计算机研究与发展杂志

计算机研究与发展杂志2024年第9期

• 开放世界物体识别与检测系统：现状、挑战与展望

  聂晖,王瑞平,陈熙霖,

  探究了从封闭环境到开放世界环境的转变及其对视觉感知（集中于物体识别和检测）与深度学习领域的影响.在开放世界环境中，系统软件需适应不断变化的环境和需求，这为深度学习方法带来新挑战.特别是，开放世界视觉感知要求系统理解和处理训练阶段未见的环境和物体，这超出了传统封闭系统的能力.首先讨论了技术进步带来的动态、自适应系统需求，突出了开放系统相较封闭系统的优势.接着，深入探讨了开放世界的定义和现有工作，涵盖开集学习、零样本学习、小样本学习、长尾学习、增量学习等5个开放维度.在开放世界物体识别方面，分析了每个维度的核心挑战，并为每个任务数据集提供了量化的评价指标.对于开放世界物体检测，讨论了检测相比识别的新增挑战，如遮挡、尺度、姿态、共生关系、背景干扰等，并强调了仿真环境在构建开放世界物体检测数据集中的重要性.最后，强调开放世界概念为深度学习带来的新视角和机遇，是推动技术进步和深入理解世界的机会，为未来研究提供参考.

• 基于Uptane的汽车软件在线升级优化框架

  谢勇,胡秋燕,李仁发,谢国琪,肖甫,

  “新四化”使得车内电子系统的复杂性骤增，因电子系统的功能安全问题和网络安全问题导致的汽车召回事件频发，这给整车厂商造成巨大的经济损失和用户体验下降.在线升级技术借助于无线网络实现自动驾驶功能更新、车载软件更新和车载安全系统升级等场景下的系统固件和软件的远程升级，可避免汽车召回造成的影响，但是如何保障在线升级的安全和高效实现是汽车行业亟待解决的关键问题.Uptane开源框架是汽车软件在线升级的行业参考规范，但该框架仍存在安全性和系统资源开销过大等不足.分别从加密算法选择和引入基于联盟链的验证机制2个方面对Uptane框架进行优化，以降低实现开销和提升安全性.通过原型实现和测试验证了所提出Uptane优化框架的安全性，并通过与原Uptane框架的对比分析可知，所提出优化框架的内存开销和时延开销分别降低了6.9%和28.6%.

• 面向实时位置的隐私保护优化与加速求解算法

  董恺,王立夫,凌振,

  现有的电动汽车API平台（如SmartCar）使用访问控制机制来保护用户的隐私.为了在启用不可信位置服务功能的同时保护位置隐私，位置隐私保护机制（LPPM）根据用户的真实位置生成一个随机的伪位置作为报告位置.现有技术通过在离散网格上解决一个最优化问题构建一个最佳的LPPM，该最佳LPPM实现了在最低可容忍效用限制下的最高隐私，反之亦然.然而，它们很难直接应用于电动汽车等实时场景，因为生成最佳LPPM所需的运行时间太长（可能需要数天）.另一个问题涉及构建出的LPPMs的最佳性.揭示了一些意外情况（异常），即在粒度更高的细网格上构建的最佳LPPM效用比在粒度较低的粗网格上差.引入了粒度独立性作为有效解决方法，提出了一个名为Divide-and-Coin的最佳LPPM，其可以实时执行.Divide-and-Coin将生成最佳报告位置的运行时间从至少O(n^2.055)缩短到O(\mathrml\mathrmo\mathrmg\;n)，其中n是报告位置的数量.实验结果显示，Divide-and-Coin可以在1s内从城市级区域生成建筑级别的最佳报告位置.

• 面向非独立同分布数据的车联网多阶段联邦学习机制

  唐晓岚,梁煜婷,陈文龙,

  车联网在智慧城市建设中扮演着不可或缺的角色，汽车不仅仅是交通工具，更是大数据时代信息采集和传输的重要载体.随着车辆采集的数据量飞速增长和人们隐私保护意识的增强，如何在车联网环境中确保用户数据安全，防止数据泄露，成为亟待解决的难题.联邦学习采用“数据不动模型动”的方式，为保护用户隐私和实现良好性能提供了可行方案.然而，受限于采集设备、地域环境、个人习惯的差异，多台车辆采集的数据通常表现为非独立同分布（non-independentandidenticallydistributed，non-IID）数据，而传统的联邦学习算法在non-IID数据环境中，其模型收敛速度较慢.针对这一挑战，提出了一种面向non-IID数据的车联网多阶段联邦学习机制，称为FedWO.第1阶段采用联邦平均算法，使得全局模型快速达到一个基本的模型准确度；第2阶段采用联邦加权多方计算，依据各车辆的数据特性计算其在全局模型中的权重，聚合后得到性能更优的全局模型，同时采用传输控制策略，减少模型传输带来的通信开销；第3阶段为个性化计算阶段，车辆利用各自的数据进行个性化学习，微调本地模型获得与本地数据更匹配的模型.实验采用了驾驶行为数据集进行实验评估，结果表明相较于传统方法，在non-IID数据场景下，FedWO机制保护了数据隐私，同时提高了算法的准确度.

• 基于梯度回溯的联邦学习搭便车攻击检测

  洪榛,冯王磊,温震宇,吴迪,李涛涛,伍一鸣,王聪,纪守领,

  随着车联网的发展，快速增长的智能汽车产生了海量的用户数据.这些海量的数据对训练智能化的车联网应用模型有极高的价值.传统的智能模型训练需要在云端集中式地收集原始数据，这将消耗大量通信资源并存在隐私泄露和监管限制等问题.联邦学习提供了一种模型传输代替数据传输的分布式训练范式用于解决此类问题.然而，在实际的联邦学习系统中，存在恶意用户通过伪造本地模型骗取服务器奖励的情况，即搭便车攻击.搭便车攻击严重破坏了联邦学习的公平性，影响联邦学习的训练效果.目前的研究假设搭便车攻击行为只存在于少量的理性用户中.然而，当存在多个恶意搭便车攻击者时，当前的研究无法有效地检测和防御这些攻击者.为此，提出了一种基于梯度回溯的搭便车攻击检测算法.该算法在正常的联邦学习中随机引入测试轮，通过对比单个用户在测试轮和基准轮模型梯度的相似度，解决了多个恶意搭便车用户场景中防御失效的问题.在MNIST和CIFAR-10数据集上的实验结果表明，提出的算法在多种搭便车攻击情境下都能实现出色的检测性能.

• 面向车联网数据持续共享的安全高效联邦学习

  乐俊青,谭州勇,张迪,刘高,向涛,廖晓峰,

  车联网与人工智能结合推动了自动驾驶汽车的快速发展.分散于不同车辆中的车联网数据共享并用于训练人工智能模型可实现更高效、更可靠的智能驾驶服务.自动驾驶汽车可通过车载摄像头、传感器等持续采集车辆实时信息、道路图像和视频等车联网数据，并用于优化更新智能交通模型，弥补车联网数据变化导致的模型准确度下降问题.提出面向车联网环境下数据持续共享的高效安全联邦学习方案SEFL，以解决车联网数据采集低效、数据动态更新导致的灾难性遗忘、模型训练参数导致的隐私泄露等问题.在方案SEFL中，车辆基于全局模型，只采集模型识别率较低的车联网数据，并以最大概率对应的输出作为该样本的标签，完成训练样本自动采集.由于车辆存储空间有限，采集的新样本会覆盖旧样本，导致车辆上数据是动态变化的，传统微调训练方式容易引起灾难性遗忘问题.为此，方案中设计了一种基于双重知识蒸馏的训练算法，确保模型学习到每个样本的知识，使模型保持较高的准确度.此外，为了防止车辆与服务器之间传播的模型参数泄露用户隐私，提出了一种自适应的差分隐私策略来实现客户端级的强隐私保护，同时该方案能最大限度地减少差分隐私噪声对全局模型准确度的负面影响.最后，进行了安全性分析并结合交通标志数据集GTSRB和车辆识别数据集对SEFL方案进行了性能评估.实验结果表明所提出的SEFL方案能提供可靠的强隐私保护和高效的采集策略，并且在模型准确度方面要优于现有基于联邦学习的算法.

• 车辆群智感知中激励驱动的车辆选择与调度方法

  王振宁,曹越,江恺,林海,周欢,

  车辆群智感知旨在利用智能车辆配备的车载传感器和计算资源，收集一系列区域的感知数据.目前，根据车辆轨迹是否可更改，通常可将感知车辆分为机会型车辆和参与型车辆.其中，机会型车辆轨迹路线固定，不可随意更改.而参与型车辆轨迹路线可根据现实需求进行更改.因此，如何选择合适的机会型车辆完成感知任务，以及如何规划参与型车辆的轨迹是一项挑战性研究问题.这里，以2种类型感知车辆的不同移动特性为出发点，通过群智感知平台（CSP）管理2种类型的车辆，并分别针对机会型车辆和参与型车辆解决不同的问题.首先，针对机会型车辆，需选择特定的车辆集合，以完成感知任务并最小化CSP开销.为解决此问题，提出一项基于反向拍卖的激励机制以选择开销最小的车辆集合完成感知任务，主要包括获胜车辆选择和报酬支付2个阶段，同时验证了所提方法可保证机会型车辆的个体合理性和真实性；其次，针对参与型车辆，需通过CSP调度以规划每个参与型车辆的轨迹，执行感知任务并最小化CSP的开销.为解决此问题，提出一项基于深度强化学习的方法以调度车辆行驶轨迹，为车辆分配不同的感知任务.此外，在最小化CSP开销的同时，还考虑感知任务执行的公平性问题，引入感知公平指数以确保不同子区域感知任务完成的均衡性.最后，基于真实世界数据集的广泛评估表明，所提方法效果良好，并优于其他基准方案.

• 基于多目标深度强化学习的车车通信无线资源分配算法

  李可,马赛,戴朋林,任婧,范平志,

  针对车联网动态不确定特性、业务类型多元化以及无线通信资源稀缺性，研究了蜂窝车联网车与网络（vehicle-to-network，V2N）和车与车（vehicle-to-vehicle，V2V）链路共存且共享频谱场景下保证业务多指标需求和无线资源有效利用的问题.首先建立多目标优化问题模型来表示蜂窝车联网信道选择和功率控制的决策过程，该问题考虑了网络环境动态变化的影响，旨在实现优化目标V2V链路的性能（即信息年龄、延迟以及传输速率）和V2N链路传输速率之间的权衡.在此基础上，提出了基于多目标深度强化学习的车车通信无线资源分配算法进行神经网络训练和问题求解.通过训练好的神经网络模型可以得到多目标优化问题的帕累托前沿.仿真实验表明，所提出算法能够有效地权衡不同通信链路可实现的性能.与4种有代表性的算法比较，V2V链路信息年龄降低12.0%~17.2%，V2N链路传输速率提升11.4%~21.6%，V2V链路传输成功率提高4.6~13.91个百分点，决策延迟时间降低10.6%~20.3%.

• 基于分片区块链的车联网数据共享方案

  陈骁,黄牧鸿,田一凡,王岩,曹晟,张小松,

  高效安全的数据共享对于智能车联网的深度应用至关重要，在相互不信任的车辆之间实现可信的数据共享成为当前研究的热点.区块链技术以其防篡改、可追溯等特点，成为支撑智能车联网数据共享流通的主要途径之一.现有基于区块链的车联网数据共享方案，存在吞吐量小、安全性低等不足.引入区块链分片方法，提出基于机器学习的分片算法，将地理位置相近的路侧单元（roadsideunit，RSU）划分到同一分片，并迭代单个分片的数据共享最优负载，降低了片内通信延迟进而提高了吞吐量，平衡了不同分片之间的数据共享负载.为避免单个分片的贿赂攻击，提出了基于声誉的片内共识协议与监督人机制.选举具有高声誉的RSU参与片内共识过程，并动态计算RSU的最新声誉.设定声誉度高的RSU担任监督员，监督员可定期对不同分片产生的区块进行合法性验证.通过性能评估和安全性分析，证明方案有助于提升智能车联网数据共享的高效性和安全性.

• 软件漏洞自动化利用综述

  武泽慧,魏强,王新蕾,王允超,燕宸毓,陈静,

  近年来软件漏洞数目急剧增加，漏洞危害也引起业界广泛关注.准确、高效、快速地编写出漏洞利用代码是漏洞危害性评估和漏洞修复的关键.当前漏洞利用代码主要依赖人工手动分析编写，效率较低.因此，如何实现自动化的漏洞利用代码生成是该领域研究的热点和难点.综述分析了该领域近30年的代表性成果，首先将漏洞自动化利用过程分为典型的4个环节：漏洞根源定位、可达路径搜索、漏洞原语生成、利用代码生成.然后从人机边界、攻防博弈、共性技术3个角度对上述成果进行梳理，明确当前研究的重点、难点，以及取得的阶段性成果.最后从现有成果与技术实用化所面临的差距方面，论述当前研究存在的瓶颈问题、未来的发展趋势，以及下一步的研究重点.

• 基于图嵌入的二进制代码模块划分方法

  孙华启,康绯,舒辉,黄宇垚,卜文娟,

  软件逆向分析作为网络空间安全领域研究的核心支撑技术，在软件漏洞分析、恶意代码行为分析等方面有着广泛应用.二进制代码的模块划分是该领域研究中的关键问题，通过将复杂或者大体量软件合理划分为若干模块，对于帮助分析者快速、准确理解软件结构与功能，提高分析效率起着重要作用.对此，常见方法是将代码中的函数及其调用关系看作复杂网络，通过社区发现算法来进行函数聚类，实现模块划分，该类方法通常只考虑节点之间的连接关系，忽略了节点的属性、节点之间的相似度等信息，且对噪声和异常值比较敏感.为了解决这些问题，提出了一种基于图嵌入的二进制代码模块划分（graphembeddingbasedbinarycodemodularization，GEBCM）方法.该方法首先将软件系统抽象为属性图，然后通过带有注意力机制和排名机制的图嵌入聚类方法对函数节点进行嵌入表示并聚类.通过聚类将二进制文件分组为更具有完整功能的独立部分，揭示了复杂程序结构中分离的模块语义信息.在2个数据集上进行的实验评估，验证了所提出的GEBCM方法的有效性.评估结果表明，相比其他二进制模块化工作，GEBCM的F1值平均提高10.2个百分点.此外，在针对恶意样本的评估实验中，GEBCM能有效地划分出恶意代码的模块，表现出优秀的可扩展性.

• 一种多链协同治理的“以链治链”监管框架

  陈晓丰,宋兆雄,郑佩玉,张珺,于智,孙毅,

  当前区块链生态飞速发展，面向公众的区块链应用服务不断增多，随着Web3.0概念的升温，这一趋势将愈发明显.这在给数字经济注入新活力的同时，也给区块链应用监管带来更大挑战.区块链及其应用的技术特性以及自动化、多中心、多级多维的监管需求客观要求对Web2.0监管技术进行兼容与创新.针对这些需求与挑战，提出了一套多链协同的“以链治链”监管框架，设计了一个由分层多级监管链和异构接入链构成的监管架构，并明确了该架构下区块链监管的基本流程；将该框架下的监管技术体系抽象成基础层、决策层、跨链层、接入层、执行层和数据层，并提出一系列对监管系统构建最为关键的监管骨干机制.在监管框架和骨干机制的指导下开发了一套区块链应用监管系统，并通过实验和应用试点验证了系统的有效性和可行性.

• 基于目标生成的IPv6网络地址扫描综述

  侯冰楠,刘宁,李雄略,周桐庆,陈颖文,蔡志平,卢凯,

  随着近年IPv6网络的迅猛发展，针对IPv6的网络测量和安全分析逐步成为热门的研究课题，这其中一项最基础、最关键的工作是通过网络扫描获取大量的IPv6活跃地址.然而IPv6庞大的地址空间和稀疏的活跃主机分布使得传统的暴力扫描工具（如ZMap和MASSCAN等）无法直接使用.例如在万兆带宽条件下，可5min内扫描IPv4全网的ZMap扫描器若对IPv6进行全网扫描，仍需要花费上亿年的时间.针对大规模IPv6网络扫描所面临的效率低下问题，研究人员提出了一系列针对IPv6网络的扫描方法，提升了当前IPv6网络资产发现、识别和风控的能力.对这些基于目标生成的IPv6网络扫描方法进行了分类、梳理和总结，分析了各扫描方法的优缺点及适用场景.通过实网扫描实验，对比了多种扫描策略的命中率、边际效益和时间花销等性能情况.最后给出了对IPv6网络扫描研究的思考并对未来的研究方向进行了展望.

• 面向加密流量的社交软件用户行为识别

  吴桦,王磊,黄瑞琪,程光,胡晓艳,

  随着智能终端和社交网络越来越融入人们的日常生活，针对社交软件的用户行为识别在网络管理、网络环境监管和市场调研等方面发挥越来越重要的作用.社交软件普遍使用端到端加密协议进行加密数据传输，现有方法通常提取加密数据的统计特征进行行为识别.但这些方法识别的性能不稳定且需要的数据量多，这些缺点影响了方法的实用性.提出了一种面向加密流量的社交软件用户行为识别方法.首先，从加密流量中识别出稳定的控制流数据，并提取控制服务数据分组负载长度序列.然后设计了2种神经网络模型，用于自动从控制流负载长度序列中提取特征，细粒度地识别用户行为.最后，以WhatsApp为例进行了实验，2种神经网络模型对WhatsApp用户行为的识别精准率、召回率和F1-score均超过96%.与类似工作的实验比较证明了该方法识别性能的稳定性，此外，该方法能够通过很少的控制流数据分组达到较高的识别精准率，对实时行为识别的研究具有重要的现实意义.

• 基于增强嵌入特征超图学习的恶意域名检测方法

  魏金侠,龙春,付豪,宫良一,赵静,万巍,黄潘,

  攻击者利用域名灵活地实施各类网络攻击，诸多学者针对性地提出了一些基于统计特征和基于关联关系的恶意域名检测方法，但这2类方法在域名属性高阶关系表示方面存在不足，无法准确呈现域间全局高阶关系.针对这类问题，提出一种基于嵌入式特征超图学习的恶意域名检测方法：首先基于域名空间统计特征利用决策树构建域名超图结构，利用决策树倒数第2层节点的输出结果作为先验条件形成超边，快速将域名流量之间的多阶关联关系清晰地表示出来；其次基于超图结构特征对字符嵌入特征进行增强编码，基于域名空间统计特征和域名字符嵌入编码特征从域名数据中挖掘出字符间隐藏的高阶关系；最后结合中国科技网真实的域名系统（domainnamesystem，DNS）流量，对有效性和可行性进行了分析与评估，能够快速高效地检测隐蔽的恶意域名.

• 基于迭代协作学习框架的信誉医学参与方选择

  陆枫,李炜,顾琳,刘帅,王润衡,任宇飞,戴小海,廖小飞,金海,

  联邦学习和群智学习等协作学习技术，能够在保护数据隐私的条件下充分利用分布在各地的分布式数据深度挖掘数据中所蕴含的知识，拥有非常广阔的应用前景，尤其是在强调隐私惯例和道德约束的医疗健康领域.任何协作工作都需要选择可靠的参与方，协作学习中全局模型的性能在很大程度上取决于参与方的选择.然而，现有研究在选择参与方时都没有对不同机构医疗数据中存在的异质性加以直接关注.导致包含稳定性在内的全局模型的性能难以得到保障.提出了从信誉的角度尝试探索求解该问题.以迭代协作学习的方式尽可能挑选出具有良好信誉的参与方进行协作学习，以获得稳定可靠的高性能全局模型.首先，提出了一个描述医疗机构数据质量的AI信誉值指标AMP（AImedicalpromise），以帮助其在医疗领域中形成良好的AI生态.其次，建立了一个基于后向选择的迭代协作学习（colback-learning）框架.在单次协作学习任务中，利用后向选择方法以多项式时间复杂度迭代计算出性能良好且稳定的全局模型，完成AMP计算和积累.在AMP信誉值计算中，制定了一个综合考虑全局性能指标的评分函数，以针对医疗领域更有效地指导全局模型的训练.最后，使用真实医疗数据模拟多样化的协作学习场景.实验表明，colback-learning能够选择可靠参与方训练得到性能良好的全局模型，模型的性能稳定性比现有最好的参与方选择方法提高了1.3~6倍.全局模型的可解释性与集中式学习保持了较高的一致性.

• 基于区块链的元宇宙生态体系架构

  李鸣,宋文鹏,宗燕,刘冕宸,

  当前，元宇宙已经成为产业热词，产业各界期待元宇宙能够带来新的机会和增长点，成为推动数字经济的动力和引擎.然而，各界对元宇宙的认识存在广泛差异.通过多角度的研究，旨在为元宇宙的系统性理解和科学研究提供框架.首先，分析了多个主流元宇宙体系架构及其关键组件，揭示了元宇宙的多层次结构.其次，提出了元宇宙生态体系架构，详细阐述了技术系统、内容系统、经济系统、协作系统和治理系统各层级的要求，以及它们之间的相互关系，构建了整个元宇宙的生态体系.此外，着重分析了区块链技术在元宇宙中的重要作用，特别强调了其在数据、资产和协作支持方面的价值.该研究旨在为元宇宙领域的未来发展提供有力的理论基础和实践指导.

• 面向高密度混部的动态资源分配方法

  郭静,胡存琛,包云岗,

  当前的无服务计算提供商采用了一种灵活度低、固定CPU和内存分配比例的耦合式资源分配策略.随着更多类型应用被部署在无服务计算平台中，该策略已无法满足函数应用的多样化资源需求.由于函数应用的资源分配粒度小、部署密度高，若将CPU与内存资源的分配进行解耦，需解决资源配置空间爆炸问题.提出Semi-Share，一个面向无服务计算的解耦式资源管理系统，为函数寻找最优资源配置的同时降低混部函数之间的干扰.为解决资源配置空间爆炸问题，Semi-Share构建了一个2层资源分配架构，将资源配置空间划分为多个子空间来降低问题复杂度.第1层是函数分组，基于函数的资源使用特征和历史负载信息进行函数分组，根据分组将资源配置空间划分为多个子空间.第2层是资源分配，利用贝叶斯优化和加权打分函数来指导模型在资源配置空间中朝正确的方向搜索，降低时间开销.实验结果显示，Semi-Share相较于被广泛使用的梯度下降搜索法降低了平均85.77%的时间开销，并为函数带来平均42.72%的性能提升；与同样使用贝叶斯优化的耦合式资源分配系统COSE相比，Semi-Share能带来平均32.25%的性能提升.