针对联盟链系统普遍采用的全副本存储模式导致存储可扩展性及安全性降低的问题，提出一种基于动态弹性区块散布的存储分片方案.在全网划分若干存储组，同一组内节点以协作方式维护固定数量区块链副本，从而在大幅降低存储开销的同时保证存储可靠性及数据访问性能.具体地，初始散布机制为每个新区块随机分配固定数量初始副本；根据实时区块访问热度变化，动态复制机制弹性增加热区块副本数量，存储优化机制则将冷区块由副本态切换为编码态.根据模拟实验结果，与使用全副本存储模式相比，具有2节点容错能力的存储分片系统可将节点存储开销降低约71%，同时区块访问性能保持在较为良好的水平.

图像分类作为计算机视觉领域中的重要研究方向之一，应用领域非常广泛.基于深度学习的图像分类技术取得的成功，依赖大量的已标注数据，然而数据的标注成本往往是昂贵的.主动学习作为一种机器学习方法，旨在以尽可能少的高质量标注数据达到期望的模型性能，缓解监督学习任务中存在的标注成本高、标注信息难以大量获取的问题.主动学习图像分类算法根据样本选择策略，从未标记样本数据集合中选择出信息量丰富，对分类模型训练贡献更高的样本进行标注，以更新已标注训练数据池，如此循环直至满足给定的停止条件或模型标注预算耗尽.本文对近年来提出的主动学习图像分类算法进行了详细综述，并根据所用样本数据处理及模型优化方案，将现有算法分为三类：基于数据增强的算法，包括利用图像增广来扩充训练数据，或者根据图像特征插值后的差异性来选择高质量的训练数据；基于数据分布信息的算法，根据数据分布的特点来优化样本选择策略；优化模型预测的算法，包括优化获取和利用深度模型预测信息的方法、基于生成对抗网络和强化学习来优化预测模型的结构，以及基于Transformer结构提升模型预测性能，以确保模型预测结果的可靠性.此外，本文还对各类主动学习图像分类算法下的重要学术工作进行了实验对比，并对各算法在不同规模数据集上的性能和适应性进行了分析.另外，本文探讨了主动学习图像分类技术所面临的挑战，并指出了未来研究的方向.

地球表面有约71%的面积被江河湖海等水体覆盖，陆地上的成像也会受到云雪雨雾等水体影响，但是，当前常见的机器视觉科研工作和应用系统基本只围绕空气和真空介质中的视觉任务展开，涉及不同形态水体的视觉工作没有得到系统的研究.涉水视觉（water-related vision）作为涉水光学技术在视觉领域的具象化体现，重点研究光与水的物质相互作用及跨介质传播过程中，涉水视觉影像信号智能处理与分析方面的科学问题，以及先进智能涉水视觉装备研制方面的工程技术问题.本文从“为什么大海是蓝色的？”这一具有普适意义的问题出发，系统介绍了水对光的吸收、散射、衰减作用机理，对涉水视觉任务造成的影响，以及现有的涉水图像处理与解析方法.本文基于水体光学特性及成像退化机理，介绍了团队在探索涉水成像和图像解析等涉水视觉关键技术及装备方面的成果，先后研制了全海深超高清相机“海瞳”、全海深3D相机、全海深高清摄像机等，形成了从色彩、强度、偏振、光谱等全方位、体系化的水下观测解析装备研制能力，填补了我国全海深光学视觉技术的空白，推动了我国涉水视觉领域技术的升级，应用价值和社会效益显著.

联邦学习能够促进多方参与者之间的数据共享和协同计算，其已经成为一种流行的分布式机器学习范式.联邦学习目前的研究主要集中在性能提升和隐私保护方面.近年来，随着可信人工智能研究的深入，可信联邦学习的研究也受到越来越多的关注.其中，保证联邦学习的公平性是面临的关键问题之一.提升联邦学习的公平性能够保证客户端参与的积极性和联邦学习训练的可持续性.然而，由于联邦学习中通常存在着数据异构性和设备异构性，传统的联邦学习方法会导致客户端之间具有很大的差异，无法保证所有参与者之间的公平，这会极大地影响用户参与联邦学习的动力.基于此，对近年来联邦学习公平性的研究方法进行全面归纳梳理与深度探讨分析.首先对当前联邦学习公平性研究的主要方向进行划分，并对每个方向的公平性定义与评价标准进行了解释及对比.随后详细探讨了联邦学习公平性不同方向面临的挑战和主要解决方案.最后对联邦学习公平性研究中常用的数据集、实验场景设置和公平评价指标进行了归纳梳理，并对未来研究方向与发展趋势进行探讨和展望.

小目标检测是计算机视觉中极具挑战性的任务.它被广泛应用于遥感、交通、国防军事和日常生活等领域.相比其他视觉任务，小目标检测的研究进展相对缓慢.制约因素除了学习小目标特征的内在困难，还有小目标检测基准，即小目标检测数据集的稀缺以及建立小目标检测评估指标的挑战.为了更深入地理解小目标检测，本文首次对基于深度学习的小目标检测基准进行了全新彻底的调查.系统介绍了现存的35个小目标数据集，并从相对尺度和绝对尺度（目标边界框的宽度或高度、目标边界框宽高的乘积、目标边界框面积的平方根）对小目标的定义进行全面总结.重点从基于交并比及其变体、基于平均精度及其变体以及其他评估指标这3方面详细探讨了小目标检测评估指标.此外，从锚框机制、尺度感知与融合、上下文信息、超分辨率技术以及其他改进思路这5个角度对代表性小目标检测算法进行了全面阐述.与此同时，在6个数据集上对典型评估指标（评估指标+目标定义、评估指标+单目标类别）下的代表性小目标检测算法进行性能的深入分析与比较，并从小目标检测新基准、小目标定义的统一、小目标检测新框架、多模态小目标检测算法、旋转小目标检测以及高精度且实时的小目标检测这6个方面指出未来可能的发展趋势.希望该综述可以启发相关研究人员，进一步促进小目标检测的发展.

可视图是将时间序列转换成复杂网络的重要方法之一，也是连接非线性信号分析和复杂网络之间的全新视角，在经济金融、生物医学、工业工程等领域均应用广泛.可视图的拓扑结构继承了原始时间序列的重要性质，稳定且易于实现，通过可视图网络的相关统计特性，可区分特定时间序列数据下的特定行为.首先本文介绍了可视图方法在时间序列复杂网络分析中的相关研究，并通过必要性与可行性分析，充分说明可视图方法的优势所在.然后本文阐述了经典可视图和水平可视图方法的具体步骤及主要性质，从算法的过程改进、效率提升和可视图应用几个方面对现阶段可视图相关研究进行综述，介绍了众多可视图方法的基本过程，分析了可视图算法的识别抗噪能力和建网效率，并归纳整理了这些可视图方法的主要特性与适用范围.另外，本文复现了目前几种主流可视图算法，并公开相关的算法代码以供参考使用.通过对可视图相关研究的综述分析，可了解现阶段可视图的主要研究方向，为未来相关研究提供思路，并为时间序列复杂网络分析奠定基础.

冯诺依曼计算机体系结构面临着“存储墙”的瓶颈，阻碍AI（Artificial Intelligence）计算性能提升.存算一体硬件结构打破了“存储墙”的限制，大大提升了AI计算的性能.目前存算一体计算方案已在多种存储介质上得到实现，根据计算信号类型，可以将存算一体计算方案分成数字存算一体方案和模拟存算一体方案.存算一体硬件结构使得AI计算的性能取得巨大提升，然而进一步发展仍面临重大挑战.本文对不同信号域的存算一体方案的进行了对比分析，指出了每一种方案的主要优缺点，也指明了存算一体技术面临的挑战.我们认为，随着工艺集成、器件、电路、架构，软件工具链的跨层次协同研究发展，存算一体技术将在边缘端和云端，为AI计算提供更加强大和高效的算力.

随着大数据时代的到来和人类对人脑系统研究的日渐深入，类脑计算领域的研究取得突破性进展，有希望在根源上打破传统计算机的性能瓶颈.神经突触是对人体脑部进行记忆能力训练和处理数据的重要基础单元，因此开发新材料、新结构，研究基于新型人造材料与光电子器件的神经突触可塑性，对神经形态器件研究和类脑硬件设计的实现都有着重要意义.本文首先指出目前“冯·诺依曼架构”的主要性能瓶颈，引出类脑计算的概念，提出神经形态器件的主要性能优势，并梳理神经形态器件发展历史；然后在忆阻器领域，阐述与分析忆阻类型、忆阻结构与忆阻机理，比较出几种忆阻器的特性，举例说明忆阻器在不同领域的应用；接着以神经形态器件为基础，选取磁性隧道结、新型浮栅管和铁电晶体管，介绍其结构、工作原理与应用；最后总结目前神经形态器件发展的成果和方向，并对行业发展前景进行预测.

相机和激光雷达多模态融合的3D目标检测可以综合利用两种传感器的优点，提高目标检测的准确度和鲁棒性.然而，由于环境复杂性以及多模态数据间固有的差异性，3D目标检测仍面临着诸多挑战.本文提出了双融合框架的多模态3D目标检测算法.设计体素级和网格级的双融合框架，有效缓解融合时不同模态数据之间的语义差异；提出ABFF（Adaptive Bird-eye-view Features Fusion）模块，增强算法对小目标特征感知能力；通过体素级全局融合信息指导网格级局部融合，提出基于Transformer的多模态网格特征编码器，充分提取3D检测场景中更丰富的上下文信息，并提升算法运行效率.在KITTI标准数据集上的实验结果表明，提出的3D目标检测算法平均检测精度达78.79%，具有更好的3D目标检测性能.

多跳问题是一类通过知识推理才能给出答案的复杂问题，往往需要相关的多项关联知识融合生成最终答案.现有基于知识图谱的多跳智能问答方法推理过程比较复杂，没有考虑关系路径蕴含的结构信息和语义信息.为此，本文提出了基于知识图谱关系路径的多跳智能问答模型，将多跳智能问答问题转换为在低维向量空间中查找知识图谱中最优关系路径的问题.该模型利用表示学习将知识图谱和用户问题同时嵌入到低维的向量空间，实现知识空间和问题空间的统一表示；然后结合主题实体向量表示和问题向量表示对候选实体进行语义评分，产生候选答案集合；以问题实体为起始节点，以候选答案实体为结束节点，从知识图谱中抽取与问题相关的关系路径集合；将关系路径进一步嵌入到低维的向量空间，生成关系路径的向量表示，在向量空间中查找与问题语义匹配度最高的关系路径，最终根据关系路径生成多跳问题的答案.在公开的数据集上对所提出的模型进行了实验，结果表明该方法与现有方法相比不仅具有良好的性能，而且具有良好的稳定性，不会随着问题跳数的增加而降低性能.

人工智能隐私保护的应用场景多种多样.在不同的场景中，完成隐私保护计算的实体可信程度和数量不尽相同.这些实体的可信程度和数量对隐私保护计算方法能否实际应用具有重要影响.本文从实体的可信程度和数量出发，将基于密码技术的人工智能隐私保护计算方法归类为4种计算模型，分别是多中心模型、双中心模型、单中心模型和现实模型.除现实模型外，其它计算模型都存在可信实体.对每一种计算模型，本文给出当前基于密码学工具给出的人工智能隐私保护方法涉及的典型计算和采取的典型算法，并指出提升算法的效率和安全性是对每种计算模型都适用的研究方向.

本文综述了基于人工微结构的太赫兹超表面透镜的最新研究进展，通过仿真分析了人工微结构单元与太赫兹波的相互作用，阐述了共振相位、几何相位和传输相位3种主要的相位调控机理及相应的相位调制效果.根据透镜相位的空间分布规律，通过合理的人工微结构布局实现对入射太赫兹波波前的调控，从而实现太赫兹超表面透镜的聚焦和成像功能.太赫兹超表面透镜具有设计灵活、厚度超薄、功能多样等诸多优势，在太赫兹波无损检测、高速通信和公共安全等领域具有广阔的应用前景.本文根据太赫兹波聚焦效率这一重要技术指标，介绍了基于单层结构、多层结构、全介质结构以及可调谐太赫兹超表面透镜的研究成果，并对太赫兹超表面透镜的未来发展前景进行了展望.

智能超表面（Reconfigurable Intelligent Surface，RIS）作为第六代（Sixth Generation，6G）移动通信中的潜在关键技术之一，具有低成本、低能耗和易于部署等特点.通过给电磁单元上的可调元件施加控制信号，可以实现对入射信号的幅度、相位、极化等调控，从而构造智能化的通信环境，为终端高能效无线通信提供了契机.本文首先基于无人机通信技术发展现状，阐明了将RIS技术引入无人机通信系统的必要性；然后，分析了RIS使能无人机高能效通信信道的传输机理，归纳了信道建模关键技术；最后针对RIS使能无人机高能效通信信道建模，总结和展望了未来的技术挑战与研究方向.

在自动驾驶感知系统中视觉传感器与激光雷达是关键的信息来源，但在目前的3D目标检测任务中大部分纯点云的网络检测能力都优于图像和激光点云融合的网络，现有的研究将其原因总结为图像与雷达信息的视角错位以及异构特征难以匹配，单阶段融合算法难以充分融合二者的特征.为此，本文提出一种新的多层多模态融合的3D目标检测方法：首先，前融合阶段通过在2D检测框形成的锥视区内对点云进行局部顺序的色彩信息（Red Green Blue， RGB）涂抹编码；然后将编码后点云输入融合了自注意力机制上下文感知的通道扩充PointPillars检测网络；后融合阶段将2D候选框与3D候选框在非极大抑制之前编码为两组稀疏张量，利用相机激光雷达对象候选融合网络得出最终的3D目标检测结果.在KITTI数据集上进行的实验表明，本融合检测方法相较于纯点云网络的基线上有了显著的性能提升，平均mAP提高了6.24%.

随着移动终端尤其是工业互联网技术的快速发展，终端设备密集分布，无线带宽有限，经常导致业务过程中的集中式云资源调度，难以满足远程终端应用对低时延和低成本计算的需求.着眼于本地服务器联动云数据中心，边缘计算为这类移动应用提供了一种敏捷的计算服务模式.虽然边缘计算的敏捷服务模式能够有效缩短移动应用的时延并降低对应的通信成本，但在边缘计算环境下，异构资源之间的任务卸载经常会导致一些潜在的数据安全隐患和服务质量受损.针对上述应用挑战和技术发展趋势，本文提出了一种基于联盟链的可靠边缘计算任务卸载方法.该方法利用联盟链进行身份校验和卸载结果反馈，以任务的完成时间、卸载成本与资源可靠度作为评价标准，设计了一种基于遗传算法的卸载策略，支持卸载决策时任务卸载的可靠性评估.实验结果表明，本文方法能在满足时延约束的前提下提高任务卸载的可靠性，为移动智能应用提供了一种有效的数据安全保障方法.

知识追踪旨在评估学习者的学习状态，并根据先前的答题情况预测他们未来的答题表现.然而现有的知识追踪模型大多仅关注问题或技能间的关联，忽略了学生与问题间的结构关系.为此我们提出了基于学生‑问题关联的异构图知识追踪模型（Student‑Problem association based heterogeneous graph Knowledge Tracing model，SPKT）.该模型在知识追踪中融合了学生的学习能力和问题的重要性，并使用图注意力网络学习学生问题间的关联，获得学生、问题的嵌入表示并进行知识状态的预测.通过在真实公开数据集上的性能对比和模型消融实验，并可视化SPKT模型的知识追踪效果，证明了SPKT在预测性能上优于现有的知识追踪模型.

太赫兹波段处于微波、毫米波与光波段之间，其相关技术对下一代高速通信、高分辨成像、智能感通一体等多个信息领域的发展具有重要的意义.发展太赫兹应用技术需要对太赫兹波束进行操控和信息加载.动态超表面作为一种新型的实现结构和器件，是实现该功能的重要途径之一.本文将以太赫兹动态超表面的调控功能作为分类依据，从相辅相成的材料、结构、机理及其最终表现的应用演示对幅度调控、相位调控、极化调控、波束调控、高阶非线性调控太赫兹动态超表面5个方面进行了概述，介绍了不同类型动态超表面的相似性与独特性，并对部分工作进行了指标对比.最后，展望了太赫兹动态超表面的发展趋势.本文希望更多学者可以了解太赫兹动态超表面，并促进此领域的发展.

低空复杂风场通常指距离地面高度600 m以下，局地风速、风向快速变化的风场.其全天候大范围精细探测是雷达科学、气象学等领域的长期难题.低空复杂风场的全天候雷达精细探测涉及传感器设计、三维风场反演和全天候融合等关键技术.本文从激光雷达探测、微波雷达探测、全天候融合及特征危害提取等方面对风场探测的技术内涵及研究现状进行了梳理，并分析了发展趋势，为低空复杂风场全天候精细探测技术发展与应用提供参考.

近年来，以ChatGPT为代表的能够适应复杂场景、并能满足人类的各种应用需求为目标的文本生成算法模型成为学术界与产业界共同关注的焦点.然而，ChatGPT等大规模语言模型（Large Language Model，LLM）高度忠实于用户意图的优势隐含了部分的事实性错误，而且也需要依靠提示内容来控制细致的生成质量和领域适应性，因此，研究以内在质量约束为核心的文本生成方法仍具有重要意义.本文在近年来关键的内容生成模型和技术对比研究的基础上，定义了基于内在质量约束的文本生成的基本形式，以及基于“信、达、雅”的6种质量特征；针对这6种质量特征，分析并总结了生成器模型的设计和相关算法；同时，围绕不同的内在质量特征总结了多种自动评价和人工评价指标与方法.最后，本文对文本内在质量约束技术的未来研究方向进行了展望.

现有的视觉语言多模态预训练方法仅在图像和文本的全局语义上进行特征对齐，对模态间细粒度特征交互的探索不足.针对这一问题，本文提出了一种基于跨模态引导和对齐的多模态预训练方法.该方法在模态特征提取阶段，采用基于视觉序列压缩的双流特征提取网络，在视觉编码器中联合图像和文本信息逐层引导视觉序列压缩，缓解与文本无关的冗余视觉信息对模态间细粒度交互的干扰；在模态特征对齐阶段，对图像和文本特征进行细粒度关系推理，实现视觉标记与文本标记的局部特征对齐，增强对模态间细粒度对齐关系的理解.实验结果表明，本文方法能够更好地对齐视觉文本的细粒度特征，在图文检索任务中，微调后的图像检索和文本检索的平均召回率分别达到了86.4%和94.88%，且零样本图文检索的整体指标相较于经典图文检索算法CLIP（Contrastive Language-Image Pre-training）提升了5.36%，在视觉问答等分类任务中，准确率也优于目前主流多模态预训练方法.

我国电力基础设施已经发展成为具有高度信息化、自动化、智能化特征的信息物理融合系统.信息-物理交互在显著提升电力供给效率和性能的同时，也引入了新型网络安全威胁，通过发生于信息域并明确作用于物理域的跨域攻击，可造成电力基础设施系统性瘫痪，继而引发大面积停电事故，而当前孤立的信息侧或物理侧防御体系难以有效应对跨域攻击威胁.本文介绍了电力系统面临的信息物理跨域攻击威胁现状，分析了传统防御方法面对跨域攻击时存在的不足，提出了一种信息物理协同的跨域攻击防御架构，在针对跨域攻击传播的不同阶段，从感知、辨识、阻断三个角度设计了防御方法，通过算例验证了所提信息物理协同防御架构能够有效保障电力系统安全稳定运行.

针对工业故障诊断中设备故障数据采集困难，目标故障样本少的问题，现有的零样本故障诊断方法仍依赖于故障数据集，本文提出了一种基于迁移学习的零样本故障诊断方法.通过经典的主成分分析算法，构建了一个适用于源域和目标域的判别属性提取器，用于提取源域数据样本潜在的细粒度特征表示，将其作为知识迁移的桥梁.利用源域故障数据获得所有已知故障类的共享细粒度基组，并将其作为知识迁移到目标域故障表示中.从共享细粒度基组学习源域和目标域的判别矩阵，构建各自的判别性特征，最终利用判别性属性实现零样本的故障诊断.基于田纳西-伊斯曼过程（Tennessee Eastrman Process，TEP）数据集，实验对本文方法和其他零样本故障诊断方法进行对比，实验结果验证了本文方法对零样本故障检测的有效性.

卷积运算是现代卷积神经网络中必不可少的组成部分，同时也是最耗时的.为了解决卷积算子的性能问题，包括快速傅里叶变换（Fast Fourier Transform，FFT）和Winograd在内的快速卷积算法被提出.Winograd卷积可被用于提高小卷积核的推理性能，是目前卷积神经网络中的主流实现方法.然而，Winograd卷积在许多高度优化的深度神经网络库和深度学习编译器中的实现比较低效.由于Winograd卷积的四个阶段的复杂数据依赖关系，面向GPU对其进行优化非常具有挑战性.本文针对现代GPU体系结构优化了Winograd卷积算子的性能.本文提出了Winograd计算阶段的等价变化及其利用Tensor Core进行计算的无同步实现，并进一步提出了利用不同GPU内存层级的部分计算核融合方法PKF（Partial Kernel Fusion）.基于张量虚拟机（Tensor Virtual Machine，TVM）和代码重构器PKF-Reconstructor（Partial Kernel Fusion Reconstructor），实现了高性能的Winograd卷积.对真实应用中卷积神经网络的卷积算子的评估表明，与cuDNN相比，本文所提算法实现了7.58~13.69倍的性能提升.

联邦学习作为一种新兴的分布式机器学习架构，允许车联网中多个车辆终端进行本地模型训练，并在兼顾数据隐私保护的条件下实现模型的全局聚合，从而提供可靠的车联网服务.然而，在联邦学习训练过程中，车辆终端往往因其高移动性在不同区域间切换训练，导致全局模型精度低.此外，恶意终端频繁上传无效或错误模型数据将导致车联网服务可靠性差.因此，本文提出了一种基于双层联邦学习的高动态车联网业务边缘协作计算机制.首先，综合考虑车辆终端的移动性、计算能力和可靠性，构建了终端服务能力模型，并提出了基于深度强化学习的边缘协作计算域构建算法，通过将多个边缘节点覆盖下的车辆终端进行聚簇训练，降低了终端本地模型的切换概率，从而保证联邦学习模型训练的持续性.进而，构建了包含边缘协作计算域内聚合层和域间聚合层的双层联邦学习框架，分别采用基于自适应聚合因子的本地模型半异步聚合机制和基于数据量的区域模型异步聚合机制，提升了联邦学习系统的聚合效率.特别地，考虑终端高速移动引起的跨域问题，引入了本地模型部分条件更新机制，避免了高质量模型被低质量模型覆盖的情况，进一步提高了全局模型准确率和系统资源利用率.仿真结果表明，本文所提机制在模型精度和服务可靠性等方面均优于本地计算、同步联邦学习和异步联邦学习算法.

RGB-Depth（RGB-D）显著性目标检测是一项有意义且具有挑战性的任务，基于现有卷积神经网络检测方法在简单场景中获得了良好的检测性能，但不能有效应对背景信息混乱，深度图质量低和目标轮廓复杂的情况.为应对上述问题，本文提出了一种跨模态融合和边界可变形卷积引导的RGB-D显著性目标检测方法.首先，本文以Swin-Transformer为特征提取器，分别对RGB模态与深度图模态进行特征提取，并通过跨模态注意力增强特征模块对两种模态特征进行融合以挖掘显著物的共性与互补特征.接着将提出的相邻多尺度特征增强模块嵌入编码器深层，以获得丰富的全局上下文特征信息，更精准地定位显著物的位置.然后通过构建一个边界特征提取解码器（U-Net架构）生成显著物的边界线索图，并重复采用跨模态融合特征确保生成显著物边界的完整性.最后，本文设计了一个边界可变形卷积引导模块，使用边界线索图与可变形卷积引导跨模态融合特征进行解码以得到更加准确的显著图.通过在6个公开基准数据集上与25种主流方法相比较，本文所提模型在多个指标上均有较明显的提升，从而证明了本文方法的有效性.

数据中心网络广泛采用基于优先级的流量控制（Priority-based Flow Control， PFC）机制来避免因缓存溢出而丢包.然而，PFC机制在保证无损传输的同时带来了队头阻塞和拥塞扩散等负面影响.近年来，一些具备端到端拥塞感知能力的传输控制协议被提出来，有效缓解了网络拥塞，减少了PFC的触发.但是在突发流量造成的瞬时拥塞场景下，这些研究工作仍会使得PFC频繁触发而导致严重的队头阻塞和拥塞扩散.针对该问题，在端到端拥塞控制基础上，提出了一种实现于交换机上的直接拥塞通告解决方案（Direct COngestion Notification， DCON），该方案在突发拥塞场景下能及时识别出与非拥塞流（与造成拥塞无关的流）共享入端口的拥塞流（真正造成拥塞的流），并从交换机直接通告发送端对该拥塞流精确地降速.实验结果表明，相比于现有的端到端拥塞控制传输协议，DCON有效避免了PFC的队头阻塞和拥塞扩散，平均流完成时间的最大降幅达到55%.

针对传统单斜式模数转换器（Analogue-to-Digital Conversion，ADC）和串行两步式ADC在面向大面阵CMOS图像传感器读出过程中的速度瓶颈问题，本文提出了一种用于高速CMOS图像传感器的全并行两步式ADC设计方法，该ADC设计方法基于时间共享和时间压缩思想，将细量化时间提前到粗量化时间段内，解决了传统方法的时间冗余问题；同时针对两步式结构在采样过程中的电荷注入和时钟馈通问题，提出了一种基于误差同步存储技术的误差校正方法，消除了采样电路非理想因素对ADC性能的影响.本文基于55 nm 1P4M CMOS工艺对所提方法完成了详细电路设计和全面测试验证，在模拟电压为3.3 V，数字电压为1.2 V，时钟频率为250 MHz，输入信号为1.472 V的设计条件下，本文设计实现的13 bit ADC转换时间为512 ns，DNL（Differential NonLinearity）为 + \mathrm{0.8} / - \mathrm{0.8} \mathrm{L} \mathrm{S} \mathrm{B}，INL（Integral NonLinearity）为 + \mathrm{2.1} / - \mathrm{3.5} \mathrm{L} \mathrm{S} \mathrm{B}.信噪失真比（Signal to Noise and Distortion Ratio，SNDR）达到70 dB，有效位数为11.33 bit，列级功耗为47 μW.相比现有的先进ADC，本文提出的方法在保证低功耗、高精度的同时，使ADC转换速率提高了74.4%以上，为高速高精度CMOS图像传感器的读出与量化提供了一定的理论支撑.

物联网的快速发展催生了大量新型的应用模式和互联生态，推动了产业数字化和智能化发展.物联网通过连接传感器、可穿戴设备、智能表计等低数据率、低功耗终端，赋予大量普通设备计算和联网的能力.随着应用场景和系统规模的扩展，传统无线技术难以适应物联网大规模、低功耗、远距离的设备组网要求.如何降低设备接入门槛、实现设备低功耗远距离连接，是当前物联网面临的重要挑战.LoRa（Long Range）作为一种代表性的低功耗广域网技术，有效解决了低功耗设备远距离连接问题，已成为物联网的核心支撑技术.然而LoRa在规模化应用中仍面临以下三方面重要挑战：（1）大规模连接场景高并发传输导致信号冲突，设备并发接入困难；（2）远距离无线链路信号衰减剧烈，弱信号可靠传输困难；（3）物联网共享信道异构协议干扰问题突出，广域异构共存困难.本文概述了现阶段低功耗广域物联网技术研究进展，重点阐述现有技术在实际应用场景中面临的三方面研究挑战及对应的技术方案.针对高并发冲突问题，现有研究提出冲突避免和并发解码方法；针对弱信号问题，现有研究在弱信号增强传输和接收端解码优化两个方面展开探索；针对异构协议竞争问题，现有研究设计了多种设计跨协议通信机制.本文综述了LoRa低功耗广域网最新相关研究，分析现有工作的创新点和局限性，并指出了低功耗广域网未来研究和发展的方向.

本文提出了一种具有超低特征导通电阻的沟槽栅横向双扩散场效应晶体管（Trench Gate Lateral Double-diffused MOSFET，TG-LDMOS）.本结构源极和漏极都在表面，与BCD（Bipolar CMOS DMOS）工艺相兼容.通过引入介质沟槽、垂直栅极、栅极下方的源极多晶硅以及栅极右侧的厚氧化层，将传统集成型功率器件的一维耐压拓宽为二维耐压，包括横向耐压与纵向耐压两个方向.其中，纵向耐压不占用横向元胞尺寸，进而在相同耐压水平上，使TG-LDMOS具有分立功率器件耐压效率高、导通电阻低的特点.本结构通过仿真优化做到了击穿电压（V _B）为52 V，特征导通电阻（R _on，sp）为10 mΩ·mm².结果表明，TG-LDMOS突破了硅器件的极限关系，与硅极限相比特征导通电阻降低了48%.

近年来，面向动态场景的多曝光图像融合技术取得重大进展.其中，基于深度学习的方法在视觉效果和运算效率上都远超传统算法，成为高动态范围成像技术的主流.然而，现有基于深度学习的融合方法都以有监督学习的方式实现，过度依赖真值图像，难以被广泛应用于实际场景中.本文提出了一个基于深度自监督学习的动态多曝光图像融合网络，主要贡献包括：设计自监督的动态多曝光融合网络框架，探索高动态范围图像与低动态范围图像序列的内在关联；提出基于注意力机制的全局去伪影模块，使用全局文本模块减少动态融合产生的运动伪影，增强图像细节；提出融合重建模块，通过残差和稠密连接实现多层次特征之间的信息流动；设计运动掩膜引导的自监督损失函数，用于网络的高效训练.实验表明，与现有方法相比，本文提出的方法在高动态范围图像重建的主观和客观质量上均表现较好，运算效率显著提升.

对地理信息的准确掌握是城市中各种智能决策得以实现的基础.传统地理信息收集主要靠人工测绘、人工巡检或固定传感器感知，设备、人力成本高昂.近年来，随着移动互联网的发展，泛在的移动群体在城市中产生了海量的时空数据，他们有意或无意间成为城市的传感器，使研究人员有机会利用众包的思路基于此类数据推测城市地理信息.基于众包时空数据推测城市地理信息具有成本低、空间覆盖广、更新及时等优点.但其具有严重的数据质量问题，对城市地理信息推测带来了巨大挑战.本文综述了根据轨迹、基于位置的社交网络、街景等众包时空数据，推测城市中以路段、兴趣点、兴趣面为代表的地理实体的位置和属性的方法.本文给出了众包时空数据和地理实体的定义，详细比较了众包时空数据驱动的推测方法与传统方法的优劣，说明了研究问题和挑战，然后讨论了地图匹配、名称提取、位置发现和统计属性推测四个研究问题的研究进展，最后展望了该领域未来的研究方向.

网络攻击调查是实现主动防御、溯源反制的重要手段.面向高隐蔽、强对抗的现代网络攻击，研究高效率、自动化攻击调查方法，提升己方快速响应复杂网络攻击能力，是智能网络攻防关键技术之一.现有研究通过将系统审计日志建模成可表达攻击事件因果依赖关系的溯源图，利用溯源图强大的关联分析和语义表达能力，对复杂隐蔽网络攻击进行调查，相较传统方法效果提升显著.在全面收集分析基于溯源图的攻击调查研究工作的基础上，根据溯源图利用方式及特征挖掘维度的差异，将基于溯源图的攻击调查方法划分为基于因果分析、基于深度表示学习和基于异常检测三类，总结凝练每类方法具体工作流程和通用框架.梳理溯源图优化方法，剖析相关技术从理论向产业落地的能力演变历程.归纳攻击调查常用数据集，对比分析基于溯源图的攻击调查代表性技术和性能指标，最后展望了该领域未来发展方向.

概念漂移是影响流数据挖掘性能的重要因素，当前主要通过增量更新或重训练模型进行处理，但对已有知识并未充分利用.从综合利用全体样本出发，本文构建了一种基于动态样本选择的概念漂移自适应分类方法.该方法在新样本到来时进行基于局部一致性的漂移检测，在发现漂移发生时去除区域内的噪声样本，当检测到新概念出现时，对历史相似概念进行重用.最后，对区域内不同类别样本进行多代表点归纳，并同步更新预测模型.本文在含有不同漂移类型的合成数据集上进行去噪效果验证，并在真实数据集上进行预测任务.实验结果表明，该方法可以有效去除因概念漂移而形成的漂移噪声，有效提升了预测模型性能，整体预测表现优于流行的概念漂移自适应模型.

针对当前路网交通流量预测方法中存在的挖掘复杂的动态时空特性和长距离的空间依赖性能力不足等问题，基于多头自注意力网络构建一种新型的交通流预测模型.考虑到交通流在不同周期尺度下呈现出的高度相似性，以及静态时空特征，引入日和周这2种周期尺度下的数据张量作为模型输入，来表达交通流数据的时间相似性，并通过输入数据的时空位置编码获取其静态时空特征.考虑到交通流的动态时空特性和长距离的空间依赖性，主体模型基于多头自注意力机制分别设计时间多头注意力模块和空间多头注意力模块.时间多头注意力模块利用一个图掩码矩阵获得局部注意力，并将其融合到一个多头自注意力中，以提取交通流的动态时间特征.空间多头注意力模块利用两个图掩码矩阵获得局部注意力和全局注意力，并将其融合到一个多头自注意力中，以提取路网节点的动态空间特征和长距离的空间依赖性.最后，设计一个门控融合模块自适应地融合交通流数据的时空相关性特征.在三个真实交通流基准数据集PEMS04，PEMS07和PEMS08上进行模型的有效性验证，结果表明，所建模型在3个数据集上的3个预测精度指标与其他精度最高模型相比，平均提高了4.437%，2.930%，4.275%.

随着网络空间重要性日益增强，其涵盖范畴也在不断延展.除了传统互联网支持全球网络空间互联互通之外，还存在不同形式的有限域网络，例如空间卫星网络、工业互联网、数据中心网络等. 这些有限域网络具有多样化的终端类型、接入方式、拓扑结构和业务场景，而传统互联网体系结构所采用的协议、传输格式和转发方式无法满足这些异构网络高效的互联互通发展需求.因此，实现互联网、空间卫星网络、工业互联网、高性能数据中心网络等异构网络的一体化融合是势在必行的发展趋势.本文针对一体化融合网络所面临的规模可扩展性和实时性两大挑战，采用演进创新的研究思路，设计了一种分域自治、可扩展的一体化融合网络体系结构，实现了域间协同和域内自治的大规模可扩展的架构，并通过富语义的层间接口支撑差异化业务跨域传输的服务质量需求.

在微波频段，应用在可重构超表面单元上的开关往往具有良好的通断性能，可以在单元层面实现低损耗、180°相位差的1-比特相位量化特性.随着频率提升到毫米波甚至太赫兹频段，开关性能会因为寄生效应而下降，引起可重构超表面单元的设计困难.在本工作中，将可重构超表面单元的等效为一个微波二端口网络模型，通过分析网络的阻抗参数和散射参数，指出了单元反射系数与开关反射系数的传递关系.所提的关系式，经过不同频段的不同开关与单元结构的仿真验证.本工作可以根据任意开关参数，给出1-bit的单元的性能上限，所提的设计流程可以指导太赫兹可重构超表面单元的设计与优化.