- 最新动态
- 推荐文章
快速检索
过刊检索
全选反选导出
显示模式：
2026,35(8):1-11, DOI: 10.15888/j.cnki.csa.010213, CSTR: 32024.14.csa.010213
摘要：
混合专家(mixture-of-experts, MoE)模型通过专家并行(expert parallelism, EP)推理降低单卡的显存压力, 实现专家计算的并行化. 但在带宽受限的硬件上, 频繁的All2All通信引发了严重的通信墙瓶颈. 现有主流的DeepSeek双批次并行调度方案虽能实现计算通信重叠, 却面临注意力算子因批次拆分导致的计算强度受损和计算通信因执行时间非对称导致的掩盖不充分的双重挑战, 从而实际收益有限. 针对上述问题, 本文提出一种新的混合专家模型, 采用专家并行推理时的计算通信重叠调度优化方案. 首先, 有选择性地对部分算子实施多批次计算通信重叠, 让注意力模块使用完整批次执行保证算子的计算强度; 其次, 设计基于流式多处理器分配的多流重叠调度机制, 实现计算通信更加充分的重叠. 该方案既缓解了部分算子计算强度下降的开销, 又更充分地利用了计算通信掩盖的机会. 实验结果表明, 在单机8卡H20平台部署Qwen3-30B模型时, 本方案能够将解码吞吐提升6.0%–23.6%, 是双批次并行收益的1.74–6.29倍.
混合专家(mixture-of-experts, MoE)模型通过专家并行(expert parallelism, EP)推理降低单卡的显存压力, 实现专家计算的并行化. 但在带宽受限的硬件上, 频繁的All2All通信引发了严重的通信墙瓶颈. 现有主流的DeepSeek双批次并行调度方案虽能实现计算通信重叠, 却面临注意力算子因批次拆分导致的计算强度受损和计算通信因执行时间非对称导致的掩盖不充分的双重挑战, 从而实际收益有限. 针对上述问题, 本文提出一种新的混合专家模型, 采用专家并行推理时的计算通信重叠调度优化方案. 首先, 有选择性地对部分算子实施多批次计算通信重叠, 让注意力模块使用完整批次执行保证算子的计算强度; 其次, 设计基于流式多处理器分配的多流重叠调度机制, 实现计算通信更加充分的重叠. 该方案既缓解了部分算子计算强度下降的开销, 又更充分地利用了计算通信掩盖的机会. 实验结果表明, 在单机8卡H20平台部署Qwen3-30B模型时, 本方案能够将解码吞吐提升6.0%–23.6%, 是双批次并行收益的1.74–6.29倍.
2026,35(8):12-23, DOI: 10.15888/j.cnki.csa.010252, CSTR: 32024.14.csa.010252
摘要：
随着智能计算与通信技术的飞速发展, 在未知环境中实现智能传感器群的全面协同态势感知已成为可能. 然而, 障碍物遮挡会导致传感器感知效用模型失真, 从而制约群体协同态势感知能力. 为此, 本文提出一种新的基于深度强化学习的多智能体协同决策方法, 称为分布式动态感知深度Q学习算法(decentralized dynamic sensing optimization with deep Q-learning, DDSO-DQL). 该方案通过构建分布式策略网络评估状态动作价值, 设计分层探索机制提升环境探索效率, 引入历史状态回溯策略增强智能决策稳定性; 赋予移动节点自主协同感知与决策能力, 实现动态态势感知及群体全局优化. 实验结果表明, 在未知环境中, 所提算法相较于传统方法将平均态势感知率提升8.7%, 显著增强了网络协同自主性与动态感知质量, 为意图驱动网络的智能感知与自愈提供了关键技术支撑.
随着智能计算与通信技术的飞速发展, 在未知环境中实现智能传感器群的全面协同态势感知已成为可能. 然而, 障碍物遮挡会导致传感器感知效用模型失真, 从而制约群体协同态势感知能力. 为此, 本文提出一种新的基于深度强化学习的多智能体协同决策方法, 称为分布式动态感知深度Q学习算法(decentralized dynamic sensing optimization with deep Q-learning, DDSO-DQL). 该方案通过构建分布式策略网络评估状态动作价值, 设计分层探索机制提升环境探索效率, 引入历史状态回溯策略增强智能决策稳定性; 赋予移动节点自主协同感知与决策能力, 实现动态态势感知及群体全局优化. 实验结果表明, 在未知环境中, 所提算法相较于传统方法将平均态势感知率提升8.7%, 显著增强了网络协同自主性与动态感知质量, 为意图驱动网络的智能感知与自愈提供了关键技术支撑.
2026,35(8):24-38, DOI: 10.15888/j.cnki.csa.010214, CSTR: 32024.14.csa.010214
摘要：
因果解耦表征学习是从高维数据中提取具有因果语义独立性潜在因子的关键技术, 在可控生成、鲁棒分类等任务中具有重要应用价值. 现有因果解耦模型虽能通过结构化因果模型处理潜在因子间的因果关联, 但存在特征冗余抑制不足与闭环一致性缺失的问题, 从而限制了模型在医疗诊断、自动驾驶等关键领域的应用. 为解决上述问题, 本文提出一种融合闭环转录与稀疏编码的因果解耦表征学习框架, 其核心设计包括两部分: 首先, 基于最大编码率降低原则构建闭环转录机制, 通过编码器与解码器的双向博弈与动态反馈, 可有效提升解耦精准度与稳定性; 其次, 引入卷积稀疏编码层, 通过替代传统深度神经网络中的标准卷积层, 可有效剔除冗余特征. 本文在Pendulum合成数据集与CelebA真实数据集上进行了广泛的实验, 在Penulum数据集上样本效率达99.11%, CelebA数据集上样本效率达99.32%. 实验结果表明, 该框架在下游任务样本效率及分布鲁棒性上优于现有方法, 为因果解耦表征的实际应用提供了更优方案.
因果解耦表征学习是从高维数据中提取具有因果语义独立性潜在因子的关键技术, 在可控生成、鲁棒分类等任务中具有重要应用价值. 现有因果解耦模型虽能通过结构化因果模型处理潜在因子间的因果关联, 但存在特征冗余抑制不足与闭环一致性缺失的问题, 从而限制了模型在医疗诊断、自动驾驶等关键领域的应用. 为解决上述问题, 本文提出一种融合闭环转录与稀疏编码的因果解耦表征学习框架, 其核心设计包括两部分: 首先, 基于最大编码率降低原则构建闭环转录机制, 通过编码器与解码器的双向博弈与动态反馈, 可有效提升解耦精准度与稳定性; 其次, 引入卷积稀疏编码层, 通过替代传统深度神经网络中的标准卷积层, 可有效剔除冗余特征. 本文在Pendulum合成数据集与CelebA真实数据集上进行了广泛的实验, 在Penulum数据集上样本效率达99.11%, CelebA数据集上样本效率达99.32%. 实验结果表明, 该框架在下游任务样本效率及分布鲁棒性上优于现有方法, 为因果解耦表征的实际应用提供了更优方案.
2026,35(8):39-49, DOI: 10.15888/j.cnki.csa.010224, CSTR: 32024.14.csa.010224
摘要：
高质量的漏洞代码数据集对于推动软件安全研究具有重要意义, 是支撑漏洞分析、漏洞检测模型训练与评测、系统对比与攻防研究的核心资源. 不同于图像等领域, 现有漏洞数据集不仅数量有限, 且质量参差不齐, 在多样性上仍存在明显不足. 为应对这一挑战, 本文提出CodeVulnGen, 一种以漏洞特征为核心、基于大语言模型(large language model, LLM)的自动化代码漏洞数据生成框架. 该框架系统化定义了代码漏洞的数据质量属性与评估方法, 在此基础上, 提出3阶段递进式提示构造策略, 将结构化描述、少样本实例、真实漏洞特征和思维链(chain-of-thought, CoT)推理逐步融合, 以生成多样、规范且更贴近真实攻击场景的高复杂度漏洞代码. 实验结果表明, 使用该数据集进行微调的Qwen-4B模型F1指标提升7.4%, 相较于基于真实数据训练提升5.5%.
高质量的漏洞代码数据集对于推动软件安全研究具有重要意义, 是支撑漏洞分析、漏洞检测模型训练与评测、系统对比与攻防研究的核心资源. 不同于图像等领域, 现有漏洞数据集不仅数量有限, 且质量参差不齐, 在多样性上仍存在明显不足. 为应对这一挑战, 本文提出CodeVulnGen, 一种以漏洞特征为核心、基于大语言模型(large language model, LLM)的自动化代码漏洞数据生成框架. 该框架系统化定义了代码漏洞的数据质量属性与评估方法, 在此基础上, 提出3阶段递进式提示构造策略, 将结构化描述、少样本实例、真实漏洞特征和思维链(chain-of-thought, CoT)推理逐步融合, 以生成多样、规范且更贴近真实攻击场景的高复杂度漏洞代码. 实验结果表明, 使用该数据集进行微调的Qwen-4B模型F1指标提升7.4%, 相较于基于真实数据训练提升5.5%.
2026,35(8):50-60, DOI: 10.15888/j.cnki.csa.010202, CSTR: 32024.14.csa.010202
摘要：
针对复杂场景下输电线路多类型缺陷检测精度低、单一模态易漏检的难题, 提出了一种轻量级双模态目标检测框架. 该框架采用3阶段处理流程: 首先利用EfficientNetV2-S对输入图像进行精准预分类, 然后将不同缺陷模态输入不同的检测网络中, 最后仅在同一场景存在配对双模态图像时, 启动决策级融合模块, 对两支路检测结果进行置信度加权与位置匹配, 实现可见光结构信息与红外热信息的精准互补. 实验结果表明, 所提框架在自建双模态数据集及多个公开数据集上表现出色, 红外支路对挂点温度异常缺陷F1值达0.985, 可见光支路对绝缘子结构缺陷和异物检测F1值分别达0.920和0.964, 综合性能显著优于CNN、YOLO系列等主流方法. 既支持单模态独立高效运行, 又能在双模态条件下显著降低复合缺陷与复杂光照场景下的漏检率.
针对复杂场景下输电线路多类型缺陷检测精度低、单一模态易漏检的难题, 提出了一种轻量级双模态目标检测框架. 该框架采用3阶段处理流程: 首先利用EfficientNetV2-S对输入图像进行精准预分类, 然后将不同缺陷模态输入不同的检测网络中, 最后仅在同一场景存在配对双模态图像时, 启动决策级融合模块, 对两支路检测结果进行置信度加权与位置匹配, 实现可见光结构信息与红外热信息的精准互补. 实验结果表明, 所提框架在自建双模态数据集及多个公开数据集上表现出色, 红外支路对挂点温度异常缺陷F1值达0.985, 可见光支路对绝缘子结构缺陷和异物检测F1值分别达0.920和0.964, 综合性能显著优于CNN、YOLO系列等主流方法. 既支持单模态独立高效运行, 又能在双模态条件下显著降低复合缺陷与复杂光照场景下的漏检率.
2026,35(8):61-73, DOI: 10.15888/j.cnki.csa.010254, CSTR: 32024.14.csa.010254
摘要：
认证是物联网设备中关键的访问控制机制. 然而, 开发者设计或配置不当将可能导致设备中存在认证绕过漏洞, 从而显著削弱系统安全性. 为识别物联网设备是否存在认证绕过漏洞, 现有研究主要依赖对固件进行人工逆向分析以定位认证逻辑并结合符号执行技术求解可绕过认证的输入条件, 或采用启发式规则来检测漏洞. 然而, 人工逆向分析成本高昂, 而启发式规则的可扩展性有限, 导致认证绕过漏洞检测难以高效、规模化地开展. 针对上述问题, 本文提出了一种面向物联网设备的新型自动化认证绕过漏洞检测框架FirmAuth. 该框架首先通过自动识别固件中各类服务的认证特征, 定位认证相关代码的位置; 随后构建面向认证逻辑的符号执行引擎, 实现对认证绕过漏洞的高效检测. 实验结果表明, 与现有方法相比, FirmAuth的认证绕过漏洞检出率提高了约11.6倍. 目前, 基于该工具发现的相关漏洞已获得4个漏洞编号.
认证是物联网设备中关键的访问控制机制. 然而, 开发者设计或配置不当将可能导致设备中存在认证绕过漏洞, 从而显著削弱系统安全性. 为识别物联网设备是否存在认证绕过漏洞, 现有研究主要依赖对固件进行人工逆向分析以定位认证逻辑并结合符号执行技术求解可绕过认证的输入条件, 或采用启发式规则来检测漏洞. 然而, 人工逆向分析成本高昂, 而启发式规则的可扩展性有限, 导致认证绕过漏洞检测难以高效、规模化地开展. 针对上述问题, 本文提出了一种面向物联网设备的新型自动化认证绕过漏洞检测框架FirmAuth. 该框架首先通过自动识别固件中各类服务的认证特征, 定位认证相关代码的位置; 随后构建面向认证逻辑的符号执行引擎, 实现对认证绕过漏洞的高效检测. 实验结果表明, 与现有方法相比, FirmAuth的认证绕过漏洞检出率提高了约11.6倍. 目前, 基于该工具发现的相关漏洞已获得4个漏洞编号.
快速检索
过刊检索
全选反选导出
显示模式：
优先出版日期: 2026-08-11
,DOI: 10.15888/j.cnki.csa.010296
,CSTR: 32024.14.csa.010296
摘要：
为解决无人机航拍图像因飞行高度与俯视角度导致的小目标像素稀疏、背景杂乱, 以及深层网络下采样造成空间细节退化等问题, 本文设计了一种基于YOLO11s的轻量级改进模型. 该模型首先在骨干网络中引入小波卷积(WTConv), 构建C3k2_WTConv模块, 旨在扩大感受野并强化低频结构特征; 其次, 提出自适应特征处理模块(AFPM), 通过多分支协同机制增强模型在复杂背景下的特征判别能力; 最后, 构建双向特征融合结构(BFNet), 利用高分辨率特征层与可学习权重保留关键空间细节. 在VisDrone2019数据集上, 改进模型mAP50达到46.5%, 参数量降至7.60M, 有效平衡了检测精度与模型轻量化需求.
为解决无人机航拍图像因飞行高度与俯视角度导致的小目标像素稀疏、背景杂乱, 以及深层网络下采样造成空间细节退化等问题, 本文设计了一种基于YOLO11s的轻量级改进模型. 该模型首先在骨干网络中引入小波卷积(WTConv), 构建C3k2_WTConv模块, 旨在扩大感受野并强化低频结构特征; 其次, 提出自适应特征处理模块(AFPM), 通过多分支协同机制增强模型在复杂背景下的特征判别能力; 最后, 构建双向特征融合结构(BFNet), 利用高分辨率特征层与可学习权重保留关键空间细节. 在VisDrone2019数据集上, 改进模型mAP50达到46.5%, 参数量降至7.60M, 有效平衡了检测精度与模型轻量化需求.
优先出版日期: 2026-08-11
,DOI: 10.15888/j.cnki.csa.010299
,CSTR: 32024.14.csa.010299
摘要：
针对遥感图像中目标尺度变化显著、背景复杂、漏检与误检并存等问题, 本文对实时目标检测RT-DETR算法进行改进. 本文提出基于频域解耦注意力的特征交互方法, 将输入特征解耦为高频局部感知与低频全局上下文两个并行处理流, 该方法在降低理论计算复杂度的同时, 避免了小尺度目标细粒度特征被大面积背景低频特征同化. 为进一步提高网络检测能力, 设计多尺度卷积聚合模块(multi-scale convolution aggregation module, MCAM)替代原RepC3模块, 通过并行卷积分支、池化分支及多膨胀注意力卷积分支, 增强模型对多尺度上下文信息的捕捉能力和特征表达能力, 有效抑制背景干扰. 在模型优化阶段, 引入Inner-Focaler-GIoU损失函数, 结合内部重叠度与难样本聚焦机制, 加速模型收敛并提升不同尺度目标的定位精度. 在HRRSD遥感数据集上的实验结果表明, 改进后的算法mAP@0.5达到91.42%, 较基线模型提升2.58%, mAP@0.5:0.95达到66.58%, 较基线模型提升4.45%, 计算复杂度降低4.2%, 且实测推理速度由367.92 f/s提升至374.56 f/s, 表明改进模型在提升检测精度的同时保持了RT-DETR的实时检测特性. 该算法不仅进一步提升了多尺度目标检测精度, 还支持直接输出矢量数据以适配GIS软件, 为实景三维中国及无人机遥感测绘工程建设提供高效技术支撑.
针对遥感图像中目标尺度变化显著、背景复杂、漏检与误检并存等问题, 本文对实时目标检测RT-DETR算法进行改进. 本文提出基于频域解耦注意力的特征交互方法, 将输入特征解耦为高频局部感知与低频全局上下文两个并行处理流, 该方法在降低理论计算复杂度的同时, 避免了小尺度目标细粒度特征被大面积背景低频特征同化. 为进一步提高网络检测能力, 设计多尺度卷积聚合模块(multi-scale convolution aggregation module, MCAM)替代原RepC3模块, 通过并行卷积分支、池化分支及多膨胀注意力卷积分支, 增强模型对多尺度上下文信息的捕捉能力和特征表达能力, 有效抑制背景干扰. 在模型优化阶段, 引入Inner-Focaler-GIoU损失函数, 结合内部重叠度与难样本聚焦机制, 加速模型收敛并提升不同尺度目标的定位精度. 在HRRSD遥感数据集上的实验结果表明, 改进后的算法mAP@0.5达到91.42%, 较基线模型提升2.58%, mAP@0.5:0.95达到66.58%, 较基线模型提升4.45%, 计算复杂度降低4.2%, 且实测推理速度由367.92 f/s提升至374.56 f/s, 表明改进模型在提升检测精度的同时保持了RT-DETR的实时检测特性. 该算法不仅进一步提升了多尺度目标检测精度, 还支持直接输出矢量数据以适配GIS软件, 为实景三维中国及无人机遥感测绘工程建设提供高效技术支撑.
优先出版日期: 2026-08-11
,DOI: 10.15888/j.cnki.csa.010300
,CSTR: 32024.14.csa.010300
摘要：
MTSCNet首先通过多尺度平均下采样将长期时间序列数据分为不同的尺度, 解耦了复杂的时序模式; 其次, 针对时间序列数据具有非平稳性和信号纠缠的问题, 通过频域选择性分解得到季节项与趋势项, 并在各尺度上分别建模. 季节项通过自底向上的MLP混合, 将高频的季节细节逐级压缩并汇聚到低频, 从而提取稳定的高频季节模式并抑制噪声; 趋势项通过自顶向下的Chebyshev-KAN混合, 将低频的全局趋势逐级传播到高频并增强非线性表达, 同时引入归一化时间索引作为显式时间自变量, 使模型更准确刻画趋势随时间演化并提升长预测外推能力. 在季节与趋势项重组后的混合表示上引入SE-attention通道注意力机制, 对通道特征进行自适应重标定, 以突出关键变量并抑制噪声干扰. 在6个真实世界时间序列数据集上的大量实验结果表明, MTSCNet达到了领先性能.
MTSCNet首先通过多尺度平均下采样将长期时间序列数据分为不同的尺度, 解耦了复杂的时序模式; 其次, 针对时间序列数据具有非平稳性和信号纠缠的问题, 通过频域选择性分解得到季节项与趋势项, 并在各尺度上分别建模. 季节项通过自底向上的MLP混合, 将高频的季节细节逐级压缩并汇聚到低频, 从而提取稳定的高频季节模式并抑制噪声; 趋势项通过自顶向下的Chebyshev-KAN混合, 将低频的全局趋势逐级传播到高频并增强非线性表达, 同时引入归一化时间索引作为显式时间自变量, 使模型更准确刻画趋势随时间演化并提升长预测外推能力. 在季节与趋势项重组后的混合表示上引入SE-attention通道注意力机制, 对通道特征进行自适应重标定, 以突出关键变量并抑制噪声干扰. 在6个真实世界时间序列数据集上的大量实验结果表明, MTSCNet达到了领先性能.
优先出版日期: 2026-08-11
,DOI: 10.15888/j.cnki.csa.010302
,CSTR: 32024.14.csa.010302
摘要：
精确的肝脏肿瘤分割对早期诊断和手术规划具有重要意义, 但肿瘤形态复杂、边界模糊及小体积病灶难以识别, 使得分割仍具挑战. 本文提出轻量级CNN-Transformer混合网络TLD-Net, 实现肝脏及肿瘤的精准分割. 编码阶段采用多维三维卷积模块TPConv增强局部结构与细粒度特征表达, 并结合多尺度线性变换注意力模块LMSA建模跨尺度全局依赖, 提升复杂及小体积肿瘤的识别能力; 解码阶段引入双路频域补偿模块DFP, 融合通道与空间路径的频域信息, 强化频域细节并抑制背景干扰. 在LiTS_2017肝脏肿瘤数据集上, 模型参数量为2.61M, 肝脏和肿瘤Dice分别达到93.57%和69.24%, HD95分别为14.32 mm和18.04 mm; 在MSD Task06肺肿瘤数据集上Dice达到68.57%, 验证良好的泛化能力. 实验结果表明, 该方法在低计算开销下提升复杂结构及小病灶的分割性能, 为肝脏肿瘤的自动化辅助诊断提供有效支持.
精确的肝脏肿瘤分割对早期诊断和手术规划具有重要意义, 但肿瘤形态复杂、边界模糊及小体积病灶难以识别, 使得分割仍具挑战. 本文提出轻量级CNN-Transformer混合网络TLD-Net, 实现肝脏及肿瘤的精准分割. 编码阶段采用多维三维卷积模块TPConv增强局部结构与细粒度特征表达, 并结合多尺度线性变换注意力模块LMSA建模跨尺度全局依赖, 提升复杂及小体积肿瘤的识别能力; 解码阶段引入双路频域补偿模块DFP, 融合通道与空间路径的频域信息, 强化频域细节并抑制背景干扰. 在LiTS_2017肝脏肿瘤数据集上, 模型参数量为2.61M, 肝脏和肿瘤Dice分别达到93.57%和69.24%, HD95分别为14.32 mm和18.04 mm; 在MSD Task06肺肿瘤数据集上Dice达到68.57%, 验证良好的泛化能力. 实验结果表明, 该方法在低计算开销下提升复杂结构及小病灶的分割性能, 为肝脏肿瘤的自动化辅助诊断提供有效支持.
优先出版日期: 2026-08-11
,DOI: 10.15888/j.cnki.csa.010298
,CSTR: 32024.14.csa.010298
摘要：
本文针对三维目标检测领域里中远距离点云稀疏导致检测精度下降的问题, 提出了一种距离感知的 CenterFormer改进框架DA-CenterFormer, 通过将主干网络替换为引入可变形卷积的UNetV2并设计一种基于距离感知的IoU加权损失函数, 提升了远距离检测性能. 为了验证模型能力, 本文在Waymo公开数据集上进行了测试, 实验结果显示在30–50 m及50 m以上范围内的车辆和行人检测精度有显著提升.
本文针对三维目标检测领域里中远距离点云稀疏导致检测精度下降的问题, 提出了一种距离感知的 CenterFormer改进框架DA-CenterFormer, 通过将主干网络替换为引入可变形卷积的UNetV2并设计一种基于距离感知的IoU加权损失函数, 提升了远距离检测性能. 为了验证模型能力, 本文在Waymo公开数据集上进行了测试, 实验结果显示在30–50 m及50 m以上范围内的车辆和行人检测精度有显著提升.
优先出版日期: 2026-08-11
,DOI: 10.15888/j.cnki.csa.010282
,CSTR: 32024.14.csa.010282
摘要：
针对边缘智能网络(edge intelligence network, EIN)中基站缓存策略对网络性能的影响, 提出一种基于平均场型博弈(mean-field-type game, MFTG)的边缘缓存优化方法. 建立了非合作与合作MFTG模型, 利用耦合哈密顿-雅可比-贝尔曼(Hamilton-Jacobi-Bellman, HJB)方程和福克-普朗克-科尔莫哥洛夫(Fokker-Planck-Kolmogorov, FPK)方程, 分别推导了基站独立优化与全局协同的最优缓存策略. 通过模拟高峰流量及请求波动环境, 对比了该方法与MPC、LRU及LFU算法的性能. 实验结果表明, 相较于非合作模型在高峰期的不稳定性, 合作MFTG算法收敛速度更快, 显著减少了冗余缓存与回程链路负载; 在大规模系统及高峰时段, 其总成本明显低于传统算法, 有效提升了资源分配效率.
针对边缘智能网络(edge intelligence network, EIN)中基站缓存策略对网络性能的影响, 提出一种基于平均场型博弈(mean-field-type game, MFTG)的边缘缓存优化方法. 建立了非合作与合作MFTG模型, 利用耦合哈密顿-雅可比-贝尔曼(Hamilton-Jacobi-Bellman, HJB)方程和福克-普朗克-科尔莫哥洛夫(Fokker-Planck-Kolmogorov, FPK)方程, 分别推导了基站独立优化与全局协同的最优缓存策略. 通过模拟高峰流量及请求波动环境, 对比了该方法与MPC、LRU及LFU算法的性能. 实验结果表明, 相较于非合作模型在高峰期的不稳定性, 合作MFTG算法收敛速度更快, 显著减少了冗余缓存与回程链路负载; 在大规模系统及高峰时段, 其总成本明显低于传统算法, 有效提升了资源分配效率.
优先出版日期: 2026-07-20
,DOI: 10.15888/j.cnki.csa.010285
,CSTR: 32024.14.csa.010285
摘要：
大语言模型训练周期长、计算代价高, 检查点技术通过周期性保存训练状态以支持故障后从最近的检查点恢复. 内存检查点将训练状态存储于CPU内存并复制到对等节点以增强数据的容错性, 在对称并行策略下可以有效将检查点传输调度至通信的空闲窗口. 然而, 非对称并行策略因能够更灵活地适配模型结构与硬件资源、提升训练效率而被广泛采用, 但也带来了3个核心挑战: 参数在设备间呈现混合且细粒度的冗余分布模式, 导致冗余识别困难; 机内与跨机通信信道独立, 且进程仅具局部视图导致空闲窗口检测失效; 现有系统缺乏全局最优冗余组构建能力, 无法充分利用非对称策略下的冗余与空闲资源. 为此, 本文提出一个面向非对称并行策略的内存检查点系统Mosaic, 采用分析-运行的两阶段架构, 在分析阶段通过细粒度参数冗余分析与消除、通信流量建模与空闲窗口检测以及全局最优冗余组选择生成最优传输计划, 并在运行阶段将检查点流量穿插至空闲窗口中执行. 实验结果表明, 相较于基线系统, Mosaic在非对称并行配置下能将额外训练开销降低42.0%–50.4%.
大语言模型训练周期长、计算代价高, 检查点技术通过周期性保存训练状态以支持故障后从最近的检查点恢复. 内存检查点将训练状态存储于CPU内存并复制到对等节点以增强数据的容错性, 在对称并行策略下可以有效将检查点传输调度至通信的空闲窗口. 然而, 非对称并行策略因能够更灵活地适配模型结构与硬件资源、提升训练效率而被广泛采用, 但也带来了3个核心挑战: 参数在设备间呈现混合且细粒度的冗余分布模式, 导致冗余识别困难; 机内与跨机通信信道独立, 且进程仅具局部视图导致空闲窗口检测失效; 现有系统缺乏全局最优冗余组构建能力, 无法充分利用非对称策略下的冗余与空闲资源. 为此, 本文提出一个面向非对称并行策略的内存检查点系统Mosaic, 采用分析-运行的两阶段架构, 在分析阶段通过细粒度参数冗余分析与消除、通信流量建模与空闲窗口检测以及全局最优冗余组选择生成最优传输计划, 并在运行阶段将检查点流量穿插至空闲窗口中执行. 实验结果表明, 相较于基线系统, Mosaic在非对称并行配置下能将额外训练开销降低42.0%–50.4%.
优先出版日期: 2026-07-20
,DOI: 10.15888/j.cnki.csa.010295
,CSTR: 32024.14.csa.010295
摘要：
异构联邦学习(heterogeneous federated learning, HFL)是联邦学习(federated learning, FL)的进阶变体, 核心依托知识蒸馏(knowledge distillation, KD)技术实现异构场景下的知识迁移. 然而, 现有多数方法依赖高维软标签、模型中间特征等大体积数据完成KD的跨端交互, 不仅带来巨大通信开销, 也缺乏对传输过程中隐私泄露风险的系统性防护. 同时, HFL场景下客户端本地数据的强非独立同分布特性, 极易引发模型灾难性遗忘问题. 针对上述问题, 本文面向HFL场景提出一种基于双域集成蒸馏的差分HFL框架, 命名为FedDED. 具体而言, FedDED引入了通信高效的双域集成蒸馏策略, 在服务端与客户端间交互轻量级伪标签以降低通信开销, 同时引入本地化差分隐私策略对伪标签预测结果进行扰动. 此外, 为有效解决灾难性遗忘问题, 本文提出一种基于双阶段的KL散度正则化遗忘缓解机制, 实现了新旧知识的更优融合. 在4个基准数据集上的实验结果表明, FedDED实现了更低的通信开销并达到了更优的最大平均用户准确率(maximum average user accuracy, MAUA), 为实际分布式计算场景提供了一个可扩展且稳健的解决方案.
异构联邦学习(heterogeneous federated learning, HFL)是联邦学习(federated learning, FL)的进阶变体, 核心依托知识蒸馏(knowledge distillation, KD)技术实现异构场景下的知识迁移. 然而, 现有多数方法依赖高维软标签、模型中间特征等大体积数据完成KD的跨端交互, 不仅带来巨大通信开销, 也缺乏对传输过程中隐私泄露风险的系统性防护. 同时, HFL场景下客户端本地数据的强非独立同分布特性, 极易引发模型灾难性遗忘问题. 针对上述问题, 本文面向HFL场景提出一种基于双域集成蒸馏的差分HFL框架, 命名为FedDED. 具体而言, FedDED引入了通信高效的双域集成蒸馏策略, 在服务端与客户端间交互轻量级伪标签以降低通信开销, 同时引入本地化差分隐私策略对伪标签预测结果进行扰动. 此外, 为有效解决灾难性遗忘问题, 本文提出一种基于双阶段的KL散度正则化遗忘缓解机制, 实现了新旧知识的更优融合. 在4个基准数据集上的实验结果表明, FedDED实现了更低的通信开销并达到了更优的最大平均用户准确率(maximum average user accuracy, MAUA), 为实际分布式计算场景提供了一个可扩展且稳健的解决方案.
优先出版日期: 2026-07-20
,DOI: 10.15888/j.cnki.csa.010271
,CSTR: 32024.14.csa.010271
摘要：
随着智能仓储在现代物流中的作用变得日益关键, 其运行效率直接影响相应供应链的响应速度和成本. 传统的任务分配与路径规划方法单纯地依赖人工的经验和固定的规则, 已经难以适应大规模的、动态的复杂仓储环境, 很容易出现任务分配不均衡、路径冲突和效率低下等问题. 本文围绕智能仓储管理中的任务分配与路径规划问题, 运用基于机器学习的优化算法进行研究, 建立综合考虑路径成本与任务均衡性的数学模型, 提出一种改进的自适应变异遗传算法应用于任务的分配工作, 并设计了一种引入距离评价指标的优化贪心算法用于路径的规划, 构建基于Q-learning的双层协同优化框架, 实现了任务分配与路径规划的自适应协同. 同时通过相关实验表明, 本文所提优化算法使总路径成本降低了16.7%–18.2% (以机器人数量m=3为例), 任务均衡性指标提升0.07–0.12, 验证了本文优化算法的有效性和优越性, 为智能仓储系统在任务分配与路径规划的优化提供了理论支持和技术.
随着智能仓储在现代物流中的作用变得日益关键, 其运行效率直接影响相应供应链的响应速度和成本. 传统的任务分配与路径规划方法单纯地依赖人工的经验和固定的规则, 已经难以适应大规模的、动态的复杂仓储环境, 很容易出现任务分配不均衡、路径冲突和效率低下等问题. 本文围绕智能仓储管理中的任务分配与路径规划问题, 运用基于机器学习的优化算法进行研究, 建立综合考虑路径成本与任务均衡性的数学模型, 提出一种改进的自适应变异遗传算法应用于任务的分配工作, 并设计了一种引入距离评价指标的优化贪心算法用于路径的规划, 构建基于Q-learning的双层协同优化框架, 实现了任务分配与路径规划的自适应协同. 同时通过相关实验表明, 本文所提优化算法使总路径成本降低了16.7%–18.2% (以机器人数量m=3为例), 任务均衡性指标提升0.07–0.12, 验证了本文优化算法的有效性和优越性, 为智能仓储系统在任务分配与路径规划的优化提供了理论支持和技术.
优先出版日期: 2026-07-17
,DOI: 10.15888/j.cnki.csa.010272
,CSTR: 32024.14.csa.010272
摘要：
基于长视频的微表情定位旨在从长视频序列中精准检测出极短时间内面部微小的肌肉运动. 针对现有方法在处理背景噪声干扰、长程时序依赖建模以及微表情尺度多样性方面的不足, 本文提出一种基于多尺度 Mamba的微表情定位方案. 首先, 通过改进特征金字塔网络, 采用双线性插值策略优化多尺度特征的融合与对齐, 采用卷积块注意力模块优化横向连接, 提取更具判别性的时序特征; 其次, 设计多尺度Mamba适配器, 利用其选择性状态空间机制, 在保持低计算复杂度的同时捕捉长程时序信息, 并结合位置编码增强模型对动作起止边界的感知力; 最后, 采用分类与回归解耦的检测头, 引入变焦损失函数和分布焦点损失函数进行协同优化. 实验结果表明, 本文方法在SAMM-LV数据集上的F1分数达到0.3025, 相较于基准模型提升了102.3%; 而在样本规模较小的CAS(ME)2数据集上亦取得了0.2188的F1分数, 展现出优于多数主流深度学习方法的竞争性能, 验证了该模型在复杂长视频场景下定位微表情的有效性与鲁棒性.
基于长视频的微表情定位旨在从长视频序列中精准检测出极短时间内面部微小的肌肉运动. 针对现有方法在处理背景噪声干扰、长程时序依赖建模以及微表情尺度多样性方面的不足, 本文提出一种基于多尺度 Mamba的微表情定位方案. 首先, 通过改进特征金字塔网络, 采用双线性插值策略优化多尺度特征的融合与对齐, 采用卷积块注意力模块优化横向连接, 提取更具判别性的时序特征; 其次, 设计多尺度Mamba适配器, 利用其选择性状态空间机制, 在保持低计算复杂度的同时捕捉长程时序信息, 并结合位置编码增强模型对动作起止边界的感知力; 最后, 采用分类与回归解耦的检测头, 引入变焦损失函数和分布焦点损失函数进行协同优化. 实验结果表明, 本文方法在SAMM-LV数据集上的F1分数达到0.3025, 相较于基准模型提升了102.3%; 而在样本规模较小的CAS(ME)2数据集上亦取得了0.2188的F1分数, 展现出优于多数主流深度学习方法的竞争性能, 验证了该模型在复杂长视频场景下定位微表情的有效性与鲁棒性.
优先出版日期: 2026-07-17
,DOI: 10.15888/j.cnki.csa.010253
,CSTR: 32024.14.csa.010253
摘要：
云审计方案是一种帮助数据所有者验证其存储在云服务器上数据完整性的机制. 现有方案主要针对单个数据所有者场景, 难以满足群组上传者管理成员密钥及撤销信用值较低用户的需求. 为此, 现有工作提出了一种适用于多位数据所有者的审计方案, 该方案通过组内成员密钥协调及代理节点执行撤销操作实现, 但此方案存在撤销过程中标签无变化、审计阶段存在隐私泄露风险、数据上传阶段标签数量过多等问题. 基于此, 本文对其进行改进, 并提出一种适用于多数据所有者的区块链辅助高效审计方案. 在撤销过程中将成员信息纳入标签生成流程确保撤销有效性; 审计阶段通过基于时间戳的挑战消息生成确保数据隐私性; 在标签生成阶段, 采用更灵活的数据分割方式显著减少标签数量以优化系统性能. 最后, 通过详细的安全性分析和实验模拟表明, 该方案在审计流程和隐私保护安全方面具有优势, 且性能表现具有竞争力.
云审计方案是一种帮助数据所有者验证其存储在云服务器上数据完整性的机制. 现有方案主要针对单个数据所有者场景, 难以满足群组上传者管理成员密钥及撤销信用值较低用户的需求. 为此, 现有工作提出了一种适用于多位数据所有者的审计方案, 该方案通过组内成员密钥协调及代理节点执行撤销操作实现, 但此方案存在撤销过程中标签无变化、审计阶段存在隐私泄露风险、数据上传阶段标签数量过多等问题. 基于此, 本文对其进行改进, 并提出一种适用于多数据所有者的区块链辅助高效审计方案. 在撤销过程中将成员信息纳入标签生成流程确保撤销有效性; 审计阶段通过基于时间戳的挑战消息生成确保数据隐私性; 在标签生成阶段, 采用更灵活的数据分割方式显著减少标签数量以优化系统性能. 最后, 通过详细的安全性分析和实验模拟表明, 该方案在审计流程和隐私保护安全方面具有优势, 且性能表现具有竞争力.
优先出版日期: 2026-07-17
,DOI: 10.15888/j.cnki.csa.010256
,CSTR: 32024.14.csa.010256
摘要：
心律失常的自动分类在智慧医疗与移动健康监测领域有着极高的临床价值. 心电图(electrocardiogram, ECG)固有的长时序依赖性、复杂多变的波形形态, 再加上便携式监测设备有限的计算资源, 一直是该技术落地的核心难题. 本研究以绍兴人民医院Chapman-Shaoxing心律失常数据集(宏观心律片段)和贝斯以色列医院MIT-BIH心律失常数据集(微观单心拍特征)为数据支撑, 先通过降噪方案对两个数据集的原始信号进行净化处理, 在此基础上构建了融合多模块的异构模型: 由CNN提取空间局部特征, 借助ECA机制动态优化通道权重, 再通过BiGRU捕获全域双向时序信息. 实验结果显示, 该模型在Chapman-Shaoxing和MIT-BIH公开数据集的分类任务中表现突出, 综合准确率分别达99.08%和99.74%. 相较于传统BiLSTM或重型ResNet模型, 该模型在维持极高识别精度的同时, 大幅降低了参数量与计算开销, 为便携式心电监测设备的嵌入式部署提供了稳健且高效的算法支撑.
心律失常的自动分类在智慧医疗与移动健康监测领域有着极高的临床价值. 心电图(electrocardiogram, ECG)固有的长时序依赖性、复杂多变的波形形态, 再加上便携式监测设备有限的计算资源, 一直是该技术落地的核心难题. 本研究以绍兴人民医院Chapman-Shaoxing心律失常数据集(宏观心律片段)和贝斯以色列医院MIT-BIH心律失常数据集(微观单心拍特征)为数据支撑, 先通过降噪方案对两个数据集的原始信号进行净化处理, 在此基础上构建了融合多模块的异构模型: 由CNN提取空间局部特征, 借助ECA机制动态优化通道权重, 再通过BiGRU捕获全域双向时序信息. 实验结果显示, 该模型在Chapman-Shaoxing和MIT-BIH公开数据集的分类任务中表现突出, 综合准确率分别达99.08%和99.74%. 相较于传统BiLSTM或重型ResNet模型, 该模型在维持极高识别精度的同时, 大幅降低了参数量与计算开销, 为便携式心电监测设备的嵌入式部署提供了稳健且高效的算法支撑.
优先出版日期: 2026-07-17
,DOI: 10.15888/j.cnki.csa.010241
,CSTR: 32024.14.csa.010241
摘要：
传统的情感模型存在多种瓶颈, 如情感类型简单或情感建模不符合真实人类情感导致模型输出固化. 为解决这一难题, 提出一种以普拉奇克情绪轮(Plutchik’s wheel of emotions, PWE)为模型的情感交互系统, 针对不同情感类型设置不同的刺激与衰减模块. 该框架是在整合三模态特征的基础上, 通过低秩多模融合(low-rank multimodal fusion, LMF)进行模态拼接, 实现了7类情绪的实时识别. 通过PWE映射以及输入端不断刺激心境, 实现情感的不断更新. 将情感反馈到DeepSeek的Transformer层中进行内部情感参数以及外部超参数的动态调整, 实现人格化情感对话. 为了验证这一方法的可行性, 设计并验证了一系列实验, 结果表明在情绪映射的准确性和DeepSeek输出的满意度分别达到了78%和84%.
传统的情感模型存在多种瓶颈, 如情感类型简单或情感建模不符合真实人类情感导致模型输出固化. 为解决这一难题, 提出一种以普拉奇克情绪轮(Plutchik’s wheel of emotions, PWE)为模型的情感交互系统, 针对不同情感类型设置不同的刺激与衰减模块. 该框架是在整合三模态特征的基础上, 通过低秩多模融合(low-rank multimodal fusion, LMF)进行模态拼接, 实现了7类情绪的实时识别. 通过PWE映射以及输入端不断刺激心境, 实现情感的不断更新. 将情感反馈到DeepSeek的Transformer层中进行内部情感参数以及外部超参数的动态调整, 实现人格化情感对话. 为了验证这一方法的可行性, 设计并验证了一系列实验, 结果表明在情绪映射的准确性和DeepSeek输出的满意度分别达到了78%和84%.
优先出版日期: 2026-07-17
,DOI: 10.15888/j.cnki.csa.010242
,CSTR: 32024.14.csa.010242
摘要：
汉长安城未央宫三号建筑遗址出土6万余枚骨签, 多为长条状肩胛骨片, 其数量庞大、形制高度相似且信息承载复杂, 系统化分类是厘清骨签属性与构建文物信息体系的关键前提. 然而, 长期埋藏导致骨签普遍断裂、分散, 人工整理与分类效率低且存在文物损坏风险, 亟需高效自动化分类方法. 针对上述问题, 本文提出一种基于双视角并行Vision-RWKV特征建模的骨签分类方法. 首先, 在UNet++框架基础上引入通道注意力机制、轻量化特征生成策略与边缘引导约束, 实现骨签主体的高精度分割, 并将分割结果作为分类网络输入以突出关键区域. 随后, 在分类阶段采用两个并行的Vision-RWKV模型分别提取骨签正反面特征, 并通过协同融合策略实现双视角信息的统一建模, 增强特征表达的完整性与判别力. 实验结果表明, 该方法在骨签分类任务中取得94.76%的准确率, 优于现有主流图像分类模型, 为骨签文物的数字化整理与考古信息管理提供了有效技术支撑.
汉长安城未央宫三号建筑遗址出土6万余枚骨签, 多为长条状肩胛骨片, 其数量庞大、形制高度相似且信息承载复杂, 系统化分类是厘清骨签属性与构建文物信息体系的关键前提. 然而, 长期埋藏导致骨签普遍断裂、分散, 人工整理与分类效率低且存在文物损坏风险, 亟需高效自动化分类方法. 针对上述问题, 本文提出一种基于双视角并行Vision-RWKV特征建模的骨签分类方法. 首先, 在UNet++框架基础上引入通道注意力机制、轻量化特征生成策略与边缘引导约束, 实现骨签主体的高精度分割, 并将分割结果作为分类网络输入以突出关键区域. 随后, 在分类阶段采用两个并行的Vision-RWKV模型分别提取骨签正反面特征, 并通过协同融合策略实现双视角信息的统一建模, 增强特征表达的完整性与判别力. 实验结果表明, 该方法在骨签分类任务中取得94.76%的准确率, 优于现有主流图像分类模型, 为骨签文物的数字化整理与考古信息管理提供了有效技术支撑.
优先出版日期: 2026-07-17
,DOI: 10.15888/j.cnki.csa.010234
,CSTR: 32024.14.csa.010234
摘要：
小样本语义分割(few-shot semantic segmentation, FSS)在样本稀缺条件下, 常因类内方差增大、类间混淆加剧引发特征分布偏移, 导致性能显著下降. 现有方法过度聚焦前景目标, 忽视背景信息与跨类别共性语义的利用. 本文提出一种基于共性语义先验的FSS框架, 通过跨类别共享知识校正特征分布, 实现高效分割. 在PASCAL-5i和COCO-20i数据集的1-shot设置下, 本方法mIoU分别达68.5%和48.3%, 参数量仅2.5M, 显著优于当前SOTA方法. 本文通过显式建模跨类别共性属性, 有效缓解数据分布偏差, 为轻量化FSS提供了新范式.
小样本语义分割(few-shot semantic segmentation, FSS)在样本稀缺条件下, 常因类内方差增大、类间混淆加剧引发特征分布偏移, 导致性能显著下降. 现有方法过度聚焦前景目标, 忽视背景信息与跨类别共性语义的利用. 本文提出一种基于共性语义先验的FSS框架, 通过跨类别共享知识校正特征分布, 实现高效分割. 在PASCAL-5i和COCO-20i数据集的1-shot设置下, 本方法mIoU分别达68.5%和48.3%, 参数量仅2.5M, 显著优于当前SOTA方法. 本文通过显式建模跨类别共性属性, 有效缓解数据分布偏差, 为轻量化FSS提供了新范式.
优先出版日期: 2026-07-17
,DOI: 10.15888/j.cnki.csa.010237
,CSTR: 32024.14.csa.010237
摘要：
基于日志结构合并树 (log-structured merge-tree, LSM-tree) 的键值存储系统采用分层架构, 层级越多, 读写放大问题越严重. 针对这一问题, 本文提出一种优化的键值存储引擎Split-LSM-Tree. 该引擎将单个LSM-tree动态分割为子树森林, 从而有效降低子树深度. 系统通过负载感知的自适应机制精准触发分裂, 并结合非阻塞分裂算法与I/O优化策略, 在实现子树分裂的同时, 可以保障前台读写操作的连续性. 实验结果表明, 与广泛应用的LevelDB和RocksDB相比, Split-LSM-Tree的写放大系数分别降低了25.7%与18.1%, 写吞吐量分别提升至2.9倍与2.4倍; 在YCSB典型负载下, 其综合吞吐量较键值分离引擎WiscKey最高提升30%.
基于日志结构合并树 (log-structured merge-tree, LSM-tree) 的键值存储系统采用分层架构, 层级越多, 读写放大问题越严重. 针对这一问题, 本文提出一种优化的键值存储引擎Split-LSM-Tree. 该引擎将单个LSM-tree动态分割为子树森林, 从而有效降低子树深度. 系统通过负载感知的自适应机制精准触发分裂, 并结合非阻塞分裂算法与I/O优化策略, 在实现子树分裂的同时, 可以保障前台读写操作的连续性. 实验结果表明, 与广泛应用的LevelDB和RocksDB相比, Split-LSM-Tree的写放大系数分别降低了25.7%与18.1%, 写吞吐量分别提升至2.9倍与2.4倍; 在YCSB典型负载下, 其综合吞吐量较键值分离引擎WiscKey最高提升30%.
优先出版日期: 2026-07-17
,DOI: 10.15888/j.cnki.csa.010297
,CSTR: 32024.14.csa.010297
摘要：
随着大语言模型(large language model, LLM)在自然语言处理领域的广泛应用, 但其在专业领域长上下文理解等方面仍存在局限. 检索增强生成(retrieval augmented generation, RAG)技术有效提升了问答系统的准确性与可靠性, 然而传统RAG技术多依赖单一检索路径, 在处理复杂查询时存在语义偏差、检索覆盖不足等问题. 本文提出一种基于Haystack框架的改进RAG智能问答系统, 核心贡献包括: 一是采用提示工程的多维查询泛化策略, 对原始查询进行语义扩展与重构, 生成多样化的查询变体以提升检索覆盖范围; 二是设计并行双路召回机制, 结合稠密检索与稀疏检索的优势, 从语义与词汇层面分别捕捉查询相关性, 提高检索精度与召回率; 三是通过融合与重排序模块筛选高质量文档片段, 最终输入大语言模型生成准确答案. 在PubMedQA医学数据集上的实验结果表明, 所提方法显著提升了问答系统的检索效果与生成质量, 验证了其在专业领域问答任务中的有效性与优越性.
随着大语言模型(large language model, LLM)在自然语言处理领域的广泛应用, 但其在专业领域长上下文理解等方面仍存在局限. 检索增强生成(retrieval augmented generation, RAG)技术有效提升了问答系统的准确性与可靠性, 然而传统RAG技术多依赖单一检索路径, 在处理复杂查询时存在语义偏差、检索覆盖不足等问题. 本文提出一种基于Haystack框架的改进RAG智能问答系统, 核心贡献包括: 一是采用提示工程的多维查询泛化策略, 对原始查询进行语义扩展与重构, 生成多样化的查询变体以提升检索覆盖范围; 二是设计并行双路召回机制, 结合稠密检索与稀疏检索的优势, 从语义与词汇层面分别捕捉查询相关性, 提高检索精度与召回率; 三是通过融合与重排序模块筛选高质量文档片段, 最终输入大语言模型生成准确答案. 在PubMedQA医学数据集上的实验结果表明, 所提方法显著提升了问答系统的检索效果与生成质量, 验证了其在专业领域问答任务中的有效性与优越性.
优先出版日期: 2026-07-17
,DOI: 10.15888/j.cnki.csa.010286
,CSTR: 32024.14.csa.010286
摘要：
现有大语言模型智能体工作在自动化复现漏洞报告过程中, 面临着缺少信息源、对应用运行状态关注不足且难以适应复杂环境的技术挑战. 鉴于此, 本文提出一种漏洞报告自动化复现智能体技术VulVerifier. 该技术运用了3项关键技术: 首先, 通过综合分析漏洞描述、源码仓库及相关文档等多信息源内容来对关键信息的补全与完善; 其次, 通过自动化交互来引导目标应用逐步进入满足漏洞触发的前置状态, 从而提升复现漏洞的可行性; 最后, 在复现执行过程中动态感知异常并进行实时纠错, 从而提升对复杂环境的适应能力与复现漏洞的健壮性. 在86份真实漏洞报告上的实验结果表明, VulVerifier的复现成功率达到44.7%, 接近人类专家66.3%的水平; 相较于现有方法CVE-Genie, 额外成功复现34份漏洞报告, 并降低平均复现成本3.19美元.
现有大语言模型智能体工作在自动化复现漏洞报告过程中, 面临着缺少信息源、对应用运行状态关注不足且难以适应复杂环境的技术挑战. 鉴于此, 本文提出一种漏洞报告自动化复现智能体技术VulVerifier. 该技术运用了3项关键技术: 首先, 通过综合分析漏洞描述、源码仓库及相关文档等多信息源内容来对关键信息的补全与完善; 其次, 通过自动化交互来引导目标应用逐步进入满足漏洞触发的前置状态, 从而提升复现漏洞的可行性; 最后, 在复现执行过程中动态感知异常并进行实时纠错, 从而提升对复杂环境的适应能力与复现漏洞的健壮性. 在86份真实漏洞报告上的实验结果表明, VulVerifier的复现成功率达到44.7%, 接近人类专家66.3%的水平; 相较于现有方法CVE-Genie, 额外成功复现34份漏洞报告, 并降低平均复现成本3.19美元.
优先出版日期: 2026-07-17
,DOI: 10.15888/j.cnki.csa.010293
,CSTR: 32024.14.csa.010293
摘要：
大语言模型(large language model, LLM)预训练通常依赖大规模GPU (graphics processing unit)集群, 现有流水线并行方法大多基于同构假设, 难以适应算力、显存和通信存在显著差异的异构环境. 为此, 本文将异构流水线编排建模为模型切分、拓扑构建与任务调度的联合优化问题, 并提出自适应异构流水线并行训练方法AHPipe (adaptive heterogeneous pipeline parallelism). 该方法基于性能分析获取设备的计算、显存与通信开销, 利用模拟退火搜索模型切分与流水线拓扑方案, 并通过自适应任务调度在满足显存约束的前提下压缩流水线气泡. 基于包含NVIDIA V100、H20、RTX-4090和RTX-5090的异构GPU集群, 对760M–13B参数规模GPT-3模型的实验结果表明, AHPipe在异构场景下相较现有代表性方法最高可提升39.2%的训练吞吐量, 并能在显存紧张场景下生成可行训练方案.
大语言模型(large language model, LLM)预训练通常依赖大规模GPU (graphics processing unit)集群, 现有流水线并行方法大多基于同构假设, 难以适应算力、显存和通信存在显著差异的异构环境. 为此, 本文将异构流水线编排建模为模型切分、拓扑构建与任务调度的联合优化问题, 并提出自适应异构流水线并行训练方法AHPipe (adaptive heterogeneous pipeline parallelism). 该方法基于性能分析获取设备的计算、显存与通信开销, 利用模拟退火搜索模型切分与流水线拓扑方案, 并通过自适应任务调度在满足显存约束的前提下压缩流水线气泡. 基于包含NVIDIA V100、H20、RTX-4090和RTX-5090的异构GPU集群, 对760M–13B参数规模GPT-3模型的实验结果表明, AHPipe在异构场景下相较现有代表性方法最高可提升39.2%的训练吞吐量, 并能在显存紧张场景下生成可行训练方案.
优先出版日期: 2026-07-17
,DOI: 10.15888/j.cnki.csa.010265
,CSTR: 32024.14.csa.010265
摘要：
针对儿童、孕妇及需长期随访的辐射敏感群体, 基于超短回波时间磁共振(ultra-short echo-time magnetic resonance imaging, UTE MRI)的合成CT技术能消除电离辐射风险, 具有重要的临床与伦理价值. 针对现有跨模态合成方法中常见的解剖结构错位与纹理缺失难题, 本文提出CASA-Net网络. 该模型在生成器中设计了结构纹理感知多尺度交叉轴注意力(ST-MCA)模块来增强全局结构与多尺度上下文建模能力; 同时设计基于谱归一化与自注意力机制的SAPatchGAN判别器, 提升纹理与结构一致性的对抗监督性能. 基于收集的100例临床数据进行实验验证, CASA-Net的SSIM、PSNR与MAE分别达0.870±0.009、23.962±0.767 dB和5.796±0.778 HU, 均优于CycleGAN、ResViT等主流方法. 该方法能有效合成高保真度的CT图像, 为慢性肺病无辐射随访提供了关键技术支撑.
针对儿童、孕妇及需长期随访的辐射敏感群体, 基于超短回波时间磁共振(ultra-short echo-time magnetic resonance imaging, UTE MRI)的合成CT技术能消除电离辐射风险, 具有重要的临床与伦理价值. 针对现有跨模态合成方法中常见的解剖结构错位与纹理缺失难题, 本文提出CASA-Net网络. 该模型在生成器中设计了结构纹理感知多尺度交叉轴注意力(ST-MCA)模块来增强全局结构与多尺度上下文建模能力; 同时设计基于谱归一化与自注意力机制的SAPatchGAN判别器, 提升纹理与结构一致性的对抗监督性能. 基于收集的100例临床数据进行实验验证, CASA-Net的SSIM、PSNR与MAE分别达0.870±0.009、23.962±0.767 dB和5.796±0.778 HU, 均优于CycleGAN、ResViT等主流方法. 该方法能有效合成高保真度的CT图像, 为慢性肺病无辐射随访提供了关键技术支撑.
优先出版日期: 2026-07-14
,DOI: 10.15888/j.cnki.csa.010235
,CSTR: 32024.14.csa.010235
摘要：
时序图神经网络 (temporal graph neural network, TGNN) 在动态图建模学习中表现出优异效果, 广泛应用于时序预测等任务中. TGNN对时间序列的建模依赖多层时序采样, 深层模型虽具备提升表示能力的潜力, 但其发展受限于随模型层数和采样邻居数量呈指数级增长的复杂度. 现有研究主要从数据传输角度优化, 而针对采样阶段的优化仍存在较大探索空间. 本文以TGNN中普遍采用的最近邻采样方法为研究对象, 分析其增量特性, 据此设计支持增量更新的计算图缓存机制IncCGCache, 通过复用历史采样结果并增量更新, 避免重复采样, 在缓存命中时将复杂度降低一个数量级. 本文利用向量化索引实现缓存操作的并行处理, 将缓存更新与模型计算解耦, 使缓存更新可以异步执行, 从而进一步提升加速比. 此外, 为缓解常用随机负采样对缓存的不利影响, 本文提出面向缓存的负采样策略, 在基本不影响模型性能的前提下改善缓存命中率. 基于TGN、TIGER和SEAN等代表性模型和常用数据集的实验结果表明, IncCGCache能够对采样阶段提供达3.68倍的加速效果.
时序图神经网络 (temporal graph neural network, TGNN) 在动态图建模学习中表现出优异效果, 广泛应用于时序预测等任务中. TGNN对时间序列的建模依赖多层时序采样, 深层模型虽具备提升表示能力的潜力, 但其发展受限于随模型层数和采样邻居数量呈指数级增长的复杂度. 现有研究主要从数据传输角度优化, 而针对采样阶段的优化仍存在较大探索空间. 本文以TGNN中普遍采用的最近邻采样方法为研究对象, 分析其增量特性, 据此设计支持增量更新的计算图缓存机制IncCGCache, 通过复用历史采样结果并增量更新, 避免重复采样, 在缓存命中时将复杂度降低一个数量级. 本文利用向量化索引实现缓存操作的并行处理, 将缓存更新与模型计算解耦, 使缓存更新可以异步执行, 从而进一步提升加速比. 此外, 为缓解常用随机负采样对缓存的不利影响, 本文提出面向缓存的负采样策略, 在基本不影响模型性能的前提下改善缓存命中率. 基于TGN、TIGER和SEAN等代表性模型和常用数据集的实验结果表明, IncCGCache能够对采样阶段提供达3.68倍的加速效果.
优先出版日期: 2026-07-14
,DOI: 10.15888/j.cnki.csa.010236
,CSTR: 32024.14.csa.010236
摘要：
开放世界复杂交通场景下的目标检测是自动驾驶等领域面临的核心挑战. 当前主流方法主要基于卷积神经网络和Transformer架构, 通过设计复杂的特征金字塔结构或引入知识蒸馏策略来应对部分挑战. 然而, 这些方法在系统性地处理动态环境下的几何形变、尺度变化和持续学习等问题时仍存在不足. 针对上述问题, 提出一种名为动态正交投影网络(dynamic orthogonal projection network, DOPNet)的端到端检测模型. 该网络包含3个核心模块: (1) 自适应形变感知模块通过多尺度可变形卷积与注意力机制, 实现对局部非刚性形变的鲁棒建模, 为特征提取提供形变稳定的输入基础; (2) 方向感知特征强化模块在传统正交投影基础上引入场景感知机制, 通过动态调整投影基实现特征空间的优化; (3) 双分支解耦特征金字塔网络模块采用并行架构显式分离判别性特征与细节特征, 通过自适应门控融合机制实现二者优势互补. 在BDD100K、COCO-OW以及自建恶劣天气数据集上的实验结果表明, 该方法在多个关键指标上均优于现有主流方法. 已知类别检测精度(mAP)较次优方法(OrthogonalDet)提升3.8个百分点; 未知类别召回率(U-Recall)较消融实验基线方法提升5.4个百分点; 抗遗忘性能(ΔOld-mAP)仅下降6.4个百分点. 在沙尘、雨天、雪天、夜间等恶劣环境下的实验结果进一步表明, 该方法在保持精度的同时展现出稳定的检测性能.
开放世界复杂交通场景下的目标检测是自动驾驶等领域面临的核心挑战. 当前主流方法主要基于卷积神经网络和Transformer架构, 通过设计复杂的特征金字塔结构或引入知识蒸馏策略来应对部分挑战. 然而, 这些方法在系统性地处理动态环境下的几何形变、尺度变化和持续学习等问题时仍存在不足. 针对上述问题, 提出一种名为动态正交投影网络(dynamic orthogonal projection network, DOPNet)的端到端检测模型. 该网络包含3个核心模块: (1) 自适应形变感知模块通过多尺度可变形卷积与注意力机制, 实现对局部非刚性形变的鲁棒建模, 为特征提取提供形变稳定的输入基础; (2) 方向感知特征强化模块在传统正交投影基础上引入场景感知机制, 通过动态调整投影基实现特征空间的优化; (3) 双分支解耦特征金字塔网络模块采用并行架构显式分离判别性特征与细节特征, 通过自适应门控融合机制实现二者优势互补. 在BDD100K、COCO-OW以及自建恶劣天气数据集上的实验结果表明, 该方法在多个关键指标上均优于现有主流方法. 已知类别检测精度(mAP)较次优方法(OrthogonalDet)提升3.8个百分点; 未知类别召回率(U-Recall)较消融实验基线方法提升5.4个百分点; 抗遗忘性能(ΔOld-mAP)仅下降6.4个百分点. 在沙尘、雨天、雪天、夜间等恶劣环境下的实验结果进一步表明, 该方法在保持精度的同时展现出稳定的检测性能.
优先出版日期: 2026-07-14
,DOI: 10.15888/j.cnki.csa.010232
,CSTR: 32024.14.csa.010232
摘要：
随着互联网的快速发展和社交媒体使用的普及, 各类社交媒体平台每天都会产生大量的多模态数据, 如何从中高效、准确地检测和识别社会事件已成为舆情分析与社会治理中的关键问题. 传统方法依赖固定类别和充足标注数据, 难以适应真实场景: 第一, 社交媒体数据具有显著的时序动态性, 不同时间段的数据在分布与语义上差异显著; 第二, 新的事件类型不断出现, 当前时间段的数据中同时包含已知类别与未知类别, 且其类别数量往往无法预先确定; 第三, 在实际应用中往往难以获取或重新访问历史时间段的源域数据, 使得模型需要在无源的条件下面向目标时间段进行自适应更新. 针对这些问题, 本文提出了一个基于无源通用领域自适应的开放世界多模态社会事件检测方法. 该方法以先前时间段训练得到的模型作为知识基础, 在当前时间段的数据上, 基于先验分类器权重对多模态特征空间进行子空间分解, 将特征表示划分为已知语义相关子空间与潜在未知语义子空间, 并在对应子空间中生成合成样本用于训练目标分类器. 在目标时间段内联合优化特征提取器与分类器, 通过结合非平衡最优传输与分类器预测分布, 构建样本级的置信一致性筛选机制, 对高置信样本用于伪标签监督以增强已知类别的判别能力, 低置信样本通过结构一致性约束引导其在特征空间中形成稳定的结构. 随着特征结构的逐步优化, 分类器判别能力与样本置信评估的可靠性进一步提升, 从而形成由判别能力、置信筛选与结构优化相互促进的良性闭环. 实验结果表明, 本文的方法在两个公开数据集上优于所有对比方法, 验证了本方法的有效性.
随着互联网的快速发展和社交媒体使用的普及, 各类社交媒体平台每天都会产生大量的多模态数据, 如何从中高效、准确地检测和识别社会事件已成为舆情分析与社会治理中的关键问题. 传统方法依赖固定类别和充足标注数据, 难以适应真实场景: 第一, 社交媒体数据具有显著的时序动态性, 不同时间段的数据在分布与语义上差异显著; 第二, 新的事件类型不断出现, 当前时间段的数据中同时包含已知类别与未知类别, 且其类别数量往往无法预先确定; 第三, 在实际应用中往往难以获取或重新访问历史时间段的源域数据, 使得模型需要在无源的条件下面向目标时间段进行自适应更新. 针对这些问题, 本文提出了一个基于无源通用领域自适应的开放世界多模态社会事件检测方法. 该方法以先前时间段训练得到的模型作为知识基础, 在当前时间段的数据上, 基于先验分类器权重对多模态特征空间进行子空间分解, 将特征表示划分为已知语义相关子空间与潜在未知语义子空间, 并在对应子空间中生成合成样本用于训练目标分类器. 在目标时间段内联合优化特征提取器与分类器, 通过结合非平衡最优传输与分类器预测分布, 构建样本级的置信一致性筛选机制, 对高置信样本用于伪标签监督以增强已知类别的判别能力, 低置信样本通过结构一致性约束引导其在特征空间中形成稳定的结构. 随着特征结构的逐步优化, 分类器判别能力与样本置信评估的可靠性进一步提升, 从而形成由判别能力、置信筛选与结构优化相互促进的良性闭环. 实验结果表明, 本文的方法在两个公开数据集上优于所有对比方法, 验证了本方法的有效性.
优先出版日期: 2026-07-14
,DOI: 10.15888/j.cnki.csa.010276
,CSTR: 32024.14.csa.010276
摘要：
针对传统依赖空间域特征的表情识别方法在刻画细粒度表情高频纹理表征能力不足的问题, 本文提出空频域融合梯度增强表情识别模型SFA-GCE Net. 该模型以ResNet18作为骨干网络, 在保持空间特征高效提取能力的基础上, 引入可学习频率特征提取(learnable frequency decomposition, LFD)机制自适应建模高频纹理信息. 同时, 设计双域自适应融合模块(dual-domain adaptive fusion module, DAFM)实现空域特征与频域特征的有效互补. 此外, 在训练阶段引入梯度增强交叉熵损失(gradient-enhanced cross-entropy loss, GCE Loss)函数, 通过选择性强化混淆负类别的梯度信号, 提升模型对困难样本的判别能力. 实验结果表明, SFA-GCE Net在RAF-DB和CK+两个公开数据集上的准确率较基础网络ResNet18分别提升2.48%和2.94%, 且仅引入有限的参数量与计算开销, 验证了该方法在性能提升与模型效率之间的良好平衡, 具备在资源受限场景中的应用潜力.
针对传统依赖空间域特征的表情识别方法在刻画细粒度表情高频纹理表征能力不足的问题, 本文提出空频域融合梯度增强表情识别模型SFA-GCE Net. 该模型以ResNet18作为骨干网络, 在保持空间特征高效提取能力的基础上, 引入可学习频率特征提取(learnable frequency decomposition, LFD)机制自适应建模高频纹理信息. 同时, 设计双域自适应融合模块(dual-domain adaptive fusion module, DAFM)实现空域特征与频域特征的有效互补. 此外, 在训练阶段引入梯度增强交叉熵损失(gradient-enhanced cross-entropy loss, GCE Loss)函数, 通过选择性强化混淆负类别的梯度信号, 提升模型对困难样本的判别能力. 实验结果表明, SFA-GCE Net在RAF-DB和CK+两个公开数据集上的准确率较基础网络ResNet18分别提升2.48%和2.94%, 且仅引入有限的参数量与计算开销, 验证了该方法在性能提升与模型效率之间的良好平衡, 具备在资源受限场景中的应用潜力.
优先出版日期: 2026-07-14
,DOI: 10.15888/j.cnki.csa.010259
,CSTR: 32024.14.csa.010259
摘要：
随着物联网的快速发展, 移动应用环境日益复杂, 安卓恶意应用的威胁与日俱增. 平台系统更新及恶意应用持续演化导致检测模型面临概念漂移问题, 在新样本上的性能显著下降, 同时现有方法缺乏直观的可解释性. 针对上述问题, 本文提出一种基于敏感API上下文图的恶意应用检测方法. 该方法以敏感API为核心构建局部上下文子图, 从上层调用场景、多路径汇聚模式与核心行为这3个维度刻画稳定行为模式. 同时, 采用图神经网络进行表示学习, 通过门控注意力多示例学习实现应用级特征聚合, 并结合注意力机制定位关键子图, 引入大语言模型生成自然语言解释. 基于该方法实现的SacDroid系统在42227个样本的数据集上进行实验, 同年测试平均F1值达97.88%, 跨年测试性能优于对比方法. 可解释性实验结果表明, 大语言模型仅基于关键子图即可进行独立判别, 准确率达到89.6%, 对恶意样本的识别率为91.2%. 实验结果验证了所提方法在检测性能与可解释性方面的有效性.
随着物联网的快速发展, 移动应用环境日益复杂, 安卓恶意应用的威胁与日俱增. 平台系统更新及恶意应用持续演化导致检测模型面临概念漂移问题, 在新样本上的性能显著下降, 同时现有方法缺乏直观的可解释性. 针对上述问题, 本文提出一种基于敏感API上下文图的恶意应用检测方法. 该方法以敏感API为核心构建局部上下文子图, 从上层调用场景、多路径汇聚模式与核心行为这3个维度刻画稳定行为模式. 同时, 采用图神经网络进行表示学习, 通过门控注意力多示例学习实现应用级特征聚合, 并结合注意力机制定位关键子图, 引入大语言模型生成自然语言解释. 基于该方法实现的SacDroid系统在42227个样本的数据集上进行实验, 同年测试平均F1值达97.88%, 跨年测试性能优于对比方法. 可解释性实验结果表明, 大语言模型仅基于关键子图即可进行独立判别, 准确率达到89.6%, 对恶意样本的识别率为91.2%. 实验结果验证了所提方法在检测性能与可解释性方面的有效性.
优先出版日期: 2026-07-10
,DOI: 10.15888/j.cnki.csa.010274
,CSTR: 32024.14.csa.010274
摘要：
随着生成式人工智能(artificial intelligence generated content, AIGC)的广泛应用, 针对合成图像的可靠识别面临着对抗扰动带来的严重安全隐患. 现有对抗样本多聚焦于图像生成后的像素级扰动, 忽略了生成模型的内在流形结构, 导致攻击在跨模型迁移时表现不佳且极易被预处理防御破坏. 为了系统探索合成语义流形上的模型脆弱性, 本文提出一种基于扩散模型潜在空间的细粒度通用语义对抗样本生成方法. 首先构建了统一的生成式对抗优化框架, 通过对比分析确立了冻结模型参数、仅扰动潜在特征的技术框架, 从而有效规避了扩散模型将对抗噪声退化为无效视觉纹理的流形投影效应. 在此基础上, 设计了按类划分的细粒度通用扰动机制, 并将整个生成架构严密解耦为训练优化与扰动注入双阶段. 训练优化阶段利用带动量的小批量梯度下降策略, 在特定截断时间步为各类别提炼专属的潜在通用扰动; 扰动注入阶段则仅需通过轻量级的张量加法将扰动直接注入预生成表征. 大规模实验结果表明, 该方法不仅在黑盒场景下显著提升了针对各类主流分类器的攻击成功率, 更在应对中值滤波、图像压缩等去噪防御时展现出卓越的抗过滤鲁棒性. 此外, 其离线优化与在线注入的范式实现了推理阶段零额外开销的批量生成, 为AIGC时代的模型安全与隐私防护提供了高效且鲁棒的新型解决方案.
随着生成式人工智能(artificial intelligence generated content, AIGC)的广泛应用, 针对合成图像的可靠识别面临着对抗扰动带来的严重安全隐患. 现有对抗样本多聚焦于图像生成后的像素级扰动, 忽略了生成模型的内在流形结构, 导致攻击在跨模型迁移时表现不佳且极易被预处理防御破坏. 为了系统探索合成语义流形上的模型脆弱性, 本文提出一种基于扩散模型潜在空间的细粒度通用语义对抗样本生成方法. 首先构建了统一的生成式对抗优化框架, 通过对比分析确立了冻结模型参数、仅扰动潜在特征的技术框架, 从而有效规避了扩散模型将对抗噪声退化为无效视觉纹理的流形投影效应. 在此基础上, 设计了按类划分的细粒度通用扰动机制, 并将整个生成架构严密解耦为训练优化与扰动注入双阶段. 训练优化阶段利用带动量的小批量梯度下降策略, 在特定截断时间步为各类别提炼专属的潜在通用扰动; 扰动注入阶段则仅需通过轻量级的张量加法将扰动直接注入预生成表征. 大规模实验结果表明, 该方法不仅在黑盒场景下显著提升了针对各类主流分类器的攻击成功率, 更在应对中值滤波、图像压缩等去噪防御时展现出卓越的抗过滤鲁棒性. 此外, 其离线优化与在线注入的范式实现了推理阶段零额外开销的批量生成, 为AIGC时代的模型安全与隐私防护提供了高效且鲁棒的新型解决方案.
优先出版日期: 2026-07-10
,DOI: 10.15888/j.cnki.csa.010264
,CSTR: 32024.14.csa.010264
摘要：
文本分类任务中, 预训练语言模型在语义表示方面取得了显著进展, 但在复杂文档建模时仍存在主题粒度单一、主题与上下文交互不足等问题. 针对上述不足, 本文提出了一种自适应层次化主题注意力增强的 ELECTRA神经主题模型HTA-ELECTRA. 该模型通过层次化变分主题建模同时学习全局与局部主题表征, 并引入自适应阈值机制动态筛选与当前文档相关的主题信息; 在此基础上, 设计多级主题融合与主题感知注意力机制, 将主题结构信息逐层注入ELECTRA上下文表示, 从而增强文档语义建模能力. 实验结果表明, 在20Newsgroups、MRD和Yelp这3个数据集上, 所提模型在AUC、Macro-F1、Macro-Recall、Macro-Precision及Accuracy等指标上均优于多种对比模型, 验证了该方法的有效性与鲁棒性.
文本分类任务中, 预训练语言模型在语义表示方面取得了显著进展, 但在复杂文档建模时仍存在主题粒度单一、主题与上下文交互不足等问题. 针对上述不足, 本文提出了一种自适应层次化主题注意力增强的 ELECTRA神经主题模型HTA-ELECTRA. 该模型通过层次化变分主题建模同时学习全局与局部主题表征, 并引入自适应阈值机制动态筛选与当前文档相关的主题信息; 在此基础上, 设计多级主题融合与主题感知注意力机制, 将主题结构信息逐层注入ELECTRA上下文表示, 从而增强文档语义建模能力. 实验结果表明, 在20Newsgroups、MRD和Yelp这3个数据集上, 所提模型在AUC、Macro-F1、Macro-Recall、Macro-Precision及Accuracy等指标上均优于多种对比模型, 验证了该方法的有效性与鲁棒性.
优先出版日期: 2026-07-10
,DOI: 10.15888/j.cnki.csa.010233
,CSTR: 32024.14.csa.010233
摘要：
随着工业自动化水平的提升, 桶装产品标签文字检测在智能质检中愈发重要, 但桶身曲面导致的几何变形、光照不均和背景干扰, 使传统场景文字检测方法效果受限. 针对上述难点, 本文提出一种面向工业桶状容器表面标签文字检测的几何感知双分支归一化特征融合框架. 基于Vision Mamba (Vim)构建分层金字塔骨干P-VimNet作为全局建模骨干, 并在高分辨率分支设计桶面几何感知模块PRSS (polar ring-scan sequencer), 以对齐曲面主方向与形变路径; 同时在特征融合阶段采用BiFPN加权融合, 将其抽象为相邻尺度的两路输入一路输出的融合算子, 用于替换网络结构图中各节点处的融合操作, 以提升跨尺度特征组合的稳定性与自适应性; 最终采用 DBNet++可微分二值化检测头输出分割式文本区域. 基于自建烟草配制领域桶装标签数据集开展实验, 本文方法在自建数据集上取得了较高的检测质量: 精确率达到91.3%, 召回率为90.1%, F1值为90.7%, 同时推理速度保持在44 f/s. 在ICDAR2015公开数据集上亦表现稳定, 精确率为92.5%, 召回率为85.5%, F1值为 88.9%, 推理速度为43 f/s. 上述结果表明, 所提方法在复杂工业成像条件下兼具鲁棒性与实时性.
随着工业自动化水平的提升, 桶装产品标签文字检测在智能质检中愈发重要, 但桶身曲面导致的几何变形、光照不均和背景干扰, 使传统场景文字检测方法效果受限. 针对上述难点, 本文提出一种面向工业桶状容器表面标签文字检测的几何感知双分支归一化特征融合框架. 基于Vision Mamba (Vim)构建分层金字塔骨干P-VimNet作为全局建模骨干, 并在高分辨率分支设计桶面几何感知模块PRSS (polar ring-scan sequencer), 以对齐曲面主方向与形变路径; 同时在特征融合阶段采用BiFPN加权融合, 将其抽象为相邻尺度的两路输入一路输出的融合算子, 用于替换网络结构图中各节点处的融合操作, 以提升跨尺度特征组合的稳定性与自适应性; 最终采用 DBNet++可微分二值化检测头输出分割式文本区域. 基于自建烟草配制领域桶装标签数据集开展实验, 本文方法在自建数据集上取得了较高的检测质量: 精确率达到91.3%, 召回率为90.1%, F1值为90.7%, 同时推理速度保持在44 f/s. 在ICDAR2015公开数据集上亦表现稳定, 精确率为92.5%, 召回率为85.5%, F1值为 88.9%, 推理速度为43 f/s. 上述结果表明, 所提方法在复杂工业成像条件下兼具鲁棒性与实时性.
优先出版日期: 2026-07-10
,DOI: 10.15888/j.cnki.csa.010216
,CSTR: 32024.14.csa.010216
摘要：
针对安卓恶意软件检测中函数调用图规模庞大、结构特征与行为语义特征协同建模不足, 导致检测效能受限的问题, 提出了一种多特征融合的检测方法. 该方法基于敏感API上下文设计剪枝策略, 通过过滤叶子节点及弱语义边优化函数调用图, 设计基于节点局部聚集度的加权三元组生成机制, 将三元组的频次统计转化为局部耦合强度的度量, 强化恶意结构表达; 引入门控融合单元, 动态调节结构特征与语义向量的融合权重, 解决异构特征分布不一致导致的语义缺失问题; 基于图注意力网络分类器捕获软件行为的关键调用关系, 实现恶意软件分类. 实验结果表明, 该方法有效提高了检测效率并突出恶意行为的特征, 在检测准确率、鲁棒性及泛化能力方面优于其他同类方法与模型.
针对安卓恶意软件检测中函数调用图规模庞大、结构特征与行为语义特征协同建模不足, 导致检测效能受限的问题, 提出了一种多特征融合的检测方法. 该方法基于敏感API上下文设计剪枝策略, 通过过滤叶子节点及弱语义边优化函数调用图, 设计基于节点局部聚集度的加权三元组生成机制, 将三元组的频次统计转化为局部耦合强度的度量, 强化恶意结构表达; 引入门控融合单元, 动态调节结构特征与语义向量的融合权重, 解决异构特征分布不一致导致的语义缺失问题; 基于图注意力网络分类器捕获软件行为的关键调用关系, 实现恶意软件分类. 实验结果表明, 该方法有效提高了检测效率并突出恶意行为的特征, 在检测准确率、鲁棒性及泛化能力方面优于其他同类方法与模型.
优先出版日期: 2026-07-10
,DOI: 10.15888/j.cnki.csa.010218
,CSTR: 32024.14.csa.010218
摘要：
基于H.265/HEVC的视频隐写是当前信息隐藏领域的重要研究方向之一. 通常, 视频隐写的载体包括编解码过程中的多种语法元素, 而基于编码单元(coding unit, CU)结构的隐写算法已成为视频隐写的研究热点. 然而, 由于CU分割模式的数量有限, 导致这类算法通常面临容量不足的难题. 同时, 隐写过程中对CU结构的改变也会导致视频质量下降以及被隐写分析检测. 为了解决上述问题, 本文提出基于改进的深度纹理保真网络(improved deep texture-fidelity network, IDTFN)和多重失真函数的视频隐写算法. 本文首先选取I帧中的16×16与8×8尺寸的CU作为载体, 然后设计了CU分割模式和秘密信息的映射规则. 接着提出一种多重失真函数以指导综合网格编码(syndrome-trellis code, STC)进行秘密信息的嵌入. 最后, 为了进一步优化隐写视频的质量, 我们在块结构的隐写中引入IDTFN对隐写视频进行滤波. 实验结果表明, 与当前最新的基于CU块结构的隐写算法相比, 本文所提算法实现了更好的视觉质量和抗隐写分析性能. 同时, 其还具有更高的容量和更好的比特开销.
基于H.265/HEVC的视频隐写是当前信息隐藏领域的重要研究方向之一. 通常, 视频隐写的载体包括编解码过程中的多种语法元素, 而基于编码单元(coding unit, CU)结构的隐写算法已成为视频隐写的研究热点. 然而, 由于CU分割模式的数量有限, 导致这类算法通常面临容量不足的难题. 同时, 隐写过程中对CU结构的改变也会导致视频质量下降以及被隐写分析检测. 为了解决上述问题, 本文提出基于改进的深度纹理保真网络(improved deep texture-fidelity network, IDTFN)和多重失真函数的视频隐写算法. 本文首先选取I帧中的16×16与8×8尺寸的CU作为载体, 然后设计了CU分割模式和秘密信息的映射规则. 接着提出一种多重失真函数以指导综合网格编码(syndrome-trellis code, STC)进行秘密信息的嵌入. 最后, 为了进一步优化隐写视频的质量, 我们在块结构的隐写中引入IDTFN对隐写视频进行滤波. 实验结果表明, 与当前最新的基于CU块结构的隐写算法相比, 本文所提算法实现了更好的视觉质量和抗隐写分析性能. 同时, 其还具有更高的容量和更好的比特开销.
优先出版日期: 2026-07-10
,DOI: 10.15888/j.cnki.csa.010247
,CSTR: 32024.14.csa.010247
摘要：
为提高短期电力负荷预测精度, 提出一种融合多尺度特征的短期电力负荷预测模型. 首先, 采用皮尔逊相关系数和最大信息系数对电力负荷数据进行特征优选后, 借助动态频谱滤波模块去除数据高噪成分. 其次, 将数据输入多尺度时间卷积模块进行多尺度的时序提取. 再次, 通过变量维度的多头注意力机制和前馈神经网络, 挖掘数据间的相关性并进行特征编码. 最后, 构建线性层级融合模块, 与投影层分量同时并行处理已编码的特征, 二者加权组合实现数据特征深度融合的预测结果. 在数据集1上的实验结果表明, 本文模型在对比实验和消融实验均取得较好效果, MAE和RMSE较次优模型提升了5.2%和6.8%. 数据集2中对比实验结果显示, 本文模型各项指标均优于其他模型, MAPE和R2值达到0.467、0.949. 所提模型有助于提高短期电力负荷预测精度, 并具有良好的泛化能力.
为提高短期电力负荷预测精度, 提出一种融合多尺度特征的短期电力负荷预测模型. 首先, 采用皮尔逊相关系数和最大信息系数对电力负荷数据进行特征优选后, 借助动态频谱滤波模块去除数据高噪成分. 其次, 将数据输入多尺度时间卷积模块进行多尺度的时序提取. 再次, 通过变量维度的多头注意力机制和前馈神经网络, 挖掘数据间的相关性并进行特征编码. 最后, 构建线性层级融合模块, 与投影层分量同时并行处理已编码的特征, 二者加权组合实现数据特征深度融合的预测结果. 在数据集1上的实验结果表明, 本文模型在对比实验和消融实验均取得较好效果, MAE和RMSE较次优模型提升了5.2%和6.8%. 数据集2中对比实验结果显示, 本文模型各项指标均优于其他模型, MAPE和R2值达到0.467、0.949. 所提模型有助于提高短期电力负荷预测精度, 并具有良好的泛化能力.
优先出版日期: 2026-07-10
,DOI: 10.15888/j.cnki.csa.010249
,CSTR: 32024.14.csa.010249
摘要：
针对攻击行为建模中动态演化能力不足与战术逻辑失真导致的防御滞后问题, 本文提出一种融合多智能体强化学习(multi-agent reinforcement learning, MARL)与ATT&CK (adversarial tactics, techniques, and common knowledge)知识引导的攻击者行为生成与策略演化算法. 通过将战术-技术映射编码为约束状态空间, 确保攻击路径符合真实逻辑; 部署异构智能体协同模拟多阶段攻击, 并引入注意力机制实现意图交互; 设计分层奖励函数, 综合技术执行、战术完成与链路完整性进行策略引导; 结合动态防御扰动与经验回放机制, 支持策略在线自适应更新. 实验结果表明, 该方法在高防御强度下战术覆盖率与转移有效率分别达88.9%±2.8%和84.2%±2.2%, 任务完成率稳定在82.3%–94.2%, 收敛更快(82轮)、波动更小(标准差2.3%), 显著优于基线模型, 有效提升行为真实性、协同性与对抗鲁棒性, 为构建高保真自适应攻防系统提供新路径.
针对攻击行为建模中动态演化能力不足与战术逻辑失真导致的防御滞后问题, 本文提出一种融合多智能体强化学习(multi-agent reinforcement learning, MARL)与ATT&CK (adversarial tactics, techniques, and common knowledge)知识引导的攻击者行为生成与策略演化算法. 通过将战术-技术映射编码为约束状态空间, 确保攻击路径符合真实逻辑; 部署异构智能体协同模拟多阶段攻击, 并引入注意力机制实现意图交互; 设计分层奖励函数, 综合技术执行、战术完成与链路完整性进行策略引导; 结合动态防御扰动与经验回放机制, 支持策略在线自适应更新. 实验结果表明, 该方法在高防御强度下战术覆盖率与转移有效率分别达88.9%±2.8%和84.2%±2.2%, 任务完成率稳定在82.3%–94.2%, 收敛更快(82轮)、波动更小(标准差2.3%), 显著优于基线模型, 有效提升行为真实性、协同性与对抗鲁棒性, 为构建高保真自适应攻防系统提供新路径.
优先出版日期: 2026-07-03
,DOI: 10.15888/j.cnki.csa.010255
,CSTR: 32024.14.csa.010255
摘要：
面向昇腾(Ascend) 910B平台的大模型在线推理, Prefill与Decode阶段在计算密度、访存带宽与通信敏感性上呈现显著的异构特征, 使主流的“Prefill-TP+Decode-DP”部署策略在长上下文与高并发场景下暴露出权重复制造成的显存冗余、算子访存瓶颈与序列长度负载不均衡等问题. 本文基于PD分离架构, 提出一种算子级混合并行优化框架. 在Decode阶段, 针对以访存为主导的词嵌入(Embedding)、注意力输出投影矩阵(o_proj)与语言模型头(LMHead), 设计Decode混合切分与通信优化策略, 在有效缓解KV Cache显存压力的同时, 显著降低逐token生成延迟; 在Prefill阶段, 提出分阶段混合并行方案(数据并行+张量并行+序列并行), 通过序列维度的均衡切分, 缓解变长请求带来的“木桶效应”, 并提出面向昇腾算子/格式约束的Shard Linear权重去冗余机制, 实现计算-通信重叠. 基于vLLM-Ascend在Ascend 910B集群上对DeepSeek-R1 671B (W8A8量化)部署评测, 实验结果表明在精度无损的前提下, Decode端单卡显存峰值降低8.68 GiB, 逐token延迟降低约2 ms; Prefill端在多输入长度下TTFT平均降低约20%, 高显存压力场景下Decode QPS提升约40.2%.
面向昇腾(Ascend) 910B平台的大模型在线推理, Prefill与Decode阶段在计算密度、访存带宽与通信敏感性上呈现显著的异构特征, 使主流的“Prefill-TP+Decode-DP”部署策略在长上下文与高并发场景下暴露出权重复制造成的显存冗余、算子访存瓶颈与序列长度负载不均衡等问题. 本文基于PD分离架构, 提出一种算子级混合并行优化框架. 在Decode阶段, 针对以访存为主导的词嵌入(Embedding)、注意力输出投影矩阵(o_proj)与语言模型头(LMHead), 设计Decode混合切分与通信优化策略, 在有效缓解KV Cache显存压力的同时, 显著降低逐token生成延迟; 在Prefill阶段, 提出分阶段混合并行方案(数据并行+张量并行+序列并行), 通过序列维度的均衡切分, 缓解变长请求带来的“木桶效应”, 并提出面向昇腾算子/格式约束的Shard Linear权重去冗余机制, 实现计算-通信重叠. 基于vLLM-Ascend在Ascend 910B集群上对DeepSeek-R1 671B (W8A8量化)部署评测, 实验结果表明在精度无损的前提下, Decode端单卡显存峰值降低8.68 GiB, 逐token延迟降低约2 ms; Prefill端在多输入长度下TTFT平均降低约20%, 高显存压力场景下Decode QPS提升约40.2%.
优先出版日期: 2026-07-03
,DOI: 10.15888/j.cnki.csa.010260
,CSTR: 32024.14.csa.010260
摘要：
课堂学生情感状态是教学效果评价和个性化指导的主要依据, 但现有的表情识别方法大都设计于实验室场景中夸张的表情上, 不能适应课堂中自然、细微的表情. 因此, 本文提出一个将面部地标特征与时序增强相结合且具有对抗鲁棒性的表情识别模型DA-TAR. 该模型使用EfficientNet-B0切割提取面部地标特征, 结合DenseNet-121提取的全局图像特征, 通过交叉注意力融合两类特征, 并使用自注意力优化特征关联性, 实现细粒度细节和全局语义的互补. 同时, 引入混合时序模块来捕捉表情随时间的动态变化, 解决静态方法不能建模时序信息的问题. 此外,使用PGD对抗训练生成扰动样本, 使模型学会鲁棒特征, 提高对课堂上光照变化、学生低头遮挡等非完全遮挡干扰的适应能力. 在CK+、RAF-DB等公开数据集以及自建课堂学生表情数据集上的实验结果表明, DA-TAR模型对困惑、疲劳等课堂常见的细微表情识别均有提高.
课堂学生情感状态是教学效果评价和个性化指导的主要依据, 但现有的表情识别方法大都设计于实验室场景中夸张的表情上, 不能适应课堂中自然、细微的表情. 因此, 本文提出一个将面部地标特征与时序增强相结合且具有对抗鲁棒性的表情识别模型DA-TAR. 该模型使用EfficientNet-B0切割提取面部地标特征, 结合DenseNet-121提取的全局图像特征, 通过交叉注意力融合两类特征, 并使用自注意力优化特征关联性, 实现细粒度细节和全局语义的互补. 同时, 引入混合时序模块来捕捉表情随时间的动态变化, 解决静态方法不能建模时序信息的问题. 此外,使用PGD对抗训练生成扰动样本, 使模型学会鲁棒特征, 提高对课堂上光照变化、学生低头遮挡等非完全遮挡干扰的适应能力. 在CK+、RAF-DB等公开数据集以及自建课堂学生表情数据集上的实验结果表明, DA-TAR模型对困惑、疲劳等课堂常见的细微表情识别均有提高.
优先出版日期: 2026-07-03
,DOI: 10.15888/j.cnki.csa.010263
,CSTR: 32024.14.csa.010263
摘要：
随着内存密集型应用对内存容量需求的持续增长, 通过引入容量更大、成本更低的慢速内存层, 构建分层内存架构已成为降低数据中心硬件成本的重要途径. 然而, 慢速内存在访问延迟与带宽方面存在明显劣势, 内存管理策略对系统整体性能具有关键影响. 内存密集型应用在运行过程中呈现出显著的动态访存特征, 现有分层内存管理方案多采用静态迁移策略, 难以适应访问模式的阶段性变化, 易引发无效或过度的页面迁移, 从而抵消分层内存带来的潜在性能收益. 针对上述问题, 本文提出一种融合访问频率与访问新近性的热页识别机制, 以更准确地刻画页面的综合访问价值. 并设计了一种基于强化学习的分层内存动态管理方法, 通过运行时策略学习自适应调节跨层页面迁移强度. 本文在真实的DRAM-PMEM分层内存平台上实现并评估了所提方法, 实验结果表明, 该方法在显著减少无效页面迁移开销的同时, 在多种典型内存密集型工作负载下均优于现有分层内存管理方案.
随着内存密集型应用对内存容量需求的持续增长, 通过引入容量更大、成本更低的慢速内存层, 构建分层内存架构已成为降低数据中心硬件成本的重要途径. 然而, 慢速内存在访问延迟与带宽方面存在明显劣势, 内存管理策略对系统整体性能具有关键影响. 内存密集型应用在运行过程中呈现出显著的动态访存特征, 现有分层内存管理方案多采用静态迁移策略, 难以适应访问模式的阶段性变化, 易引发无效或过度的页面迁移, 从而抵消分层内存带来的潜在性能收益. 针对上述问题, 本文提出一种融合访问频率与访问新近性的热页识别机制, 以更准确地刻画页面的综合访问价值. 并设计了一种基于强化学习的分层内存动态管理方法, 通过运行时策略学习自适应调节跨层页面迁移强度. 本文在真实的DRAM-PMEM分层内存平台上实现并评估了所提方法, 实验结果表明, 该方法在显著减少无效页面迁移开销的同时, 在多种典型内存密集型工作负载下均优于现有分层内存管理方案.
优先出版日期: 2026-07-03
,DOI: 10.15888/j.cnki.csa.010268
,CSTR: 32024.14.csa.010268
摘要：
由于现实场景的复杂性和异常事件的稀疏性, 视频异常检测一直是计算机视觉领域的挑战性任务. 与传统方法不同, 本文提出一种新的动态感知网络实现鲁棒的异常检测. 首先, 该模型设计了一个基于全维度动态卷积的时空解耦架构分离处理时空特征, 超越了传统标准卷积的有限动态性. 其次, 设计了基于变体多头注意力机制的双级记忆传播模块动态增强帧间特征关联并且降低计算开销. 最后, 引入黎曼曲率度量构建流形聚类方法, 克服传统距离度量局限, 为不同类型的异常事件提供了更具判别性的表征. 在Avenue、ShanghaiTech和UCSD Ped2这3个公开数据集上的大量实验证明了该方法的有效性, 取得了先进的性能.
由于现实场景的复杂性和异常事件的稀疏性, 视频异常检测一直是计算机视觉领域的挑战性任务. 与传统方法不同, 本文提出一种新的动态感知网络实现鲁棒的异常检测. 首先, 该模型设计了一个基于全维度动态卷积的时空解耦架构分离处理时空特征, 超越了传统标准卷积的有限动态性. 其次, 设计了基于变体多头注意力机制的双级记忆传播模块动态增强帧间特征关联并且降低计算开销. 最后, 引入黎曼曲率度量构建流形聚类方法, 克服传统距离度量局限, 为不同类型的异常事件提供了更具判别性的表征. 在Avenue、ShanghaiTech和UCSD Ped2这3个公开数据集上的大量实验证明了该方法的有效性, 取得了先进的性能.
优先出版日期: 2026-07-03
,DOI: 10.15888/j.cnki.csa.010273
,CSTR: 32024.14.csa.010273
摘要：
唐卡是藏传佛教文化与传统艺术的璀璨瑰宝, 承载着独特的历史内涵与艺术价值, 是中华民族文化遗产的核心组成部分. 受自然侵蚀、保存环境等因素影响, 大量唐卡图像出现不同程度的损坏. 因此, 开展唐卡图像修复工作对传统文化的保护与传承具有重要意义. 传统的唐卡修复主要依赖人工操作, 存在耗时耗力、效率较低的问题. 为此, 本文提出一种基于草图引导的两阶段生成式唐卡图像修复方法. 该方法以破损图像、其对应的掩码以及用户绘制的结构草图作为输入, 利用草图提供的先验结构信息, 引导模型的修复过程, 从而使复原结果更贴合原有构图. 修复过程分为粗修复与精修复两个阶段: 粗修复阶段通过多层下采样提取全局结构特征, 并引入膨胀残差块以扩大感受野, 从而快速补全缺损区域; 精修复阶段则融合感知损失与对抗损失进行联合优化, 以提升修复图像的整体视觉质量. 在自建的唐卡数据集上, 本文所提方法与其他4种主流图像修复方法进行了定量与定性对比实验. 实验结果表明, 该方法展现出优异的修复性能, 在峰值信噪比(PSNR)、结构相似性指数(SSIM)、弗雷歇初始距离(FID)以及学习感知图像块相似度(LPIPS)这4项核心评价指标上均优于对比方法. 本文为唐卡的数字化保护与传承提供了可行的技术方案, 并对同类非物质文化遗产的图像修复工作具有参考价值.
唐卡是藏传佛教文化与传统艺术的璀璨瑰宝, 承载着独特的历史内涵与艺术价值, 是中华民族文化遗产的核心组成部分. 受自然侵蚀、保存环境等因素影响, 大量唐卡图像出现不同程度的损坏. 因此, 开展唐卡图像修复工作对传统文化的保护与传承具有重要意义. 传统的唐卡修复主要依赖人工操作, 存在耗时耗力、效率较低的问题. 为此, 本文提出一种基于草图引导的两阶段生成式唐卡图像修复方法. 该方法以破损图像、其对应的掩码以及用户绘制的结构草图作为输入, 利用草图提供的先验结构信息, 引导模型的修复过程, 从而使复原结果更贴合原有构图. 修复过程分为粗修复与精修复两个阶段: 粗修复阶段通过多层下采样提取全局结构特征, 并引入膨胀残差块以扩大感受野, 从而快速补全缺损区域; 精修复阶段则融合感知损失与对抗损失进行联合优化, 以提升修复图像的整体视觉质量. 在自建的唐卡数据集上, 本文所提方法与其他4种主流图像修复方法进行了定量与定性对比实验. 实验结果表明, 该方法展现出优异的修复性能, 在峰值信噪比(PSNR)、结构相似性指数(SSIM)、弗雷歇初始距离(FID)以及学习感知图像块相似度(LPIPS)这4项核心评价指标上均优于对比方法. 本文为唐卡的数字化保护与传承提供了可行的技术方案, 并对同类非物质文化遗产的图像修复工作具有参考价值.
优先出版日期: 2026-06-18
,DOI: 10.15888/j.cnki.csa.010246
摘要：
在真实开放世界场景中, 目标检测模型不可避免地会遇到训练阶段未标注或未见过的未知类别目标, 传统基于封闭世界假设的检测方法难以有效应对该问题. 针对开放世界目标检测中未知目标尺度变化大、候选区域判别能力不足以及复杂场景下误检率较高等问题, 本文以Faster R-CNN为基础检测框架, 提出了一种面向未知目标检测的改进方法. 首先, 在主干网络中引入并行动态多尺度感知模块u-PMS, 通过引入输入依赖的动态门控机制自适应融合多尺度卷积特征, 显著增强了模型对不同尺寸未知目标的特征表征与感知能力. 其次, 构建了一个独立于类别标签的物体性检测分支OPH, 利用基于CIoU的几何监督信号显式学习通用的物体存在性特征, 从而在缺乏语义标签的情况下有效区分真实物体与背景噪声. 最后, 提出多信号后处理筛选模块MSFM, 综合多源预测信息对候选框进行逐级筛选, 进一步抑制冗余预测与伪目标. 实验结果表明, 提出的方法在COCO-OOD与COCO-Mix数据集上均取得了优于基线模型的未知目标检测性能, 尤其在未知目标整体检测质量指标U-AP上取得较优结果, 验证了方法在复杂开放场景中的有效性与鲁棒性.
在真实开放世界场景中, 目标检测模型不可避免地会遇到训练阶段未标注或未见过的未知类别目标, 传统基于封闭世界假设的检测方法难以有效应对该问题. 针对开放世界目标检测中未知目标尺度变化大、候选区域判别能力不足以及复杂场景下误检率较高等问题, 本文以Faster R-CNN为基础检测框架, 提出了一种面向未知目标检测的改进方法. 首先, 在主干网络中引入并行动态多尺度感知模块u-PMS, 通过引入输入依赖的动态门控机制自适应融合多尺度卷积特征, 显著增强了模型对不同尺寸未知目标的特征表征与感知能力. 其次, 构建了一个独立于类别标签的物体性检测分支OPH, 利用基于CIoU的几何监督信号显式学习通用的物体存在性特征, 从而在缺乏语义标签的情况下有效区分真实物体与背景噪声. 最后, 提出多信号后处理筛选模块MSFM, 综合多源预测信息对候选框进行逐级筛选, 进一步抑制冗余预测与伪目标. 实验结果表明, 提出的方法在COCO-OOD与COCO-Mix数据集上均取得了优于基线模型的未知目标检测性能, 尤其在未知目标整体检测质量指标U-AP上取得较优结果, 验证了方法在复杂开放场景中的有效性与鲁棒性.
优先出版日期: 2026-06-18
,DOI: 10.15888/j.cnki.csa.010226
摘要：
在信息过载的时代, 精准的图书推荐对于提高用户的阅读体验, 发掘优质内容有重要的意义. 但是现有的推荐系统都存在着动态兴趣捕捉能力弱、图书深层语义理解不足和推荐可解释性差的问题. 因此本文提出一种基于大语言模型增强的时间思维链图书推荐模型(Time-CoT-LLM). 该模型用时间思维链模块结合用户近期行为动态来形成语义推理链, 加强推荐的可解释性. 使用融合时间稀疏注意力(time-invasive sparse attention, TISA)与混合专家(mixture-of-experts, MoE)的用户编码器来精准捕捉用户兴趣随时间的变化及多样性, 借助LLM增强的图书编码器挖掘图书深层语义特征. 在BookCrossing和Goodreads两个数据集上的实验结果表明Time-CoT-LLM在AUC (0.772)、NDCG@5 (0.396)等指标上比传统的协同过滤、BERT-based序列推荐、纯LLM模型提高了3.2%–4.1%, 85%的用户认为推荐理由更清晰. 本研究为图书推荐中的动态兴趣、语义理解、可解释性问题提供了有效的解决途径, 对智能推荐技术在文化领域的落地有重要的推动作用.
在信息过载的时代, 精准的图书推荐对于提高用户的阅读体验, 发掘优质内容有重要的意义. 但是现有的推荐系统都存在着动态兴趣捕捉能力弱、图书深层语义理解不足和推荐可解释性差的问题. 因此本文提出一种基于大语言模型增强的时间思维链图书推荐模型(Time-CoT-LLM). 该模型用时间思维链模块结合用户近期行为动态来形成语义推理链, 加强推荐的可解释性. 使用融合时间稀疏注意力(time-invasive sparse attention, TISA)与混合专家(mixture-of-experts, MoE)的用户编码器来精准捕捉用户兴趣随时间的变化及多样性, 借助LLM增强的图书编码器挖掘图书深层语义特征. 在BookCrossing和Goodreads两个数据集上的实验结果表明Time-CoT-LLM在AUC (0.772)、NDCG@5 (0.396)等指标上比传统的协同过滤、BERT-based序列推荐、纯LLM模型提高了3.2%–4.1%, 85%的用户认为推荐理由更清晰. 本研究为图书推荐中的动态兴趣、语义理解、可解释性问题提供了有效的解决途径, 对智能推荐技术在文化领域的落地有重要的推动作用.
优先出版日期: 2026-06-18
,DOI: 10.15888/j.cnki.csa.010239
摘要：
足球比赛视频的高精度目标检测对于智能战术分析与赛事转播具有重要应用价值. 然而, 场景中目标尺度跨度大, 运动模糊以及球员密集遮挡等问题, 严重制约了检测的精度与鲁棒性. 本文提出一种改进RT-DETR的检测算法. 针对微小目标因运动模糊导致的特征混叠与丢失, 使用残差哈尔离散小波变换(residual Haar discrete wavelet transform, RHDWT)下采样模块, 利用小波频域特性有效保留高频边缘细节. 引入内容感知特征重组(content-aware reassembly of features, CARAFE)模块替代线性插值上采样, 通过动态预测重组核调整采样区域, 提升多尺度特征的语义对齐精度. 最后在解码器输入端构建多尺度动态特征精炼模块(multi-scale dynamic feature refiner module, MDFRM), 融合卷积注意力机制, 自适应增强目标区域特征响应并抑制背景噪声干扰. 在SoccerNet-Tracking数据集上的实验结果表明, 与RT-DETR基准模型及主流YOLO系列模型相比, 该算法在各项精度指标上均取得了最优结果, 精确率与召回率分别达到89.9%和85.4%, mAP@50达到84.9%. 该方法有效解决了复杂足球比赛场景下的漏检与误检问题, 为足球比赛智能分析提供可靠支撑.
足球比赛视频的高精度目标检测对于智能战术分析与赛事转播具有重要应用价值. 然而, 场景中目标尺度跨度大, 运动模糊以及球员密集遮挡等问题, 严重制约了检测的精度与鲁棒性. 本文提出一种改进RT-DETR的检测算法. 针对微小目标因运动模糊导致的特征混叠与丢失, 使用残差哈尔离散小波变换(residual Haar discrete wavelet transform, RHDWT)下采样模块, 利用小波频域特性有效保留高频边缘细节. 引入内容感知特征重组(content-aware reassembly of features, CARAFE)模块替代线性插值上采样, 通过动态预测重组核调整采样区域, 提升多尺度特征的语义对齐精度. 最后在解码器输入端构建多尺度动态特征精炼模块(multi-scale dynamic feature refiner module, MDFRM), 融合卷积注意力机制, 自适应增强目标区域特征响应并抑制背景噪声干扰. 在SoccerNet-Tracking数据集上的实验结果表明, 与RT-DETR基准模型及主流YOLO系列模型相比, 该算法在各项精度指标上均取得了最优结果, 精确率与召回率分别达到89.9%和85.4%, mAP@50达到84.9%. 该方法有效解决了复杂足球比赛场景下的漏检与误检问题, 为足球比赛智能分析提供可靠支撑.
优先出版日期: 2026-06-18
,DOI: 10.15888/j.cnki.csa.010244
摘要：
多模态媒体伪造检测旨在建模图像与文本等异构模态信息, 实现对图文内容真实性的精准判别. 然而, 现有方法在图像频域特征建模方面较为薄弱, 难以充分捕捉隐藏于频域中的细粒度篡改痕迹; 同时, 对文本内部矛盾与语义不一致等逻辑性伪造线索的挖掘能力不足, 限制了文本模态判别信息的有效利用. 为解决上述问题, 本文提出一种多模态媒体伪造检测模型TruthSeeker, 其包含3个核心部分: (1)伪造线索挖掘模块, 通过构建频域提取-基于$ k $近邻的聚类-特征压缩的层次化特征学习机制, 联合建模图像空域与频域信息, 以增强对局部篡改痕迹的感知能力; (2)文本矛盾增强模块, 利用大语言模型从事实违背、情感上下文不一致以及文本表达口语化这3个角度挖掘潜在语义冲突, 增强文本模态中的逻辑性伪造线索; (3)深层伪造推理机制, 基于跨模态交叉注意力实现图像与文本伪造特征的深度交互, 并通过多任务损失函数进行协同优化. 实验结果表明, TruthSeeker在二分类伪造识别任务中取得99.49%的AUC, 并在多项对比实验中优于现有方法, 验证了模型在多模态媒体伪造检测任务中的有效性.
多模态媒体伪造检测旨在建模图像与文本等异构模态信息, 实现对图文内容真实性的精准判别. 然而, 现有方法在图像频域特征建模方面较为薄弱, 难以充分捕捉隐藏于频域中的细粒度篡改痕迹; 同时, 对文本内部矛盾与语义不一致等逻辑性伪造线索的挖掘能力不足, 限制了文本模态判别信息的有效利用. 为解决上述问题, 本文提出一种多模态媒体伪造检测模型TruthSeeker, 其包含3个核心部分: (1)伪造线索挖掘模块, 通过构建频域提取-基于$ k $近邻的聚类-特征压缩的层次化特征学习机制, 联合建模图像空域与频域信息, 以增强对局部篡改痕迹的感知能力; (2)文本矛盾增强模块, 利用大语言模型从事实违背、情感上下文不一致以及文本表达口语化这3个角度挖掘潜在语义冲突, 增强文本模态中的逻辑性伪造线索; (3)深层伪造推理机制, 基于跨模态交叉注意力实现图像与文本伪造特征的深度交互, 并通过多任务损失函数进行协同优化. 实验结果表明, TruthSeeker在二分类伪造识别任务中取得99.49%的AUC, 并在多项对比实验中优于现有方法, 验证了模型在多模态媒体伪造检测任务中的有效性.
优先出版日期: 2026-06-15
,DOI: 10.15888/j.cnki.csa.010245
摘要：
近年来, 大语言模型(large language model, LLM)已广泛应用于自然语言处理、计算机视觉等领域, 但非完美信息博弈的相关研究(如掼蛋、立直麻将等)仍以强化学习为主导. 此类博弈问题存在隐藏信息推理难、数值-文本特征融合低效、多阶段策略适配性差的核心痛点. 博弈树搜索、反事实遗憾最小化等传统算法存在计算量大、收敛慢、鲁棒性不足等局限, 现有大语言模型则存在推理延迟高、动态信息处理能力欠缺等问题. 针对上述问题, 本文提出分阶段自适应LoRA/QLoRA与博弈增强型Adapter双模块微调框架, 以Qwen3系列模型为基准, 基于掼蛋和立直麻将的高质量数据集开展微调训练, 并与主流强化学习AI: DanZero+、Tenhou AI进行对抗实验. 实验结果表明, 经微调的大语言模型, 博弈胜率虽距离顶尖强化学习仍有一定差距, 但在隐藏信息推理、跨模态特征融合等核心能力维度已具备竞争力. 本文为非完美博弈的大语言模型解决方案提供了新路径, 但暴露的记忆缺失、决策片面等问题仍需后续优化.
近年来, 大语言模型(large language model, LLM)已广泛应用于自然语言处理、计算机视觉等领域, 但非完美信息博弈的相关研究(如掼蛋、立直麻将等)仍以强化学习为主导. 此类博弈问题存在隐藏信息推理难、数值-文本特征融合低效、多阶段策略适配性差的核心痛点. 博弈树搜索、反事实遗憾最小化等传统算法存在计算量大、收敛慢、鲁棒性不足等局限, 现有大语言模型则存在推理延迟高、动态信息处理能力欠缺等问题. 针对上述问题, 本文提出分阶段自适应LoRA/QLoRA与博弈增强型Adapter双模块微调框架, 以Qwen3系列模型为基准, 基于掼蛋和立直麻将的高质量数据集开展微调训练, 并与主流强化学习AI: DanZero+、Tenhou AI进行对抗实验. 实验结果表明, 经微调的大语言模型, 博弈胜率虽距离顶尖强化学习仍有一定差距, 但在隐藏信息推理、跨模态特征融合等核心能力维度已具备竞争力. 本文为非完美博弈的大语言模型解决方案提供了新路径, 但暴露的记忆缺失、决策片面等问题仍需后续优化.
优先出版日期: 2026-06-15
,DOI: 10.15888/j.cnki.csa.010243
摘要：
针对水下图像存在光照不均、色偏严重且高质量标签数据稀缺的问题, 本文提出一种基于自适应光照校正的半监督水下图像增强方法. 该方法采用教师-学生学习框架, 通过协同利用少量标记数据与大量无标记数据进行训练. 引入自适应光照校正模块, 通过光照分量分离与自适应调节实现对不同亮度区域的差异化补偿, 从而缓解颜色失真及局部曝光不均问题. 此外, 引入一种伪标签质量评估机制, 动态筛选可靠的未标记样本以优化训练过程. 实验结果表明, 该方法在UIEB等公开数据集上, 在UIQM、UCIQE、URanker等多种无参考评价指标上均优于现有主流方法, 在颜色恢复与细节保留方面表现优异, 部署于实际场景后, 该模型仍能有效增强图像的主客观质量, 表现出良好的实用性与泛化能力.
针对水下图像存在光照不均、色偏严重且高质量标签数据稀缺的问题, 本文提出一种基于自适应光照校正的半监督水下图像增强方法. 该方法采用教师-学生学习框架, 通过协同利用少量标记数据与大量无标记数据进行训练. 引入自适应光照校正模块, 通过光照分量分离与自适应调节实现对不同亮度区域的差异化补偿, 从而缓解颜色失真及局部曝光不均问题. 此外, 引入一种伪标签质量评估机制, 动态筛选可靠的未标记样本以优化训练过程. 实验结果表明, 该方法在UIEB等公开数据集上, 在UIQM、UCIQE、URanker等多种无参考评价指标上均优于现有主流方法, 在颜色恢复与细节保留方面表现优异, 部署于实际场景后, 该模型仍能有效增强图像的主客观质量, 表现出良好的实用性与泛化能力.
优先出版日期: 2026-06-08
,DOI: 10.15888/j.cnki.csa.010223
,CSTR: 32024.14.csa.010223
摘要：
在拥挤、遮挡等复杂动态场景中, 现有轻量化多目标跟踪器常因特征判别力不足而导致身份切换与轨迹断裂. 为打破高精度与低计算成本之间的壁垒, 本文基于先进的端到端跟踪器MOTIP, 提出了一种名为DQS-Tracker(distillation-driven and query-separated tracker)的新型协同多目标跟踪算法, 该算法从模型知识与结构设计两个正交维度对轻量级模型进行系统性增强. 首先, 设计了一套专为多目标跟踪任务定制的自适应分层知识蒸馏方案, 通过对齐视觉特征、身份判别性Logits及时序一致性表征, 将大型教师模型在复杂场景下的专家决策能力迁移至学生模型, 并引入自适应权重策略优化训练动力学. 其次, 提出查询职责分离机制, 将检测查询显式划分为轨迹查询与新生查询, 有效解耦了跟踪与检测任务的注意力竞争. 实验结果表明, 在DanceTrack和SportsMOT这两个具有挑战性的基准测试上, DQS-Tracker在关键的HOTA和IDF1指标上取得了与大型教师模型相当的性能, 充分验证了该方法在不同复杂场景下的泛化能力和鲁棒性.
在拥挤、遮挡等复杂动态场景中, 现有轻量化多目标跟踪器常因特征判别力不足而导致身份切换与轨迹断裂. 为打破高精度与低计算成本之间的壁垒, 本文基于先进的端到端跟踪器MOTIP, 提出了一种名为DQS-Tracker(distillation-driven and query-separated tracker)的新型协同多目标跟踪算法, 该算法从模型知识与结构设计两个正交维度对轻量级模型进行系统性增强. 首先, 设计了一套专为多目标跟踪任务定制的自适应分层知识蒸馏方案, 通过对齐视觉特征、身份判别性Logits及时序一致性表征, 将大型教师模型在复杂场景下的专家决策能力迁移至学生模型, 并引入自适应权重策略优化训练动力学. 其次, 提出查询职责分离机制, 将检测查询显式划分为轨迹查询与新生查询, 有效解耦了跟踪与检测任务的注意力竞争. 实验结果表明, 在DanceTrack和SportsMOT这两个具有挑战性的基准测试上, DQS-Tracker在关键的HOTA和IDF1指标上取得了与大型教师模型相当的性能, 充分验证了该方法在不同复杂场景下的泛化能力和鲁棒性.
优先出版日期: 2026-05-22
,DOI: 10.15888/j.cnki.csa.010217
摘要：
在复杂交通场景下, 交通流存在时空依赖关系强、外部因素影响明显和长程时间依赖关系难捕捉等问题. 然而, 现有的基于图卷积网络(graph convolutional network, GCN)或Transformer架构的单一方法不能兼顾解决多方面问题, 因此, 本文提出了一种融合时序图卷积网络(temporal graph convolutional network, TGCN)与Transformer架构的交通流量预测模型. 该模型设计了基于双重动态邻接矩阵的TGCN层, 能够自适应更新节点间空间关系, 突破了在复杂动态环境下静态拓扑结构的局限性; 用FiLM机制完成多模态特征的条件融合, 增强了模型在非平稳交通流上的鲁棒性. 最后, 采用Transformer架构, 利用自注意力机制实现多尺度下的建模. 在PeMS04和PeMS08上的实验结果表明, 在不同预测时间步下, 本文模型在高噪声交通场景中均表现出较为稳定, 并且优于多种主流基线方法的预测性能, 验证了本文模型拥有更好的泛化能力.
在复杂交通场景下, 交通流存在时空依赖关系强、外部因素影响明显和长程时间依赖关系难捕捉等问题. 然而, 现有的基于图卷积网络(graph convolutional network, GCN)或Transformer架构的单一方法不能兼顾解决多方面问题, 因此, 本文提出了一种融合时序图卷积网络(temporal graph convolutional network, TGCN)与Transformer架构的交通流量预测模型. 该模型设计了基于双重动态邻接矩阵的TGCN层, 能够自适应更新节点间空间关系, 突破了在复杂动态环境下静态拓扑结构的局限性; 用FiLM机制完成多模态特征的条件融合, 增强了模型在非平稳交通流上的鲁棒性. 最后, 采用Transformer架构, 利用自注意力机制实现多尺度下的建模. 在PeMS04和PeMS08上的实验结果表明, 在不同预测时间步下, 本文模型在高噪声交通场景中均表现出较为稳定, 并且优于多种主流基线方法的预测性能, 验证了本文模型拥有更好的泛化能力.
-
全文下载排行(总排行，年度排行，各期排行)
摘要点击排行(总排行，年度排行，各期排行)
快速检索
过刊检索
全选反选导出
显示模式：
2000,9(2):38-41
摘要：
本文详细讨论了VRML技术与其他数据访问技术相结合 ,实现对数据库实时交互的技术实现方法 ,并简要阐述了相关技术规范的语法结构和技术要求。所用技术手段安全可靠 ,具有良好的实际应用表现 ,便于系统移植。
本文详细讨论了VRML技术与其他数据访问技术相结合 ,实现对数据库实时交互的技术实现方法 ,并简要阐述了相关技术规范的语法结构和技术要求。所用技术手段安全可靠 ,具有良好的实际应用表现 ,便于系统移植。
1993,2(8):41-42
摘要：
本文介绍了作者近年来应用工具软件NU清除磁盘引导区和硬盘主引导区病毒、修复引导区损坏磁盘的 经验，经实践检验，简便有效。
本文介绍了作者近年来应用工具软件NU清除磁盘引导区和硬盘主引导区病毒、修复引导区损坏磁盘的 经验，经实践检验，简便有效。
1995,4(5):2-5
摘要：
本文简要介绍了海关EDI自动化通关系统的定义概况及重要意义，对该EDI应用系统下的业务运作模式所涉及的法律问题，采用EDIFACT国际标准问题、网络与软件技术问题，以及工程管理问题进行了结合实际的分析。
本文简要介绍了海关EDI自动化通关系统的定义概况及重要意义，对该EDI应用系统下的业务运作模式所涉及的法律问题，采用EDIFACT国际标准问题、网络与软件技术问题，以及工程管理问题进行了结合实际的分析。
2016,25(8):1-7
,DOI: 10.15888/j.cnki.csa.005283
摘要：
从2006年开始，深度神经网络在图像/语音识别、自动驾驶等大数据处理和人工智能领域中都取得了巨大成功，其中无监督学习方法作为深度神经网络中的预训练方法为深度神经网络的成功起到了非常重要的作用. 为此，对深度学习中的无监督学习方法进行了介绍和分析，主要总结了两类常用的无监督学习方法，即确定型的自编码方法和基于概率型受限玻尔兹曼机的对比散度等学习方法，并介绍了这两类方法在深度学习系统中的应用，最后对无监督学习面临的问题和挑战进行了总结和展望.
从2006年开始，深度神经网络在图像/语音识别、自动驾驶等大数据处理和人工智能领域中都取得了巨大成功，其中无监督学习方法作为深度神经网络中的预训练方法为深度神经网络的成功起到了非常重要的作用. 为此，对深度学习中的无监督学习方法进行了介绍和分析，主要总结了两类常用的无监督学习方法，即确定型的自编码方法和基于概率型受限玻尔兹曼机的对比散度等学习方法，并介绍了这两类方法在深度学习系统中的应用，最后对无监督学习面临的问题和挑战进行了总结和展望.
2022,31(5):1-20
,DOI: 10.15888/j.cnki.csa.008463
摘要：
深度学习方法的提出使得机器学习研究领域得到了巨大突破, 但是却需要大量的人工标注数据来辅助完成. 在实际问题中, 受限于人力成本, 许多应用需要对从未见过的实例类别进行推理判断. 为此, 零样本学习(zero-shot learning, ZSL)应运而生. 图作为一种表示事物之间联系的自然数据结构, 目前在零样本学习中受到了越来越多的关注. 本文对零样本图学习方法进行了系统综述. 首先概述了零样本学习和图学习的定义, 并总结了零样本学习现有的解决方案思想. 然后依据图的不同利用方式对目前零样本图学习的方法体系进行了分类. 接下来讨论了零样本图学习所涉及到的评估准则和数据集. 最后指明了零样本图学习进一步研究中需要解决的问题以及未来可能的发展方向.
深度学习方法的提出使得机器学习研究领域得到了巨大突破, 但是却需要大量的人工标注数据来辅助完成. 在实际问题中, 受限于人力成本, 许多应用需要对从未见过的实例类别进行推理判断. 为此, 零样本学习(zero-shot learning, ZSL)应运而生. 图作为一种表示事物之间联系的自然数据结构, 目前在零样本学习中受到了越来越多的关注. 本文对零样本图学习方法进行了系统综述. 首先概述了零样本学习和图学习的定义, 并总结了零样本学习现有的解决方案思想. 然后依据图的不同利用方式对目前零样本图学习的方法体系进行了分类. 接下来讨论了零样本图学习所涉及到的评估准则和数据集. 最后指明了零样本图学习进一步研究中需要解决的问题以及未来可能的发展方向.
2008,17(5):122-126
摘要：
随着Internet的迅速发展，网络资源越来越丰富，人们如何从网络上抽取信息也变得至关重要，尤其是占网络资源80%的Deep Web信息检索更是人们应该倍加关注的难点问题。为了更好的研究Deep Web爬虫技术，本文对有关Deep Web爬虫的内容进行了全面、详细地介绍。首先对Deep Web爬虫的定义及研究目标进行了阐述，接着介绍了近年来国内外关于Deep Web爬虫的研究进展，并对其加以分析。在此基础上展望了Deep Web爬虫的研究趋势，为下一步的研究奠定了基础。
随着Internet的迅速发展，网络资源越来越丰富，人们如何从网络上抽取信息也变得至关重要，尤其是占网络资源80%的Deep Web信息检索更是人们应该倍加关注的难点问题。为了更好的研究Deep Web爬虫技术，本文对有关Deep Web爬虫的内容进行了全面、详细地介绍。首先对Deep Web爬虫的定义及研究目标进行了阐述，接着介绍了近年来国内外关于Deep Web爬虫的研究进展，并对其加以分析。在此基础上展望了Deep Web爬虫的研究趋势，为下一步的研究奠定了基础。
2011,20(11):80-85
摘要：
在研究了目前主流的视频转码方案基础上,提出了一种分布式转码系统。系统采用HDFS(HadoopDistributed File System)进行视频存储,利用MapReduce 思想和FFMPEG 进行分布式转码。详细讨论了视频分布式存储时的分段策略,以及分段大小对存取时间的影响。同时,定义了视频存储和转换的元数据格式。提出了基于MapReduce 编程框架的分布式转码方案,即Mapper 端进行转码和Reducer 端进行视频合并。实验数据显示了转码时间随视频分段大小和转码机器数量不同而变化的趋势。结
在研究了目前主流的视频转码方案基础上,提出了一种分布式转码系统。系统采用HDFS(HadoopDistributed File System)进行视频存储,利用MapReduce 思想和FFMPEG 进行分布式转码。详细讨论了视频分布式存储时的分段策略,以及分段大小对存取时间的影响。同时,定义了视频存储和转换的元数据格式。提出了基于MapReduce 编程框架的分布式转码方案,即Mapper 端进行转码和Reducer 端进行视频合并。实验数据显示了转码时间随视频分段大小和转码机器数量不同而变化的趋势。结
1999,8(7):43-46
摘要：
用较少的颜色来表示较大的色彩空间一直是人们研究的课题，本文详细讨论了半色调技术和抖动技术，并将它们扩展到实用的真彩色空间来讨论，并给出了实现的算法。
用较少的颜色来表示较大的色彩空间一直是人们研究的课题，本文详细讨论了半色调技术和抖动技术，并将它们扩展到实用的真彩色空间来讨论，并给出了实现的算法。
2019,28(6):1-12
,DOI: 10.15888/j.cnki.csa.006915
摘要：
知识图谱是以图的形式表现客观世界中的概念和实体及其之间关系的知识库，是语义搜索、智能问答、决策支持等智能服务的基础技术之一.目前，知识图谱的内涵还不够清晰；且因建档不全，已有知识图谱的使用率和重用率不高.为此，本文给出知识图谱的定义，辨析其与本体等相关概念的关系.本体是知识图谱的模式层和逻辑基础，知识图谱是本体的实例化；本体研究成果可以作为知识图谱研究的基础，促进知识图谱的更快发展和更广应用.本文罗列分析了国内外已有的主要通用知识图谱和行业知识图谱及其构建、存储及检索方法，以提高其使用率和重用率.最后指出知识图谱未来的研究方向.
知识图谱是以图的形式表现客观世界中的概念和实体及其之间关系的知识库，是语义搜索、智能问答、决策支持等智能服务的基础技术之一.目前，知识图谱的内涵还不够清晰；且因建档不全，已有知识图谱的使用率和重用率不高.为此，本文给出知识图谱的定义，辨析其与本体等相关概念的关系.本体是知识图谱的模式层和逻辑基础，知识图谱是本体的实例化；本体研究成果可以作为知识图谱研究的基础，促进知识图谱的更快发展和更广应用.本文罗列分析了国内外已有的主要通用知识图谱和行业知识图谱及其构建、存储及检索方法，以提高其使用率和重用率.最后指出知识图谱未来的研究方向.
2012,21(3):260-264
摘要：
开放平台的核心问题是用户验证和授权问题,OAuth 是目前国际通用的授权方式,它的特点是不需要用户在第三方应用输入用户名及密码,就可以申请访问该用户的受保护资源。OAuth 最新版本是OAuth2.0,其认证与授权的流程更简单、更安全。研究了OAuth2.0 的工作原理,分析了刷新访问令牌的工作流程,并给出了OAuth2.0 服务器端的设计方案和具体的应用实例。
开放平台的核心问题是用户验证和授权问题,OAuth 是目前国际通用的授权方式,它的特点是不需要用户在第三方应用输入用户名及密码,就可以申请访问该用户的受保护资源。OAuth 最新版本是OAuth2.0,其认证与授权的流程更简单、更安全。研究了OAuth2.0 的工作原理,分析了刷新访问令牌的工作流程,并给出了OAuth2.0 服务器端的设计方案和具体的应用实例。
2002,11(10):70-73
摘要：
2011,20(7):184-187,120
摘要：
针对智能家居、环境监测等的实际要求，设计了一种远距离通讯的无线传感器节点。该系统采用集射频与控制器于一体的第二代片上系统CC2530 为核心模块，外接CC2591 射频前端功放模块；软件上基于ZigBee2006 协议栈，在ZStack 通用模块基础上实现应用层各项功能。介绍了基于ZigBee 协议构建无线数据采集网络，给出了传感器节点、协调器节点的硬件设计原理图及软件流程图。实验证明节点性能良好、通讯可靠,通讯距离较TI 第一代产品有明显增大。
针对智能家居、环境监测等的实际要求，设计了一种远距离通讯的无线传感器节点。该系统采用集射频与控制器于一体的第二代片上系统CC2530 为核心模块，外接CC2591 射频前端功放模块；软件上基于ZigBee2006 协议栈，在ZStack 通用模块基础上实现应用层各项功能。介绍了基于ZigBee 协议构建无线数据采集网络，给出了传感器节点、协调器节点的硬件设计原理图及软件流程图。实验证明节点性能良好、通讯可靠,通讯距离较TI 第一代产品有明显增大。
2007,16(9):22-25
摘要：
本文结合物流遗留系统的实际安全状态,分析了面向对象的编程思想在横切关注点和核心关注点处理上的不足,指出面向方面的编程思想解决方案对系统进行分离关注点处理的优势,并对面向方面的编程的一种具体实现AspectJ进行分析,提出了一种依据AspectJ对遗留物流系统进行IC卡安全进化的方法.
本文结合物流遗留系统的实际安全状态,分析了面向对象的编程思想在横切关注点和核心关注点处理上的不足,指出面向方面的编程思想解决方案对系统进行分离关注点处理的优势,并对面向方面的编程的一种具体实现AspectJ进行分析,提出了一种依据AspectJ对遗留物流系统进行IC卡安全进化的方法.
2016,25(7):8-16
,DOI: 10.15888/j.cnki.csa.005241
摘要：
软件是基于Visual C++ 6.0和Access 2003工具来完成的，在Unicode字符集模式下进行软件设计，解决当前民族文字软件开发时的系统使用兼容性以及字符的输出乱码等问题.本开发模式使用简单、操作稳定、接口灵活，在便于用户对词汇和语音数据库进行统一处理（备份、打印）的同时，也为其它民族文字翻译软件的开发提供了初期技术指导.目前面向傣族地区的翻译辅助工具还尚未推出，“傣泐文-汉文互译有声电子词典”是傣文信息化领域的一个重要“应用创新”成果，是开展少数民族语言文化信息元表示与提取研究的基础支撑，其作用主要是负责傣文的查询、翻译、朗读等工作.傣汉互译电子词典设计实现了傣汉对照互译、傣语真人朗读、傣语音标显示等常用功能，同时还支持对词库进行添加、修改、删除自定义操作，实现了良好的人机交互功能.
软件是基于Visual C++ 6.0和Access 2003工具来完成的，在Unicode字符集模式下进行软件设计，解决当前民族文字软件开发时的系统使用兼容性以及字符的输出乱码等问题.本开发模式使用简单、操作稳定、接口灵活，在便于用户对词汇和语音数据库进行统一处理（备份、打印）的同时，也为其它民族文字翻译软件的开发提供了初期技术指导.目前面向傣族地区的翻译辅助工具还尚未推出，“傣泐文-汉文互译有声电子词典”是傣文信息化领域的一个重要“应用创新”成果，是开展少数民族语言文化信息元表示与提取研究的基础支撑，其作用主要是负责傣文的查询、翻译、朗读等工作.傣汉互译电子词典设计实现了傣汉对照互译、傣语真人朗读、傣语音标显示等常用功能，同时还支持对词库进行添加、修改、删除自定义操作，实现了良好的人机交互功能.
2004,13(10):7-9
摘要：
本文介绍了车辆监控系统的组成,研究了如何应用Rockwell GPS OEM板和WISMOQUIKQ2406B模块进行移动单元的软硬件设计,以及监控中心 GIS软件的设计.重点介绍嵌入TCP/IP协议处理的Q2406B模块如何通过AT指令接入Internet以及如何和监控中心传输TCP数据.
本文介绍了车辆监控系统的组成,研究了如何应用Rockwell GPS OEM板和WISMOQUIKQ2406B模块进行移动单元的软硬件设计,以及监控中心 GIS软件的设计.重点介绍嵌入TCP/IP协议处理的Q2406B模块如何通过AT指令接入Internet以及如何和监控中心传输TCP数据.
2008,17(1):113-116
摘要：
排序是计算机程序设计中一种重要操作，本文论述了C语言中快速排序算法的改进，即快速排序与直接插入排序算法相结合的实现过程。在C语言程序设计中，实现大量的内部排序应用时，所寻求的目的就是找到一个简单、有效、快捷的算法。本文着重阐述快速排序的改进与提高过程，从基本的性能特征到基本的算法改进，通过不断的分析，实验，最后得出最佳的改进算法。
排序是计算机程序设计中一种重要操作，本文论述了C语言中快速排序算法的改进，即快速排序与直接插入排序算法相结合的实现过程。在C语言程序设计中，实现大量的内部排序应用时，所寻求的目的就是找到一个简单、有效、快捷的算法。本文着重阐述快速排序的改进与提高过程，从基本的性能特征到基本的算法改进，通过不断的分析，实验，最后得出最佳的改进算法。
2008,17(8):87-89
摘要：
随着面向对象软件开发技术的广泛应用和软件测试自动化的要求，基于模型的软件测试逐渐得到了软件开发人员和软件测试人员的认可和接受。基于模型的软件测试是软件编码阶段的主要测试方法之一，具有测试效率高、排除逻辑复杂故障测试效果好等特点。但是误报、漏报和故障机理有待进一步研究。对主要的测试模型进行了分析和分类，同时，对故障密度等参数进行了初步的分析；最后，提出了一种基于模型的软件测试流程。
随着面向对象软件开发技术的广泛应用和软件测试自动化的要求，基于模型的软件测试逐渐得到了软件开发人员和软件测试人员的认可和接受。基于模型的软件测试是软件编码阶段的主要测试方法之一，具有测试效率高、排除逻辑复杂故障测试效果好等特点。但是误报、漏报和故障机理有待进一步研究。对主要的测试模型进行了分析和分类，同时，对故障密度等参数进行了初步的分析；最后，提出了一种基于模型的软件测试流程。
2008,17(8):2-5
摘要：
本文介绍了一个企业信息门户中单点登录系统的设计与实现。系统实现了一个基于Java EE架构的结合凭证加密和Web Services的单点登录系统，对门户用户进行统一认证和访问控制。论文详细阐述了该系统的总体结构、设计思想、工作原理和具体实现方案，目前系统已在部分省市的广电行业信息门户平台中得到了良好的应用。
本文介绍了一个企业信息门户中单点登录系统的设计与实现。系统实现了一个基于Java EE架构的结合凭证加密和Web Services的单点登录系统，对门户用户进行统一认证和访问控制。论文详细阐述了该系统的总体结构、设计思想、工作原理和具体实现方案，目前系统已在部分省市的广电行业信息门户平台中得到了良好的应用。
2004,13(8):58-59
摘要：
本文介绍了Visual C++6.0在对话框的多个文本框之间,通过回车键转移焦点的几种方法,并提出了一个改进方法.
本文介绍了Visual C++6.0在对话框的多个文本框之间,通过回车键转移焦点的几种方法,并提出了一个改进方法.
-
全文下载排行(总排行，年度排行，各期排行)
摘要点击排行(总排行，年度排行，各期排行)
快速检索
过刊检索
全选反选导出
显示模式：
2007,16(10):48-51
摘要：
论文对HDF数据格式和函数库进行研究,重点以栅格图像为例,详细论述如何利用VC++.net和VC#.net对光栅数据进行读取与处理,然后根据所得到的象素矩阵用描点法显示图像.论文是以国家气象中心开发Micaps3.0(气象信息综合分析处理系统)的课题研究为背景的.
论文对HDF数据格式和函数库进行研究,重点以栅格图像为例,详细论述如何利用VC++.net和VC#.net对光栅数据进行读取与处理,然后根据所得到的象素矩阵用描点法显示图像.论文是以国家气象中心开发Micaps3.0(气象信息综合分析处理系统)的课题研究为背景的.
2002,11(12):67-68
摘要：
本文介绍非实时操作系统Windows 2000下,利用VisualC++6.0开发实时数据采集的方法.所用到的数据采集卡是研华的PCL-818L.借助数据采集卡PCL-818L的DLLs中的API函数,提出三种实现高速实时数据采集的方法及优缺点.
本文介绍非实时操作系统Windows 2000下,利用VisualC++6.0开发实时数据采集的方法.所用到的数据采集卡是研华的PCL-818L.借助数据采集卡PCL-818L的DLLs中的API函数,提出三种实现高速实时数据采集的方法及优缺点.
2008,17(1):113-116
摘要：
排序是计算机程序设计中一种重要操作，本文论述了C语言中快速排序算法的改进，即快速排序与直接插入排序算法相结合的实现过程。在C语言程序设计中，实现大量的内部排序应用时，所寻求的目的就是找到一个简单、有效、快捷的算法。本文着重阐述快速排序的改进与提高过程，从基本的性能特征到基本的算法改进，通过不断的分析，实验，最后得出最佳的改进算法。
排序是计算机程序设计中一种重要操作，本文论述了C语言中快速排序算法的改进，即快速排序与直接插入排序算法相结合的实现过程。在C语言程序设计中，实现大量的内部排序应用时，所寻求的目的就是找到一个简单、有效、快捷的算法。本文着重阐述快速排序的改进与提高过程，从基本的性能特征到基本的算法改进，通过不断的分析，实验，最后得出最佳的改进算法。
2008,17(5):122-126
摘要：
随着Internet的迅速发展，网络资源越来越丰富，人们如何从网络上抽取信息也变得至关重要，尤其是占网络资源80%的Deep Web信息检索更是人们应该倍加关注的难点问题。为了更好的研究Deep Web爬虫技术，本文对有关Deep Web爬虫的内容进行了全面、详细地介绍。首先对Deep Web爬虫的定义及研究目标进行了阐述，接着介绍了近年来国内外关于Deep Web爬虫的研究进展，并对其加以分析。在此基础上展望了Deep Web爬虫的研究趋势，为下一步的研究奠定了基础。
随着Internet的迅速发展，网络资源越来越丰富，人们如何从网络上抽取信息也变得至关重要，尤其是占网络资源80%的Deep Web信息检索更是人们应该倍加关注的难点问题。为了更好的研究Deep Web爬虫技术，本文对有关Deep Web爬虫的内容进行了全面、详细地介绍。首先对Deep Web爬虫的定义及研究目标进行了阐述，接着介绍了近年来国内外关于Deep Web爬虫的研究进展，并对其加以分析。在此基础上展望了Deep Web爬虫的研究趋势，为下一步的研究奠定了基础。
2026,35(7):1-22, DOI: 10.15888/j.cnki.csa.010222
摘要：
2026,35(4):1-16, DOI: 10.15888/j.cnki.csa.010121
摘要：
2026,35(3):1-12, DOI: 10.15888/j.cnki.csa.010090
摘要：
2026,35(2):23-39, DOI: 10.15888/j.cnki.csa.010061
摘要：
2026,35(2):1-22, DOI: 10.15888/j.cnki.csa.010058
摘要：
2026,35(1):1-18, DOI: 10.15888/j.cnki.csa.010074
摘要：
2026,35(1):39-51, DOI: 10.15888/j.cnki.csa.010055
摘要：
2026,35(1):19-38, DOI: 10.15888/j.cnki.csa.010029
摘要：
2025,34(12):1-15, DOI: 10.15888/j.cnki.csa.010033
摘要：
2025,34(11):1-19, DOI: 10.15888/j.cnki.csa.010002
摘要：
2025,34(10):16-31, DOI: 10.15888/j.cnki.csa.009979
摘要：
2025,34(10):1-15, DOI: 10.15888/j.cnki.csa.009975
摘要：
2025,34(8):1-13, DOI: 10.15888/j.cnki.csa.009907
摘要：
2025,34(7):1-13, DOI: 10.15888/j.cnki.csa.009942
摘要：
2025,34(6):1-11, DOI: 10.15888/j.cnki.csa.009903
摘要：
2025,34(5):1-13, DOI: 10.15888/j.cnki.csa.009879
摘要：
2025,34(4):18-33, DOI: 10.15888/j.cnki.csa.009865
摘要：
2025,34(4):1-17, DOI: 10.15888/j.cnki.csa.009839
摘要：
2025,34(1):1-10, DOI: 10.15888/j.cnki.csa.009782
摘要：
2025,34(1):26-36, DOI: 10.15888/j.cnki.csa.009733
摘要：
2025,34(1):11-25, DOI: 10.15888/j.cnki.csa.009709
摘要：
2024,33(12):1-15, DOI: 10.15888/j.cnki.csa.009708
摘要：
2024,33(11):38-47, DOI: 10.15888/j.cnki.csa.009702
摘要：
2024,33(10):26-36, DOI: 10.15888/j.cnki.csa.009646
摘要：
2024,33(6):16-27, DOI: 10.15888/j.cnki.csa.009559
摘要：
2024,33(6):1-15, DOI: 10.15888/j.cnki.csa.009531
摘要：
2024,33(4):50-59, DOI: 10.15888/j.cnki.csa.009486
摘要：
2024,33(4):26-38, DOI: 10.15888/j.cnki.csa.009466
摘要：
2024,33(3):1-11, DOI: 10.15888/j.cnki.csa.009433
摘要：
2024,33(3):12-23, DOI: 10.15888/j.cnki.csa.009421
摘要：
2024,33(1):37-48, DOI: 10.15888/j.cnki.csa.009377
摘要：
2024,33(1):22-36, DOI: 10.15888/j.cnki.csa.009369
摘要：
2023,32(12):32-42, DOI: 10.15888/j.cnki.csa.009356
摘要：
2023,32(11):36-47, DOI: 10.15888/j.cnki.csa.009269
摘要：
2023,32(9):1-18, DOI: 10.15888/j.cnki.csa.009226
摘要：
2023,32(8):1-18, DOI: 10.15888/j.cnki.csa.009208
摘要：
2023,32(4):1-15, DOI: 10.15888/j.cnki.csa.009038
摘要：
2023,32(4):16-41, DOI: 10.15888/j.cnki.csa.009037
摘要：
2023,32(3):25-47, DOI: 10.15888/j.cnki.csa.008980
摘要：
2023,32(3):1-14, DOI: 10.15888/j.cnki.csa.008976
摘要：
2023,32(2):1-12, DOI: 10.15888/j.cnki.csa.008743
摘要：
2023,32(1):12-28, DOI: 10.15888/j.cnki.csa.008914
摘要：
2023,32(1):29-40, DOI: 10.15888/j.cnki.csa.008909
摘要：
2023,32(1):1-11, DOI: 10.15888/j.cnki.csa.008848
摘要：
2023,32(1):41-49, DOI: 10.15888/j.cnki.csa.008805
摘要：
2022,31(12):20-28, DOI: 10.15888/j.cnki.csa.008838
摘要：
2022,31(12):1-9, DOI: 10.15888/j.cnki.csa.008825
摘要：
2022,31(11):49-59, DOI: 10.15888/j.cnki.csa.008847
摘要：
2022,31(11):31-48, DOI: 10.15888/j.cnki.csa.008811
摘要：
2022,31(10):44-50, DOI: 10.15888/j.cnki.csa.008776
摘要：
2022,31(10):25-35, DOI: 10.15888/j.cnki.csa.008734
摘要：
2022,31(10):36-43, DOI: 10.15888/j.cnki.csa.008711
摘要：
2022,31(9):57-69, DOI: 10.15888/j.cnki.csa.008661
摘要：
2022,31(8):1-16, DOI: 10.15888/j.cnki.csa.008713
摘要：
2022,31(7):12-22, DOI: 10.15888/j.cnki.csa.008641
摘要：
2022,31(7):35-45, DOI: 10.15888/j.cnki.csa.008595
摘要：
2022,31(7):46-54, DOI: 10.15888/j.cnki.csa.008590
摘要：
2022,31(7):23-34, DOI: 10.15888/j.cnki.csa.008566
摘要：
2022,31(7):1-11, DOI: 10.15888/j.cnki.csa.008545
摘要：
2022,31(5):40-51, DOI: 10.15888/j.cnki.csa.008476
摘要：
2022,31(5):1-20, DOI: 10.15888/j.cnki.csa.008463
摘要：
2022,31(5):21-29, DOI: 10.15888/j.cnki.csa.008426
摘要：
2022,31(4):14-32, DOI: 10.15888/j.cnki.csa.008419
摘要：
2022,31(4):1-13, DOI: 10.15888/j.cnki.csa.008418
摘要：
2022,31(4):47-58, DOI: 10.15888/j.cnki.csa.008403
摘要：
2022,31(3):1-8, DOI: 10.15888/j.cnki.csa.008415
摘要：
2022,31(3):48-55, DOI: 10.15888/j.cnki.csa.008377
摘要：
2022,31(2):13-21, DOI: 10.15888/j.cnki.csa.008319
摘要：
2022,31(2):1-12, DOI: 10.15888/j.cnki.csa.008303
摘要：
2022,31(1):1-10, DOI: 10.15888/j.cnki.csa.008323
摘要：
2021,30(12):28-36, DOI: 10.15888/j.cnki.csa.008289
摘要：
2021,30(12):10-17, DOI: 10.15888/j.cnki.csa.008252
摘要：
2021,30(12):1-9, DOI: 10.15888/j.cnki.csa.008245
摘要：
2021,30(10):21-30, DOI: 10.15888/j.cnki.csa.008137
摘要：
2021,30(9):12-23, DOI: 10.15888/j.cnki.csa.008086
摘要：
2021,30(9):24-40, DOI: 10.15888/j.cnki.csa.008079
摘要：
2021,30(9):41-52, DOI: 10.15888/j.cnki.csa.008078
摘要：
2021,30(8):14-21, DOI: 10.15888/j.cnki.csa.008003
摘要：
2021,30(7):13-21, DOI: 10.15888/j.cnki.csa.007992
摘要：
2021,30(7):1-12, DOI: 10.15888/j.cnki.csa.007973
摘要：
2021,30(6):18-27, DOI: 10.15888/j.cnki.csa.007956
摘要：
2021,30(5):21-30, DOI: 10.15888/j.cnki.csa.007916
摘要：
2021,30(3):1-13, DOI: 10.15888/j.cnki.csa.007839
摘要：
2021,30(1):10-18, DOI: 10.15888/j.cnki.csa.007776
摘要：
2020,29(12):13-25, DOI: 10.15888/j.cnki.csa.007701
摘要：
2020,29(11):29-39, DOI: 10.15888/j.cnki.csa.007705
摘要：
2020,29(9):16-25, DOI: 10.15888/j.cnki.csa.007632
摘要：
2020,29(9):26-31, DOI: 10.15888/j.cnki.csa.007617
摘要：
2020,29(9):1-15, DOI: 10.15888/j.cnki.csa.007489
摘要：
2020,29(8):1-8, DOI: 10.15888/j.cnki.csa.007478
摘要：
2020,29(6):56-63, DOI: 10.15888/j.cnki.csa.007460
摘要：
2020,29(6):1-12, DOI: 10.15888/j.cnki.csa.007431
摘要：
2020,29(6):13-21, DOI: 10.15888/j.cnki.csa.007430
摘要：
2020,29(3):29-38, DOI: 10.15888/j.cnki.csa.007315
摘要：
2020,29(3):1-10, DOI: 10.15888/j.cnki.csa.007301
摘要：
2020,29(3):11-19, DOI: 10.15888/j.cnki.csa.007261
摘要：
2020,29(2):1-8, DOI: 10.15888/j.cnki.csa.007275
摘要：
2020,29(2):9-27, DOI: 10.15888/j.cnki.csa.007262
摘要：
2020,29(1):14-21, DOI: 10.15888/j.cnki.csa.007243
摘要：
2020,29(1):22-28, DOI: 10.15888/j.cnki.csa.007237
摘要：
2019,28(12):1-8, DOI: 10.15888/j.cnki.csa.007195
摘要：
2019,28(11):1-9, DOI: 10.15888/j.cnki.csa.007156
摘要：
2019,28(9):1-8, DOI: 10.15888/j.cnki.csa.007037
摘要：
2019,28(7):1-8, DOI: 10.15888/j.cnki.csa.006988
摘要：
2019,28(6):1-12, DOI: 10.15888/j.cnki.csa.006915
摘要：
2019,28(4):205-211, DOI: 10.15888/j.cnki.csa.006739
摘要：
2019,28(3):1-9, DOI: 10.15888/j.cnki.csa.006812
摘要：
2019,28(3):10-17, DOI: 10.15888/j.cnki.csa.006806
摘要：
2019,28(1):1-9, DOI: 10.15888/j.cnki.csa.006720
摘要：
2019,28(1):10-16, DOI: 10.15888/j.cnki.csa.006707
摘要：
2018,27(10):39-45, DOI: 10.15888/j.cnki.csa.006591
摘要：
2018,27(10):33-38, DOI: 10.15888/j.cnki.csa.006560
摘要：
2018,27(9):47-51, DOI: 10.15888/j.cnki.csa.006542
摘要：
2018,27(8):10-18, DOI: 10.15888/j.cnki.csa.006456
摘要：
2018,27(7):1-10, DOI: 10.15888/j.cnki.csa.006451
摘要：
2018,27(5):1-9, DOI: 10.15888/j.cnki.csa.006336
摘要：
2018,27(4):1-9, DOI: 10.15888/j.cnki.csa.006273
摘要：
2018,27(1):1-9, DOI: 10.15888/j.cnki.csa.006169
摘要：
2017,26(12):32-36, DOI: 10.15888/j.cnki.csa.006129
摘要：
2017,26(12):25-31, DOI: 10.15888/j.cnki.csa.006096
摘要：
2017,26(6):36-39, DOI: 10.15888/j.cnki.csa.005807
摘要：
2017,26(4):1-8, DOI: 10.15888/j.cnki.csa.005773
摘要：
2017,26(2):30-36, DOI: 10.15888/j.cnki.csa.005626
摘要：
2016,25(9):17-26, DOI: 10.15888/j.cnki.csa.005354
摘要：
2016,25(9):10-16, DOI: 10.15888/j.cnki.csa.005330
摘要：
2016,25(8):1-7, DOI: 10.15888/j.cnki.csa.005283
摘要：
2016,25(6):9-16, DOI: 10.15888/j.cnki.csa.005173
摘要：
2016,25(6):1-8, DOI: 10.15888/j.cnki.csa.005206
摘要：
摘要：
摘要：
摘要：
摘要：
摘要：
摘要：
摘要：
摘要：
摘要：
您是第位访问者
版权所有：中国科学院软件研究所 京ICP备05046678号-3
地址：北京市海淀区中关村南四街4号,邮政编码：100190
电话：010-62661041 传真： Email：csa@iscas.ac.cn
技术支持：北京勤云科技发展有限公司
版权所有：中国科学院软件研究所 京ICP备05046678号-3
地址：北京市海淀区中关村南四街4号,邮政编码：100190
电话：010-62661041 传真： Email：csa@iscas.ac.cn
技术支持：北京勤云科技发展有限公司
