计算机科学与探索杂志

计算机科学与探索杂志2023年第5期

• 环签名技术研究进展及展望

  谢佳, 刘仕钊, 王露, 高军涛, 王保仓

  环签名作为一种特殊的群签名，因其不仅可以在不需要环成员协作的情况下完成签名，还能保证签名者的匿名性这一特点，已被广泛应用在匿名投票、匿名存证以及匿名交易等领域。首先，以时间为主线，将环签名发展分为不同的阶段，在每个阶段内又根据属性将环签名分为门限环签名、可链接环签名、可撤销匿名性的环签名、可否认的环签名等签名方案。通过对环签名发展历程的分析可知，环签名在门限环签名和可链接环签名领域的研究进展较为突出，其应用领域也最为广泛。在后量子时代，诸如基于大整数分解、离散对数等传统数论问题的密码方案已经不再安全，格公钥密码体制因其抗量子性、存在最坏实例到普通实例的规约等诸多优势成为后量子时代密码标准的最佳候选。因此，着重对现有基于格的门限环签名和基于格的可链接环签名进行了详尽的分析和效率比对。环签名天然的匿名特性使得其在产业区块链时代有着得天独厚的优势，因此将环签名在区块链中的几个应用进行了详细阐述。诸如对环签名在匿名投票、医疗数据共享、车联网领域的应用进行了概述和流程分析；又对环签名在虚拟货币、SIP云呼叫协议、Ad Hoc网络领域的应用意义进行了简单梳理。最后，对环签名技术近几年的研究进行分析，并总结了目前存在的问题。

• 面向社交媒体数据的人格识别研究进展

  林浩, 王春东, 孙永杰

  人格是一种与人类的想法、情绪、行为相关的稳定模式，任何涉及对人类行为进行理解、分析、预测的技术都有可能受益于人格识别。准确识别人格将有助于人机交互、推荐系统、网络空间安全等研究。社交媒体为人格识别研究提供了高质量的数据源，而自陈量表、投射测验等经典人格测量方法已无法匹配大数据时代的社交媒体数据，且主流的基于机器学习训练的人格识别模型仍有很大性能提升空间。故此，梳理了当前面向社交媒体数据的人格识别的研究，介绍了人格识别的背景知识，按照人格识别模型输入数据的类型分别综述研究现状并系统地总结了经典文献，具体类型为基于社交文本数据、基于社交图像数据、基于社交应用统计数据以及基于多模态数据。最后，提出面向社交媒体数据的人格识别研究的七个未来研究方向。

• 无监督学习的车辆重识别方法研究综述

  徐岩, 郭晓燕, 荣磊磊

  车辆重识别作为智能交通系统的关键技术之一，旨在从不同监控场景下识别同一车辆，对构建平安智慧城市起着重要作用。随着计算机视觉技术的不断发展，使用监督学习的重识别方法存在训练过程对人工标注依赖强、场景泛化能力弱的问题，因此无监督学习的车辆重识别逐渐成为近年来研究的重点。首先，介绍了当前主流的车辆重识别数据集以及常用的模型评价指标。然后，系统梳理了近几年基于无监督学习的车辆重识别方法，根据目前的研究思路将这些方法归纳为生成对抗网络和聚类算法两大类；从域偏差、跨视域偏差以及数据样本信息不足的问题出发，将前者进一步分为风格转换、多视角生成和数据增强三类；又针对标签的问题，将后者分为伪标签的无监督域适应和无需标签信息两类；以解决问题为着手点，总结出每类方法的基本原理、优缺点以及在主流数据集上的性能结果。最后，讨论分析了目前无监督学习的车辆重识别所面临的挑战，并对该研究方向的未来工作进行展望。

• 深度神经网络中的后门攻击与防御技术综述

  钱汉伟, 孙伟松

  神经网络后门攻击旨在将隐藏的后门植入到深度神经网络中，使被攻击的模型在良性测试样本上表现正常，而在带有后门触发器的有毒测试样本上表现异常，如将有毒测试样本的类别预测为攻击者的目标类。对现有攻击和防御方法进行全面的回顾，以攻击对象作为主要分类依据，将攻击方法分为数据中毒攻击、物理世界攻击、中毒模型攻击和其他攻击等类别。从攻防对抗的角度对现有后门攻击和防御的技术进行归纳总结，将防御方法分为识别有毒数据、识别中毒模型、过滤攻击数据等类别。从深度学习几何原理、可视化等角度探讨深度神经网络后门缺陷产生的原因，从软件工程、程序分析等角度探讨深度神经网络后门攻击和防御的困难以及未来发展方向。希望为研究者了解深度神经网络后门攻击与防御的研究进展提供帮助，为设计更健壮的深度神经网络提供更多启发。

• 超大规模药物虚拟筛选的实现与应用

  张宝花, 李辉, 刘倩, 高美娜, 黄荷, 赵毅, 于坤千, 金钟

  基于分子对接的药物虚拟筛选技术通过评估多个配体化合物与受体的结合强度来筛选最强结合的分子。在新冠病毒疫情全球蔓延形势下，超大规模快速药物虚拟筛选对于从海量配体结构中筛选出潜药分子至关重要。超级计算机的强大算力为药物虚拟筛选提供了硬件保障，但超大规模的药物虚拟筛选还面临着很多挑战，影响了计算的有效进行。在对挑战进行分析的基础上，提出了以中央数据库进行集中任务分发的方案，设计了多层级任务分发框架，并通过多层级智能调度、海量小分子文件多层级压缩处理、动态负载均衡、高容错管理等技术有效应对了面临的各种挑战，开发了简单易用的“树”形多层级任务分发系统，实现了快速高效稳定的药物虚拟筛选任务分发、计算和结果处理功能，计算效率近线性。在此基础上，采用异构计算技术在国产先进计算系统上针对新冠病毒两种不同活性位点快速完成了超过20亿化合物的药物虚拟筛选，为应对暴发性恶性传染病的超大规模快速虚拟筛选提供了强大计算保障。

• 融合学习机制的多混沌麻雀搜索算法

  李光阳, 潘家文, 钱谦, 殷继彬, 伏云发, 冯勇

  针对麻雀搜索算法（SSA)易受初始解的影响陷入局部极值、迭代后期收敛速度慢等缺陷，提出了一种融合学习机制的多混沌麻雀搜索算法（MMCSSA）。首先，引入重心反向学习策略（COBL）生成精英种群增强对多源优质搜索区域的勘探能力，提升算法的局部极值逃逸能力和收敛性能。其次，提出一种动态调整的黄金正弦领导策略并嵌入SSA中以改善发现者的搜索方式，增强算法的全局搜索能力。然后，提出一种基于学习机制的多混沌映射策略，该机制利用多混沌多扰动模式的特性，通过动态调用不同混沌映射赋予算法不同类别的扰动特征。混沌扰动失败时，引入高斯变异策略对当前解进行深度开发，两种策略协同作用，相互促进，极大增强了算法逃逸局部最优的能力。最后，将所提算法应用于12个不同特征的基准函数进行实验，结果表明与其他算法相比，MMCSSA在收敛精度、寻优速度和鲁棒性方面有更好的表现。

• 改进平衡优化器算法在约束优化问题中的应用

  李守玉, 何庆, 陈俊

  针对平衡优化器算法存在种群勘探与开发难以平衡、粒子进化信息不足、容易出现早熟现象等问题，提出改进的平衡优化器算法。首先，根据算法优化进行的迭代阶段采用正弦池策略动态地平衡勘探与开发能力，迭代前期通过固定角频率的正弦递减进行大范围的全局勘探，扩大算法探索搜索空间中未知区域，增强发现潜藏优质粒子的能力；迭代后期通过变化角频率的正弦递增进行局部开发使勘探与开发自适应平衡，提高算法优化精度。其次，自适应优先引力策略引入当前最优粒子信息克服粒子进化信息匮乏的问题，然后通过融入均匀分布和贝塔分布共同作用丰富种群粒子进化信息，提高粒子之间的信息交换速率，增强粒子逃离局部最优的能力，达到引导种群向全局最优方向快速收敛目的。最后，使用16个基准测试函数、CEC2017函数集、Friedman检验、Wilcoxon秩和检验以及2个现实中的工程约束优化问题测试所提算法的寻优能力。实验结果表明，相比其他新提出的智能算法，所提算法具有更高的优化精度和更快的收敛速度。

• 改进YOLOX-S模型的施工场景目标检测

  胡皓, 郭放, 刘钊

  现有YOLOX-S模型在施工环境干扰下目标检测平均精准率（AP）偏低，不能较好满足实际应用需要。针对上述问题，从引入结构重参数化模块、引入卷积注意力模块、引入AdamW优化算法三方面对YOLOX-S模型进行改进。首先，利用RepVGGBlock解耦训练阶段与测试阶段的模型结构，在训练阶段模型的Backbone与Neck中构建更多残差结构，提高模型的特征提取能力。其次，利用LKA模块提取局部特征信息与长距离依赖关系，为后续计算目标边界框位置与大小提供更加有效的注意力指引，提升检测平均精准率。然后，使用AdamW优化算法替代Adam优化算法更新模型参数，进一步改良模型收敛结果，提升模型泛化能力。最后，在建筑工地运动目标数据集（MOCS）上进行实验，结果表明，改进YOLOX-S模型检测所有目标的平均精准率提升3.3个百分点，检测大目标、中目标、小目标的平均精准率分别提升3.2、2.3、2.2个百分点。同时，改进YOLOX-S模型计算代价未明显增加，可在实时运行的同时更好满足施工场景下对目标检测平均精准率的需要。

• 引入残差学习与多尺度特征增强的目标检测器

  贾天豪, 彭力, 戴菲菲

  目前深度学习在计算机视觉领域中取得了巨大成功，但是小目标检测仍是目标检测领域中具有挑战性的难题。针对小物体分辨率低、图像模糊、携带信息少等问题，提出了引入残差学习与多尺度特征增强的目标检测器。首先在主干网络中引入基于残差学习的增强特征映射块，通过通道平均和归一化处理使得模型更加专注于对象区域而不是背景，并在兼顾检测速度的同时为有效特征层提供额外的语义信息；然后特征映射对上下文信息敏感的特征融合块进一步增大有效特征图的感受野，并将用于预测的浅特征层与深特征层进行融合，提高低分辨率下的检测性能；最后通过双重注意力块抑制背景噪音，将关键特征嵌入到注意力中，在保留空间信息的同时加强通道间的信息关联，进而增强特征的表达能力。为了更好地检测小目标，还对浅层特征映射先验框数量进行了调整。实验结果表明，在PASCAL VOC2007的数据集上，该算法对于300×300输入尺度的检测精度（mAP）为79.9%，较SSD提高了2.7个百分点，对小目标bird、bottle、chair、plant检测精度分别提升了5.1个百分点、7.5个百分点、3.9个百分点、7.2个百分点。在OAP自制航拍数据集上的检测精度（mAP）为82.7%。

• 通道分离双注意力机制的目标检测算法

  赵珊, 郑爱玲, 刘子路, 高雨

  对于两阶段目标检测算法中模型存在检测精度低、小目标漏检率高等问题，提出通道分离双注意力机制的目标检测算法，通过改进Faster+FPN主干网络来提高小目标的检测精度。首先针对神经网络不能自动学习特征间的重要性问题，在通道分离过程中提出双注意力机制来构建深度神经网络，另结合分组卷积、空洞卷积等技术减少网络参数。其次针对高分辨率特征经过深度CNN后导致的信息丢失问题，通过添加细节提取模块以及通道注意力特征融合模块来提取更多的细节特征。最后考虑到一般损失函数不可重点评估目标物位置的置信度，结合KL散度进行损失函数优化，通过训练使得预测分布更接近真实分布，有效地解决了神经网络直接用于目标检测存在的问题。采用PASCAL VOC2007、KITTI以及Pedestrian三类数据集对网络进行训练，并将提出的模型与多个目标检测算法进行对比。实验结果表明，该算法能够高效地对图像进行识别，且具有较高的检测精度。

• 任务相似度引导的渐进深度神经网络及其学习

  吴楚, 王士同

  持续学习旨在连续地学习多个任务，且在不发生灾难性遗忘的情况下，能够利用先前任务的知识帮助当前任务的学习。渐进神经网络是一种参数独立的持续学习方法，渐进地为每个任务分配额外的网络来提升持续学习的性能，但是这种方法未能直接利用任务间相似度的影响。而在持续学习过程中，通过对比任务间的相似度，并以此对先前任务的参数进行修剪再迁移可能会显著提高当前任务的性能。因此，提出了一种任务相似度引导的渐进深度神经网络（TSGPNN）及其学习方法，它包括了任务相似度评估和渐进学习两个阶段。其中，任务相似度评估阶段定义了一个参照值来衡量目标任务域之间的相似度，并以此作为任务间知识迁移量的参照；渐进过程通过吸收先前任务中的知识重新学习，以此提升学习新任务的能力。对CIFAR-100、MNIST-Permutation和MNIST-Rotation数据集做任务切分，实验表明，TSGPNN的性能与单任务学习、多任务学习和其他基准持续学习方法相比更好、更稳定。

• 利用GAN和特征金字塔的模型鲁棒性优化方法

  孙家泽, 唐彦梅, 王曙燕

  人工智能对抗环境下，深度神经网络对于对抗样本有明显的脆弱性，为提高对抗环境下的模型鲁棒性提出一种深度神经网络模型鲁棒性优化方法AdvRob。首先将目标模型改造为特征金字塔结构，然后利用潜在特征先验知识生成攻击力更强的对抗样本进行对抗训练。在MNIST和CIFAR-10数据集上进行的实验表明，利用潜在特征生成的对抗样本相较于AdvGAN方法攻击成功率高，更具多样性且可迁移性强；在高扰动下，MNIST数据集上AdvRob模型相比原模型对FGSM和JSMA攻击的防御能力提升了至少4倍，对PGD、BIM、C&W攻击的防御能力提升了至少10倍；CIFAR-10数据集上AdvRob模型对FGSM、PGD、C&W、BIM和JSMA攻击的防御能力相较于原模型提升了至少5倍，防御效果明显。在SVHN数据集上，与FGSM对抗训练、PGD对抗训练、防御性蒸馏和增加外部模块的模型鲁棒性优化方法相比，AdvRob方法对白盒攻击的防御效果最显著。为对抗环境下DNN模型提供了一个高效的鲁棒性优化方法。

• 动态融合的多视图投影聚类算法

  姜凯彬, 周世兵, 钱雪忠, 管娇娇

  多视图聚类是一个日益受到关注的研究热点。现有的大多数多视图聚类方法通常先对数据进行图学习，再对融合得到的统一图进行聚类得到最终结果，这种图学习和图聚类的两步策略可能导致聚类结果具有随机性。此外，多视图数据本身存在不可避免的噪声并且各视图数据差异较大，在原始高维数据空间进行无效融合可能造成重要信息的损失，不同多视图数据也可能存在选择参数敏感的问题。为了解决上述问题，提出了一种动态融合的多视图投影聚类算法，将自适应降维图学习、无参数的自权重图融合和谱聚类整合在同一框架中，三个过程相互促进，联合优化投影矩阵、相似性矩阵、共识矩阵以及聚类标签。对动态融合过程中得到的共识矩阵的拉普拉斯矩阵施加秩约束，直接获得聚类结果。而且引入的启发式超参数会随着每次优化迭代自动调整。为了求解联合优化问题，设计了一种有效的交替迭代方法。在人工数据集和真实数据集上得到的实验结果表明该算法的优越性。

• 新型鲁棒孪生支持向量回归机

  陈素根, 石婷

  回归问题是模式识别与机器学习领域的基本问题之一，孪生支持向量回归机（TSVR）是在支持向量回归机（SVR）基础上发展而来的一种处理回归问题的新算法，它在处理无噪声数据时表现出较好的性能，但在处理有噪声数据时往往性能不佳。为了降低噪声对孪生支持向量回归机性能的影响，结合[ε]-不敏感损失函数与Huber损失函数构造了混合[Hε]损失函数，该损失函数可以有效地适应于不同分布类型的噪声；然后基于混合[Hε]损失函数和结构风险最小化（SRM）原则提出了一种鲁棒的孪生支持向量回归机（[Hε]-TSVR），并在原始空间中利用牛顿迭代法求解模型。分别在有噪声和无噪声的人工数据集、UCI数据集上进行实验，与支持向量回归机和孪生支持向量回归机等算法比较，实验结果验证了所提算法的有效性。

• 具有类间差异约束的多对抗深度域适应模型

  马娜, 温廷新, 贾旭

  为实现目标域样本能够与源域中同类样本准确对齐，并在保证样本准确识别率的条件下进一步提高不同类别样本特征间的可区分性，提出了一种带有类间差异约束的域适应模型。首先，该模型采用深度卷积神经网络对源域样本进行了有监督学习，并在训练过程中基于提出的类间差异测量函数对源域样本特征加以类间差异性约束；其次，该模型采用了多对抗域鉴别网络结构，其中提出了一种目标域样本伪标签计算方法，从而将无标签的样本指定到合理的域鉴别网络进行训练；最后，通过最小化分类损失与最大化域鉴别损失，获得最优特征提取器与特征分类器。实验结果表明，对于4种数据集，提出的模型在目标域上平均识别准确率可以达到0.860，同类间的平均距离、不同类间的平均距离、目标域中样本错误识别率相对于改进前分别降低0.003，提升0.065，降低0.025，从而验证了提出模型的性能得到了明显提升。

• 基于时序索引的可编辑区块链模型研究

  庞俊, 刘晨, 郝琨, 于明鹤, 信俊昌, 姜承扬

  区块链具有去中心化与不可篡改等特点，近年来受到了人们广泛的关注。数据上链便不可篡改会带来恶意交易无法根除和错误交易无法修改等一系列问题。目前可编辑区块链的相关研究大多是以区块粒度进行替换，或者通过增添新交易实现逻辑上的编辑。前者会造成编辑记录无法考证，后者虽可保留错误数据存证，但缺乏安全的访问机制。此外，现有相关研究均未充分考虑待编辑数据的特点，导致后续交易受影响而失效的问题。因此，提出了一种可编辑区块链模型。首先，以一般存证数据为例，重新设计了区块链底层数据结构，增加了时序属性并构建索引；然后提出了新的提交、编辑和查询算法，通过后续追加交易的方式实现了对区块链数据的逻辑编辑，从而在保存错误交易存证的基础上，为用户提供了安全的访问接口。为了解决后续交易失效的问题，在上述工作基础上，针对上下文强相关的交易类型数据，对数据结构及相关算法进行了改进，保证后续交易不受数据编辑的影响。实验表明，该模型可在保证系统性能的基础上实现区块链可编辑。

• 一般存取结构上可公开验证的多级秘密共享

  宋云, 王宁宁, 肖孟林, 邵志毅

  可公开验证的秘密共享允许任何人仅从公开信息中发现分发者或参与者的欺诈行为。为扩展多秘密共享应用范围，首先提出一个可公开验证的多级秘密共享（PVMSSS）方案模型，而后基于单调张成方案及安全多方计算，构造一般存取结构上可公开验证多用的可更新的多级秘密共享方案。秘密分发阶段，方案中各参与者秘密份额由自己计算，分发者不需向参与者传送任何秘密信息，且每个参与者只需维护一个秘密份额即可实现对多个秘密的重构。利用双线性对的性质，任何人均可验证更新前后秘密份额的正确性及公开信息的有效性，从而有效防止分发者和参与者的欺诈。秘密重构阶段，利用安全多方计算构造伪份额，保证每个参与者的真实份额永远不会暴露，实现了份额的多用性。在秘密的每一次更新中，分发者只需公布更新临时份额的相应公开信息，即可实现对参与者秘密份额的更新。最后对方案的正确性和安全性进行详细分析，在计算Diffie-Hellman和判定双线性Diffie-Hellman问题及假设下，该方案是可证明安全的。

• 面向两段锁并发控制的RDMA优化技术

  李婧瑶, 张倩, 赵展浩, 卢卫, 张孝, 杜小勇

  分布式事务的性能优化是学术界和工业界的研究热点之一。基于两段锁的并发控制技术可以保证并发事务调度的正确性，目前广泛应用于主流的商用和开源分布式数据库中。然而，现有的研究结果表明，基于传统TCP/IP协议以及Share-Nothing架构的分布式事务处理技术，受制于事务调度器的CPU低利用率、事务调度器与存取节点的网络高延迟，分布式事务的性能瓶颈明显。针对上述两个问题，提出基于远程直接数据存取（RDMA）的两段锁（2PL）并发控制优化技术，利用RDMA的高带宽、低延时以及内核旁路（消除了TCP/IP协议栈所带来的CPU开销）特性，提升分布式事务的性能。主要贡献包括基于RDMA的网络通信算子重写与优化，利用RDMA单边施加、释放读写锁时的原子性保障。基于YCSB测试基准的实验结果表明：单边排他锁算法和单边读写锁算法分别在低、高冲突负载下具有相对优越性；引入RDMA的2PL并发控制，在高冲突负载下，NO WAIT和WAIT DIE两种模式最高可分别实现5.3倍和10.6倍的吞吐量提升。

• TD-H2H：时序图上的最短路径查询

  李新玲, 王一舒, 袁野, 谷香, 王国仁

  道路网络上的最短路径查询是一个已经被广泛研究的基本问题。现有的研究通常将道路网络建模为静态图，查询给定节点间距离最短的路径。然而，道路网络具有时序性，将道路网络建模为时序图更符合实际情况。与静态图相比，时序图的规模更大，结构也更为复杂，增加了时序最短路径的查询难度。时序最短路径是指在给定出发时间下，时序图上源节点和目的节点之间旅行时间最短的路径。因此，时序最短路径的结果受给定出发时间影响，为时序最短路径的查询带来了新的挑战，传统的最短路径算法不适用于时序最短路径的查询。将道路网络建模为时序图，并基于树分解提出了TD-H2H索引，利用该索引可以快速准确地实现时序最短路经查询。首先，研究了时序图上的树分解问题，提出时序树分解算法，将图结构转变为树结构。然后，通过树分解快速确定索引结构，提出了高效的索引构建算法，用以构建TD-H2H索引。最后，基于TD-H2H设计了高效的最短路径查询算法TD-OAI。在4个真实公开的数据集上与现有算法进行了实验，结果表明提出算法的查询效率优于现有算法1~2个数量级，证明了提出算法的有效性和效率。