计算机科学与探索杂志

计算机科学与探索杂志2020年第4期

• 边缘计算：新型计算范式综述与应用研究

  郑逢斌，朱东伟，臧文乾，杨劲林，朱光辉

  科学技术的快速发展，使万物互联设想不再仅仅停留在人们的概念中。随着接入无线网的智能设备数量的快速增长，边缘数据量已达到ZB级别，给核心网络带宽造成巨大压力；与此同时，无人驾驶、位置识别、增强现实、虚拟现实等众多新兴应用的出现对网络延迟、抖动、数据安全等提出了更高的要求。传统云计算在以上方面表现乏力，于是边缘计算（EC）应运而生。边缘计算能够在网络的边缘提供轻量级的云计算和存储能力。对边缘计算的最新研究成果和应用进行了详尽的回顾。首先综述边缘计算和云计算的概念并对比分析边缘计算的优势，指出边缘计算发展的必然性和时代趋势；然后针对典型边缘计算架构和平台进行了全面的综述，并讨论了网络性能优化、视频缓存、购物车视图刷新和网络视频直播等边缘计算中的典型应用案例。最后，从边缘计算服务管理、应用移动性管理、计算资源管理、数据管理等四方面，展望了边缘计算的开放式研究挑战和未来的发展趋势，希望能给从事边缘计算的科研工作者带来启发。

• 基于密度峰值和近邻优化的聚类算法

  何云斌，董恒，万静，李松

  针对密度峰值算法在选取聚类中心时的时间复杂度过高，需要人工选择截断距离并且处理流形数据时有可能出现多个密度峰值，导致聚类准确率下降等问题，提出一种新的密度峰值聚类算法，从聚类中心选择、离群点筛选、数据点分配三方面进行讨论和分析，并给出相应的聚类算法。在聚类中心的选择上采取KNN的思想计算数据点的密度，离群点的筛选和剪枝以及数据点分配则利用Voronoi图的性质，结合数据点的分布特征进行处理，并在最后应用层次聚类的思想以合并相似类簇，提高聚类准确率。实验结果表明：所提算法与实验对比算法相比较，具有较好的聚类效果和准确性。

• SDN环境下的LDoS攻击检测与防御技术

  颜通，白志华，高镇，闫丽娜，周蕾

  低速率拒绝服务（LDoS）攻击是一种新型的网络攻击方式，其特点是攻击成本低，隐蔽性强。作为一种新型的网络架构，软件定义网络（SDN）同样面临着LDoS攻击的威胁。但SDN网络的控制与转发分离、网络行为可编程等特点又为LDoS攻击的检测和防御提供了新的思路。提出了一种基于OpenFlow协议的LDoS攻击检测和防御方法。通过对每条OpenFlow数据流的速率单独进行统计，并利用信号检测中的双滑动窗口法实现对攻击流量的检测，一旦检测到攻击流量，控制器便可以通过下发流表的方式实现对攻击行为的实时防御。实验表明，该方法能够有效检测出LDoS攻击，并能够在较短时间内实现对攻击行为的防御。

• 文档检索中文本片段化机制的研究

  李宇，刘波

  文档检索是自然语言处理的研究热点，相对于短文本文档具有信息丰富且冗长的特征。在长文本检索中，查询语句与长文本中的句子往往不是全部相关，可能会出现某些高相似片段的强干扰，因此查询语句与文档之间的相关性评分不能简单采用基于词语或字符串之间的相似度计算。提出了一种文本片段化机制（TSM）进行文档检索，首先将每个候选文档划分成片段，再计算查询语句与文档片段之间的相关度，所使用的相关度匹配方案考虑了语义和词频等因素，筛选出关键的文本片段并得出相关片段比率，综合这些片段信息计算查询与文档之间的相关性得分，从而获取Top-K文档集。针对Glasgow信息检索专用数据集的实验结果表明，利用文本片段化机制进行文本匹配可以提高信息检索的性能。

• 双曲因子分解机

  王玮皓，陈松灿

  因子分解机（FM）自提出以来已被广泛用于推荐系统，为了捕捉特征间的二阶交互，FM将任意两个特征的二阶系数表示成欧氏空间中对应嵌入向量的内积。考虑到推荐场景中的对象如商品、用户、属性、上下文信息等，可用具有层次结构的异构网络进行表达，而平坦的欧氏空间无法刻画这种层次结构，限制了FM的特征表示能力，为此提出了双曲因子分解机（HFM）。它将每维特征表示为双曲空间而非欧氏空间中的向量，并利用双曲距离度量评估特征间的二阶交互强度。选择双曲空间是因为其被证明更适合树、图和词汇等具有层次结构的对象嵌入。分别设计了基于庞加莱球和基于双曲面两种双曲空间模型的HFM，并导出了对应的黎曼梯度下降优化算法。在多个数据集上的实验结果表明，HFM在等量参数的情形下，获得了比FM更优的性能，同时揭示出了在FM中欠缺的特征间的层次关系，使之具有部分可解释性。

• 两阶段不定核支持向量机

  史娜，薛晖，汪云云

  近年来，在机器学习的各个领域出现了越来越多不定的度量核矩阵，使得不定核支持向量机（IKSVM）得到了广泛关注。但是，现有IKSVM算法通常不能较好地解决高维数据所带来的信息冗余和样本稀疏等问题。针对此研究现状，对现有主流的IKSVM算法进行了研究，并基于再生核Kre?n空间（RKKS）中对IKSVM问题的稳定化定义，从理论上证明了IKSVM问题的本质为不定核主成分分析（IKPCA）降维后空间中的支持向量机（SVM）问题，进一步地提出求解IKSVM问题的新型学习框架TP-IKSVM。TP-IKSVM通过将IKSVM问题的求解拆分为IKPCA和SVM两个阶段，充分地发挥了IKPCA在处理高维数据的信息冗余和样本稀疏等方面的优势，同时结合SVM以有效分类。在真实数据集上的实验结果表明，TP-IKSVM的分类精度优于现有主流的IKSVM算法。

• 弹力理论传播的半监督学习新方法

  刘莹莹，王士同

  现有的基于图的半监督学习方法在本质上是属于模拟各种传播机制的标签传播方法。与现有的传播机制不同，尝试采用一种新的基于弹力的传播方法来实现半监督学习。基本思想是假设图中的每个节点以一定的弹性系数都接受其相邻节点的弹性力，并以另一个弹性系数将弹性力传递给相邻的节点。因此，两种类型的弹性力之间的差异可以度量每个节点的传播量。在此想法基础上，推导出图中所有节点的更新方程，并将这些方程表示为矩阵形式，进一步推导出其解析解。换句话说，该方法具有可靠的物理学基础。并从优化相应的目标函数角度出发，论证了该方法的基本原理，从而保证了该方法的收敛性。大量的实验结果验证了该方法在半监督学习中的有效性。

• 利用位置增强注意力机制的属性级情感分类

  张周彬，相艳，梁俊葛，杨嘉林，马磊

  属性级情感分类旨在准确识别评论中属性的情感极性。现有的基于长短时记忆网络（LSTM）的方法大多只利用了属性和上下文的语义信息，而忽视了属性与上下文相对位置信息。针对此问题，提出一种利用相对位置信息来增强注意力的LSTM网络模型，解决属性级情感分类问题。首先，对上下文的输入层加入位置向量，利用两个LSTM网络对上下文和属性分别进行独立语义编码；然后，对上下文的隐藏层再次拼接位置向量，并利用属性隐藏层向量参与上下文不同词注意力权重的计算；最后，利用上下文生成的有效表示进行情感分类。该模型在SemEval 2014 Task4 Restaurant和Laptop两个不同领域数据集上进行了实验，在三分类实验中，准确率分别达到79.7%和72.1%。在二分类实验中，准确率分别达到92.1%和88.3%。相比多个基线模型，在准确率上都有一定的提升。

• 灰狼优化的混合参数多分类孪生支持向量机

  周广悦，李克文，刘文英，苏兆鑫

  孪生支持向量机（TWSVM）是在支持向量机（SVM）的基础上产生的一种高效二分类算法，由于现实中存在的问题大多数是多分类的，将二分类孪生支持向量机扩展到多分类孪生支持向量机（MTWSVM）是非常重要的。目前常用的MTWSVM一般是基于“一对一”策略，但该策略中各子分类器都采用相同的惩罚参数以及核参数，忽略了不同子分类器之间的差异，不能使其发挥最好的作用。通过提出一种基于混合参数的多分类孪生支持向量机（MP-MTWSVM），为不同的子分类器选取合适的参数，保持分类器的多样性，进而根据“一对一”策略构建MTWSVM。TWSVM本就面临着参数难确定的问题，而MP-MTWSVM算法又引入了大量的参数，通过灰狼算法（GWO）对MP-MTWSVM的参数进行寻优，进一步提出了基于灰狼优化的混合参数多分类孪生支持向量机（GWO-MP-MTWSVM）。通过实验表明，GWO可以快速找到各子分类器的最优参数，并进一步提升了算法的准确率。

• 独立自适应调整参数的粒子群优化算法

  张其文，尉雅晨

  针对传统粒子群优化算法在求解复杂优化问题时易陷入局部最优和依赖参数的取值等问题，提出了一种独立自适应参数调整的粒子群优化算法。算法重新定义了粒子进化能力、种群进化能力以及进化率，在此基础上给出了粒子群惯性权重及学习因子的独立调整策略，更好地平衡了算法局部搜索与全局搜索的能力。为保持种群多样性，提高粒子向全局最优位置的收敛速度，在算法迭代过程中，采用粒子重构策略使种群中进化能力较弱的粒子向进化能力较强的粒子进行学习，重新构造生成新粒子。最后通过CEC2013中的10个基准测试函数与4种改进粒子群算法在不同维度下进行测试对比，实验结果验证了该算法在求解复杂函数时具有高效性，通过收敛性分析说明了算法的有效性。

• 自适应监督下降方法的姿态鲁棒人脸对齐算法

  赵慧，景丽萍，于剑

  人脸对齐是人脸分析处理中的重要一步。由于现实中的人脸照片通常在姿态、光线等方面存在较大的差异，人脸对齐是一项艰巨的任务。初始关键点的位置以及特征提取对人脸对齐很重要。提出一种自适应监督下降方法（SDM）的姿态鲁棒人脸对齐算法。首先，为了减小姿态差异对人脸对齐的影响，使用聚类算法将图片按照姿态分成三类（正脸，左侧脸，右侧脸），这样每个类别下的姿态更加紧致。其次，考虑到人脸对齐是由粗到细的多阶段监督学习过程，采用自适应特征提取框（由大到小）来提取判别性特征。基于上述两种策略，在每个类别下，提供一个更好的初始关键点位置，通过自适应特征提取的SDM模型来进行回归模型的训练。选用LFPW、HELEN和300W数据集进行评估，实验结果表明，该模型在复杂姿态下能准确定位关键点，并且好于现有的人脸对齐算法。

• 向量相似度可复原三维点云压缩算法

  张旭康，牛保宁，张锦文

  针对三维点云数据压缩中细节特征不易保留，模型平缓部位存在过度压缩以及压缩后的点云模型不易复原等问题，提出一种基于向量相似度的三维点云压缩算法和复原算法CVS。向量相似性度量采用提出的L3A进行度量。CVS把每个三维坐标点看作是连接其坐标和原点的三维向量，按照三维坐标点的读入顺序选取参考向量，生成覆盖整个点云区域的采样区域，进行分区压缩。在采样区域中使用最小二乘曲面拟合算法对包含其中的点云进行曲面拟合，设置曲率阈值剔除坐标点，并存储曲面方程参数用于复原。通过控制L3A向量相似度中的长度和角度的变化阈值，使得密集点云区域的压缩率高于非密集区域的压缩率，通过控制曲率阈值，使得低曲率区域的压缩率高于高曲率区域的压缩率，最大程度保留模型细节特征。CVS使用压缩阶段产生的复原信息生成点云来恢复模型的细节特征，使得模型特征更加明显。

• 多层次降维的头颈癌图像特征选择方法

  程天艺，王亚刚，龙旭，潘晓英

  针对原始病理图像经软件提取形态学特征后存在高维度，以及医学领域上样本的少量性问题，提出ReliefF-HEPSO头颈癌病理图像特征选择算法。该算法构建了多层次降维框架，首先根据特征和类别的相关性，利用ReliefF算法确定不同的特征权重，实现初步降维。其次利用进化神经策略（ENS）丰富二进制粒子群算法（BPSO）的种群的多样性，提出混合二进制进化粒子群算法（HEPSO）对候选特征子集完成最佳特征子集的自动寻找。与7种特征选择算法的实验对比结果证明，该算法能更有效筛选出高相关性的病理图像形态学特征，实现快速降维，以较少特征获得较高分类性能。

• 生成式对抗网络在超分辨率图像重建中的应用

  汪鑫耘，李丹

  针对现有卷积神经网络图像超分辨率算法容易出现过拟合、损失函数的收敛性不足等问题，结合超分辨率算法和生成式对抗网络（GAN）理论，设计一种基于生成式对抗网络的超分辨率算法PESRGAN用于恢复四倍下采样的图像。首先使用残差密集块（RDB）作为基本结构单元，有效避免了过拟合问题；其次使用双层特征损失并使用渗透指数（PI）作为损失的权值，更好地去学习低分辨率到高分辨率图像之间的映射关系；同时使用VGG19作为判别网络高分辨率图像进行分类；最后使用经典数据集，将PESRGAN算法与双三次插值（Bicubic）、SRGAN、ESRGAN算法在客观参数和主观视觉效果进行对比。实验结果表明:在经典数据集上，PESRGAN的平均峰值信噪比（PSNR）达到25.4 dB、平均结构相似性（SSIM）达到0.73，平均渗透指数（PI）达到1.15，在客观参数和主观评价上均优于其他算法，证明了PESRGAN有良好的超分辨率重建的效果。

• 水平结构竞争-互利群落优化算法

  黄光球，陆秋琴

  为了求解一些非线性优化问题的全局最优解，采用水平结构竞争-互利群落动力学理论，提出了一种新的水平结构竞争-互利群落优化算法（HS-CBCO）。在该算法中，每个种群由若干生物个体组成，种群间相互作用主要是竞争和互利，种群内部各个体之间存在相互影响。运用群落动力学理论开发出了6个算子，其中竞争和互利算子可实现个体跨种群交换信息，而普通影响和强烈影响算子可实现种群内的个体之间的信息交换，从而确保了个体间的信息的充分交换；新生算子可适时补充新个体到种群中，而死亡算子可将种群中的虚弱个体适时清除掉，从而提升了该算法跳出局部陷阱的能力。测试结果表明，HS-CBCO算法的求精能力、探索能力及其两者的协调性均优良，且具有全局收敛性的特点，为复杂优化问题全局最优解的求解提供了解决方案。

• 启发式概念构造的组推荐方法

  刘忠慧，邹璐，杨梅，闵帆

  形式概念分析是形式背景的数据分析方法，已被引入推荐系统领域。概念格作为形式概念分析的有效工具，因其构造效率低下，所以难以应对电子商务中的大规模数据。为解决该问题，提出一种基于启发式概念构造的组推荐方法。首先，基于用户共同评分的项目，定义概念构造的启发式信息，实现概念的快速构造；同时利用内涵约束，在保证群组相似度的基础上，构造当前面积最大的概念，以包含更多的邻居用户；然后，在覆盖所有用户的概念集合上，统计项目在群组中的流行度，实现对群组用户的组推荐。在抽样数据集和MovieLens上，对比了该算法与两类不同的推荐算法。实验结果表明，在大规模数据下，该算法能在快速生成概念集合同时满足推荐需要。

• 自适应聚合策略优化的密度峰值聚类算法

  钱雪忠，金辉

  针对密度峰值聚类算法受人为干预影响较大和参数敏感的问题，即不正确的截断距离[dc]会导致错误的初始聚类中心，而且在某些情况下，即使设置了适当的[dc]值，仍然难以从决策图中人为选择初始聚类中心。为克服这些缺陷，提出一种新的基于密度峰值的聚类算法。该算法首先根据[K]近邻的思想来确定数据点的局部密度，然后提出一种新的自适应聚合策略，即首先通过算法给出阈值判断初始类簇中心，然后依据离初始类簇中心最近分配剩余点，最后通过类簇间密度可达来合并相似类簇。在实验中，该算法在合成和实际数据集中的表现比DPC、DBSCAN、[KNNDPC]和K-means算法要好，能有效提高聚类准确率和质量。