计算机科学与探索杂志

计算机科学与探索杂志2023年第9期

• 面向区块链的物联网终端跨域认证方法综述

  霍炜, 张琼露, 欧嵬, 韩文报

  物联网终端设备分布广、数量多、层次复杂，并且涉及多个管理域，常处于不可控的环境中，相比于传统互联网终端，更容易受到攻击，其安全管控面临着更为巨大的风险与挑战。身份认证作为物联网终端安全防护的“第一道防线”，对物联网安全发展起着不可替代的作用。区块链具有去中心化、分布式、不易篡改、可追溯等特点优势，能够有效解决物联网终端跨域身份认证中存在的可信第三方单点信任失效，多域异构性难以满足最小授权原则等安全问题，使用区块链技术是物联网终端跨域认证未来发展的重要方向。按照融合了PKI和IBS/IBC等传统身份认证机制、采用跨链技术以及基于区块链的跨域认证技术三种类别，对近年来基于区块链的物联网终端跨域认证主要研究成果进行了分类和总结，并对不同方案进行了技术特点及优缺点分析。在此基础上，总结归纳了目前物联网终端跨域认证领域存在的问题，并给出了物联网终端跨域认证未来的研究方向和发展建议，以实现对基于区块链的物联网终端跨域认证方案研究进展和发展趋势的总体把握。

• 基于多模态学习的虚假新闻检测研究

  刘华玲, 陈尚辉, 曹世杰, 朱建亮, 任青青

  社交媒体在给人们带来便利的同时，也成为虚假新闻恣意传播的渠道，如果不及时发现遏止，极易引发群众恐慌，激起社会动荡。因此，探索准确高效的虚假新闻检测技术具有极高的理论价值和现实意义。对虚假新闻相关检测技术做了全面综述。首先，对多模态虚假新闻的相关概念进行了整理和归纳，并分析了单模态和多模态新闻数据集的变化趋势。其次，介绍了基于机器学习和深度学习的单模态虚假新闻检测技术，这些技术在虚假新闻检测领域已被广泛应用，而由于虚假新闻通常包含多种数据表现形式，这些传统的单模态技术无法充分挖掘虚假新闻的深层逻辑，因此无法有效地应对多模态虚假新闻数据带来的挑战。针对此问题，对近些年来先进的多模态虚假新闻检测技术进行了整理，从多流架构和图架构的角度归纳和论述了这些多模态检测的技术方法，探讨了这些技术的思想理念与潜在缺陷。最后，分析了目前虚假新闻检测研究领域存在的困难和瓶颈，并由此给出未来的研究方向。

• 面向多接入边缘计算的计算卸载方案研究综述

  张冰洁, 杨彦红, 曹少中

  物联网盛行背景下海量大规模机器通信时代的发展带来数据流量的爆炸式增长，传统的云计算模式不再满足终端数据处理低时延和低能耗的需求，靠近终端侧分布式多节点的多接入边缘计算（MEC）正在成为解决该问题的最佳选择。计算卸载作为MEC的关键技术，卸载性能受多种因素的影响，存在很大的优化空间，如何设计出高性能的计算卸载方案成为国内外学者主要的研究目标。综述了面向MEC的计算卸载方案，介绍了MEC的概念，梳理了MEC的发展与应用、计算卸载的执行过程，对近期关于计算卸载的研究方法进行分析对比，针对不同的改进，归纳总结出以计算卸载系统环境和计算卸载时延、移动设备能耗以及综合多个评价指标为优化方向的计算卸载方案。提出当前面向MEC的计算卸载存在的资源分配问题、通用性与安全性问题，并且基于现有的这些问题展望了未来研究方向。

• 潜在空间中深度强化学习方法研究综述

  赵婷婷, 孙威, 陈亚瑞, 王嫄, 杨巨成

  深度强化学习（DRL）是实现通用人工智能的一种有效学习范式，已在一系列实际应用中取得了显著成果。然而，DRL存在泛化性能差、样本效率低等问题。基于深度神经网络的表示学习通过学习环境的底层结构，能够有效缓解上述问题。因此，基于潜在空间的深度强化学习成为该领域的主流方法。系统地综述了基于潜在空间的表示学习在深度强化学习中的研究进展，分析并总结了现有基于潜在空间的深度强化学习的方法，将其分为潜在空间中的状态表示、动作表示以及动力学模型进行详细阐述。其中，潜在空间中的状态表示又被分为基于重构方式的状态表示方法、基于互模拟等价的状态表示方法及其他状态表示方法。最后，列举了现有基于潜在空间的强化学习在游戏领域、智能控制领域、推荐领域及其他领域的成功应用，并浅谈了该领域的未来发展趋势。

• 视觉导向的对抗型模仿学习研究综述

  崔铭, 龚声蓉

  最优决策问题在机器学习领域由来已久。模仿学习从强化学习发展而来，研究如何从专家数据中重建期望策略进而学习最优决策。近年来模仿学习既在理论研究中和计算机视觉有所结合，又在自动驾驶、机器人等应用中取得不错的成效。首先介绍模仿学习的由来及传统的两种研究方法，分别是行为克隆和逆强化学习，随着对抗训练结构的发展，生成对抗模仿学习成为现今的重点研究方向，而对其后续改进工作统称为对抗型模仿学习；其次分析了对抗型模仿学习结合视觉演示的研究内容，并针对存在的次优专家演示样本、少样本、样本利用效率低下等共性问题以及现有的对应改良方案进行总结；然后根据实验结果对比分析不同方法所解决的问题表现；最后说明对抗型视觉模仿学习在实际中的无人驾驶、工业机器人等场景的应用情况，总结并指出未来理论研究方向以及应用前景与挑战。

• 结合邻域耦合机制与双边滤波的双蚁群算法

  吴立胜, 游晓明, 刘升

  针对蚁群算法在求解旅行商问题（TSP）中收敛速度慢且易陷入局部最优等问题，提出一种结合邻域耦合机制与双边滤波的双蚁群算法（NBACO）。首先，算法通过战斗力指数将蚁群动态分成士兵蚁与指挥蚁，士兵蚁主要负责提高算法的求解精度，指挥蚁主要负责提高算法的收敛速度，两类蚂蚁分工合作从而有效平衡算法的求解精度与收敛速度。其次，采用邻域耦合机制，当指挥蚁经过公共区间时，在公共区间及其邻域动态散布微量的信息素，以增大对蚂蚁的吸引力，增加蚂蚁选择公共区间及其邻域的概率，从而提高算法的收敛速度。进一步，当算法陷入局部最优时，引入基于基尼不纯度的双边滤波策略，动态削弱当前最优路径上的信息素浓度，进而缩小最优路径与其邻域路径的信息素浓度差，在下一次迭代时增大蚂蚁选择其他非最优路径的概率，从而帮助算法摆脱局部最优。最后，对大量TSP实例进行仿真，实验结果表明改进后的蚁群算法有效平衡了算法求解精度和收敛速度。

• 全局与局部结构学习的多视图子空间聚类算法

  乔宇鑫, 葛洪伟, 宋鹏

  约束双线性分解的多视图子空间聚类算法（CBF-MSC）忽略了视图局部结构信息，导致信息损失，进而影响多视图聚类效果。针对上述问题，提出了全局与局部结构学习的多视图子空间聚类算法（CBF-LGLS）。该算法首先考虑了视图的一致性与互补性，认为不同视图的系数矩阵应该具有相同的聚类属性，而不是在多个视图之间是一致的，从而充分探索挖掘视图底层数据分布和聚类属性。该算法还全面考虑了视图的局部结构信息，有效捕获单个视图的内在差异，减少了信息损失。此外，该算法采用了自适应加权的方法，减少了噪声与冗余对聚类效果的影响。对于每个视图预定义相似度矩阵的传统模式，采用了自适应距离正则化方法，达到充分考虑单个视图的几何结构与视图之间相同的簇结构的目的，进而提高聚类效果。算法在广泛使用的数据集上进行实验，并与主流算法进行比较，结果表明，提出的算法具有良好的聚类效果和收敛性。

• 双向经验引导与极端个体调控的HHO算法

  柴岩, 任生

  为进一步提升哈里斯鹰优化算法（HHO）的寻优精度和迭代速度，提出一种双向经验引导与极端个体调控的HHO算法（BEHHO）。首先采用Circle混沌映射均匀化初始种群，有效规避个体聚集情形并提升哈里斯鹰群体对解空间区域的覆盖性，奠定算法寻优基础；其次引入双向经验引导策略来强化算法的围捕机制，依托全局最优个体和历史最优个体的进化经验引导个体寻优方向，且配合自适应随机个体的差分扰动项来强化种群探索邻域能力，提升算法的收敛精度；再者考虑算法中极端个体对全局更新过程的重要影响，利用t-分布变异最优个体来避免算法陷入局部极值区，并以动态反向学习产生最差个体的反向解来间接提高算法的收敛速度，同时采用贪婪原则保留优势个体的方式确保算法子代精度趋于更优；最后基于马尔科夫链分析算法的全局收敛性。通过对基准测试函数的寻优对比分析、Wilcoxon秩和检验以及CEC2014复杂函数的对比分析，验证了改进算法优异的求解性能和健壮的鲁棒性，并以工程优化中焊接梁设计问题验证了BEHHO算法处理实际问题时的优越性。

• 基于Transformer-CVAE的三维人体动画生成方法

  冯文科, 石敏, 朱登明, 李兆歆

  三维人体动画生成技术是三维动画领域的核心技术。基于动作捕捉的人体动画生成方法通常制作流程较为繁琐、制作周期较长，无法快速生成人体动画，而现有数据驱动的方法生成的人体动画缺乏真实性，且生成人体运动的种类相对有限。基于此，提出了一种基于Transformer-CVAE的三维人体动画生成方法。首先，基于真实的人体运动构建人体运动数据集，并按照运动种类进行类别划分；其次，基于Transformer网络架构学习运动序列的时序依赖关系，进一步引入变分自编码器结构学习运动序列在隐空间上的概率分布；然后，在隐空间施加约束条件进而控制生成人体运动的效果；最后，在AMASS、HumanACT12、UESTC等数据集上进行实验，并从视觉效果与网络性能两方面对方法进行分析。实验结果表明，与现有方法相比，所提方法可生成种类丰富、真实细腻的人体动画，且在STED、RMSE等指标上具有明显的提升。

• 融合卷积特征的清晰边缘检测研究

  王兵, 黄刚, 张兴鹏

  受益于卷积神经网络（CNN），边缘检测性能在多个基准数据集上都已经超过人类水平。但这类算法无法保证边缘的清晰性和定位的准确性。为获取细化清晰、有效抑制背景纹理、定位准确的目标边缘图，提出了一种融合卷积特征的清晰边缘检测算法（FCF）。该算法使用VGG16作为主干网络进行卷积特征提取，将不同阶段的卷积特征上采样后进行特征融合，并通过所设计的细化融合模块（RFB）获得清晰的边缘图。RFB使用多个归一化细化块（GRB）来细化得到的边缘图。此外，为平衡边缘像素和非边缘像素，还提出一个细化骰子损失函数（RD）。在BSDS500数据集上，所提方法将HED、RCF等深度边缘检测器的F-score（ODS）分别提高了2.8%和2.1%；当不使用非极大值抑制（NMS）进行边缘检测评估时，F-score（ODS）、F-score（OIS）分别达到0.801和0.816，超过了其他算法。

• 时空模板更新的Transformer目标跟踪算法

  汪强, 卢先领

  目前主流Transformer目标跟踪算法只使用Transformer网络进行特征增强和特征融合，忽略了Transformer网络的特征提取能力，并且跟踪过程中对尺度变化、形变等干扰因素缺少有效的模板更新策略。针对上述问题，提出基于时空模板更新和边界框提升的Transformer跟踪算法。首先采用改进后的Swin Transformer作为骨干网络，通过移位窗口进行自注意力计算和全局信息建模，增强骨干网络的特征提取能力；其次使用Transformer编码器-解码器结构融合模板区域和搜索区域信息，利用注意力机制建立特征关联以获取全局语义信息，同时跟踪过程中每隔固定帧根据置信度分数大小动态更新模板，用于调整模板外观状态；最后采用边界框提升模块精细化边界框的回归范围，提升算法的精度。在多个具有挑战性的数据集上与主流先进算法进行性能对比实验，在OTB2015数据集上成功率和精确率分别达到70.2%和91.0%，在GOT-10k数据集上平均重合度相较于基准算法TransT提升了0.02，在LaSOT数据集上成功率相较于基准算法TransT提升了0.024，并且能以42 FPS的跟踪速度进行实时跟踪。

• 基于层次保留的知识图谱嵌入链路预测方法

  钱付兰, 王文学, 郑文杰, 陈洁, 赵姝

  知识图谱嵌入（KGE）是预测知识图谱（KGs）中缺失链接的重要工具，它将知识图谱中的实体和关系嵌入到连续低维空间中，并尽可能地保留原数据中隐含的各种信息。近年来，一些知识图谱嵌入方法利用极坐标系对知识图谱中普遍存在的语义层次结构进行建模，提升了链路预测任务的性能。然而，这些方法在建模关系时，使用了简单的标度变换并过度关注于实体的层次差，这在一定程度上限制了模型的拟合力。为了应对上述问题，提出了基于层次保留的知识图谱嵌入方法（RHKE），它在建模知识图谱中的关系时考虑了实体本身的层次。具体来说，提出了混合变换，它包含一个倍率项和一个偏差项，当实体层次较低或较高时，标度变换主要受偏差项或倍率项影响。此外，由于变换后模型丢失了实体原本的层次，RHKE使用层次修正项，它将头尾实体的原本层次用不同比例组合后作为关系的附加信息。在多个公开数据集上的实验结果显示，RHKE在链路预测上的性能优于现有的语义层次模型。

• 自训练新类探测半监督学习算法

  何玉林, 陈佳琪, 黄启航, Philippe Fournier-Viger, 黄哲学

  传统的半监督学习算法（SSL）存在适用范围有限和泛化能力不足的缺陷，尤其是当训练数据集中出现未见标签的新类样本时，算法的性能将在很大程度上受到影响。基于人工标注的有标记样本获取方式需要领域专家的参与，消耗了高昂的时间和财力成本，且由于专家背景知识的局限，无法避免标记过程中的人为错标现象。为此，以提高对未见标签样本标注正确性为出发点的半监督学习算法具有迫切的实际需要。在对自训练算法进行了详细剖析之后，提出了一种有效的新类探测半监督学习算法（NCD-SSL）。首先，基于经典的极限学习机模型，构造了可处理标签增量和样本增量学习的通用增量极限学习机；然后，对自训练算法进行改进，利用标注可信度高的样本进行样本增量学习，同时设置了缓存池用以存储标注可信度低的样本；之后，使用聚类和分布一致性判定方法进行新类探测，进而实现类增量学习；最后，在仿真数据集和真实数据集上对提出算法的可行性和有效性进行了实验验证，实验结果显示在缺失类别数为3、2、1时，新算法的测试精度普遍比其他6种半监督学习算法高出30、20、10个百分点左右，从而证实了提出的算法能够获得更好的新类探测半监督学习表现。

• 融合多元信息的社交网络节点分类方法

  刘超, 梁安婷, 刘小洋, 黄贤英

  针对社交网络节点分类效果不佳的问题，提出一种融合多元信息的图卷积网络节点分类模型（IMIGCN）。首先，利用特征向量X和邻接矩阵A，分别构造包含节点间同质信息的同质矩阵FA和共引信息的共引矩阵CoA；分析网络中的三角结构，通过转换公式构造包含节点间三角信息的三角矩阵TriA。在此基础上，融入节点自身信息。接着，改进传统图卷积网络（GCN）模型。将GCN的单核改进为适应性多核，通过注意力机制将多核学习的结果自适应融合为一个嵌入，达到一次卷积同时融合多元信息的效果。为了学习更多信息，将模型过程中的嵌入设计为多头，通过多头嵌入注意力自适应学习多头嵌入的权重分配。实验结果表明，与现有较优的节点分类模型相比，提出的IMIGCN在社交网络上的分类精确度提高0.009 8~0.053 2，F1指标提升0.012 7~0.053 6，证明了提出的IMIGCN合理有效。

• 知识水波图卷积网络推荐模型

  崔焕庆, 宋玮情, 杨峻铸

  为了解决基于知识图谱的推荐系统中常见的高阶建模难和用户特征建模不充分问题，提出了以端到端的方法获取知识图谱中高阶语义信息的知识水波图卷积网络（KRGCN）。模型分为用户特征学习和项目特征学习两部分，其中用户特征学习基于用户历史交互记录，利用偏好传播和交叉压缩单元进行嵌入传播来获得用户特征表示；项目特征学习是在项目知识图谱上利用图卷积网络聚合每一项目的高阶邻域信息，使用偏差区分项目邻域的重要性来获得项目特征表示。最后，利用用户特征表示和项目特征表示计算预测值，利用向量之间的内积操作计算用户与项目的交互概率。在两个公开数据集上，使用五个基线方法进行了对比实验。在Book-Crossing数据集上，KRGCN的AUC、ACC和F1值分别提升了4.43%~11.96%、1.68%~10.82%和1.90%~12.78%；在Last.FM数据集上，KRGCN的AUC、ACC和F1值分别提升了2.94%~16.84%、2.36%~16.59%和0.83%~17.69%。实验结果表明，KRGCN能够同时实现用户和项目的高阶建模，与其他代表性的模型相比有良好的推荐效果。

• 跨链数字资产风险管理策略及分析

  田海博, 叶婉

  由于智能合约的复杂性和各种数字资产所依赖的区块链安全等级不同，出现了系列的针对跨链数字资产的安全事件，凸显了跨链数字资产的高风险。针对跨链数字资产风险较高的问题，分析了近期bEarn Fi和Poly Network的两个典型跨链数字资产安全事件，得出了跨链服务节点的数字资产亟需保护的基本结论；进而结合区块链的特点，以跨链资产兑换为中心，提出了跨链数字资产风险管理的七个策略；并结合传统的异常检测技术，从单交易、多交易、K-means、外部数据源几个方面提供算法，对跨链资产兑换的用户请求进行异常检测，识别并终止异常的兑换请求，以降低跨链服务节点的数字资产风险；最后采用仿真验证的方法，基于哈希时间锁技术搭建了一个简单的跨链系统，在该系统中给出了系列的测试事件，以确认风险管理及异常检测方法的有效性。测试结果表明，提出的风险管理策略和相应的异常检测方法能够有效降低跨链服务节点的数字资产损失，降低跨链服务节点数字资产面临的安全风险。

• 结合EDCA和CPA的容错双向选择攻击

  张美玲, 尚利蓉, 郑东

  当所设计的攻击方案带有容错功能时，往往需要在非常大的候选空间中挑出正确的密钥。如何有效地实现这个目标是侧信道攻击中非常重要且具有挑战性的问题。针对这一问题，以AES-128为目标研究了结合欧式距离增强碰撞攻击（EDCA）和相关能量分析攻击（CPA）的容错双向选择攻击。为了提高碰撞检测的成功率，提出了EDCA，与传统的相关增强碰撞攻击（CCA）相比，EDCA利用欧式距离来区分两组能量迹之间的相似性，其碰撞检测的成功率更高，从而使优化更加实用和有意义。除此之外，结合EDCA和CPA，将密钥以及对应的碰撞对做分组处理，然后进行双向筛选，得到最优的碰撞链，大大减少了候选空间，从而降低了密钥枚举的复杂性，有效地恢复密钥。实验结果表明，在低信噪比[SNR=-3 dB]和[SNR=-6 dB]的条件下，设置碰撞对的阈值[ThΔ=5]，所提出的方案在3 000条能量迹时成功率达到98.78%和80.25%，均优于现有方案。

• 面向K-近邻学习模型的高效数据清洗框架

  王婧怡, 陈胤佳, 袁野, 陈辰, 王国仁

  现实世界中收集的数据集通常是含有缺失的，为了在不完备数据集上构建有效的机器学习模型，需要对数据集进行清洗。为了确保较好的清洗效果，通常需要人工参与，从而导致大量成本。确定不完备数据的清洗优先级将有助于减小清洗规模，节约人工成本。而计算不完备数据的清洗优先级应确定其对模型性能的贡献。夏普利值是目前流行的用来评估数据在机器学习模型中贡献的方法，因此可以借助夏普利值的概念计算不完备数据的清洗优先级。由于现有工作缺少对不完备数据夏普利值的研究，首先基于不完备数据集的指数级的所有可能世界定义了一种不完备数据夏普利值的表示方法；然后基于K-近邻分类模型的效用函数，提出了一种多项式时间内计算不完备数据在K-近邻分类模型中夏普利值的近似算法；最后提出了一种基于夏普利值的面向K-近邻分类模型的启发式数据清洗算法ShapClean。实验表明，该算法在清洗后模型分类准确率方面往往可以明显超过现有的针对机器学习模型的自动清洗算法，而且相比同样需要人工参与的数据清洗算法，该方法具有更高的清洗效率，可以有效节约人工成本，同时保证理想的模型准确度。

• MaSS：基于单位数据贡献的模型定价框架

  张小伟, 江东, 袁野, 安丽霞, 王国仁

  数据驱动型的机器学习模型已经是大势所趋，但是对于如何促进机器学习模型市场发展的研究还为之甚少。现有的研究主要分为两方面：一方面是数据拥有者和中间商之间的交互，即数据所有者的补偿问题；另一方面是模型买家与中间商之间的交互，即模型的定价问题。但是对于模型交易市场而言，这两个问题是密不可分的。因此针对这个问题，提出了新的模型定价框架MaSS。MaSS采用了新的效用评估指标Shapley值，然后基于该指标提出了三阶段的Stackelberg博弈的模型交易框架，其中包含了三方参与人：模型买家、中间人、数据拥有者。数据拥有者提供带有噪音的数据给中间人。中间人进一步将数据加工成模型买家需要的模型，向模型买家提供模型从而获利。他们之间相互作用形成一个Stackelberg博弈，以使得参与交易的所有人实现收益最大化，并从理论上证明了均衡定价策略存在的唯一性。最后，通过对真实数据大量模拟，证明了其显著的性能。