计算机研究与发展杂志

计算机研究与发展杂志2023年第4期

• 面向“云—边—端”算力系统的计算和传输联合优化方法

  陈星延,张雪松,谢志龙,赵宇,吴钢,

  “云—边—端”资源协同优化是算力网络部署的关键难题之一.如何有效整合高性能云计算、低延时边缘计算和低成本用户设备等异构算力资源，对于算力网络建设具有重要意义.基于此，提出了一种面向“云—边—端”算力网络的计算和传输联合优化方案，旨在从应用服务模型、网络状态感知和资源联合优化3方面提供一套系统性解决方案.首先，根据通用应用服务的特性，改进了传统网络服务的链状表征模型，提出了广义图结构的通用服务模型.其次，为表征异构网络状态的动态规律，提出了用于建模计算和传输时变负载的双虚拟队列结构.再次，为降低在大规模算力网络中计算和传输资源联合优化的问题复杂度，提出了一种基于图概念的增广图模型，该模型能够将计算和传输联合优化问题转化为增广图的路由问题，简化了异构资源联合优化问题的形式化表征难度.为实际解决该问题，设计了基于波利亚重球法（Polyakheavy-ballmethod）的异构资源协同优化算法，并给出了算法复杂度和相关理论的性能分析.最后，通过数值仿真和原型系统实验，验证了算法理论性能的正确性，以及在服务效用和资源成本等方面对比同期3种相关解决方案的性能优势.

• 算网融合下时间连续的计算任务卸载机制

  郝昊,杨树杰,张玮,

  算力网络通过网络协同云、边、端计算资源，突破单点算力的性能瓶颈，为智能化社会提供了算力支撑.算网融合逐渐成为新型信息通信网络技术发展的趋势.由于计算资源异构、网络负载动态，如何协同云、边、端计算资源，从而降低计算任务时延是算网融合下极具挑战性的问题之一.为简化问题，现有工作往往假设系统时间是离散的，并且只在时隙结束时进行计算卸载决策.但该假设会引入决策等待时间，增加了计算任务的整体时延.针对上述问题，提出一种算网融合下时间连续的计算任务卸载机制，在保证时间轴连续和协同多个边缘节点计算资源的前提下，以服务体验提升率为优化目标，对云、边、端间任务卸载问题进行建模，并设计了一种基于深度强化学习的任务卸载方法，从而更高效地利用算力网络计算资源.通过大量的仿真实验证明，与2种基线算法相比所提算法能够有效降低任务时延，提升服务体验.

• 区块链赋能的算力网络协同资源调度方法

  衷璐洁,王目,

  随着AI内容生成、多媒体处理、VR视频等对于计算资源有着极大需求的互联网服务的快速发展，在可以遇见的将来，计算资源将成为网络中的稀缺资源.算力网络通过将算力作为网络基本单元之一来实现算力的网络化，为这些计算敏感的应用提供了行之有效的解决方案.得益于来自云—边—端等节点的计算资源，算力网络能够为大规模用户提供弹性泛在的计算调度.尽管算力网络具有广泛的应用前景，如何实现在这些地理分布的计算节点之间高效调度，计算资源对于算力网络的性能至关重要.提出了一种区块链赋能的资源调度（blockchainempoweredresourceallocation，BCERA）算法.不同于现有的资源调度方法，BCERA依赖于一个区块链结构来实现分布式、高效的计算资源调度.特别地，有别于现有的区块链结构，BCERA中的区块链节点通过求解任务调度优化问题来实现区块链的共识，从而在避免共识所带来的额外开销和时延的同时，还能提升系统的可扩展性和鲁棒性.计算资源调度问题被建模为一个马尔可夫决策过程（Markovdecisionprocess，MDP）并通过强化学习方法来求解.除此之外，还设计了一个激励机制以鼓励计算节点贡献资源支持算力网络的运转.实验结果表明，所提出的方法能够有效提高资源调度性能.

• 算力网络中高效算力资源度量方法

  柴若楠,郜帅,兰江雨,刘宁春,

  随着新型网络业务的不断发展和对算力需求的不断提高，算力网络技术逐渐走进人们的视野并不断发展壮大.而算力度量，作为度量各类算力平台中计算和存储能力的方法，在算力网络业务感知和算力资源高效调度中扮演着重要的角色.目前算力度量的研究尚处于起步阶段，已有的度量方法相对单一，只考虑了部分静态或动态指标，难以保证算力资源利用率和算力资源匹配准确率.设计了一种先静后动的混合式度量方法(hybridmetricmethod,HMM)，该方法结合静态和动态指标来度量算力资源，考虑了算力节点的基础性能及其动态工作状态的变化，并且在静动态的度量指标的选取上也进行了全面的考量.通过实验和数据分析证明，所提度量方法HMM能有效提升算力资源利用率和算力资源匹配准确率.

• 基于异构算力节点协同的高效视频分发

  鄂金龙,何林,

  算力网络通过网络连接计算节点以突破单点算力限制，近年来正快速发展应用于越来越多的业务领域.当前流行的视频直播依赖于大量视频帧传输和转码处理，探索算力网络实现高效视频分发具有重要的现实意义.相比于传统的大规模数据处理，视频类应用对于传输时延和带宽的保障有更高要求.然而当前各云服务提供的节点算力各不相同，同时节点间网络链路状态经常变化不定，使选择传输和转码综合性能最优节点实现低时延、高带宽的视频分发面临很大挑战.为此，设计基于异构算力节点协同的高效视频分发方案，包括通过强化学习规划视频传输路径并合理选取处理转码节点；对不同视频分发任务采用优先级排队调度同时自适应调整资源以降低对节点资源的突发竞争；采用分层日志同步容错机制在节点故障后快速恢复数据一致性，最终部署多云服务分布式节点实现一个完整的视频分发系统.大量超高清视频直播实验表明，该方案性能相比现有视频分发方法有明显改进.

• 算力网络支撑下的泛在化视频传输调度

  张旭光,陈鸣锴,魏昕,

  视频数据量的爆炸式增长、视频形式愈加多样、视频业务的泛在化是当前视频通信技术发展的三大特点，这无疑会导致核心网过载和视频传输调度难的问题.为了缓解这些问题，提出一种算力网络支撑下的泛在化视频传输调度方案.具体地，首先提出一种视频层次化编解码模型提升视频内容部署和传输的灵活性；其次，考虑视频业务的差异化指标约束，提出面向业务的有效吞吐量模型；最后，借助算力网络的支撑，一方面通过任务分解来有效利用“碎片化”的网络资源，另一方面通过对网络状态的全局检测和实时感知，实现视频内容的精准部署和网络资源的高效调配.仿真实验验证了所提方案在核心网流量卸载、有效吞吐量提升、网络资源利用率提升方面的有效性.

• 算力网络环境下基于势博弈的工作流任务卸载优化机制

  姜玉龙,东方,郭晓琳,罗军舟,

  边缘计算虽然部分解决了任务上云导致的时延过长的问题，但由于通常只考虑端边云间的垂直协同，不可避免出现了“算力孤岛”效用，因而仍然难以满足工作流任务的低延迟执行需求.为了高效协同利用广域网上的算力资源，降低工作流任务的执行时间，亟需对算力网络中的工作流任务卸载和资源分配问题进行研究.首先描述了算力网络环境下面向多用户的工作流任务执行场景，并对该场景下的网络环境、工作流任务及其执行流程进行建模.其次根据优化目标建立工作流执行时延模型，以构建面向算力网络环境的多用户工作流任务卸载与资源分配问题.最后根据工作流应用的特点，针对链式工作流提出了一种基于势博弈的分布式工作流卸载算法.针对复杂DAG工作流提出一种基于动态资源权重的启发式工作流卸载算法.仿真实验表明，与其他算法相比，所提算法均能够协同广域网上的算力与网络资源，降低工作流任务的平均完成时间，从而有效提高了算力网络环境中的工作流任务的执行效率.

• 网络传输公平性测量与算法设计：视频应用案例

  王子逸,胡晓宇,王歆,张行功,曹振,郑凯,崔勇,

  算网融合以计算为中心、网络为根基，通过网络连接异构计算节点，实现算网资源的高效分配与调度.关于竞争流之间资源共享的公平性问题是算网融合的重要研究方向.作为算网融合的典型场景，视频应用正变得越来越重要，但人们对于它们是否以及在多大程度上遵守公平性原则知之甚少.在高度多样化的网络环境和缺乏自动化测量工具的情况下，公平性测量研究面临着巨大的挑战.通过测量典型视频应用Zoom的竞争行为来研究这个问题发现，资源竞争行为是复杂多变的，Zoom在不同的场景下有着不同的资源抢占行为.为了深入理解这些竞争行为，开发了自动化工具并进行测量以了解其用户体验（QoE）指标，包括端到端视频/音频时延、视频帧率和视频质量等.Zoom使用抢占带宽的策略来保证自身应用的用户体验.为了追求更好的用户体验，Zoom往往会自私地发送过多的冗余数据包来应对异常的网络情况，其中一些是不必要的.为此，设计一种能够在用户体验和公平性目标之间取得平衡的传输算法是非常重要的.提出了算法QLibra，并通过实验证明它可以有效保障上层应用的用户体验并且对竞争流无害.

• 视频云网平台中智能算法版权管理方法

  张欢欢,安聪凯,赵朗程,周安福,马华东,袁艺,曹宁,

  视频云网平台中涵盖了大量智能算法，如何对其进行高效管理，从而支持应用服务的快速部署与更新是一个重要的科学问题.然而，传统的智能算法与云端资源具有绑定规则，不同应用服务商之间的智能算法缺乏统一的调用机制，导致它们无法快速整合和有效利用.为了解决此难题，建立“服务—算法—资源”动态互联服务体系，有效解决算法快速迭代、应用需求时变与智能算法版权固化管理的矛盾.在动态互联服务过程中，传统的、面向固定内容的买断式数字版权管理已经无法为细粒度权限管理提供高效服务.为此，提出智能算法版权管理系统（algorithmicintelligencerightmanagement，AIRM），通过设计版权资源服务化方法与流动性算力网络结构，构建视频云网平台中“共享式”智能算法版权管理方法.在中国电信视频分析平台授权管理模块中的实际部署结果表明，所设计方法可以将算法并发服务能力提高19.9倍，将算法版权响应时间降低18.36%.

• Web追踪技术综述

  王晓茜,刘奇旭,刘潮歌,张方娇,刘心宇,崔翔,

  Web追踪技术已经成为信息化时代背景下的研究热点，是对用户进行身份标识和行为分析的重要手段.通过跟进该领域的研究成果，从追踪技术和防御技术2方面分析Web追踪领域的研究与发展现状.首先按照技术的实现方式将Web追踪分为了存储型追踪技术和指纹型追踪技术，分析了当前研究追踪现状.其次按照追踪范围将Web追踪技术分为单浏览器追踪、跨浏览器追踪、跨设备追踪3个不同的层次，分析和讨论特征的获取技术和属性特点，论述特征、关联技术、追踪范围的关系；同时从Web追踪防御技术的形态角度，描述扩展防御、浏览器内嵌防御、防御框架工具和机制、防御对策或环境等不同技术的实现特点和抵御追踪的措施.最后总结现有研究概况，针对性分析Web追踪技术和Web防御技术的优劣势，指出当下面临的问题及可能的发展方向.

• 基于代数结构视角对轻量分组密码WARP的积分分析

  邢朝辉,张文英,曹梅春,

  在融合了物联网、5G网络等新一代信息技术的工业互联网中，底层终端设备产生海量数据.数据安全传输的需求使得针对资源受限环境所设计的轻量级密码得到广泛应用.对新提出的轻量级密码进行安全性评估对于保障工业互联网的安全运行至关重要.发现了某种特定结构加密算法基于多变量多项式的积分性质，利用该性质得到了更长积分区分器，改进了基于代数结构的分析方法.提出了基于代数结构构造SPN(substitutionpermutationnetwork)和Feistel-SP结构分组密码积分区分器的框架，并将其应用于SAC2020会议上提出的轻量分组密码WARP的分析上，构造了2个复杂度为2116的22轮积分区分器，比设计者给出的区分器多了2轮，并且复杂度更低.利用该积分区分器，实现26轮密钥恢复攻击，比设计者给出的密钥恢复攻击增加了5轮，这是目前在单密钥情境下对WARP最好的攻击结果.此外，还对18轮积分区分器进行了实验验证，运算复杂度为232.

• 基于三维点云的卷积运算综述

  韩冰,张鑫云,任爽,

  随着深度相机、激光雷达等3D扫描设备的普及，用点云表示3D数据的方法越来越流行，对点云数据的分析与处理也引起了视觉研究领域的极大兴趣.一般来说，由于分布在3D几何空间中的点云是无序的，可以形成特定的结构，因此学习到的特征表示应该具备排列不变性、旋转和平移不变性、形状区分性.近年来，越来越多的研究人员基于点云的这些特性采用深度学习这一人工智能领域中的主流技术来处理分析点云数据.其中，卷积神经网络使用的卷积运算具备权重共享、局部聚合和变换不变等优点，减少了训练参数的个数，并具有较强的鲁棒性，可以有效地降低网络复杂度并提升网络性能，因此在各种2D视觉问题（如图像、视频）上的研究及应用已经相对成熟，这也引起了研究人员的高度关注并尝试将其引入到点云处理任务中.但传统的标准卷积运算往往无法直接作用于点云这种不规则数据上，一些研究人员进而对卷积运算及其卷积算子展开了深入的探索，并提出了多种卷积策略和网络以提高计算效率和算法性能.为了促进之后的研究，首先对现有点云研究中所使用的卷积方法进行了概述，包括基于投影的方法、基于体素的方法、基于晶格的方法、基于图的方法和基于点的方法.之后着重针对直接处理3D点云的卷积算子和网络的最新进展进行了全面的综述，主要分为离散卷积和连续卷积，此外还对使用不同卷积算子的网络在处理点云的分类和分割等任务上的性能进行了全面地分析与对比.最后针对现存的问题与面临的挑战进行了进一步分析，并探索了未来可能的研究方向，希望为点云未来更深入的研究提供新思路.

• 结合特征增强和多尺度感受野的低照度目标检测

  江泽涛,翟丰硕,钱艺,肖芸,张少钦,

  低照度图像普遍存在噪声、颜色失真和低对比度等图像退化问题，不仅影响视觉体验，而且严重影响低照度目标检测精度.为了更好地完成低照度目标检测任务，提出一种结合特征增强和多尺度感受野（featureenhancementandmulti-scalereceptivefield,FEMR）的低照度目标检测算法.首先，像素级高阶映射（pixel-levelhigh-ordermapping,PHM）模块学习低照度到正常照度的高阶映射关系，进而提高低照度目标特征显著性，从而获得初步增强的特征信息.然后，关键信息增强（keyinformationenhancement,KIE）模块结合多种注意力机制，突出重要特征并过滤噪声信息，获得进一步增强的特征信息.此外，长距离特征捕获（longdistancefeaturecapture,LFC）模块引入多种尺度的条状感受野，捕获低照度场景中孤立区域的长距离关系.实验表明，所提算法在低照度目标检测精度方面具有较好的表现，同时能直接输出正常照度风格图像下的检测结果，实现端到端的低照度目标检测，便于人眼直接评估检测结果的精度.

• 类型增强的时态知识图谱表示学习模型

  何鹏,周刚,陈静,章梦礼,宁原隆,

  知识图谱表示学习旨在将知识图谱中的元素（实体和关系）表示在低维的连续向量空间中，可以有效地实现知识图谱补全并提高计算效率，是贯穿知识图谱构建和应用全过程的重要问题.现有的知识图谱表示学习模型大多基于静态的结构化三元组，忽略了知识的时间动态性和实体的类型特征，限制了它们在知识图谱补全和语义计算中的表现.针对这一问题，提出一种类型增强的时态知识图谱表示学习模型（type-enhancedtemporalknowledgegraphrepresentationlearningmodel，T-Temp），基于经典的张量分解技术，将不同形式的时间信息显式融合到知识图谱表示学习过程中.同时，利用实体与关系间的类型兼容性，充分挖掘隐含在实体中的类型特征，进一步提升表示学习的准确性.此外，证明T-Temp模型具有完全表达性，且与同类模型相比，具有较低的时空复杂度.在多个真实的时态知识图谱上进行的详细实验说明了T-Temp模型的有效性和先进性.

• 基于自相似与对比学习的图像跨域转换算法

  赵磊,张慧铭,邢卫,林志洁,林怀忠,鲁东明,潘洵,许端清,

  图像跨域转换，又称图像翻译，是一种旨在将源域的图像转换为目标域的图像的技术，具体来说是使生成图像在保持源域图像的结构（轮廓、姿态等）的同时具有目标域图像的风格（纹理、颜色等）.图像跨域转换技术在视觉领域有着广泛的应用，如照片编辑和视频特效制作.近年来，该技术在深度学习尤其是生成对抗网络的基础上得到了飞速发展，也取得了令人印象深刻的结果，但是迁移后的生成图像仍然存在颜色模式坍塌、内容结构无法保持等问题，针对这些问题，提出了一种基于自相似性与对比学习的图像跨域转换算法.该算法利用预先训练的深度神经网络模型提取图像的内容特征和风格特征，将感知损失和基于自相似性的损失作为图像内容损失函数，同时使用一种宽松的最优传输损失和基于矩匹配计算的损失作为图像风格损失函数对提出的神经网络进行训练，并通过将生成图像和目标域图像标记为正样本对，将生成图像和源域标记为负样本进行对比学习.在4个数据集上对提出的算法进行了实验验证，结果表明提出的算法在生成的结果图像上较好地保持了源域图像的内容结构，同时减少颜色的模式坍塌，且使生成的图像风格与引导图像的风格更加一致.

• RCAR-UNet：基于粗糙通道注意力机制的视网膜血管分割网络

  孙颖,丁卫平,黄嘉爽,鞠恒荣,李铭,耿宇,

  眼底图像中视网膜血管的健康状况对早期诊断各种眼科疾病及糖尿病心脑血管疾病等具有重要意义，然而视网膜血管结构细微、边界模糊且分布不规则，对其进行准确分割存在较大的难度.针对视网膜血管的这些特征，提出一种粗糙通道注意力残差U型网——粗糙通道注意力残差U型网络（RCAR-UNet）.该网络首先引入粗糙集理论中上下近似概念设计粗糙神经元；接着基于粗糙神经元构建粗糙通道注意力模块，该模块在U-Net跳跃连接中采用全局最大池化和全局平均池化构造上下近似神经元，并进行神经元间的加权求和，对所建立的通道依赖关系进行合理的粗糙化，该依赖关系不仅包含全局信息，同时具有局部特性，可有效实现对所提取视网膜血管特征的准确重标定；然后添加残差连接，将特征直接从低层传递给高层，有助于解决网络性能退化问题，并有效提取更加丰富的视网膜血管特征；最后为了验证所提视网膜分割网络的有效性，在3个眼底视网膜公开图像数据集上与U-Net，AttentionU-Net等传统网络模型进行对比实验，实验结果表明，所提视网膜分割网络在血管分割准确率、灵敏度和相似度等方面具有较高的优越性.