计算机研究与发展杂志

计算机研究与发展杂志2025年第10期

• 大规模互联网服务的低时延传输技术

  吕格瑞,赵员康,张佳兴,潘恒,武庆华,李振宇,

  互联网是现代社会最重要的基础设施之一，其传输性能直接决定了其承载业务的能力和价值.随着移动互联网和交互式应用的快速发展，大规模互联网低时延传输面临应用层、传输层和网络层3方面技术难题，即应用数据动态发送决策与网络可用资源不匹配的难题、网络传输决策与网络状态变化不协同的难题、差异化业务与网络设备处理逻辑不一致的难题.针对传统分层、单点传输优化技术的瓶颈，提出并构建了面向大规模互联网服务的协同传输技术体系.介绍该体系中的应用智能传输决策、多维度协同传输、定制化网络内传输加速3方面技术成果，包括重要洞见、基本思路与原理、大规模部署结果等.最后，展望了互联网传输技术的下一步发展趋势.

• 基于区块链的轻量级工业物联网跨域认证与数据共享方案

  李哲成,张波,

  在当前工业物联网（industrialInternetofthings，IIoT）设备的跨域身份认证和数据共享中，边缘服务器和区块链起到了快速转发和存储的作用.现有的跨域认证与数据共享方案面临着多种安全风险，并且还存在着设备端计算和通信开销大、认证结构复杂的问题.因此，提出了一种基于区块链的轻量级工业物联网跨域认证与数据共享方案，能够实现设备的跨域匿名认证与数据共享.同时，引入了分布式密钥生成技术来构建服务密钥，并以此设计了一种轻量级的消息认证算法，能有效实现服务信息的设备端保密，同时极大限度地减少了资源消耗.详细的安全性分析表明该方案满足不可伪造性、机密性、不可链接性和匿名性.性能分析表明该方案在计算开销、通信开销和区块链查询效率上均优于相关方案.

• DecXClient：一种通用、安全的轻客户端协议

  邓智洪,唐春明,李涛涛,何雅萱,曾志康,陈祺,

  随着区块链应用的快速发展，轻客户端因其低存储和计算负担，已成为数字钱包与跨链通信中的关键技术.然而，现有轻客户端协议在存储与通信开销、安全性和共识机制兼容性方面仍存在明显局限.提出DecXClient，一种兼容多种共识机制和具备通用性与安全性的轻客户端协议.该协议基于链质量属性设计了无需可信第三方的验证集动态选举机制，结合加权多重签名提出了一种简洁高效的证明生成范式，显著提升抗欺诈能力并降低轻客户端的资源消耗.在不依赖中心化中继的前提下，DecXClient保持低于次线性级别的通信和存储复杂度，有效防御Eclipse攻击等安全威胁.在模拟真实公链网络的实验中该协议展现出卓越性能：状态证明大小仅为1248B，显著优于现有方案；平均生成延迟低至266.4ms，验证延迟近似为零.结果表明，DecXClient在安全性、效率与可适用性之间实现了良好平衡，为多场景区块链轻量化接入提供了可行方案.

• SM4密钥扩展算法的单能迹攻击

  吴震,赵洋,王敏,

  在分布式物联网的大规模应用背景下，各实体设备中密码技术作为信息安全的底层支撑架构，正面临着侧信道攻击（SCA）这一物理层安全威胁的严峻挑战.SM4分组密码算法作为我国自主研制的商用密码算法标准，已深度集成于分布式物联网安全协议中，但其实现层面的侧信道脆弱性问题亟待解决.针对SM4密钥扩展算法的侧信道攻击研究存在空白，现有攻击方法多依赖多能迹统计特性，而单能迹攻击研究匮乏.研究提出一种基于贝叶斯网络结合建模侧信道攻击的单能迹侧信道攻击方法，针对单条能量轨迹，通过构建概率图模型，结合置信传播算法，实现对轮子密钥的高效推测，进而恢复主密钥.仿真实验与实测实验表明该攻击方法有效，在理想实测环境下主密钥恢复成功率达85.74%，即使在实测能迹中添加大量高斯白噪声，使得信噪比仅为10dB的条件下，成功率仍可达70%.与传统方法相比，所提方法在成功率、所需能量轨迹数量和攻击时间等方面优势显著，为分布式物联网系统含密设备的侧信道攻击研究提供了新的思路与技术手段，也为相关防护设计提供了理论依据和参考.

• 针对SAM下游模型脆弱模块的对抗迁移攻击

  丁熠,林能健,蒋昀陶,钟宇浩,曹明生,

  SAM（segmentanythingmodel）作为一种通用的视觉基础模型，已被广泛应用于多种图像分割任务，但其在对抗性攻击面前表现出脆弱性.提出一种针对SAM下游模型脆弱模块的对抗迁移攻击方法FSGR（fragilesectiongradientrobustness）.该方法在无需知晓下游微调细节的前提下，可有效生成对抗样本，实现对SAM下游模型的攻击.该方法运用“脆弱层精准定位+局部强化迁移”策略，通过特征相似度筛选出跨任务共享且最易被激活的模块，针对性地强化攻击效果；同时，引入梯度稳健损失以消除目标模型与下游任务模型间的梯度差异.FSGR方法融合了脆弱层攻击与梯度稳健损失机制，在多个数据集上均实现了相对性能的提升.实验结果表明，FSGR在多种微调模型（如医学分割、阴影分割和伪装分割）的迁移攻击中显著降低了模型性能，证明了其正确性和实用性.与基线方法相比，FSGR不仅在攻击成功率上表现出色，还通过结合脆弱层攻击和梯度稳健损失，实现了相对性能的提升.

• BTFAT：突破联邦对抗训练中鲁棒性与准确性权衡的框架

  闫彩虹,芦效峰,

  在分布式人工智能领域，联邦学习模型与集中训练的模型一样，在推理时面对对抗样本是脆弱的.目前，联邦对抗训练很大程度上仍未被探索，面临以下两大难题：1）干净样本的模型准确性和对抗鲁棒性之间存在权衡，难以共同提升两者效果；2）非独立同分布的数据限制了联邦对抗训练的性能提升.针对以上难题，提出一种突破联邦对抗训练中鲁棒性与准确性权衡的框架BTFAT，包括：1）决策空间收紧算法以标签进行初始类内定位，同时在决策空间中缩小类内样本的距离，增加类间样本的距离，实现鲁棒性和准确性的共同提升；2）权重惩罚优化算法以全局模型权重作为最佳统一目标，惩罚过度偏离的本地对抗模型训练，辅助决策空间算法抵御非独立同分布数据分布带来的影响.在理论上分析出限制对抗训练鲁棒性和准确性增益的关键以及BTFAT的收敛性，同时从实验上证明了BTFAT在整体性能、收敛性、时间开销以及面对非独立同分布数据时全面优于最先进基线算法的效果，为联邦对抗训练研究提供了一种新思路.代码可见https://anonymous.4open.science/r/BTFAT-11265.

• 一种云平台中的异常检测轻量化模型智能构建方案

  周颖杰,杨敏,吴迪,刘凡兴,赵伟,邓怡然,吕建成,

  通过全面监控和分析云平台中的各类访问与操作，及时准确地发现潜在的异常行为，对保障云服务的安全高效运行具有重要意义.云平台中存在大量异常检测任务，现有方法通常需要针对性地对各个任务进行专门设计和调优，不具备对相关异常检测任务通用的模型构建能力.同时，这一过程高度依赖机器学习相关专业知识，使得领域专家难以构建出适用于实际任务的有效模型.针对上述问题，提出了一种云平台中的异常检测轻量化模型智能构建方案.该方案相较于现有技术：1）支持不同类型的云平台异常检测任务，领域专家仅需提供任务相关基本配置信息，即可基于该方案快速自助地搭建面向目标任务的异常检测模型；2）能使专家在具备尽可能少的机器学习和深度学习知识情况下，通过特征自动构造、特征自动优化和模型超参数自动优化等实现目标异常任务的轻量化模型智能构建.基于大规模真实云场景所收集数据的案例分析和实验结果表明，所提出方案能针对相关异常检测任务快速自助地搭建模型并具备良好的检测能力.

• 低时延智能体网络中基于三阶段关联验证的伪造链路攻击检测

  张峰,俸皓,周秀民,章茂淳,陈镇铭,刘玉明,

  面向低时延的智能体网络环境，研究了一种基于关联链路验证的伪造链路攻击检测方法.在该网络环境下，正常链路与伪造链路在测量时延等关键指标上的统计特征差异较小，并且背景流量和协调器过载攻击的影响会放大测量误差，但缩小该差异会导致现有方法的检测性能骤降.对此，提出一种基于关联链路验证的伪造链路攻击检测方法，该方法包含3个阶段：首先，采用一种有效时延转换方法缓解测量误差的影响，并将处理后的测量时延等转化为链路性能指标；然后，根据提出的多径传输模拟方法，将关联链路之间的性能差异转化为易于观测的统计特征；最后，基于极值理论和概率分布拟合方法确定统计特征的阈值，用于伪造链路的检测.仿真实验结果表明，在不同的网络规模和攻击场景下，所提出的方法能够有效地检测低时延智能体网络中的伪造链路攻击，并且在检测性能方面明显优于现有的相关方法，F1分数提升达20%~30%.特别地，当链路传输时延低至0.1ms时，仍然能取得95.23%的检测率和0.28%的误判率，显示出良好的鲁棒性.

• 融合联邦学习与量子卷积神经网络的入侵检测模型

  李冬芬,向秋雨,胡志康,袁宇航,孙雨晨,徐菡,宋征宇,韩浩民,白冬雪,多滨,周让,

  入侵检测系统（intrusiondetectionsystem，IDS）是保障网络环境安全的重要手段，但传统深度学习方法在应对非频繁攻击特征与数据不平衡问题时存在高误报率，且对高维稀疏特征建模能力有限.随着物联网与边缘设备的普及，入侵检测数据呈现出分布式与异构化趋势，且因隐私保护要求，原始数据难以集中训练.为此，提出了一种融合联邦学习与量子卷积神经网络的入侵检测模型FedCQIDS（federatedclassicalhybridquantumconvolutionalintrusiondetectionsystem），在客户端本地模型中引入轻量化的量子卷积层，通过量子比特复用技术提升资源利用率，增强对低频稀疏攻击特征的表达能力，并借助联邦学习架构实现多客户端间的协同建模与隐私保护.在NSL-KDD与UNSW-NB15两个数据集上开展了相关的实验，结果表明FedCQIDS在准确率与损失值方面均优于传统联邦模型，特别是在少数类攻击识别任务中表现出更高的检测性能与训练稳定性，展示了其在隐私保护与高效部署下的应用潜力.

• 音频驱动的说话人面部视频生成与鉴别综述

  乐铮,胡永婷,徐勇,

  随着人工智能生成模型和深度伪造的迅速兴起，利用各种方法生成人脸说话视频的技术日益成熟，其中音频驱动的说话人面部视频生成方法因其生成效果的逼真自然而备受瞩目.该类方法利用音频作为驱动源，结合图片或视频素材，用以合成与输入音频口型同步的目标角色讲话视频.目前，相应的技术已经被广泛应用于虚拟主播、游戏动漫、影视剧制作等内容创作领域，并展现出广阔的发展前景.然而，这些技术的潜在负面影响也日益显现，若被不当利用或滥用，极有可能触发严重的政治和经济后果.在此背景下，针对面部伪造视频的鉴别研究应运而生，主要通过分析单视频帧的真实性或视频帧序列的时空一致性来评估视频的真实性.首先，依据时间脉络及基础模型的发展轨迹，系统性地剖析了音频驱动面部视频生成任务的经典算法与最新研究成果.其次，详尽列举了该任务领域内常用的数据集及评估标准，并从多个维度出发，对这些数据集与标准进行了全面深入的对比分析.紧接着，针对伪造面部视频鉴别任务，对鉴别技术所针对的对象（即单帧或多帧）进行了细致的分类与归纳，同时，也对其常用的数据集及评估标准进行了系统的总结与梳理.最后，展望了该研究领域面临的挑战与未来的发展方向，旨在为后续的相关研究提供有价值的参考与坚实的支撑.

• 基于深度学习的人脸去识别化综述

  戴思龙,王鹏飞,王晓玲,

  近年来，随着深度学习技术的迅速发展，为人脸去识别提供了全新的解决思路.相较于传统的图像处理技术，深度生成模型在人脸去识别领域展现出了显著的优势，包括生成图像质量高、模型鲁棒性强等特点.综述回顾并总结了近年来利用深度学习技术在人脸去识别问题上的理论探索和研究成果.首先概述了深度学习在人脸去识别中所采用的网络架构和基本原理，接着深入讨论了基于这些技术的去识别方法，包括面部交换、特征扰动等关键技术，并介绍了评估这些技术的标准实验指标.进一步地，总结了当前技术面临的主要挑战，如姿态与表情的稳定性、属性解耦以及视频应用的适应性等问题，并展望了未来研究中亟需攻克的难题.最后，强调了深度学习技术在人脸去识别领域的重要性，并指出了未来研究的方向.综述旨在为读者提供人脸去识别领域的深入见解，并激发未来研究的新思路和方向.

• 面向边缘智能的大模型研究进展

  王睿,张留洋,高志涌,姜彤雲,

  随着大模型技术的迅猛发展，大模型在自然语言处理和计算机视觉等领域表现出卓越的性能，成为解决复杂问题的重要工具，并在科研和产业界引发了广泛关注.然而，当前基于云平台的大模型训练和推理方案面临诸多挑战，包括高昂的成本、有限的可扩展性和信息安全风险等.随着模型参数规模的不断扩大，对于低成本、高效训练和推理的需求愈发迫切.在端边侧进行大模型的协同训练和推理，可以显著降低延迟和带宽需求，同时增强数据隐私和操作效率，为大模型在多样化场景中的低成本应用提供关键技术支持，成为当前研究的热点之一.全面调研了面向边缘智能的大模型相关研究，主要从大模型边缘训练和推理2个角度对当前相关研究进行了深入分析和讨论.最后，提出了面向边缘智能的大模型技术发展所面临的挑战和未来展望，希望能促进学术界和产业界对面向边缘智能的大模型技术有更深入的了解和关注，并能够启发更多的学者深入开展研究.

• 基于图插值和可变形卷积网络的序列推荐

  刘昕悦,尹海莲,臧亚磊,吴文隆,卓俊男,徐凤如,陈吕莹,马维华,李博涵,

  序列推荐系统（sequentialrecommendationsystem，SRS）旨在基于用户的历史行为偏好预测下一步行为.尽管针对序列推荐提出了许多有效的方法，但仍然存在根本性的挑战.首先，随着在线服务的普及，推荐系统需要同时服务于热启动用户和冷启动用户.然而，由于难以从交互数据有限的序列中学习到有效的序列依赖关系，大多数依赖于用户-项目交互的现有模型失去了优势.其次，由于现实中用户意图的可变性和主观随机性，用户在其历史序列中的行为往往是隐含和复杂的，很难从这些用户-项目交互数据中捕获这种动态转变模式.提出了一种基于图插值和可变形卷积网络的序列推荐（graph-basedinterpolationsequentialrecommenderwithdeformableconvolutionalnetwork，GISDCN）模型.对于冷启动用户，将序列对象重新构建成图，并提取全局序列中的知识来推断用户可能的偏好.为了捕捉复杂的顺序依赖关系，使用可变形卷积网络来生成更健壮和灵活的卷积核.最后，在4个数据集上进行了综合实验，验证了模型的有效性.实验结果表明，GISDCN优于大多数主流的模型.

• 参考点引导和多策略协同的高维多目标萤火虫算法

  赵嘉,胡秋敏,肖人彬,潘正祥,吕莉,王晖,樊棠怀,

  针对多目标萤火虫算法在解决高维多目标优化问题时存在Pareto支配失效、寻优能力弱和收敛速度慢的问题，提出了参考点引导和多策略协同的高维多目标萤火虫算法（many-objectivefireflyalgorithmbasedonreferencepointguidanceandmultiplecooperativestrategies，MaOFA-RR）.该算法在目标空间中预设一组均匀分布的参考点，通过萤火虫与参考点之间的距离关系，划分出引导萤火虫和普通萤火虫，以取代Pareto支配，增大选择压力；使用3种进化策略对萤火虫进行位置更新，引导萤火虫对局部空间进行探索，普通萤火虫根据距离阈值分别向引导萤火虫学习或对全局空间进行探索，提升算法的寻优能力和收敛速度；最后，算法融合反向学习思想，扩大种群搜索范围，提高发掘更优解的可能.将MaOFA-RR与8种新近高维多目标进化算法进行比较，实验结果表明，MaOFA-RR在处理高维多目标优化问题时具有高效的性能.

• 基于多粒度信息交互和数据增强的隐式篇章关系识别

  姚浩,熊锦晖,李春生,邬昌兴,

  隐式篇章关系识别旨在推导没有连接词的论元（句子或子句）之间的语义关系.现有研究证实引入短语信息能切实提升识别性能，但依然存在以下不足：1）通常依赖句法分析器且词、短语与论元之间的交互不充分；2）引入短语信息导致的数据稀疏性问题.为此，分别提出基于多粒度信息交互的隐式篇章关系识别模型MGII（multi-granularityinformationinteraction）和基于链式解码的数据增强方法DAM（dataaugmentationmethod）.所提模型通过卷积神经网络自动学习n-gram短语的语义表示，利用Transformer层显式地建模词、短语和论元之间的交互，并通过链式解码进行多级篇章关系预测.提出的数据增强方法同时预训练编码模块和解码模块，从而能有效地利用大量显式篇章关系数据.所提方法在PDTB数据集上的性能显著优于近期的基准模型，且不依赖句法分析器，具有较强的适用性.

• 面向GPU平台的通用Stencil自动调优框架

  孙庆骁,杨海龙,

  Stencil计算在科学应用中得到了广泛采用.许多高性能计算（HPC）平台利用GPU的高计算能力来加速Stencil计算.近年来，Stencil计算在阶数、内存访问和计算模式等方面变得更加复杂.为了使Stencil计算适配GPU架构，学术界提出了各种基于流处理和分块的优化技术.由于Stencil计算模式和GPU架构的多样性，没有单一的优化技术适合所有Stencil实例.因此，研究人员提出了Stencil自动调优机制来对给定优化技术组合进行参数搜索.然而，现有机制引入了庞大的离线分析成本和在线预测开销，并且无法灵活地推广到任意Stencil模式.为了解决上述问题，提出了通用Stencil自动调优框架GeST，其在GPU平台上实现Stencil计算的极致性能优化.具体来说，GeST通过零填充格式构建全局搜索空间，利用变异系数量化参数相关性并生成参数组；之后，GeST迭代地从参数组选取参数值，根据奖励策略调整采样比例并通过哈希编码避免冗余执行.实验结果表明，与其他先进的自动调优工作相比，GeST能够在短时间内识别出性能更优的参数设置.

• Ionia：基于Coq的带类型学习框架及代码生成工具

  张晓丽,陈钢,麻莹莹,胡萍,

  随着人工智能（artificialintelligence，AI）规模的快速增长，深度学习应用程序中出现的错误也日益增多.现有主流深度学习框架大都建立在动态类型语言Python之上，缺乏类型检查机制，导致许多错误无法在编译阶段通过类型检查加以排除.为此，提出了一种基于定理证明器Coq的强类型函数式编程风格的深度学习框架.该框架具有带类型的张量结构和强大的静态类型检查能力.实验结果表明，该框架能够自动有效检测到深度学习模型中的形状不匹配错误，相较于其他检查工具，在检测能力和速度方面具有更大优势.进一步地，设计并实现了一套从函数式编程模型到C代码的重写转换规则，实现了从函数式神经网络算子表达式到多核并行OpenMPC代码的转换.多组实验结果表明，该方法生成的算子C代码与手工编写的代码质量相当，且加入多核并行优化后生成的神经网络算子OpenMPC代码相较于顺序执行的算子C代码，速度提升了4~10倍.此外，利用该方法生成的C算子具有高安全性，能够有效避免人工编写代码时常见的下标越界和存储分配错误等问题.