计算机科学与探索杂志

计算机科学与探索杂志2023年第8期

• 使用HLS开发FPGA异构加速系统：问题、优化方法和机遇

  徐诚, 郭进阳, 李超, 王靖, 汪陶磊, 赵杰茹

  目前，现场可编程门阵列（field programmable gate array，FPGA）由于可编程性与出色的能效比受到了学术界与工业界的青睐，但是传统的基于硬件描述语言的FPGA开发方式面临编程挑战。硬件描述语言区别于通常使用的高级语言，阻碍了软件开发者对FPGA的利用。高层次综合（high-level synthesis，HLS）使得开发者可以从高级语言如C/C++层面直接进行FPGA硬件层面的开发，是解决这一问题的首选，受到了广泛的关注。近年来，学术界有许多关于HLS的工作，致力于解决HLS应用过程中的各类问题，并提升通过HLS开发的系统的性能。围绕使用HLS开发FPGA异构系统这一问题，以一种异构系统开发者的视角，列举了可行的优化方向。在编译优化层面，HLS工具可以通过插入编译指导与设计高效的空间探索算法，自动生成性能较高的RTL设计；在访存优化层面，HLS工具可以设立缓冲区，拆分并复制数据，以提升系统整体带宽；在并行优化层面，HLS工具可以实现语句级、任务级以及板卡级的并行。一些如DSL的技术虽然不能直接提升异构加速系统的性能，但是可以进一步提升HLS工具的可用性。最后，总结了当前HLS面临的一些挑战，并对HLS的未来研究方向进行了展望。

• 区块链互操作性及跨链技术研究

  王群, 李馥娟, 倪雪莉, 夏玲玲, 梁广俊, 马卓

  区块链是一项多方共识、可溯源、防篡改的分布式账本技术，为构建高效、可信、安全的数据共享机制和优化业务流程提供了广阔的应用前景。然而，当区块链正处于百花齐放的快速发展阶段时，如何实现信息的跨链交互和价值的跨链转移，成为区块链向纵深伸延过程中亟待解决的问题。首先，在综述已有研究成果的基础上，提出了区块链互操作性的概念，并将其分为链间互操作、层间互操作、分叉间互操作、片间互操作和链上链下互操作五方面进行了讨论；其次，通过梳理区块链跨链操作的演进和实现方式，并借鉴TCP/IP体系结构，设计了跨链操作模型，对主要实现步骤进行了功能描述；再次，针对当前区块链跨链操作研究现状，选择了公证人机制、侧链/中继、哈希锁定和分布式私钥控制四类区块链跨链操作关键技术进行了重点分析；然后，结合技术特点和应用场景，突出应用示范，选取了部分典型跨链应用项目进行了介绍，并对区块链跨链操作的安全性进行了分析；最后，总结探索了区块链互操作性和跨链技术的未来发展趋势。

• 基于UNet的医学图像分割综述

  徐光宪, 冯春, 马飞

  UNet作为卷积神经网络（CNN）中最重要的语义分割框架之一，广泛地应用于医学图像的分类、分割和目标检测等图像处理任务。对UNet的结构原理进行了阐述，并对基于UNet网络及变体模型进行了全面综述，从多个角度对模型算法进行了充分研究与分析，试图建立起各个模型间的演进规律。首先，将UNet变体模型根据其应用的七种医学成像系统的不同而进行分类研究，且将核心构成相似的算法进行了对比描述；其次，对每个模型的原理、优缺点和适用的场景等内容进行分析；再次，对主要UNet变体网络从结构原理、核心组成结构、数据集和评价指标四方面进行总结；最后，结合深度学习的最新进展，客观地描述了UNet网络结构存在的固有不足和解决方案，为未来继续改进提供了方向。同时，对UNet可结合的其他技术演进与应用场景等内容进行详述，进一步展望了基于UNet变体网络未来的发展趋势。

• 面向图神经网络的知识图谱嵌入研究进展

  延照耀, 丁苍峰, 马乐荣, 曹璐, 游浩

  随着图神经网络的发展，基于图神经网络的知识图谱嵌入方法日益受到研究人员的关注。相比传统的方法，它可以更好地处理实体的多样性和复杂性，并捕捉实体的多重特征和复杂关系，从而提高知识图谱的表示能力和应用价值。首先概述知识图谱的发展历程，梳理知识图谱和图神经网络的基本概念；其次着重讨论基于图卷积、图神经、图注意力以及图自编码器的知识图谱嵌入的设计思路和算法框架；然后描述图神经网络的知识图谱嵌入在链接预测、实体对齐、知识推理以及知识图谱补全等任务中的性能，同时补充图神经网络在常识性知识图谱中的一些研究；最后进行全面性的总结，并针对知识图谱嵌入存在的一些问题和挑战，勾画未来研究方向。

• 推荐系统的隐私保护研究综述

  冯晗, 伊华伟, 李晓会, 李锐

  推荐系统需要大规模地提取相关用户的历史数据信息作为预测模型的训练集，用户提供的数据量越大、越具体，个人信息越容易被推断出来，致使个人隐私的泄露，从而使用户对服务提供商的信任程度降低，不再向系统提供相关数据，导致系统推荐精度降低甚至较难完成推荐。因此，如何能在对用户隐私进行保护的前提下，获取用户信息进行准确性高的有效推荐已成为当前的一个研究热点。首先，对隐私保护技术进行概述，主要包括差分隐私技术、同态加密技术、联邦学习技术和安全多方计算技术，并对这几种常用的隐私保护技术进行了比较；然后，从平衡隐私注入和推荐精度之间的关系角度出发介绍客户端、服务器端和客户-服务器端所采用的隐私保护技术，系统阐述了国内外推荐系统隐私保护的研究成果，并在此基础上进行总结、对比和分析；接下来，对比基于差分隐私技术的推荐算法的实验效果，并分析相应技术存在的不足；最后，对基于隐私保护的推荐系统的未来发展方向提出相应的建议和展望。

• 面向时序图的周期性三角形枚举算法研究

  任泽槟, 李荣华, 戴永恒, 王国仁

  真实世界中的图通常是时序图，即图中的边具有时间戳。随着图数据挖掘算法和现实需要的发展，时序图的数据挖掘算法开始成为热点问题。其中，周期性是时序数据中一个非常重要的特征。周期性出现的数据通常代表着现实世界中值得关注的行为模式。在静态图的数据挖掘算法中，三角形枚举是一个基础且重要的问题。基于时序图，提出了一种新的三角形社群模型，周期三角形，并将周期性数据挖掘与图中的三角形枚举算法相结合，提出了一种高效的时序图周期性三角形枚举算法。该算法主要包含三部分：高效的多级剪枝算法，该算法可以在较小的时间代价下删除不在任何周期三角形中的顶点和边；极大周期枚举算法，通过计算极大周期，提出的算法可以避免对时间维度上重叠社群进行重复枚举；边枚举边剪枝的高效的周期三角形枚举算法。实验表明，该算法可以快速枚举出图中的周期性三角形。

• 高效多分支预测器设计与实现

  杨凌, 周锦文, 王京, 兰孟桥, 丁梓坚, 杨实, 王永文, 黄立波

  分支预测是保证处理器性能的重要技术，尤其在当今广泛应用的超标量处理器中，分支预测器的各项属性极大地影响着处理器的整体性能、功耗和面积。为了在超标量处理器中获得具有较高性价比的分支预测器，尝试使用了TAGE预测器对取指宽度内的所有分支进行预测，并利用分支预测竞赛平台对预测器的理想性能进行了评估，发现其预测能力是足以满足预测条件的。但在实践过程中发现多分支取指时分支预测器和分支目标缓存内均会存在冲突的情况，这严重影响了预测器的性能。为了解决以上问题，在单个TAGE分支预测器的基础上增加了额外的预测通路，独立地保存和预测额外的分支指令信息。并利用硬件描述语言在超标量处理器中实现了这一预测器，同时将其与单个TAGE分支预测器进行了嵌入式处理器常用基准程序dhrystone、coremark和embench的性能对比实验。实验结果表明，优化后的分支预测器性能提高了14.1个百分点，而存储开销只增加了9.06%。最后通过实验数据分析，发现这一方案不仅有利于额外的分支指令预测，而且可以通过更加准确的分支历史信息获取实现更加准确的单分支取指预测。

• 聚集度指标引导的注意力学习粒子群优化算法

  赵晓妍, 宋威

  尽管目前粒子群优化（PSO）算法在求解很多优化问题上表现出了良好的性能，但如何在保持种群多样性的同时确保收敛精度，防止群体陷入局部最优，平衡勘探与开发之间的矛盾，仍是粒子群优化算法研究需要解决的问题。针对这些问题，提出了一种聚集度指标引导的注意力学习粒子群优化算法（ALPSO-AI）。首先，为了有效保持种群多样性，整个种群被分成若干大小相等的子群，并且在进化过程中重新组合，在每一代中，子群中的不同粒子根据其性能自适应地选择多个优质的学习对象。种群外部设有存档，用于指导种群的搜索并评估进化程度；其次，引入注意力机制，根据每个学习对象与更新粒子适应值的差异，对每个学习对象赋予不同的注意力权重，生成一个高质量的学习榜样，用于粒子的更新。针对搜索前期和后期不同的搜索需求，分别设计不同尺度的注意力分配方式，进行全局搜索和局部搜索；此外，对存档引入聚集度指标，通过判断当前最优粒子周围的适应值相似度，评估当前种群进化水平，当聚集度指标达到阈值时，开启局部搜索，以增强算法的整体收敛能力。实验对CEC2013测试集的28个基准函数在30维和50维的空间分别进行测试，并与主流的5种变体PSO和其他优化算法进行比较，实验结果证明了ALPSO-AI的优越性。此外，注意力学习和聚集度指标的有效性也进行了充分的验证。

• 融合排序弹性碰撞的改进麻雀搜索算法

  王子恺, 黄学雨, 朱东林, 郭伟

  为了改善麻雀搜索算法（SSA）种群初始化结果不充分导致多样性丧失，勘探和开采过程中易受到个别位置信息干扰影响寻优精度等缺点，提出了融合排序弹性碰撞的新型麻雀搜索算法（XSSA）。首先，采用改进的无限折叠迭代混沌映射（ICMIC）初始化种群，提升了初始种群分布的分散程度；其次，使用高斯随机游走策略平衡算法的探勘和开发能力；此外，在发现者更新后对所有个体执行排序弹性碰撞策略，避免算法过早地收敛到局部极值；最后，根据不同阶段的寻优特点制定多策略边界处理机制，保留住种群数量，避免多样性的丧失。同时，结合重要的位置信息对超出边界的个体进行位置再更新，使得处理后的位置更加合理，为接下来的迭代搜索提供质量保证。对12个基准函数进行仿真实验，并画出收敛精度图直观展示算法性能。借助各策略的贡献测试、Wilcoxon秩和检验、Friedman检验的综合排名等证明了XSSA的有效性、独特性和具有较好的寻优性能。

• 融合相对密度和最近邻关系的密度峰值聚类

  王威娜, 朱钰, 任艳

  密度峰值算法在处理密度不均匀的数据时对中心点的选取不准确，并在样本分配时易产生连带错误，导致聚类效果不佳。针对上述问题，提出一种融合相对局部密度和最近邻关系的密度峰值聚类算法。在局部密度的定义中引入稀疏平和权重，提出相对局部密度的定义，根据相对局部密度寻找密度峰值，避免稀疏差异较大的数据集在选取密度峰值时出现的错误，确保中心点选择的正确性；针对分配策略，结合最邻近点准则和阈值限制，提出最近邻分配策略，根据阈值条件有效抑制分配连带错误；基于类内距离均值定义距离比例，提出修正分配策略，提升算法对边界点聚类的准确性。在5个合成数据集和5个UCI数据集上，将提出算法与DPC、DPC-MND、FKNN-DPC、DBSCAN、OPTICS、AP、K-means算法进行比较，实验结果表明，所提算法在调整互信息、调整兰德系数和Fowlkes-Mallows指数上均表现出良好的聚类效果，并通过Friedman检验表明该算法具有最优的性能。

• 融合注意力机制和课程式学习的人脸识别方法

  王海勇, 潘海涛, 刘贵楠

  针对当前人脸识别算法中提取的人脸特征可区分性不强、难易样本区分度不够的问题，提出一种融合注意力机制和课程式学习的人脸识别算法（ECACFace）。该算法提出一种高效的空间通道注意力模块（ESCA）并将其融入特征提取网络的基本模块中，使用高效的通道注意力模块（ECA）获取通道关注度并在ECA之后加入空间注意力模块，在关注图像通道信息的基础之上进一步获取空间关注度，从而得到信息更加丰富的人脸特征向量用于人脸分类。同时在训练时引入基于课程式学习的损失函数，做到在训练过程中区分难易样本，并在前期着重训练简单样本，后期着重训练困难样本，实现有区分度的样本学习。在CASIA-WebFace数据集上训练基于轻量级网络和浅层网络的ECACFace，与原始网络相比有超过1.5个百分点的精度提升。在百万规模的MS1MV2数据集上训练基于深层网络的ECACFace，在CPLFW数据集上比ArcFace精度提升了1.14个百分点，实验结果表明，融合ESCA模块和基于课程式学习的损失函数能够进一步提升人脸识别性能。

• 多尺度特征融合的低照度光场图像增强算法

  李明悦, 晏涛, 井花花, 刘渊

  光场图像（LFI）记录了目标场景丰富的三维结构和纹理等信息，在多种计算机视觉任务中拥有巨大优势。但是，低光照条件下采集的光场图像存在亮度低、噪声大等问题，降低了图像质量。提出了一种多尺度特征融合的低照度光场图像增强算法，引入数码单反相机（DSLR）图像来监督网络的训练以提升低照度光场图像的质量。为了充分挖掘和利用光场信息，通过角度和空间Transformer在不同尺度上对光场图像进行特征提取，捕获每个子孔径图像的互补信息以及局部和远程依赖关系。提出一个循环融合模块，利用长短时记忆网络保留不同尺度特征的长时记忆，同时通过局部和全局融合层自适应地聚合整个特征空间中的有用信息。设计了一个4D残差模块从聚合的特征重建目标光场子视图。此外，还构建了一个低照度LFI 和正常光照DSLR图像配对的数据集来训练所提出的网络。实验结果表明，所提网络能够有效地提升低照度光场图像的质量，相比其他算法拥有明显的优势。

• 结合对比预测的离线元强化学习方法

  韩旭, 吴锋

  传统的强化学习算法与环境进行大量交互才能获取稳定的动作选择策略，且无法有效应对任务环境发生改变的情况，因此难以应用于实际问题。离线元强化学习通过使用包含多个任务的经验回放数据集进行离线策略学习，为复杂情况下智能体快速适应新任务提供了一种有效方法。将离线元强化学习算法应用于复杂任务将会面临两个挑战：首先，由于无法与环境进行充分交互，离线强化学习算法会错误估计数据集外动作的价值，进而选择次优动作；其次，元强化学习算法不仅需要学习动作选择策略，还需要具备稳健而高效的任务推理能力。针对上述挑战，提出一种结合对比预测的离线元强化学习算法。为了应对价值函数的错误估计问题，该算法使用行为克隆技术鼓励策略选择包含在数据集中的动作。为了提高元学习的任务推理能力，该算法使用循环神经网络对智能体上下文轨迹进行任务推理，并利用对比学习和预测网络来分析辨别不同任务轨迹中的潜在结构。实验结果表明，相比现有方法，使用该算法训练得到的智能体在面对未见过的任务时的得分提高了25个百分点以上，并且具有更高的元训练效率和更好的泛化性能。

• 用户意图补充的半监督深度文本聚类

  李静楠, 黄瑞章, 任丽娜

  传统的文本聚类算法通过衡量文本间相似度对数据样本进行类簇划分，但无法根据用户给定的少量监督信息挖掘用户对聚类结果的主观意图。随着应用场景的多样化发展，同一数据集在不同的用户意图指导下聚类结果可能不唯一，如何得到遵循用户意图的聚类结果是当前研究的问题之一；同时，用户给定的监督信息是少量的，如何根据少量的监督信息最大程度地学习到用户的聚类意图，是研究的另一问题。为此，提出一种挖掘和补充用户意图的半监督深度文本聚类模型（SDDCS）。SDDCS根据用户给定的监督信息，构造意图矩阵挖掘用户意图；根据矩阵分解与补充算法对意图矩阵中的未知元素进行补充，进而最大程度地学习到用户意图。利用补充后的意图矩阵指导文本聚类过程，将用户意图作为聚类依据之一，最终得到符合用户意图的聚类结果。在四个公开文本数据集上的实验表明，SDDCS的聚类性能更高，其有效性得到了证明。

• 融合GCNN与GRU的异常实体识别方法

  叶瀚, 孙海春, 李欣

  当前的命名实体识别（NER）模型能够识别位于正确位置且符合语法表达的实体，却无法指出句子中的实体缺失与位于错误位置的实体，无法满足信息处理与归档分析中对于检测文本实体信息完整全面的要求。通过考察异常实体的识别依赖上下文相互联系语义特征的具体特点，提出以基于预训练语言模型的命名实体识别模型架构为基础，融合门控卷积神经网络（GCNN）与门控循环网络（GRU）的实体位置异常与实体缺失异常检测方法（NER-EAD）及其训练数据构造方法。其中门控卷积网络提取特定字符上下文特征联系以更好识别实体异常。融合卷积神经网络结构和门控循环神经网络的语义特征输出可全面提取正常实体与异常实体的特征，实现了正常、异常实体识别结果同时输出。实验表明NER-EAD在正常实体、实体位置异常和实体缺失异常的识别平均[F1]分别达到90.56%、85.56%和80.92%，超越了已有命名实体识别模型架构。最后通过消融实验证明了GCNN与GRU融合网络的语义特征提取能力。

• 结合对比学习的图神经网络防御方法

  陈娜, 黄金诚, 李平

  尽管图神经网络在图表示学习领域中已取得了较好性能，然而研究表明图神经网络易受图结构对抗攻击，即通过对图结构添加精心设计的扰动会使图神经网络的性能急剧下降。目前，主流的图结构去噪方法虽能有效防御图结构对抗攻击，但由于输入图遭受对抗攻击程度的不确定性，该类方法在输入图未受攻击或攻击强度较小时易产生较多误识别，反而损害图神经网络预测结果。对此，提出一种结合对比学习的图神经网络防御方法（CLD-GNN）。该方法在基于特征相似性去噪的基础上，根据攻击后连边端点间标签不一致的特点，使用标签传播算法获取未标记节点的伪标签，基于连边端点间伪标签的不一致性去除可能的攻击边，获得净化图；然后分别对净化图和输入图进行图卷积；最后应用对比学习对齐两个图上的预测标签信息，修正净化图节点的特征表示。在图对抗攻击的3个基准数据集、2个攻击场景上进行防御实验，实验结果表明，CLD-GNN不仅缓解了图去噪方法损害节点分类预测效果问题，而且还能在较强攻击场景下表现出较优异的防御能力。

• 基于潜层结构化语义增强的低资源摘要模型

  刘宇, 刘小明, 刘卫光, 杨关, 刘杰

  当前低资源摘要生成任务通常采用数据增强或预训练结合微调的方式进行处理，对于源文本与目标摘要之间的潜层结构化语义信息未能充分利用。为此，提出一种基于潜层结构化语义增强的低资源摘要模型，以图结构对齐的方式增强模型对结构化信息的利用。首先，该模型通过结构特征表示层获取源文本与预测摘要的潜层结构化语义特征。然后，将获得的语义特征利用潜层结构对齐模块进行节点对齐和边对齐，这种对齐有助于模型捕捉语义特征中的结构化信息，从而增强模型对结构化知识的利用。最后，利用源文本与预测摘要之间的结构化特征对齐距离作为目标损失的正则项来辅助模型进行优化。在六个领域的低资源数据集上进行实验，ROUGE-1分值相对于基线模型平均提高了0.58。结果表明利用潜层结构化语义知识可以有效提高低资源摘要生成的能力。

• 隐性权位比特函数的线性复杂度

  陈芷如, 冯立刚, 朱友文

  布尔函数既是分组密码的关键部件，也是设计序列的重要方式，在对称密码的设计与分析中起着重要的作用，关于布尔函数的密码学性质研究一直是密码界研究的热点。隐性权位比特函数（HWBF）因具有平衡性、高非线性度等诸多“好”的密码学特性而备受关注，而它的线性复杂度指标在文献中尚无相关结论。因此，讨论了采用[n]-元HWBF函数构造周期为[2n]的二元伪随机序列，从数学理论的角度证明该序列是具有最大线性复杂度的平衡序列。同时，应用数论中的Hasse导数和Lucas同余式，计算出该序列的2-错线性复杂度的取值，其中当[n(mod4)∈{0,1,3}]时，该序列的2-错线性复杂度达到最大值。结果表明，该序列是一类具备多种密码学指标的优质序列。

• 面向图像复制-粘贴溯源的级联双流注意力网络

  吉彦卿, 张玉金

  复制-粘贴是一种常见的图像篡改方式。传统的图像复制-粘贴取证方法主要致力于伪造区域定位研究，而如何精细化区分复制的源和粘贴的目标区域是图像取证领域的难点问题。当前，能从原始伪造图像中定位篡改源/目标区域的算法普遍存在不足。在已有算法的基础上提出了一种级联双流注意力网络。该网络分为两个阶段：第一阶段由编码、特征分析和解码网络构成。在编码部分，采用轻量级网络MobileNetV2作为主干提取图像浅层和深层特征形成双流输出；在特征分析阶段，利用相似特征注意力机制和空洞空间卷积池化金字塔模块多尺度捕捉深层特征中的篡改区域，并利用浅层特征分支改善网络对篡改区域边缘细节的分割性能；在解码部分，对特征图逐像素做类别预测并上采样。网络的第二阶段对一阶段检测到的篡改区域进行源/目标区分。同样采用双流结构，双分支输入分别为包含源/目标区域的原始图像块和经过提取的噪声图。同时将提取到的块特征融合后预测类别，最终采用区域映射的方式实现像素级定位。实验结果表明，该网络不仅能有效地定位篡改区域，同时还能较好地区分复制-粘贴的源/目标。该网络的第一阶段在测试集和两个公共数据集上相较于同结构模型，性能分别上升9.4、2.6和2.5个百分点，而最终的端到端测试集检测性能提升12.03%；同时，其对常规的图像后处理具有更好的鲁棒性。