特性。因此，提出了一种串联重复序列比对的位置筛选方法，其通过计算稀有kmer（长度为k的子序列）序列的相似性来筛选比对结果。此外，采用合并稀有kmer的策略加速计算，并利用基于编辑距离的模糊查找以提高过滤信息密度。实验结果表明，在模拟数据集上提高比对结果的召回率与准确率的同时，该方法比现有方法快约2倍，且具有良好的并行加速性能。

• MSs-MEC中基于DRL的服务缓存和任务迁移联合优化算法

  黄恒杰,彭资馀,王高才,

  多服务移动边缘计算（multiple-services mobile edge computing，MSs-MEC）能根据需求自适应调整服务缓存决策，使得部署在用户侧的边缘服务器能够灵活处理不同服务类型的任务。但在实际应用中，特定类型任务的成功迁移依赖于服务环境的提前安装。此外，同时进行任务迁移和服务缓存可能会因时间冲突而导致计算延时。因此，针对上述相关问题，首先将任务迁移和服务缓存决策进行解耦，针对深度强化学习（deep reinforcement learning，DRL）在具有高维的混合决策空间的性能提升不明显的缺点（例如资源分配时利用率不高），将DRL与Transformer结合，通过在历史数据中学习，输出当前时隙的任务迁移决策和下一时隙的任务决策，保证任务到达边缘服务器时能立即执行。其次，为了提高资源分配问题中的资源利用率，将问题分解为连续资源分配问题和离散的任务迁移与服务缓存问题，利用凸优化技术求解资源分配最优决策。广泛的数值结果表明，与其他基线算法相比，提出的算法能有效地减少任务的平均完成时延，同时在资源利用率和稳定性方面也有优异的表现。

• 基于联盟链的边缘缓存系统中最佳缓存策略设计

  刘锰,姜静,杜剑波,张雪薇,

  针对不同运营商各自部署边缘设备，投入巨大且缓存内容相互隔离，无法共享的问题，改进了一种基于联盟链的边缘缓存系统架构，使运营商部署的边缘设备间能够打破内容隔离，实现更大范围的共享。为了提高运营商缓存收益，同时保证用户传输质量，降低用户传输时延，首先针对缓存内容流行度、内容大小以及边缘设备的协作能力，分析不同内容交付方式对于用户传输时延和运营商缓存收益的影响；然后，以最大化缓存收益和最小化传输时延为目标建立优化问题；最后，为解决构建的高维度大规模的缓存决策问题，采用基于异步优势动作评价的内容缓存算法确定内容的最佳放置位置。仿真结果表明，所提缓存策略能够有效地提高边缘缓存收益，降低内容传输时延，提升用户体验。

• 软件漏洞模糊测试的关键分支探索及热点更新算法

  唐成华,蔡维嘉,林和,强保华,

  在软件开发及应用中，由于具有可复现性，模糊测试能够帮助发现漏洞和有针对性地对漏洞成因进行分析。为了解决模糊测试过程的效率及测试力度等问题，提出了软件漏洞模糊测试的关键分支探索及热点更新算法。该方法通过捕获、分析和利用受检程序在处理测试用例时的执行位置的关键信息，以指导模糊测试过程的探索方向和测试用例的生成。实验结果表明，提出的方法相较于传统随机发散的模糊测试方法在漏洞发现能力上有较大提升，在Otfcc、Swftools等14个开源程序中发现了100余个未被公布的漏洞，为模糊测试用于软件漏洞检测提供了新的可靠途径。

• 面向神经辐射场的水印算法

  陈立峰,刘佳,董炜娜,孙文权,潘晓中,

  针对隐式表示的3D模型的版权保护问题，提出了一种面向神经辐射场（NeRF）的水印算法。该算法通过嵌入网络对训练集中的图像嵌入水印，再利用NeRF模型进行3D模型建模。版权验证方通过给定一个秘密视角作为神经辐射场的输入，生成新视角下的图像作为后门图像，接着利用神经网络的过参数化方法设计一个水印提取器，获取该视角下嵌入的水印图像。在黑盒场景下，一旦怀疑3D模型被未经授权地使用，验证方则可以通过秘密视角提取水印以验证网络版权。实验结果表明，所提算法提取水印不仅具有良好的视觉效果，而且对不同类型的噪声攻击具有较好的抵抗能力。

• 基于用户相关性的差分隐私轨迹隐私保护方案

  刘沛骞,贾庆林,王辉,申自浩,

  在使用位置查询服务时需要提供用户真实位置信息，导致用户信息泄露。大部分研究只针对单个用户的隐私保护，而忽略了多用户之间的相关性。针对轨迹隐私保护中多用户相关性的问题，提出了一种基于用户相关性的差分隐私轨迹隐私保护方案。首先，构建历史轨迹树，利用变阶马尔可夫模型预测用户轨迹，从轨迹集合中生成一组高可用性的轨迹数据集；其次，根据用户轨迹之间的相关性获取一组关联性较低的预测轨迹集；最后，通过自定义隐私预算的方法，根据用户不同的隐私需求动态调整每个位置点的隐私预算并为发布轨迹添加拉普拉斯噪声。实验结果表明：与LPADP算法相比，该算法的执行效率提升了10%~15.9%；与PTPP和LPADP算法相比，该算法的数据可用性提升了11%~16.1%，同时提升了隐私保护程度。

• EnGAN：医学图像分割中的增强生成对抗网络

  邓尔强,秦臻,朱国淞,

  原始采集的医学图像普遍存在对比度不足、细节模糊以及噪声干扰等质量问题，使得现有医学图像分割技术的精度很难达到新的突破。针对医学图像数据增强技术进行研究，在不明显改变图像外观的前提下，通过添加特定的像素补偿和进行细微的图像调整来改善原始图像质量问题，从而提高图像分割准确率。首先，设计引入了一个新的优化器模块，以产生一个连续分布的空间作为迁移的目标域，该优化器模块接受数据集的标签作为输入，并将离散的标签数据映射到连续分布的医学图像中；其次，提出了一个基于对抗生成网络的EnGAN模型，并将优化器模块产生的迁移目标域用来指导对抗网络的目标生成，从而将改善的医学图像质量知识植入模型中实现图像增强。基于COVID-19数据集，实验中使用U-Net、U-Net+ResNet34、U-Net+Attn Res U-Net等卷积神经网络作为骨干网络，Dice系数和交并比分别达到了73.5%和69.3%、75.1%和70.5%，以及75.2%和70.3%。实验的结果表明，提出的医学图像质量增强技术在最大限度保留原始特征的条件下，有效地提高了分割的准确率，为后续的医学图像处理研究提供了一个更为稳健和高效的解决方案。

• 基于语义一致性约束与局部-全局感知的多模态3D视觉定位

  罗寒,马浩统,刘杰,严华,雷印杰,

  3D多模态数据稀缺，使得传统方法进行监督训练时文本与视觉特征缺乏语义一致性。同时传统方法还易忽视局部关系与全局信息，从而导致性能不佳。针对上述问题，提出了一种基于语义一致性约束与局部-全局感知的多模态3D视觉定位方法。首先，该方法通过蒸馏2D预训练视觉语言模型知识，帮助3D模型提取到点云-文本语义一致性特征；其次设计了局部-全局感知模块，不断补充增强候选目标特征，以更精确匹配目标。在现有的3D视觉定位数据集ScanRefer上进行的实验表明，该方法在Acc@0.25 IoU和Acc@0.5 IoU两个指标上分别达到了50.53%和37.67%，超越了现有大多数3D视觉定位算法，证实了该方法的有效性。

• 一种在线更新的单目视觉里程计

  王铭敏,佃松宜,钟羽中,

  现有的基于深度学习的视觉里程计（visual odometry，VO）训练样本与应用场景存在差异时，普遍存在难以适应新环境的问题，因此提出了一种在线更新单目视觉里程计算法OUMVO。其特点在于应用阶段利用实时采集到的图像序列在线优化位姿估计网络模型，提高网络的泛化能力和对新环境的适用能力。该方法使用了自监督学习方法，无须额外标注地面真值，并采用了Transformer对图像流进行序列建模，以充分利用局部窗口内的视觉信息，提高位姿估计精度，以避免传统方法只能利用相邻两帧图像来估计位姿的局限，还可以弥补采用RNN进行序列建模无法并行计算的缺点。此外，采用图像空间几何一致性约束，解决了传统单目视觉里程计算法存在的尺度漂移问题。在KITTI数据集上的定量和定性实验结果表明，OUMVO的位姿估计精度和对新环境的适应能力均优于现有的先进单目视觉里程计方法。

• 基于全局与序列变分自编码的图像描述生成

  刘明明,刘浩,王栋,张海燕,

  基于Transformer架构的图像描述生成方法通常学习从图像空间到文本空间的确定性映射，以提高预测“平均”描述语句的性能，从而导致模型倾向于生成常见的单词和重复的短语，即所谓的模式坍塌问题。为此，将条件变分自编码与基于Transformer的图像描述生成相结合，利用条件似然的变分证据下界分别构建了句子级和单词级的多样化图像描述生成模型，通过引入全局与序列隐嵌入学习增强模型的隐表示能力。在MSCOCO基准数据集上的定量和定性实验结果表明，两种模型均具备图像到文本空间的一对多映射能力。相比于目前最新的方法COS-CVAE（diverse image captioning with context-object split latent spaces），在随机生成20个描述语句时，准确性指标CIDEr和多样性指标Div-2分别提升了1.3和33%，在随机生成100个描述语句的情况下，CIDEr和Div-2分别提升了11.4和14%，所提方法能够更好地拟合真实描述分布，在多样性和准确性之间取得了更好的平衡。

• 具有性能感知排序的深度监督哈希用于多标签图像检索

  张志升,曲怀敬,谢明,张汉元,

  现实生活中的图像大多具有多种标签属性。对于多标签图像，理想情况下检索到的图像应该按照与查询图像相似的程度降序排列，即与查询图像共享的标签数量依次递减。然而，大多数哈希算法主要针对单标签图像检索而设计，而且现有用于多标签图像检索的深度监督哈希算法忽略了哈希码的排序性能且没有充分地利用标签类别信息。针对此问题，提出了一种具有性能感知排序的深度监督哈希方法（deep supervised hashing with performance-aware ranking，PRDH），它能够有效地感知和优化模型的性能，改善多标签图像检索的效果。在哈希学习部分，设计了一种排序优化损失函数，以改善哈希码的排序性能；同时，还加入了一种空间划分损失函数，将具有不同数量的共享标签的图像划分到相应的汉明空间中；为了充分地利用标签信息，还鲜明地提出将预测标签用于检索阶段的汉明距离计算，并设计了一种用于多标签分类的损失函数，以实现对汉明距离排序的监督及优化。在三个多标签基准数据集上进行的大量检索实验结果表明，PRDH的各项评估指标均优于现有先进的深度哈希方法。

• 深度掩膜布朗距离协方差小样本分类方法

  苟光磊,朱东华,李小菲,韩岩奇,

  针对小样本学习中，布朗距离协方差通过改善特征嵌入提升分类精度，但未聚焦分类中样本相关性特征的问题，提出了深度掩膜布朗距离协方差方法。该方法通过每对查询集与支持集之间的高维语意关系，生成查询引导掩膜，并将掩膜后的布朗距离协方差矩阵用作图像特征表示。分别在5way-1shot和5way-5shot情形下，对CUB-200-211、Mini-ImageNet及Tiered-ImageNet数据集进行评估验证，实验表明，深度掩膜布朗距离协方差方法取得了更优的分类精度。

• 融合多粒度注意力特征的小样本分类模型

  韩岩奇,苟光磊,李小菲,朱东华,

  在小样本分类任务中，现有的CNN模型存在特征提取不足、特征单一和小样本数据集类间差异化较弱的问题，导致分类精度较低。针对以上问题，提出一种融合多粒度注意力特征（fusion multi-granular attention feature，FMAF）的小样本分类模型。首先，该方法借鉴多粒度思想，重新设计CNN特征提取网络的架构来增强特征多样性；其次，在多粒度特征提取网络后添加自注意力层，提取多粒度图像特征中的关键特征，在多粒度注意力特征的基础上，借助特征融合方法融合多粒度注意力特征信息，突出关键特征，提高特征的表征力；最后，在两个经典的小样本数据集miniImageNet和tieredImageNet上进行了评估。实验结果表明，FMAF方法能有效提升分类的准确度和效率。