最新刊期
2026年第54卷第4期
-
- 摘要：网络通信的加密化已成为不可逆转的趋势，在提升用户隐私安全基线的同时，也为恶意活动与审查规避提供了可乘之机。加密隧道技术因其独特的双重用途特性，成为网络攻防博弈的焦点。本文将虚拟专用网络（Virtual Private Network， VPN）和加密代理技术作为加密隧道的代表性技术，系统阐释其核心通信机理、典型协议形态与主流规避策略，并构建了涵盖被动流量监听与主动探针探测能力的现实威胁模型，明确了审查方在连接级识别、行为级分类及端到端关联等维度的能力边界。在此基础上，本文从数据集构建、特征提取方法、分析算法和研究动态四个维度，分别对VPN和加密代理的流量分析研究现状进行了深入梳理与对比。首先，本文分析了数据集构建现状，将其分为公开数据集与自采数据集，指出公开数据集存在时效性滞后与协议覆盖不足的问题，而自采数据集虽具有针对性，但其面临采集环境单一与复现困难的挑战。其次，本文从包级别、流级别、主机级别以及深度学习维度展开介绍了特征提取方法，系统归纳了从微观序列指纹到宏观行为图谱的多层次特征工程技术。然后，本文梳理了分析算法的演进路径，展示了从依赖专家知识的规则匹配，到基于统计规律的机器学习，再到具备强大端到端表征能力的深度学习算法的发展脉络，并总结了流量检测、业务分类、指纹识别及生态审计等主要研究动态。最后，本文提炼了当前研究在面对协议伪装等高级规避技术时所面临的核心挑战，包括规避协议快速迭代引发的概念漂移、多路复用与快速UDP互联网连接（Quick UDP Internet Connections，QUIC）协议连接迁移导致的流定义失效、实验室环境与现网威胁模型的差异、深度学习模型的可解释性缺失以及大规模背景流量下的基本比率谬误，并据此展望了协议无关检测、在线部署模型设计、自动化基准数据集构建及生成式隐写技术探索等未来研究方向。关键词：加密隧道;VPN;加密代理;审查规避;流量分析10|10|0更新时间：2026-07-30
- 摘要：随着网络安全技术的快速演进，主流应用、社交平台及内容服务已广泛采用加密协议来保护用户隐私。这一趋势使得加密流量逐步成为现代网络通信的主导形态，但也导致传统依赖明文载荷的深度包分析（Deep Packet Inspection，DPI）技术全面失效。在此背景下，加密流量分析作为保障网络基础设施安全、优化网络资源调度与维持服务质量的关键技术，已成为当前网络空间安全领域的研究重点。面对复杂多变的加密流量，传统机器学习方法高度依赖专家先验知识进行繁琐的手工特征设计，难以适应当前加密流量动态伪装的特点；而基于深度学习的分析方法虽在特征提取方面表现优异，但其高计算成本与大规模标注数据需求限制了在资源受限场景下的部署。近年来，大语言模型（Large Language Model，LLM）凭借其卓越的自监督预训练范式和强大的长序列上下文建模能力，为突破上述瓶颈提供了全新的技术路径。LLM将非结构化的流量字节或统计特征视为一种特殊的网络语言，实现了从专有小模型向通用基础模型底座的范式跃迁。本文聚焦流量分类、恶意流量检测、流量预测和流量生成四大核心下游任务，对基于大语言模型的加密流量分析方法进行了系统性总结和深入分析。首先，本文梳理了从流量采集、数据处理、特征提取、模型构建与微调到推理评估的通用技术流程。其次，针对四大下游任务，本文深入剖析了不同研究的技术演进脉络与架构创新：在流量分类方面，探讨了从基于BERT的判别式微调到基于生成式大模型零样本推理的演进，展现了模型在跨协议与少样本场景下的强大泛化适配能力；在恶意流量检测方面，详细论述了LLM作为特征编码器、分类器甚至可解释性决策器的多重角色，突出了其在应对多阶段隐蔽攻击与未知威胁时展现出的深层语义捕获优势；在流量预测方面，对比了传统时序模型与大模型自回归生成在捕获网络高维时空动态依赖上的差异；在流量生成方面，总结了模型如何跨越单纯的统计分布拟合，迈向受控、高保真且严格遵循协议状态机的流量生成。最后，本文总结了当前领域面临的数据分布偏移、部署资源受限等关键挑战，并从构建多模态数据生态、端云协同轻量化部署等维度展望了未来研究方向。关键词：加密流量分析;大语言模型;流量分类;恶意流量检测;流量生成;流量预测21|15|0更新时间：2026-07-30
- 摘要：众所周知，网络流量呈海量化与密态化发展趋势。受限于计算与存储资源，流量分析系统难以对高速海量密流进行在线建模并全量存储，通常采用“先存后筛”的序贯策略，即先完整留存目标密流后，再筛选代表性样本开展分析。此策略依赖人工定义特定留存目标（如特定IP地址范围），难以应对流量的动态演化特性，导致留存数据的边际价值不断递减。即使人为提升留存目标多样性，由于缺乏系统化价值评价体系，不同留存数据仍难以实现价值沉淀，无法反向优化数据留存策略。为此，本文提出一种密流分析鲜度方法（FreshHunter）。该方法从时间、空间与语义三个维度系统化建模密流鲜度，时间维度采用牛顿水冷定律刻画密流的自然老化特征，空间和语义维度提取跨类型、跨行为的通用个体结构特征。进一步地，FreshHunter构建了鲜度感知的对比学习框架，通过引入可学习类中心，增强密流特征嵌入与类中心间的一致性，确保密流样本群体多样性，并实现“边筛边存”的高鲜度密流样本在线留存机制。在留存过程中，FreshHunter将高鲜度密流的特征嵌入不断聚合至可学习类中心，以构建代表性密流特征的统一表示；同时结合特征漂移检测与自适应校正机制，动态更新类中心，以捕捉密流特征的时序性演化。由此，FreshHunter同时捕捉高价值、代表性的密流样本及其演化，促成了从瞬时数据捕获到长期知识累积的升级，为下游密流分析提供前向知识沉淀、后向持续优化的数据支撑。本文在真实数据集上开展广泛评估，覆盖物联网（Internet of Things，IoT）终端、手机App和网站识别三类典型密流分析任务及九种主流分析算法。实验结果表明，FreshHunter可提升下游密流分析算法的F1分数约15%~60%，优于Random、动态时间规整（Dynamic Time Warping，DTW）、树模型沙普利加性解释（Tree SHAPley additive explanations，TreeSHAP）三种基线密流筛选方法。在特征漂移场景下，FreshHunter仍保持较强适应性，提升F1分数约20%。本研究为资源受限条件下密流分析的数据利用率和模型性能增强提供了新的技术路径。关键词：加密流量;流量指纹识别;流量价值;概念漂移;机器学习8|14|0更新时间：2026-07-30
- 摘要：随着网络通信技术的快速演进，攻击者广泛利用流量加密技术来隐匿恶意行为，导致基于端口匹配与深度包检测（Deep Packet Inspection，DPI）的传统流量分析技术的性能显著下降，网络安全防御边界日益模糊。尽管近年来基于深度学习与预训练技术的流量分类方法在提取网络流量深层特征方面取得了显著进展，但现有研究多采用密集型Transformer架构，模型推理时需激活全部参数，导致计算成本与模型规模紧密耦合，引发高昂的推理延迟与显存开销。在面对现代网络环境高吞吐量与实时检测的需求时，这种计算效率瓶颈极易形成防御漏洞，严重制约了大规模深度学习模型在实际网络防御场景中的部署与应用。为有效解决模型容量扩展与推理效率之间的矛盾，本文提出了一种专为异构流量分类设计的稀疏基础模型Traffic-MoE。该模型不仅沿用了“预训练-微调”范式以应对安全领域标注数据稀缺的挑战，更创新性地引入稀疏混合专家（Mixture-of-Experts，MoE）架构，实现对通用协议特征与特定领域行为的解耦建模。具体而言，本文首先设计了Traffic2Token异构流量表征方法，针对原始流量跨协议、跨设备的复杂特性，通过融合数据包关键特征与有效载荷，利用二元语法（bigram）分词技术构建细粒度Token序列，在保留字节级时序依赖关系的同时，有效抑制了底层噪声干扰。在此基础上，本文在Transformer架构中嵌入稀疏MoE模块以取代传统的密集前馈网络（Feed-Forward Network，FFN），利用可学习的门控网络实施动态路由策略，对于每个输入流量Token仅激活前k个最相关的特化专家，并保留共享专家以捕获通用的协议语法，从而在大幅扩展模型总容量的同时显著降低推理开销。依托自主构建的包含200万条会话流的无标签预训练语料库，模型通过自回归的“下一Token预测”任务习得网络协议的状态转换逻辑，随后仅需轻量级的监督微调便能快速适配下游任务。为了全面评估模型性能，本文在四个权威公开数据集上构建了六个典型的下游分类任务，涵盖物联网攻击检测、加密服务识别、匿名流量分析等多类场景。实验结果表明，相较于ET-BERT、NetGPT等现有先进基线方法，Traffic-MoE展现出更卓越的泛化能力与鲁棒性，整体检测性能平均提高了8.44%。更关键的是，得益于稀疏激活机制带来的计算优势，在同等参数规模下，Traffic-MoE相较于传统密集型架构实现了37.45%的吞吐量提升、27.25%的推理延迟缩减以及27.04%的GPU峰值显存消耗降低，为高效网络流量分析建立了一种新的范式。关键词：流量分类;基础模型;自监督预训练;混合专家;网络安全;流量表征10|4|0更新时间：2026-07-30
- 摘要：随着超文本传输安全协议（HyperText Transfer Protocol Secure，HTTPS）、传输层安全协议（Transport Layer Security，TLS）等安全通信协议的广泛部署，网络流量内容在获得有效保护的同时，也使依赖明文分析的恶意流量检测技术难以直接应用，给密态流量检测带来了新挑战。基于可搜索加密等密码技术的现有检测方案，通过半解密等操作能助力实现密态流量检测。然而，这类方案的中间盒可能借助检测过程推断检测规则，关联用户通信行为，挖掘用户隐私信息，容易引发严峻的隐私泄漏风险。此外，随着检测规则规模与流量分段Token数量不断增长，现有方案中大量使用的双线性配对、多轮交互或者复杂预处理等高开销操作导致计算与通信负担显著加重，难以满足实时检测与大规模部署需求。针对上述问题，本文提出一种基于预约束加密的可追溯加密恶意流量检测方案——CipherSight，旨在面向端到端通信场景，构建兼顾隐私保护与高效检测的主动检测机制。该方案首先结合集合预约束加密、轻量级布谷鸟哈希与对称加密技术，对检测规则与传输流量进行保护，在不泄露流量明文与规则语义的前提下实现恶意Token匹配。其次，基于签名机制对双向通信会话密钥进行承诺与绑定，使接收方能够快速验证并筛选其所需密文流量，从而避免对非目标流量进行冗余解密，提升解密阶段效率与可靠性。进一步地，基于Diffie-Hellman问题，在流量Token密文中隐式嵌入发送方身份信息，仅当流量匹配恶意规则时，中间盒才能恢复有效身份标识并实现精确溯源，而对合规流量仍无法获得任何有用信息。CipherSight在保证通信用户匿名性及恶意规则隐私性的前提下，实现了密态恶意流量的精确检测和恶意传播者的溯源。理论分析表明，所提方案基于不可区分性选择明文攻击（INDistinguishable Chosen Plaintext Attack，IND-CPA）安全的对称加密满足流量机密性，基于会话密钥签名的不可伪造性选择消息攻击（Existential UnForgeability under Chosen Message Attack，EUF-CMA）的安全性满足流量不可链接性，检测规则机密性则继承集合预约束加密的Element-hiding与Set-hiding安全性质。实验结果表明，CipherSight在密钥生成、规则生成、流量检测和流量解密等阶段均展现出较优性能：相较于BlindIDS，检测和解密效率分别提升40倍和15倍以上；相较于近期相关方案Pine与PrivBox，检测和解密效率均提升约5倍；在大规模规则与Token场景下，方案检测时间对规则规模变化不敏感，表现出更好的扩展性与实用性。综上，CipherSight为加密网络环境下实现高效、隐私保护的密态恶意流量主动检测和溯源提供了一种可行的新方案。关键词：加密流量;恶意流量检测;预约束加密;中间盒;可追溯17|6|0更新时间：2026-07-30
- 摘要：面向动态性强、协议多样且算力受限的边缘/物联网（Internet of Things，IoT）环境，本文提出一种轻量级深度学习入侵检测框架，以端到端方式统一“特征-模型-蒸馏”三层设计，在保证检测性能的同时降低计算与部署开销。针对边缘侧网络流量异构性强、攻击类别分布不均衡以及少数类样本难以充分学习等问题，框架在数据层引入自适应特征工程与动态类别均衡机制，提取流量方向不对称度、协议一致性、会话交互模式等领域相关特征，以增强对复杂攻击行为的表征能力，并缓解长尾分布对模型训练的影响。在表示学习层，构建双教师协同架构：时间分支采用增强型双向长短期记忆（Bidirectional Long Short-Term Memory，BiLSTM）网络结合多头注意力机制，用于捕获流量序列中的周期性变化、突发依赖及上下文关联；空间分支采用多尺度残差一维卷积与轻量门控模块，用于学习跨字段的局部模式与共现结构，从而提升对复杂协议语义和攻击模式的识别能力。在决策层，采用以拼接集成为主的自适应集成策略，对两路教师输出进行互补融合，并通过温度缩放软标签与真实标签联合构成蒸馏损失，将教师模型知识迁移至超轻量学生模型，在压缩模型规模的同时尽可能保持判别能力。基于场景适配的CICIDS-2017数据集实验结果表明：教师集成模型准确率达到96.5%，宏平均F1（macro-F1）达到95.0%；学生模型在参数量减少超过70%的条件下，仍取得93.91%的准确率和90.34%的macro-F1，并在Patator、PortScan、Heartbleed等类别上实现超过98%的准确率，在类分布不均衡的测试条件下仍保持稳定识别。不同集成策略对比结果显示，拼接集成的macro-F1为90.34%，优于注意力集成的90.19%、温度加权软投票的89.79%和无集成方案的88.67%，验证了该融合方式的有效性。模型端侧单次推理时延约为68 ms，满足边缘环境实时检测需求。研究结果表明：所提方法能够较好地兼顾检测精度、模型轻量化与推理效率，为边缘/IoT入侵检测提供了一种兼顾准确性与实用性的技术路径。关键词：物联网;入侵检测;深度学习;知识蒸馏;轻量化模型11|13|0更新时间：2026-07-30
- 摘要：随着匿名通信需求的持续增长，Tor网络因其多条加密路由与去中心化架构，被广泛应用于隐私保护、反审查通信以及敏感信息传输等场景。然而，目前Tor网络中继节点数量增长缓慢、节点负载分布不均以及节点准入机制缺乏严格审查，使得部分高频参与路径构建的关键中继节点逐渐成为攻击者的重点操控目标。一旦这些节点被恶意控制，将显著削弱网络匿名性、破坏路径构建安全性，并对整体网络稳定性产生严重影响。因此，如何精准识别Tor网络中的关键中继节点，已成为提升匿名通信系统安全性与可靠性的核心问题。现有关键节点识别方法多基于静态拓扑结构指标或单一节点行为特征，难以有效刻画节点间复杂的隐式关系与多维语义联系，导致模型在面对真实动态网络环境时泛化能力与鲁棒性不足。针对上述问题，本文提出一种基于异构图建模与关系感知机制的无监督关键节点识别方法。首先，从节点稳定性、链路出现频次、功能标签及资源能力等多维属性出发，构建融合节点特征与隐式关系的多源异构图模型，实现对Tor网络结构的精细化表征；其次，引入关系感知异构注意力网络，对家族关系、自治系统归属关系、地理接近性关系以及路径共现关系等多类型边进行差异化建模，并通过异构注意力机制自适应融合不同关系语义信息，显著提升节点表示的判别性与鲁棒性；最后，在无监督学习框架下设计节点评分机制，实现关键中继节点的重要性排序与自动识别。基于真实Tor共识数据与实际链路构建数据开展系统实验评估，结果表明：在Top-100节点设置下，所提方法实现了85.0%的节点覆盖率，且识别节点的带宽比全网平均节点带宽高约25.9%。进一步实验表明：当移除模型识别出的关键节点后，网络整体带宽与链路覆盖率均显著下降，验证了所识别节点在网络运行中的核心作用。研究结果表明：本文方法能够有效刻画Tor网络中继节点的隐式关联结构，为匿名通信网络关键节点识别提供了一种新的建模范式，对提升Tor基础设施安全性具有重要理论意义与实践价值。关键词：Tor网络;关键节点;深度学习;异构图;节点评分6|10|0更新时间：2026-07-30
- 摘要：流量指纹攻击可以应用于第二代洋葱网络（The second onion router，Tor）的隐藏服务溯源。由于Tor网络协议设计的限制，隐藏服务侧流量难以获得，因此需要利用电路中其他位置的流量作为隐藏服务侧流量的替代来开展远程指纹攻击。然而，指纹模型面临Tor中继中数据缓存、加解密与重封装带来的报文序列的结构性变化，导致指纹模型在位点迁移时存在性能衰减。已有的方法在一定程度上可以从模型层面和数据层面缓解随机噪声，却难以精准拟合由协议机制导致的结构性差异。本文深入剖析了暗网流量的转发机理，提出了上下文感知的远程信元序列重建（Remote Cell Estimator，RemoCellEst）。该方法引入了跨报文的残留补偿机制，动态修正报文起始处的载荷偏移，从而重建成跨位点一致的信元序列，使模型具备更稳定的位置迁移能力。实验结果表明，在隐藏服务溯源场景下，基于RemoCellEst方法重建的信元序列构建的远程指纹模型可达94.85%的准确率，相较于基于桶分割方法或直接使用传输控制协议（Transmission Control Protocol，TCP）/传输层安全协议（Transport Layer Security protocol，TLS）层流量构建的模型提升了6%~16%的准确率。本文将远程指纹攻击的位点迁移问题归因到可解释、可建模的报文序列结构性差异，可为后续加密流量分析、流关联等相关研究提供新的视角。关键词：远程指纹攻击;信元序列重建;隐藏服务溯源;网站指纹攻击;流量指纹攻击7|5|0更新时间：2026-07-30
- 摘要：快速用户数据报协议网络连接（Quick UDP Internet Connections， QUIC）旨在提供快速、稳定且安全的网络服务，其加密特性为加密恶意网站提供了保护伞。为了监管QUIC流量中加密恶意网站，网站指纹攻击成为研究热点。QUIC协议的渐进式部署特点，使得对新启用QUIC协议的网站实施早期WF攻击至关重要。攻击者必须持续监控网站是否开始支持QUIC协议，并在其启用QUIC协议后及时爬取少量QUIC流量，快速训练新的攻击模型。这种攻击可被称为增量式小样本网站指纹攻击。然而，训练样本的匮乏使得现有深度学习方法难以构建有效的深度特征。同时，现有方法均面向TCP协议提取初始特征，但这些初始特征无法表达QUIC协议特性，导致无法充分表征QUIC流量。这些问题导致现有方法在进行增量式小样本网站指纹攻击时性能下降。为解决此问题，本文分析了QUIC协议的特有特征及其对WF攻击的重要性。引入QUIC特有特征后，能更全面地表征网站的QUIC流量。同时，提出基于图论的增量式小样本网站指纹攻击方法，从全局视角挖掘潜在特征关联性，进一步提升攻击模型的表征能力。为模拟监测列表中新启用QUIC网站的出现情况，以一个月为间隔爬取两组网站流量数据。通过综合实验评估了所提特征与方法在新收集的QUIC网站流量上的有效性。相较于现有的先进方法，本文提出的方法在准确率上提升了1.01%～6.84%。关键词：加密恶意网站监管;QUIC协议;网站指纹攻击;增量识别;特征工程;图表示4|7|0更新时间：2026-07-30
密态网络安全前沿技术
-
- 摘要：随着人工智能技术的快速发展，传统操作系统在安全性、智能性与场景适配性等方面面临新的挑战。本文系统梳理了安全可信的人工智能原生操作系统（AI-native Operating System，AIOS）的研究进展与关键技术。首先，设计AIOS的分层架构，包括内核组件库、资源管理服务、共性基础服务以及领域基础软件栈。面向资源、运维与安全的系统级智能化服务框架和围绕安全内核架构、软硬件协同的安全与适配框架，以及虚拟化支撑的纵深防御安全访问框架构成共性基础服务。通过标准化接口与内核/核心服务在调度、内存、I/O与安全域等方面向上提供领域基础软件栈接口（涵盖人工智能（Artificial Intelligence，AI）软件栈与安全软件栈），支撑行业场景落地。其次，提出人工智能原生操作系统的关键技术：端侧智能操作系统聚焦模型压缩、推理优化（如键值（Key-Value，KV）缓存与分页注意力）与端云协同的异构资源调度及硬件抽象与驱动适配；记忆管理系统围绕记忆存储、检索与管理，结合短期、长期记忆以支撑长上下文理解与动态更新；安全可信机制涵盖内存安全与形式化验证、自动化检测、可信启动与远程证明，以及基于可信执行环境（Trusted Execution Environment，TEE）、机密计算与虚拟化隔离的纵深防御。随后，结合应用场景，综述AIOS在具身智能、工业与移动等领域的部署路径、能力边界与工程权衡，分析端侧推理、实时控制、跨设备协同与多模态交互的实践挑战。进一步，围绕新型操作系统基础技术、智能服务框架与关键技术梳理及安全可信基石，总结架构模块化与软硬件协同、智能服务的资源调度与安全鲁棒性、记忆系统的效率与隐私保护、领域基础软件栈的标准化与生态建设，以及跨平台与跨设备的智能协同与资源共享等开放问题与趋势。本文贡献在于提供结构化视角、术语边界与技术地图，并对典型系统与工具进行对比归纳，为AIOS研究与工程落地提供参考。关键词：AIOS;人工智能原生;安全可信;内核架构;端侧智能;智能体应用10|18|0更新时间：2026-07-30
- 摘要：在面向人机物融合场景的泛在操作系统中，内核的稳定性与安全性是支撑多元化应用和异构资源融合的基础。Linux内核作为当前具有代表性的操作系统内核之一，因规模庞大、逻辑复杂而容易产生缺陷，且运行在最高特权级，漏洞一旦被利用，将对泛在计算环境中的系统安全和应用可靠性造成严重威胁。模糊测试作为当前主流的内核漏洞挖掘方法，通常将系统调用序列作为测试用例输入，这些用例可以通过随机生成或在现有序列基础上变异得到。然而，随机组合不仅容易引发状态空间爆炸，还可能导致测试效率和漏洞发现能力难以保障。尽管已有研究尝试提升测试用例的有效性，但在系统调用依赖分析方面仍存在信息不完整、粒度不精细、利用率偏低、开销过高等问题，从而限制了模糊测试的有效性。对此，本文设计了一种融合依赖推断与权重优化的内核模糊测试机制。该方法首先通过静态分析Linux内核的源码，从中识别每个系统调用所涉及的资源和它们的访问特征；随后依据这些信息推导不同系统调用之间可能存在的依赖联系，并以此构造系统调用依赖图。模糊测试过程在该依赖图的指导下进行，以生成更具价值的测试用例。另外，通过收集运行阶段的反馈数据，对依赖图中边的权重不断进行调整，使其逐步反映更精确的调用关系，从而持续推动模糊测试效果的提升。本文基于该方法实现了原型工具SDKernelFuzzing，在4个不同版本的Linux内核上进行实验。与Moonshine相比，本文所提的方法在保持较低额外开销的前提下，能够更加高效地生成数量更丰富、内容更完整的系统调用依赖信息，从而构建出更加全面的依赖图。此外，相较于Syzkaller以及目前的最新相关研究，本文提出的方法在代码覆盖率和漏洞挖掘能力上均展现出明显优势。在相同实验环境下，该方法的平均代码覆盖率比最佳基线方案提升了7.69%，而发现的平均缺陷数量则提升了15.77%。消融实验结果表明，系统调用依赖图中不同的构建策略对模糊测试性能均产生了显著的影响。关键词：模糊测试;内核;Linux;依赖关系;测试;漏洞6|5|0更新时间：2026-07-30
- 摘要：在泛在计算场景中，系统涵盖大、中、小等多种规模的模型与端侧、边侧、云侧等多种算力形态，基于服务质量需求，需对模型推理服务进行精细化调度。在此背景下，精准预测模型推理的输出长度，对实现高效资源管理至关重要。然而，由于生成结果存在高度可变性且受语义影响显著，输出长度预测始终面临挑战。本研究提出一种轻量级的预测模型训练框架（Output Length Prediction Model， OLPM），仅依据输入提示即可预测请求的输出长度区间。框架采用基于DistilBERT的架构以保障计算效率，并引入两项关键优化手段：一是基于正态分布的过滤策略，通过降低异常值偏差提升训练稳定性；二是语义提示增强方法，提高模型对控制长度语言线索的敏感度。评估结果表明，OLPM的预测精度达到当前最优水平，最高准确率可达99.6%。与现有模型相比，OLPM不仅显著提升了预测精度，还大幅缩短了模型收敛时间，实现了精度与效率的协同优化。实验结果进一步说明，该方法收敛迅速、性能稳定，能够实现精准且高效的输出长度预测。OLPM能够在保持高预测精度同时，具备较低的模型复杂度与计算开销，显著优于现有方法，可有效满足泛在计算场景下对资源调度精细化的需求，展现出卓越的实用性、可扩展性与泛化能力，为实现泛在计算环境下高效、智能的模型推理服务提供了先进的技术路径。关键词：泛在计算;模型推理;输出长度预测;过滤策略;语义提示增强11|5|0更新时间：2026-07-30
- 摘要：随着人机物三元融合时代的到来，泛在操作系统（Ubiquitous Operating System，UOS）对资源受限且负载多变的边缘节点内存管理提出了弹性与自适应的严苛要求。然而，现有的内存管理策略大多依赖预设的静态规则，难以感知运行时的动态负载特征，导致系统在面对突发性、多模态任务时，常出现严重的内存碎片化与实时响应性能下降，成为制约泛在计算能力落地的关键因素。针对上述挑战，本文提出一种基于深度强化学习的内存布局优化框架AIMO。该框架旨在通过“感知-决策-执行”的闭环机制，实现对内存资源的智能动态管理。首先，多维状态感知模块通过处理器性能监控单元（Performance Monitoring Unit，PMU）和内核插桩，实时捕捉硬件层指标（如缓存未命中率、介质损耗）、对象层行为（如访问频率、冷热度）以及系统层上下文（如内存碎片率、应用场景类型），并将其编码为高维状态向量。其次，强化学习智能决策模块将内存布局问题建模为马尔可夫决策过程（Markov Decision Process，MDP），利用近端策略优化（Proximal Policy Optimization，PPO）算法在线生成最优决策。为了兼顾嵌入式环境的资源约束，该模块采用了“离线预训练与轻量化在线微调”的策略，在保证决策确定性的同时大幅降低了计算开销。最后，策略执行模块通过在内核态设置轻量级钩子函数，实现了分配拦截、对象重定位、策略驱动的对象放置及主动碎片整理等机制，完成了对内存布局的闭环自适应控制。本文在OpenHarmony内核中实现了AIMO框架，并基于Raspberry Pi Zero 2W平台进行了实证评估。实验结果表明，与实时性能标杆TLSF相比，AIMO在维持同等水平最坏情况分配时间的同时，将大块内存分配失败率从3.4%显著降低至0.9%，最大可用连续空闲块从318 KB提升至476 KB，并使上层业务的预加载延迟减少了15.8%。此外，该框架表现出极高的轻量化特性，其决策模块的平均CPU占用率仅为1.9%，元数据存储开销相对于512 MB系统总内存占比不足0.001%。本研究证实了强化学习在操作系统内核内存管理中的有效性，为构建高效、自适应的泛在操作系统内核提供了新思路。关键词：人机物融合;泛在操作系统;深度强化学习;内存布局;性能优化5|7|0更新时间：2026-07-30
- 摘要：在泛在计算环境下，操作系统需要在跨计算场景的异构硬件与动态应用之间提供统一支持，以保障系统的连续性与安全性。形式化验证作为确保操作系统内核正确性的关键手段，已经在高可信系统构建中发挥重要作用。其中，交互式定理证明方法为系统提供了严格且可靠的正确性保证。以seL4微内核为代表的验证实践表明，形式化方法虽然能够提供强正确性保证，但需要付出极高的验证成本。seL4团队历时近20年构建了超过百万行的形式化证明，其验证成本远超系统代码开发成本。此外，该验证过程在不同计算场景之间缺乏良好的可迁移性。当开发者将系统移植到新的硬件平台时，验证人员往往需要重新进行大规模证明工作，这一过程严重制约了形式化方法在泛在计算环境中的应用。为解决这一问题，seL4团队提出了将证明划分为计算场景无关部分与计算场景相关部分的思路，从而实现部分证明结果的复用。然而，该划分过程依赖专家经验，研究人员难以高效完成该任务，并且该过程容易引入人为错误。针对上述问题，本文提出一种基于知识蒸馏的自动化方法ArchiDistill。该方法用于识别交互式定理中与计算场景相关的关键语义成分，从而支持验证任务的结构化拆分与跨场景迁移。ArchiDistill通过将大规模预训练模型的语义和模式知识迁移至轻量级模型，并结合多任务蒸馏、引入辅助任务及课程学习策略，实现模型对计算场景相关特性的准确判别与跨平台迁移能力。在实验方面，本文基于seL4内核构建了一个包含16 975个样本的多计算场景验证数据集，并对所提出的方法进行了系统评估。实验结果表明，ArchiDistill在计算场景相关定理识别任务上取得了优异性能。该方法的Accuracy达到0.736 2，Precision为0.707 6，Recall为0.720 0，F1-score为0.712 0，这些指标均优于传统模型TextRNN（其Accuracy为0.664 7）以及开源大语言模型Qwen3-32B（其Accuracy为0.709 6，F1-score为0.630 2）。该方法在保持轻量化的同时，实现了性能与效率的有效提升。此外，本文在CompCert项目上构建了新的数据集，并使用该数据集验证所提出方法的泛化能力。实验结果表明，ArchiDistill在跨任务场景中仍能保持良好的稳定性与适用性。关键词：泛在操作系统;交互式定理证明;计算场景相关性;知识蒸馏;多任务学习;课程学习;seL4内核6|7|0更新时间：2026-07-30
面向人机物融合场景的泛在操作系统与环境研究进展
- 摘要：多动态电压（Multiple Dynamic Supply Voltage，MDSV）设计模式通过在芯片中划分不同电压域，使各模块在满足性能与时序要求的前提下采用差异化供电，从而降低整体功耗并提升能效。然而，现有的Steiner最小树（Steiner Minimum Tree，SMT）问题相关工作尚未考虑到MDSV设计模式带来的新约束条件与新优化目标，难以满足MDSV设计模式下的可变长度约束，同时也未考虑引入电压转换器（Level Shifter，LS）带来的额外开销。为此，本文提出了一种考虑簇减少的可变长度限制X结构SMT算法（Variable Length-Restricted X-architecture Steiner Minimum Tree algorithm considering Cluster Reduction， VLRXSMT-CR）。首先，为有效求解MDSV设计模式下SMT这一离散化多目标优化问题，提出了离散化的正向学习算子和变异算子，并引入竞争选择机制与基于拥塞度的外部存档更新机制，实现了LS数量和线长的多目标优化。其次，为避免算法过早陷入局部最优并增强迭代后期的局部搜索能力，以进一步提升解的质量，提出了多样化麻雀比例调整策略。再次，为提高算法更新阶段学习对象的多样性，将分层学习机制引入离散麻雀搜索算法（Sparrow Search Algorithm，SSA）更新过程中。最后，为满足MDSV设计约束并进一步优化布线结构，引入了调整与混合精炼策略，对候选解中违反约束条件的布线边进行调整，同时对候选解中的非最优局部拓扑结构进行优化。与现有方法相比，本文提出的算法在线长指标上取得一定优化的同时，在MDSV设计模式下的关键性能指标（LS）使用数量方面取得了38.60%~51.91%的大幅优化。关键词：可变长度限制Steiner最小树（SMT）;电压簇;分层学习麻雀搜索;多动态电压（MDSV）设计模式;多目标优化5|4|0更新时间：2026-07-30
- 摘要：针对传统交流转直流（Alternating Current-Direct Current，AC-DC）电源转换方案中两级结构外围器件多、体积大、成本高等问题，本文提出了一种高集成度、多模式控制的单级AC-DC BUCK转换器，实现了交流高压到直流低压的直接转换。相对于传统两级方案或反激拓扑结构，本文方案有效减少了外围元器件的使用，大幅提高了系统集成度，有效减小了系统体积并降低了应用成本。为提升变换器在全负载区间内的转换效率，本文对BUCK转换器的静态损耗、导通损耗与动态损耗进行了系统性分析，明确了功率损耗与峰值电感电流、开关频率的关系，并建立了损耗模型。随后，依据建立的损耗模型，确定了可随负载自适应变化的峰值电流与开关频率控制曲线，并采用了脉冲宽度调制（Pulse Width Modulation，PWM）与脉冲频率调制（Pulse Frequency Modulation，PFM）融合的多模式控制策略。转换器在重载时工作于PWM/PFM混合模式，兼顾负载响应速度与输出纹波抑制；中载时切换到固定频率PWM模式，优化转换效率；轻载时工作于PFM模式，大幅降低开关损耗，实现了不同负载条件下的高效率控制。同时，为突破传统驱动电路对片外VDD电容的依赖，本文设计了无片外电容的高压自供电驱动电路。电路利用耗尽型结型场效应晶体管（Junction Field-Effect Transistor，JFET）实现芯片自供电，并借助其寄生电容为功率金属氧化物半导体场效应晶体管（Metal-Oxide-Semiconductor Field Effect Transistor，MOSFET）栅端提供驱动电流，内部仅需集成220 pF的VDD电容，进一步缩减了外围器件的数量，提升了系统集成度。基于BCD工艺（0.25 μm、700 V）完成了所提出的BUCK控制器的设计与流片，芯片集成了功率MOSFET、片内VDD电容，除去功率MOSFET后的控制器核心面积仅为0.88 mm²。为进一步减少外围器件，芯片与反馈二极管与续流二极管合封，外围器件除了桥式整流仅有储能电感和输出电容。同时，转换器主要工作于断续导通模式（Discontinuous Conduction Mode，DCM），满载时进入连续导通模式（Continuous Conduction Mode，CCM），有效减小了输出电感体积。为验证所提方案的可行性与性能，搭建了专用测试平台进行全面测试，测试结果表明，该转换器在极简的应用条件下，输入85 Vac、输出1.5 W时峰值转换效率达到78.4%。转换器输入电压覆盖85~265 Vac宽范围，输出电压稳定在5 V，负载调整率优于±1.5%，线性调整率优于2.4%，最大输出电流可达300 mA。关键词：BUCK;脉冲频率调制（PFM）;脉冲宽度调制（PWM）;无片外VDD电容;高集成度5|15|0更新时间：2026-07-30
- 摘要：在智能停车管理系统中，复杂环境下高精度车位感知是实现自动化引导与资源优化的核心技术。传统检测方法成本高、维护困难且车位状态信息单一，而基于视觉的方法虽能提供丰富信息，但在地下停车场面临光照昏暗、强光源干扰、背景复杂、车辆遮挡严重等挑战。为此，本文提出一种融合视觉与几何推理的轻量化地下停车场车位实时检测网络（Real-Time Underground Parking Space Occupancy DEtection TRansformer， RT-UPSO-DETR）。首先，设计了膨胀空间注意力轻量级残差F-DBlock（Fusion DBlock）模块，在扩大感受野捕获全局模糊特征的同时显著减少冗余计算。其次，构建了多机制融合的Transformer编码层CSAL（Cognitive Spatial Attention Layer）模块，替换RT-DETR-R18中原有的AIFI模块，显著提升了模型在低光照、模糊图像中的特征判别能力。进一步，针对车辆相互遮挡导致的后排车位漏检问题，设计了几何推理透视拓扑补全模块（Perspective Topology Completion Module， PTCM），利用前排已检测车位作为几何锚点估计透视灭点，基于径向投影推断被遮挡车位的近似位置，有效恢复缺失车位框。为验证算法有效性，本文构建了地下停车场车位检测数据集以及遮挡补全专项测试集，并在公开低光照数据集ExDark上开展泛化实验。实验结果表明，RT-UPSO-DETR在自建数据集上相较于基线RT-DETR-R18模型，在精度、召回率、mAP@0.5和mAP@0.5-0.95指标上分别提升1.5%、3.3%、0.7%和0.9%；同时参数量降低22.1%，GFLOPs降低18.8%，推理速度为52.4 FPS，满足实时检测需求。在ExDark数据集泛化实验中，本文模型较RT-DETR-R18在精确率、召回率、mAP@0.5和mAP@0.5-0.95上分别提升2.1%、1.3%、2.1%和1.0%，验证了模型在低光照条件下的鲁棒性。车位补全方面，PTCM模块在遮挡补全实验中在漏检召回率、补全准确率和平均中心点误差指标上分别达到了82.48%、74.83%和23.27 pixels，证明其能有效降低漏检率。本文提出的RT-UPSO-DETR网络通过轻量化设计与多机制注意力融合，有效解决了地下停车场低光照、复杂背景和遮挡场景下的车位检测难题，透视拓扑补全模块进一步增强了系统对遮挡的鲁棒性，为实际智能停车系统提供了可行的视觉解决方案。关键词：RT-DETR网络;视觉融合;几何推理;车位检测;CSAL模块;F-DBlock模块;遮挡补全10|7|0更新时间：2026-07-30
- 摘要：基于深度学习的病理图像分类是实现高效、可靠病理辅助诊断的关键技术基础，对病理图像智能分析、病变区域精准识别与组织类型自动判别具有重要研究意义。当前主流病理图像分类方法多依赖单一时间点的静态特征提取，难以有效表征病理状态从正常、发育异常到恶性转化的连续演进过程，无法充分建模组织层面复杂的层级结构与空间分布特征，导致对相似病理区域、细微病变结构的识别能力存在明显局限，模型判别精度与泛化性能难以进一步提升。针对上述问题，本文提出一种动态时序引导的病理图像分类扩散模型（Dynamic Temporal-guided Diffusion for Pathology， DT-DPath），构建统一的病理图像分类框架。该模型以扩散模型为基础，将前向加噪与反向去噪过程模拟为组织形态学的退化与重构过程，通过聚合扩散过程中不同噪声水平下的时序动态特征，构建能够刻画病理演化过程的判别性表征，精准捕捉细胞层面的细微结构差异，并有效建模组织内部的复杂层级与空间分布关系。在特征提取阶段，本文设计时序动态通道注意力机制（Temporal Dynamic Channel Attention，TDCA），将通道注意力扩展至时序维度，自适应聚焦于关键时序阶段的特征响应，增强模型对时序演化信息的表征能力。为优化训练效率，本文采用基于时序贡献的非均匀重要性采样策略，依据各时间步的分类显著性与信息密度动态构建采样分布，优先保留高判别力的中间去噪阶段，在保持分类性能的同时显著提升模型训练速度与稳定性。实验在结直肠癌、乳腺癌及淋巴结转移等多种病理图像公开数据集上开展，与CNN（Convolutional Neural Networks）、Transformer、扩散模型分类器以及病理基础模型等当前先进方法对比，结果表明DT-DPath在分类准确率、精确率、召回率及F1分数等指标上全面领先，性能提升了0.65~3.59个百分点。消融实验验证了时序动态通道注意力与非均匀重要性采样的有效性，可视化分析显示模型可精准聚焦病理判别关键区域，特征聚类效果显著优于传统方法。本文方法实现了从静态特征建模到动态时序演化表征的范式转变，为病理图像智能分类提供了新的技术路径，也为扩散模型在病理图像分析领域的应用提供了可解释的研究思路。关键词：扩散模型;时序特征引导;时序通道注意力;非均匀重要性采样;图像分类;病理图像4|8|0更新时间：2026-07-30
- 摘要：可见光相机在运动模糊、极端光照等挑战性场景下易出现成像质量退化，导致现有基于可见光模态的目标跟踪方法性能受限。事件相机凭借高时间分辨率、高动态范围和低延迟等优势，可有效弥补可见光传感器的不足，因此可见光-事件目标跟踪逐渐成为研究热点。然而，现有方法高度依赖事件相机的成像质量，当目标处于静止或低速运动状态时，事件信号因缺乏光强变化而难以提供有效的鉴别性信息，制约了跟踪器在复杂场景下的鲁棒性。针对上述问题，本文提出一种基于几何先验引导的可见光-事件目标跟踪方法。考虑到事件信号与角点/边缘信号均对目标边缘区域敏感，且可见光图像在事件信号缺失时可提供稳定的空间几何结构信息，本文利用角点与边缘作为几何先验引导信号，以增强事件模态的表达能力。为实现有效融合，本文设计了两种几何先验引导策略：（1）像素级引导策略，将提取的角点/边缘灰度图与事件图像在通道维度拼接，直接作为跟踪模型输入；（2）特征级引导策略，分别提取事件图像与角点/边缘图像的深度特征，通过信号质量评估模块自适应学习融合权重，实现特征的动态加权融合。两种策略均具备良好的兼容性，可便捷嵌入现有可见光-事件跟踪架构，并以较低计算开销提升模型在事件模态成像质量不佳时的鲁棒性。本文将所提方法集成至TENet（Targetness Entanglement Network）、ViPT（Visual Prompt multi-modal Tracking）与SDSTrack（Self-Distillation Symmetric Tracking）3种先进可见光-事件跟踪模型中，在VisEvent、COESOT和FE240hz三个公开数据集上开展实验验证。实验结果表明，几何先验引导策略显著提升了跟踪精度，尤其在目标静止、形变、部分遮挡等挑战性场景下改善明显。以TENet为例，在FE240hz数据集上的成功率SUC（SUCcess rate）和精确率PRE（PREcision rate）分别提升了1.6%和2.3%；在涵盖多种跟踪场景的COESOT数据集上的两种指标分别提升了0.8%和1.2%；在VisEvent数据集上也分别获得了0.4%和0.5%的增益。综上，本文提出的几何先验引导方法通过引入角点/边缘信息作为事件信号的有效补充，缓解了事件相机在低动态场景下的信息缺失问题，为可见光-事件目标跟踪提供了一种高效且鲁棒的解决方案。关键词：计算机视觉;多模态目标跟踪;事件相机;信息融合;特征增强6|10|0更新时间：2026-07-30
- 摘要：图神经网络（Graph Neural Networks，GNNs）凭借其强大的表征能力，在多种图学习任务中表现出色。然而，当训练集与测试集之间的数据分布发生偏移时，GNNs的预测性能会显著下降。现有研究普遍将分布偏移视为单一的整体扰动，缺乏对协变量偏移与概念偏移的区分建模，这种粗粒度的处理难以刻画两类偏移对模型性能的差异化影响，进而制约了传统的图神经网络泛化方法在分布偏移场景下的针对性与有效性。针对此问题，本工作从协变量偏移和概念偏移的特性出发，提出一种基于原型引导的测试时自适应方法ProGTA（Prototype-Guided Test-time Adaptation）。该方法突破了传统静态域适应的局限，主要由原型图对比学习模块和多层次对齐模块构成，能够在模型推理之前进行自适应更新。具体而言，原型图对比学习模块在编码器后引入可学习的类别原型层，利用源域先验指导目标域节点的软分配，以建模图数据的类别语义结构，进而构造出具备更高语义可靠性的同质性增强视图。同时，该模块结合原型对比损失和原型聚类损失联合优化节点表征与类别原型，将局部视图一致性提升为类别语义一致性，为后续类别原型对齐提供可靠的语义锚点。多层次对齐模块则在测试时训练阶段通过对齐源域与目标域嵌入表征的一阶和二阶统计量来缓解协变量偏移造成的特征分布变化，同时通过对齐源域与目标域的类别原型分布来缓解概念偏移造成的类别语义变化。为验证所提方法的有效性，本工作在涵盖人工偏移、时间演化及跨域偏移的多个图分布偏移基准数据集上进行了详尽的实验评估。实验结果表明，ProGTA在分布外泛化性能上显著优于Tent、EERM和GTrans等代表性方法。进一步地，本研究从域适应视角分析了对抗攻击和概念偏移在破坏模型决策边界方面的一致性，将对抗攻击问题转化为分布偏移的一种特例，证实了该方法可同时提升模型的分布外泛化性与对抗鲁棒性。关键词：图神经网络;分布偏移;测试时自适应;图对比学习;模型泛化性;对抗鲁棒性7|9|0更新时间：2026-07-30
- 摘要：高精度与高效率的轨迹预测模型是自动驾驶系统实现安全导航的关键。现有方法多采用图神经网络（Graph Neural Networks，GNNs）或注意力机制联合建模智能体与高精地图之间的时空依赖关系，虽然在预测精度上取得了显著进展，但其耦合式的时空建模方式导致计算复杂度过高，严重限制了模型在车载嵌入式系统等实际平台上的部署能力。此外，目前主流方法在解码阶段普遍采用单一的参数化解码范式处理场景中所有智能体，忽视了不同智能体在预测精度与多模态性方面的差异化需求，造成计算资源的低效分配。为此，本文提出一种基于时空维度分解与异构解码的轻量化轨迹预测模型（lightweight trajectory prediction Model based on spatio-temporal dimension decomposition and heterogeneous decoding，MAM-M），该模型由时空维度分解编码器与异构解码器两大核心模块构成。在编码阶段，针对传统Mamba模型在长序列建模中存在的单向信息衰减问题，设计了时序双流Mamba网络，通过正向与反向双流并行处理历史轨迹，使每个时间步同时包含完整的过去与未来信息，有效缓解了长程遗忘问题，并利用线性复杂度技术实现了时间维度上的高效编码。随后，采用自注意力机制在空间维度上捕捉智能体与高精地图之间的全局交互关系，从而实现“先时间后空间”的解耦编码策略，显著减少了时空维度上的冗余计算。在解码阶段，提出一种异构解码器以适配不同智能体的预测需求：对运动复杂、行为不确定性高的目标智能体，采用基于可学习查询的模式查询解码器，通过交叉注意力机制主动检索场景上下文信息，精确捕捉其未来轨迹的多模态分布；对数量较多且运动相对规则的非目标智能体，引入神经-贝塞尔解码器，通过神经网络预测贝塞尔曲线的控制点并结合数学表达式生成轨迹，在保证精度的同时显著降低推理延迟（latency），实现了高效的端到端训练与推理。在Argoverse与Argoverse 2数据集上的实验结果表明：相较于主流轻量化模型，本文模型以仅2.7 × 106的参数量和18.6 ms的latency，取得了更高的预测精度，在精度、参数量与推理速度三者之间实现了最佳平衡，展现出优异的实际部署潜力。关键词：轨迹预测;轻量化;自动驾驶;时空维度;异构解码8|9|0更新时间：2026-07-30
- 摘要：神经架构搜索作为自动化深度学习模型构建的核心技术，旨在搜索面向特定任务的最优网络结构，然而现有方法在以下方面存在不足：搜索空间中卷积与池化操作耦合，导致解空间冗余；高维编码采用整体优化方式，模块间协作不足，易陷入局部最优；评估策略依赖单一或少数指标，难以准确反映架构真实性能，易对搜索方向产生误导。上述问题相互交织，高潜力架构易被淘汰，搜索所得架构性能与最优值存在差距，限制了神经架构搜索（Neural Architecture Search， NAS）技术在资源受限及高可靠性场景中的应用。针对上述不足，本文提出一种递进式协同的神经架构搜索方法。该方法包含三个模块：在搜索空间层面，设计递进式表征降维可分离架构搜索空间，依据卷积与池化的功能特性将二者解耦，以缩小解空间规模并保留特征表征，为后续搜索与评估提供输入；在搜索策略层面，提出高维解耦式单元自适应搜索策略，将高维架构编码按卷积段、池化段、深度段进行分段解耦，对不同模块分别采用两点交叉、单点交叉及自适应变异等单元级定向遗传操作；在评估策略层面，构建多维低成本模型性能评估策略，从鲁棒性、各向同性、不确定性、规整性四个维度分别评估候选架构，并通过排名驱动的非线性几何融合机制将各维度分数整合为综合指标。上述三个模块依次衔接，形成递进式协同框架。实验结果表明，在NAS-Bench-201基准搜索空间上，所提方法在CIFAR-10、CIFAR-100及ImageNet16-120数据集上的肯德尔相关性系数分别为0.712 0、0.705 2与0.698 1，其中在CIFAR-10上较NASWOT方法提升20.13%。在工业焊缝缺陷检测与医疗APTOS-2019视网膜病变分级两项任务中，所得最优架构较现有无训练NAS方法平均精度分别提升约18.67%与6.12%，搜索耗时分别为227.97 s与559.34 s，推理延迟分别为0.41 ms与0.46 ms。该研究为构建高效、低成本且具备跨领域泛化能力的自动化模型设计技术提供了参考。关键词：神经架构搜索;自动化模型设计;进化算法;递进式搜索;低成本评估4|5|0更新时间：2026-07-30
- 摘要：现实世界中的数据普遍存在缺失，此类数据缺失问题会显著劣化机器学习模型的性能表现。应对数据缺失的代表性方法为数据插补，即基于已观测到的数据对缺失数据进行估计，进而利用插补后的完整数据开展模型训练。然而，若插补过程中存在估计偏差，则可能引入额外噪声，往往会阻碍模型的学习过程。例如，低质量的插补往往带有估计偏差，这会影响数据的真实分布。模型若基于这些有偏样本建立映射关系，将难以捕捉数据的本质规律，进而导致泛化性能显著衰减。为此，本文提出了一种新的处理缺失数据的方法——面向缺失数据的选择性学习（Selective Learning for Incomplete Data，SLID），旨在有效利用缺失数据进行学习。SLID致力于构建一个能够动态感知数据质量的可靠学习框架。该方法在训练过程中引入动态评估机制，将被动接受插补数据转变为主动筛选：对于高置信度的插补样本，模型将其作为有效特征进行充分学习；而对于低置信度的样本，则引入正则化策略将其视为不可靠信息进行平滑处理。通过这种选择性学习机制，有效地规避了对有偏分布的过拟合，从而显著提升了泛化性能。基于多个数据集上的大量实验结果表明，与以往方法相比，SLID在准确性与可靠性方面均取得了显著提升。关键词：选择性学习;缺失数据;插补;低质量样本5|3|0更新时间：2026-07-30
- 摘要：Boura等人在CRYPTO 2023上提出的差分中间相遇分析（Differential Meet-in-the-middle Cryptanalysis，DMC）是一种基于中间相遇思想实施差分攻击的新型密码分析方法。凭借概率扩展（Probabilistic Extension，PE）、限制条件（Imposed Condition，IC）与并行分割（Parallel Partition，PP）技术在降低时间、数据复杂性与扩展攻击轮数上的优势，差分中间相遇攻击已在多个采用线性密钥生成算法的分组密码上取得了显著效果。然而，目前的DMC还存在两点不足：一是概率扩展后的差分区分器概率为
- 摘要：自动化漏洞验证代码（Proof of Concept， PoC）的生成在网络安全评估、漏洞修复验证以及自动化防御体系构建中扮演着至关重要的角色。尽管大语言模型（Large Language Models，LLMs）在通用领域的代码合成任务中已展现出显著的效能优势，但由于高危漏洞逻辑的复杂性以及通用大模型垂域推理能力的局限，其在面对未见漏洞（unseen vulnerabilities）时，往往难以生成逻辑严密且高质量的PoC代码。本文聚焦于垂直领域代码生成场景，提出了一种名为MASTER（mastering automated synthesis of targeted exploits via reinforcement）的自动化PoC生成框架，通过构建领域知识注入与意图强化的协同机制突破大模型面向复杂PoC代码生成任务的泛化瓶颈。本研究首先构建了融合思维链（Chain-of-Thought，CoT）增强的领域专用漏洞数据集ExploitDB-CVE-CoT；随后，通过全参数监督微调（Supervised Fine-Tuning， SFT）实现深度的领域知识注入，使模型掌握漏洞利用的基础能力；进而，创新性地引入基于AI反馈的强化学习（Reinforcement Learning from AI Feedback， RLAIF），采用群组相对策略优化（Group Relative Policy Optimization，GRPO）算法，利用外部专家大模型作为动态评估器，深度强化模型针对复杂漏洞的逻辑推理与代码生成能力。实证结果表明，虽然仅进行SFT已能将针对通用漏洞披露（Common Vulnerabilities and Exposures，CVE）场景的生成成功率显著提升至57.5%~76%区间，但单一SFT存在非目标领域的灾难性遗忘与泛化能力缺陷；而RLAIF机制在改善泛化能力缺陷和提升模型整体性能方面发挥了积极作用。最终，MASTER框架在Qwen2.5和Llama-3.1等主流模型上将高危漏洞PoC的自动生成成功率进一步提升至88.8%~95.6%，且具备针对训练集外漏洞场景的较好的泛化能力。该成果为自动化渗透测试与防御评估提供了强大的技术支撑，有效拓宽了大语言模型在强逻辑、高度专业化网络安全任务中的应用边界。关键词：大语言模型;代码生成;漏洞验证代码（PoC）;基于AI反馈的强化学习;自动化安全测试7|8|0更新时间：2026-07-30
- 摘要：云边协同网络在6G通信、工业互联网等关键领域中广泛应用，其开放分布式特性面临持续演进的网络攻击威胁。网络欺骗防御通过蜜罐、诱饵等资源干扰攻击者认知，但其有效性高度依赖于欺骗资源的轮换时机。然而，在实际攻防过程中，欺骗资产部署、攻击渗透扩散均存在不可忽略的状态转换时滞，且攻防双方存在持续的策略交互，现有方法或假设状态转移瞬时完成，或采用固定周期等静态机制，忽视了真实攻防过程中存在的状态转换时滞及攻防双方的动态交互，无法准确刻画攻防状态演化的时序特征，导致策略在真实高动态环境中适应性不足。针对上述问题，本文提出一种基于时滞FlipIt博弈与多智能体强化学习的欺骗防御时机选取方法。首先，分析网络安全状态演化特性，将正常、保护、感染、受损四种节点状态间的六条转移路径分别引入对应的时滞参数，构建融合状态转换时滞的时滞微分方程组，形成更贴近实际物理过程的网络状态演化模型，弥补了传统SIS、SIR等动力学模型忽略时滞因素的缺陷。其次，分别建立攻击者与防御者模型，将攻防对抗形式化为具有时序特征的博弈过程，在此基础上提出时滞FlipIt博弈模型，显式刻画策略下发到状态生效之间的延迟机制，并给出攻防双方在时滞约束下的效用函数。然后采用多智能体近端策略优化（Multi-Agent Proximal Policy Optimization，MAPPO）算法，构建中心化训练、分布式执行的强化学习框架，设计状态空间、动作空间与奖励函数，通过攻防智能体的持续交互与策略演化，求解最优欺骗防御时机轮换策略。实验在Mininet仿真环境与小规模真实测试床上进行，结果表明所提方法能够有效优化防御时机选择，保护状态节点比例稳定在83.2%，攻击者效用值较MFD-PPO方法降低44.85%，攻击拦截成功率较FP方法提升38.4%，同时，在同等保护状态节点比例下IP跳变频率显著低于对比方法，验证了所提方法在保障防御效能与降低资源开销方面的综合优势。关键词：云边协同;欺骗防御;时滞;FlipIt博弈;多智能体强化学习;防御时机6|8|0更新时间：2026-07-30
- 摘要：网络流量表征与分类在网络管理和安全中发挥重要作用。由于仅依赖局部卷积运算，传统的卷积神经网络（Convolutional Neural Network，CNN）已不足以应对当前网络流量的复杂性和变化性。基于Transformer架构的方法在流量序列处理中取得了一定效果，但其自注意力机制带来的平方级计算复杂度导致了较高的资源消耗，且在处理长序列时效率较低，同时该架构未优先考虑时间依赖关系，导致局部序列一致性容易丢失。近期引入的状态空间模型（State-Space Models，SSM）Mamba实现了随序列长度线性扩展的计算效率，在局部动态感知和长序列处理方面具有优势，但由于其将历史信息压缩至固定维度的隐藏状态中，限制了对长距离依赖和全局流量特征的获取能力。针对上述问题，本文提出一种基于长程依赖与局部动态感知的加密网络流量预训练模型（Encrypted Traffic pre-trained model with Long-range Dependency and dynamic Perception，ET-LDP）。该模型摒弃了传统的架构拼接，选择依据网络流量包含流级别全局统计模式与字节级别局部语义的多粒度特性，从流量特征的角度将多种类型的模块进行集成，构建了跨机架构协同结构。ET-LDP在Mamba层内部引入混合专家（Mixture of Experts，MoE）机制，通过共享参数与私有门控相结合的路由策略，模型将不同语义的token动态分配给特定专家处理，在保持较低计算开销的同时提高了模型容量与局部特征的感知能力。在提取全局长程依赖方面，模型设计了混合注意力模块，首先通过代理注意力（Agent Attention）利用代理token聚合局部信息并减少冗余计算，然后结合softmax自注意力完成细粒度的上下文关联提取。为解决Mamba模块与注意力模块在信息流向与特征空间上的差异，本文进一步设计了跨架构桥接组件，通过信息交互机制实现了两类异构特征的结构性对齐与相互补充。这种灵活的架构允许针对特定资源和目标进行配置，从而兼顾各自的优势。考虑到网络流量和网络任务的多样性，ET-LDP结合自监督机制，从大规模无标签流量数据中预训练通用表征。在虚拟专用网络（Virtual Private Network，VPN）、洋葱路由器（The onion router，Tor）、恶意软件及跨平台应用等7个公开网络流量数据集的评估表明，本文提出的ET-LDP模型在分类性能上均优于目前的最优（State Of The Art，SOTA）方法。在采用新加密协议的中国科技网TLS 1.3流量（China Science and Technology NETwork-TLS 1.3，CSTNET-TLS 1.3）数据集上，相较于同类最优的模型准确率提升了0.013 2。在效率测试中，当批大小为64时，该模型的推理显存占用为同等规模Transformer模型的0.6倍，在吞吐量与计算延迟上表现出较好的平衡。关键词：网络流量分类;Mamba-Transformer混合模型;预训练;混合专家（MoE）;状态空间模型（SSM）;深度学习4|8|0更新时间：2026-07-30
- 摘要：随着巨型低轨卫星（Low Earth Orbit，LEO）星座的迅速发展，大量星基机会信号为全球导航卫星系统（Global Navigation Satellite System，GNSS）拒止条件下的辅助与替代性导航需求提供了潜在解决方案。以星链信号为例，对其进行时频估计并完成有效解调，是实现辅助导航的必要前提。然而，星链卫星的高速运动引起显著的多普勒效应，为信号时频估计精度与可靠解调带来技术挑战。针对现有的时频估计算法在低信噪比（Signal-to-Noise Ratio，SNR）条件下鲁棒性不足，传统算法在高动态环境下难以实现稳定解调的问题，本文提出了一种基于相关-聚类的星链信号解调方法，并在仿真与实测数据上进行实验验证。利用星链下行信号特殊的同步序列结构，设计相关性增强的延迟自相关定时算法与改进的符号内相位差频偏估计算法，实现同步序列定时与多普勒系数的粗估计。提出基于K-means聚类的逐符号时频精估计方法，在无数据符号先验的条件下提取星座聚类统计量，并以经验信噪比（Empirical Signal-to-Noise Ratio，ESNR）最大化为准则完成残余时频误差精估计。构建仿真场景，分析所提方法的收敛性与估计精度，并基于实测星链下行信号，以解调误比特率（Bit Error Rate，BER）为指标评估所提算法的性能。实验结果表明，所提方法在高动态条件下具有良好的收敛性与估计精度，且在7.3 dB SNR实测数据下，解调BER为0.88%，相较对比算法降低55.10%，在高动态环境下显著提升了时频估计与解调的精度，为星链机会信号导航提供了技术支撑。关键词：低轨卫星;星链信号;数据解调;同步序列;时频估计4|11|0更新时间：2026-07-30
- 摘要：相比于传统二阶锁相环（Phase-Locked Loop，PLL)结构，自偏置锁相环可在宽动态范围内保持环路稳定性和响应速度不变，具有很高的频率稳定性，可满足各种高精度频率控制应用需求，适合作为满足多协议标准的串行器/解串器（Serializer/Deserializer，SerDes）物理层（PHysical Layer，PHY）电路时钟源使用，在宽频率范围和一定电压范围内具有稳定环路特性。传统自偏置锁相环使用两个电荷泵产生对称辅助电压Vfs1和Vfs2，这会增加系统功耗和面积，并且版图失配会在Vfs1和Vfs2之间引入静态失配，电路工作过程中电源压降和局部噪声会在Vfs1和Vfs2之间引入动态失配，这些失配会增加压控振荡器的相位噪声和时钟抖动。针对这一问题，本文设计了一款低功耗低失配电荷泵结构，由一个电荷泵电路产生Vfs1和Vfs2，该结构通过共用电流偏置部分降低系统功耗，通过设计改进减小输出失配。在实际工作中本设计可同时满足外围组件快速互连（Peripheral Component Interconnect express，PCIe）1.0/2.0/3.0、通用串行总线（Universal Serial Bus，USB）3.0、串行高级技术附件（Serial Advanced Technology Attachment，SATA）1/2/3物理层协议的时钟源要求。SerDes中每4个数据单元共用1个时钟单元，4个数据单元可分别配置成PCIe的任何速率或分别配置成USB及SATA的任何速率。全电路工作在0.9 V低电压下，锁相环面积为0.055 3 mm2，压控振荡器（Voltage-Controlled Oscillator，VCO）的调谐范围是3~5 GHz，环路分频采用6~511分频，输出分频采用1~255分频，输出频率范围是11.76 MHz~5 GHz。后仿真结果表明，锁相环锁定时间2 μs，相位噪声为-110 dBc/Hz@1 MHz，功耗为5.54 mW。测试结果表明，-40~125 ℃范围内2 000片PLL测试成品率大于99%；经过片上长距离传输并通过SerDes发送端所送出高速时钟的抖动测试结果远大于仿真结果，测试结果为2.5 GHz时钟：Random jitter 2.41 ps、period jitter 10.8 ps；4 GHz时钟：Random jitter 1.8 ps、period jitter 9.28 ps。上述高速时钟经过复杂通路送出导致jitter较大，而PCIe插槽上100 MHz参考时钟也由PLL产生，其到输出PAD的路径很短，测试路径引入的抖动较少可直接测试，采用示波器内嵌PCIe参考时钟测试软件对PCIe插槽上参考时钟进行测试，RMS jitter（Root-Mean-Square jitter）最差为0.776 8 ps。为证明本文提出的PLL抖动性能满足SerDes PHY，进行PCIe PHY GEN2速率和GEN3速率测试，所有结果均满足协议要求且Margin很大。关键词：锁相环;自偏置;低功耗;低抖动;电荷泵;串行器/解串器6|5|0更新时间：2026-07-30
- 摘要：自动驾驶车辆在真实开放道路的可靠部署，高度依赖其在未知交通场景中的轨迹预测泛化能力，精准的车辆轨迹预测更是连接自动驾驶环境感知与决策规划模块的关键纽带，直接决定了自动驾驶系统的运行安全性与环境适应性。现有基于深度学习的预测方法主要依赖历史与未来轨迹间的统计相关性，其性能严重受限于训练与测试数据独立同分布（Independent and Identically Distributed，IID）的基本假设。然而，实际复杂交通环境中地图几何、道路拓扑结构等的显著差异导致数据分布偏移，IID假设难以成立，造成各类预测模型在分布外（Out-Of-Distribution，OOD）场景下性能显著下降，这成为自动驾驶系统开放道路部署的核心技术瓶颈。为应对上述挑战，本文提出一种即插即用的基于社会交互因果模型的车辆轨迹预测（Vehicle Trajectory Prediction based on Causal Model，CMVTP）框架。该框架可灵活嵌入现有主流轨迹预测模型，无需对原模型进行复杂修改或重训练，具备高度的通用性与适配性。CMVTP通过构建面向交通场景的结构因果模型（Structural Causal Model，SCM），显式刻画域不变因果特征与域可变因果特征间的内在关联，精准揭示轨迹数据中的潜在因果关系，有效提取驾驶风格、社会交互等跨环境稳定的域不变特征；同时设计因果特征学习模块实现域不变与域可变特征的显式分离，并提出双路径的不变特征转移模块，通过隐藏层特征对齐与输出分布对齐强化模型对域不变特征的提取能力，降低模型对地图特征等域可变特征的依赖。实验结果表明，CMVTP能有效提升多种主流预测模型的分布外泛化性能，在各类未见场景中，模型预测精度获得显著提升，最高可达12.75%。本文提出的CMVTP框架突破了传统基于统计相关性的轨迹预测方法在分布外场景的性能局限，为提升自动驾驶系统在开放动态环境中的适应性和安全性提供了重要技术支撑，也为车辆轨迹预测的泛化建模研究提供了新的思路与方法。关键词：自动驾驶;车辆轨迹预测;因果模型;社会交互;分布外泛化;域不变特征5|6|0更新时间：2026-07-30
学术论文
- 摘要：随着硅基互补金属氧化物半导体（Complementary Metal Oxide Semiconductor，CMOS）集成电路逐渐逼近物理极限，传统硅基器件面临量子隧穿、焦耳热损耗等难以逾越的技术瓶颈，开发兼具低功耗、高速度、高密度特性的新型信息存储与逻辑器件，已成为后摩尔时代微电子技术发展的核心需求。自旋电子器件以电子自旋为信息载体，凭借非易失性、低功耗、高抗辐射等显著优势，成为突破传统半导体技术壁垒的核心研究方向。其中，磁涡旋作为典型的拓扑磁结构，拥有极性与旋性（手性）两个完全解耦的内禀自由度，二者共同构成四重简并态，可天然实现四态多值存储，同时其具备丰富的自旋波激发模式、无需依赖含Dzyaloshinskii-Moriya相互作用（DMI）的复杂材料体系、输运过程无斯格明子霍尔效应导致的位移偏差等天然优势，在高密度存储、GHz频段高频器件、低功耗逻辑运算等领域展现出广阔的应用前景。本文系统综述了磁涡旋极性-旋性的多维度调控机制，梳理形成了主流调控手段的完整研究逻辑框架，重点剖析了自旋转移矩（Spin Transfer Torque，STT）、自旋轨道矩（Spin Orbit Torque，SOT）、应变调控、表面声波（Surface Acoustic Wave，SAW）等调控方式的物理机制、研究进展与性能局限：STT与SOT调控响应速度快，能通过电流密度的精准控制实现极性-旋性的选择性切换，但存在高电流密度引发的热损耗、界面损伤等问题；应变调控凭借逆磁致伸缩效应实现了零焦耳热的超低功耗操控，已从早期机械扭力驱动发展为适配片上集成的压电异质结方案，可实现纳秒级极性与旋性的确定性翻转；SAW调控通过磁声耦合效应实现了磁涡旋的非接触式长程操控，其高次谐波驱动为极性和旋性翻转提供了全新低功耗路径。同时，本文以磁涡旋调控逻辑为参照，与同源拓扑磁结构斯格明子的拓扑态调控开展横向对比，厘清了两类结构在拓扑本质、自由度耦合特性、调控窗口与器件适配性上的核心差异，为磁涡旋调控机制优化提供了新的思路与借鉴。在此基础上，本文深入探讨了磁涡旋磁化动力学特性的研究演进历程，围绕涡旋核回旋运动调控、高频自旋波激发、非线性倍频效应等重要方向，分析了其在GHz频段器件中的应用潜力。针对当前应变调控存在的频率失配、激发效率低等核心瓶颈，提出了基于非线性倍频效应的高频自旋波共振激发路径，以及可重构磁电异质结器件的设计思路。本文系统整合了磁涡旋从基础物理机制到器件化应用的全链条研究脉络，为下一代低功耗、高频化自旋电子器件的开发提供了系统的理论依据与技术参考。关键词：磁涡旋;自旋波;应变调控;表面声波;自旋电子器件4|5|0更新时间：2026-07-30
综述评论
- 技术支持由北京北大方正电子有限公司提供 京ICP备09064830号-19
京公网安备11010802024621 - 本系统建议在Chrome、 IE9+ 以上版本浏览器阅读本站内容，360浏览器请切换至极速模式
- Cookies帮助我们提供服务并提供个性化体验。使用本网站，即表示您同意我们使用Cookies
0