计算机科学与探索杂志

计算机科学与探索杂志2025年第10期

• 区块链恶意交易的层次化研究综述

  李嘉乐, 李雷孝, 林浩, 杜金泽, 史建平, 刘哲旭

  区块链技术虽在去中心化与安全性上具有显著优势，但其分层架构中潜藏的恶意交易威胁日益复杂化，现有研究多聚焦单一层次的安全分析，缺乏对跨层攻击传导机制的系统性探索。提出包括基础协议层、基础链层、扩展解决方案层、应用层的层次化恶意交易分析框架，深入分析了区块链技术中恶意交易的层次化问题，完整地总结了现有恶意攻击的检测与抵御方法研究进展。对上述四层中的恶意攻击进行综述分析，概述了35种恶意攻击类型的定义及攻击形式，各层级攻击间存在显著的传导效应，协议层的密钥泄露可使应用层的DeFi协议损失扩大数倍；分别介绍了各类攻击的检测方法以及抵御方法，并总结了可以用于抵御该类攻击的相关技术；分析了区块链各层中现存的安全问题，后量子密码学算法在区块链设备中的高功耗问题、确认延迟和低区块出块速度、代理合约模式的复杂性与安全隐患问题和Rollups的状态增长隐患问题，据此提出未来研究的四个方向，后量子密码学的低功耗设计、动态块时间和自适应出块速度、增强代理合约模式的安全性与效率和Verkle树的无状态客户端恒定大小证明方案。

• DNS安全增强及区块链技术的应用研究进展

  倪雪莉, 王群, 马卓

  因设计之初对安全性考虑的缺失，致使当今的DNS面临日益复杂和极具挑战性的安全问题，而区块链技术的应用，以其独有的去中心化、防篡改、可溯源、公开透明等特征，为解决当前DNS面临的安全威胁提供了一种崭新的思路。在系统分析DNS脆弱性和安全威胁的基础上，对DNS安全增强技术进行了系统梳理与剖析，强调了区块链在增强DNS系统安全性以及重构DNS安全体系中发挥的独特功能和技术优势。概述了DNS的工作机制，分析了DNS安全脆弱性的具体表现和产生根源，总结了典型DNS攻击方式与检测方法；围绕体系结构、协议和实现过程三个维度分别对传统DNS安全增强技术的研究成果进行了对比分析；将区块链在DNS安全防护中的应用界定为融入区块链的DNS安全增强技术和基于区块链的DNS安全方案两种类型，以代表性示例分别分析了各区块链安全方案的实现方法和技术路径，并进行了分析与比较；总结并提出了区块链DNS目前仍然存在的去中心化与效率、不可篡改与合规、安全与用户体验等悬而未决的问题，且对DNS安全增强未来可能的研究热点和方向进行了展望。

• 深度学习在黑色素瘤分类诊断中的研究进展

  蒋润泽, 刘静, 马金刚, 郭振, 李明

  黑色素瘤作为皮肤癌中最具致命性的类型，其早期准确诊断对提高患者生存率至关重要。近年来，深度学习技术在黑色素瘤分类诊断领域展现出巨大潜力，为临床诊断提供了新的技术支撑。系统回顾了深度学习在黑色素瘤分类中的研究进展，重点关注卷积神经网络、Transformer、生成对抗网络和循环神经网络等核心方法的技术演进及其临床应用。归纳了HAM10000、ISIC、PH2等权威数据集的特性及其在算法开发中的价值，详细分析了不同数据集的预处理方法和增强策略，为模型训练提供了高质量的数据基础；深入分析了不同深度学习模型的改进策略，包括网络架构优化、多模态特征融合及数据不平衡处理等；还探讨了迁移学习、集成学习等多元学习策略在提升模型性能中的作用。总结了当前技术的局限性，并对未来研究方向进行了展望，重点包括多模态大模型、联邦学习及轻量化技术的应用前景。

• 零样本多语言神经机器翻译综述

  肖增, 王斯日古楞, 斯琴图

  在多语言神经机器翻译中，零样本翻译是一个重要的研究方向，旨在使模型能够翻译训练过程中从未见过的语言对，实现跨语言迁移学习。然而，现有多语言模型在处理未见过语言对时，仍面临诸如语义偏移、翻译质量不稳定、语言方向不对称等问题，严重影响了翻译效果的可靠性与一致性。为系统性梳理该领域的研究现状，围绕“多语言模型构建方式对零样本翻译性能的影响”这一核心问题展开综述，旨在为后续研究者提供理论支持和方法借鉴。零样本翻译对于训练语料匮乏的语言对翻译任务意义重大，很大程度上降低了翻译成本。从语料资源的角度出发，介绍了零样本翻译的研究背景、基本定义、核心原理及其在跨文化沟通、新语言支持等场景中的实际应用价值。针对当前主流的零样本翻译建模方法，从基于预训练模型、双语监督训练和大语言模型构建多语言神经机器翻译的三个方向进行介绍。分析了多语言神经机器翻译中零样本翻译的未来研究趋势，为该领域进一步研究提供参考。

• 去中心化联邦学习综述

  陈丽芳, 许恺龙, 赵人喆, 韩阳, 代琪

  随着大规模异构数据的快速增长，集中式联邦学习面临数据处理和隐私保护的挑战。去中心化联邦学习通过消除对中心服务器的依赖，增强了系统容错性和适应性，同时分散通信负载，显著提升了隐私保护水平。系统性地阐述了集中式联邦学习与去中心化联邦学习的基本原理，并通过多维度对比分析体现两者差异。在此基础上，深入探讨了去中心化联邦学习在通信优化、隐私保护机制、模型聚合策略等方面的技术优势与创新方法。全面分析了去中心化联邦学习在医疗健康、智能制造、智慧城市等领域的应用前景与发展趋势。通过对比常见去中心化联邦学习框架在常用数据集上的性能，展示了不同框架的优势，并总结了当前主流的开源框架，对未来研究可能面临的技术挑战和发展机遇进行了展望。

• 基于分布感知优化的高鲁棒推荐方法

  檀彦超, 周子皓, 马国芳, 王石平, 黄维, 阳及, 李天瑞

  随着个性化推荐系统在各类平台上的广泛应用，如何精确理解并建模复杂的用户行为和海量物品信息成为关键挑战。传统推荐系统经常忽视由好奇心或误操作产生的困难样本，这些未经处理的困难样本如果处理不当，则可能会导致模型偏差和性能降低。此外，传统推荐系统往往仅考虑单一用户-物品交互，未能从分布的角度捕捉高阶关联。针对上述问题，提出了一种基于分布感知优化的高鲁棒推荐方法（DORRec），旨在无监督条件下匹配全局用户分布与物品分布，同时甄别困难样本并建模分布匹配，以实现高鲁棒性推荐。在基于分布的困难样本识别模块，通过利用放宽Sinkhorn距离下的正则化约束，计算复杂的用户-物品间匹配分数的闭式解，从而找到每个用户的困难样本；在基于自适应阈值的高鲁棒推荐模块，提出了一种个性化阈值机制，通过自适应调整交互权重以强化困难样本的训练，满足高鲁棒推荐需求。在四个公共数据集上的实验验证了该方法的有效性，显示出DORRec在准确性和鲁棒性上的提升，通过与多个最先进推荐算法和高鲁棒组件在多个评价指标上进行比较分析，验证了DORRec在推荐性能上的显著优越性。

• 认知结构动态建模和遗忘显式计算的知识追踪模型

  张维, 罗佩华, 李志新, 龚中伟, 宋玲玲

  知识追踪任务旨在根据学生历史学习记录来估计学生的知识掌握程度，其中准确建模学习和遗忘行为是精准刻画学生知识状态的关键。现有方法通常基于学生静态知识结构对学习行为进行建模，并通过拼接时间特征和交互信息的隐式方式以改进遗忘建模。然而，学生的认知结构是随时间变化的，且隐式处理时间特征不能充分利用时间信息。为了解决上述问题，提出了一种认知结构动态建模和遗忘显式计算的知识追踪方法（CSFKT），以更好地捕获学生知识状态变化情况。该方法根据学生答题反馈，使用门控循环单元（GRU）对学生认知结构的邻接矩阵进行更新，构建动态变化的学生认知结构图；基于该认知结构图，利用图神经网络的邻域聚合策略建模知识点相互作用过程；提出一种遗忘显式计算方法，利用间隔时间和遗忘曲线公式显示计算记忆保留概率及衰减后的知识状态，再使用GRU获得当前时刻的知识状态，并预测学生正确作答的概率。在三个真实数据集上进行了大量实验，结果表明CSFKT不仅可以建模动态的认知结构也可以显式建模学生遗忘行为，而且具有优越的性能以及良好的可解释性。

• 基于密度峰值快速聚类算法的合成过采样方法

  冷强奎, 李梓涵

  类不平衡问题，作为分类任务中的一大挑战，源于训练数据集中多数类与少数类样本数量的显著失衡。这种不平衡性不仅影响分类器的泛化能力，还可能导致对少数类样本的识别精度大幅下降。过采样技术，尤其是合成过采样技术（SMOTE）及其变种方法，作为缓解此类问题的有效手段，通过生成额外的少数类样本来平衡数据集。然而，这些方法存在生成样本可能引入噪声、样本多样性不足以及未能充分关注边界区域等局限性。鉴于边界样本在分类决策中的关键作用及其易受分类器误判的特性，提出了一种创新的过采样策略，旨在精准识别边界样本，并在其周围生成高质量的新样本。该方法采用密度峰值快速聚类算法CFSFDP，凭借其识别局部密度峰值的能力，计算出每个少数类样本的局部密度，进而筛选出位于分类边界样本。通过计算这些边界样本与其最近多数类样本之间的欧式距离，为每个边界样本定义一个合适的球形区域，该区域既涵盖了边界样本的潜在分布范围，又避免了与多数类样本的过度重叠。在确定了边界样本及其对应的球形区域后，该方法在该区域内随机生成新的合成样本。这一步骤不仅增加了少数类样本的多样性，还使得生成的样本更加贴近真实的边界分布，从而有助于分类器更好地学习少数类的复杂特征。为验证该方法的有效性，将其与现有的9种过采样方法在32个真实世界的不平衡数据集上进行了全面比较。实验结果表明，提出的方法在多个评价指标上均表现出色。

• 综合特征分段组稀疏编码的交通标志识别方法

  朱逸峰, 奚峥皓, 郑阳, 刘翔, 刘亚奇, 张星

  随着无人驾驶、辅助驾驶等技术的发展，交通标志识别（TSR）问题被更多的研究者所关注。目前，在普通交通环境下的TSR问题得到了较好的解决，但当环境中存在交通标志模糊、部分遮挡等噪声干扰时，其TSR的处理效果并不理想。针对该问题进行研究，提出了一种新颖的结合孪生网络的综合特征分段组稀疏编码的TSR问题解决方法。提取交通标志的多个不同尺度特征编码，并提出利用综合特征编码的方法来表征交通标志；通过提出的分段组稀疏编码方法对交通标志的综合特征编码进行优化，以改善模型对编码的学习能力，提高编码的鲁棒性；构建了用于分段组稀疏编码训练的孪生神经网络模型，该模型因其简单的结构和较少的层数使其不易出现过拟合问题，同时所提模型也具有较少的参数量，较大幅度提升了模型的运算速度。实验表明，所提方法在TT100K数据集原始环境、运动模糊环境中，与目前SOTA模型最好成绩相比其准确率、精确率、召回率与F1分数等评价指标相近，模型参数量减少70.8%，FPS提升51.4%；在部分遮挡噪声环境中，各指标均显著优于目前SOTA模型最好成绩，尤其在遮挡率为60%时，所提方法的准确率和FPS分别较目前SOTA模型最好成绩提升了0.118和27 FPS。

• 结合多尺度处理和轻量级网络的单幅图像去雾算法

  谭永前, 曾凡菊

  针对传统物理模型去雾算法处理后易产生光晕效应、边缘模糊、颜色失真与对比度失衡等问题，提出一种结合多尺度处理和轻量级网络的单幅图像去雾算法。通过生成不同曝光水平的图像，捕获不同照度区域的纹理特征，融合不同曝光下的暗通道信息，实现了更全面的场景描述。利用小波变换对多尺度暗通道先验估计透射率和多尺度伽马校正图像估计透射率进行融合，并通过非锐化掩膜引导滤波进行优化，增强其边缘保持能力；同时引入自适应正则化约束机制调整平滑强度，有效平衡细节保留与噪声抑制。采用多尺度亮度引导结合轻量化网络估计大气光值，最终依托大气散射模型逆运算复原无雾图像。所提算法在SOTS、RTTS、HSTS三个数据集上进行了大量定量和定性实验对比，实验结果表明，相对于传统去雾算法，所提算法在图像去雾的定量指标与主观视觉效果上均表现出一定优势，尤其是在景深突变区域图像复原效果较为突出。

• 水下图像的三步式色彩校正与多尺度对比度增强

  江巨浪, 张高兴, 徐光豪, 刘娟

  由于水下介质对光的吸收和散射效应，水下成像通常存在颜色失真、对比度退化和细节模糊。提出一种改进的水下图像色彩校正方法，处理过程包括局部自适应的弱通道补偿、直方图拉伸与基于幂次变换的白平衡三个步骤。对于色彩校正后的图像，采用边缘锐化、局部增强与全局增强的联合处理方法充分增强图像中多种尺度的特征信息。基于拉普拉斯金字塔的分解与重构，对多种尺度的对比度增强结果进行加权融合。包含Macbeth色卡的水下图像仿真实验结果显示，采用该算法增强的水下色卡图像与标准色卡的色差值小于所有对比算法。采用水下图像标准数据集UCCS、UIQS与UIEB的仿真实验结果显示，该算法能够有效校正各种类型水下图像的色偏，图像整体亮度与暗区亮度能够得到合理优化，图像的场景细节与纹理细节的可见度明显优于对比算法。采用平均梯度、边缘强度、信息熵、水下图像质量评价指数与CCF综合指数作为评价指标，对仿真结果进行了定量评估。结果表明，该算法的各项性能在对比算法中均为最优或次优，整体性能分值比次优算法提高了16.93%。

• 设备故障诊断检索式问答算法框架研究

  魏征, 宋晓, 李玺, 谢方方, 李骁

  在设备故障诊断智能问答领域，传统的实体链接和意图识别方法在长文本处理中存在精度低、消歧困难、意图识别不准确等问题。同时，大模型问答系统在该领域存在答案精确度有限、计算开销较高的问题，难以满足高精度、高实时性的应用需求。为此，提出了一种检索式问答算法框架，该框架通过协同优化实体链接与意图识别模块提升检索性能。实体链接模块采用多特征融合方法，整合文本特征与语义特征信息；意图识别模块构建基于全局与局部语义协同建模的深度学习模型，实现细粒度意图解析。设计实体链接与意图识别双模块交互机制：一方面基于意图语义特征实现候选实体消歧，另一方面利用实体链接反馈优化问句意图表征。针对某公开设备的多种故障类型与诊断情境，构建问答数据集，进行了多组对比实验与消融实验。实验表明，该框架的问答精确率为0.960 7，F1值为0.961 0，均优于基准方法。与大模型问答系统的对比实验表明，BLEU得分8.789 4，ROUGE-L得分0.953 0，平均响应时间0.371 6 s，验证了该方法在精确性和实时性方面均优于基座大模型及大模型GraphRAG问答系统。

• 多元特征提取与通道特征重构的跨模态行人重识别方法

  王铭杰, 毕艺瀚, 王蓉, 李冲

  针对可见光图像与红外图像模态差异大导致可见光-红外行人重识别匹配困难的问题，提出一种多元特征提取与通道特征重构的跨模态行人重识别方法。采用双流ResNeXt50作为骨干网络，通过通道分组卷积分别提取不同子网络特征，缓解两种模态通道数不平衡的问题，提升判别特征提取能力，降低模型复杂度，避免过拟合；设计多级特征重构模块，对不同阶段特征进行通道维度的重构融合，并利用通道注意力机制和自适应权重增强具有判别力的关键特征，减少冗余信息，增强模型的辨识能力；构建多元特征提取模块，通过多支路并行卷积提取多元跨模态共享特征，并利用EMA注意力机制，通过特征分组及跨空间学习方法，捕捉图像中的细节和全局信息，学习有效空间和通道特征，增强网络对复杂场景下行人关键特征的学习能力。该方法在SYSU-MM01数据集的全景搜索模式下，rank-1和mAP分别达到75.35%和72.37%，室内搜索模式下，rank-1和mAP分别达到83.57%和86.03%；在RegDB数据集的可见-红外检索模式下，rank-1和mAP分别达到93.21%和87.09%，红外-可见检索模式下，rank-1和mAP分别达到91.63%和86.00%，证明了方法的有效性。

• 基于成对关系向量卷积的知识图谱补全研究

  张宇晨, 朱晓旭, 李培峰

  知识图谱补全旨在依据知识图谱中已知三元组推理出缺失的三元组，以解决知识图谱的不完整性问题。现有方法大多将实体和关系直接融合提取特征，忽略了三元组中之间的共性特征和具体属性。为此，提出了一种基于成对关系向量的卷积神经网络模型ConvPair，通过成对关系建模、特征融合优化和关系感知卷积操作，提升知识图谱补全的链接预测性能。ConvPair模型的核心思想是将关系r拆分为头关系rh和尾关系rt，rh与头实体h融合后，通过共性特征编码模块得到共性特征实体f。接着，f与rt进行融合，通过具体属性提取模块来预测尾实体t。在实体与关系的融合方面，对h和rh的向量表示进行棋盘重塑操作，以充分融合特征；同时，直接拼接f和rt的向量表示，保留在提取具体属性时的三元组翻译特性。最后，设计关系感知卷积核，有效处理了复杂关系并提取关系的特定特征。实验结果表明，ConvPair在FB15k-237、WN18RR、YAGO3-10等数据集上优于现有先进模型，展现了卓越的性能和泛化能力。

• 集成双重语义信息和改进注意力机制的中文实体识别方法

  冯勇, 刘明华, 王嵘冰, 徐红艳, 张永刚

  针对当前中文命名实体识别中数据无明显分隔符、字符连续排列导致的边界模糊和分词歧义问题，考虑从实体的双重语义信息分析和改进注意力机制入手，提出了一种集成双重语义信息和改进注意力机制的中文实体识别方法。改进多头注意力机制，通过线性门控单元有效平衡了捕获的顺序信息，并增强了多头注意力机制提供的全局信息，通过残差网络解决整体的梯度问题。在实体识别阶段的局部语义信息处理中引入知识图谱的思想，通过外部词典提取实体的局部语义特征，在全局语义信息中使用BERT捕获数据整体的语义特征，经动态融合得到双重语义信息。BiLSTM通过双向处理输入序列捕捉全面的上下文依赖信息，同时利用改进的多头注意力机制建立多个子序列，弥补了BiLSTM对于长文本句子捕捉依赖的不足。使用CRF优化标签序列的预测，得到最终的预测结果。在中文领域公开的MSRA、Weibo和人民日报数据集上进行了实验分析，实验结果表明所提方法的F1值分别为94.22%、69.96%、93.17%，较基准方法平均提高了0.95%、10.21%、1.25%，验证了所提实体识别方法在中文领域的有效性和优越性。

• 基于异构信息网络的多模态食谱表示学习方法

  张霄雁, 江诗琪, 孟祥福

  当前食谱表示学习方法主要依赖于通过将食谱文本与图像进行对齐，或利用邻接矩阵捕捉食谱与其用料之间关系的方式，学习食谱的嵌入表示。然而，这些方法在信息融合处理上较为粗糙，未能深入挖掘不同模态之间的交叉信息，且难以有效地动态评估食谱组成要素之间的关联强度，导致模型的表示能力受限。针对上述问题，提出一种基于异构信息网络的多模态食谱表示学习模型（CookRec2vec）。将视觉、文本和关系信息集成到食谱嵌入中，通过自适应的邻接关系更加充分挖掘和量化食谱组成要素之间的关联信息及其强度，同时基于高阶共现矩阵的显式建模方法提供了互补信息且保留了原有特性，显著提高了食谱特征表达能力。实验结果表明，所提模型在食谱分类性能上优于现有主流方法，并在创新菜嵌入预测方面取得了显著进展。

• 面向扩散大模型的多模态人脸生成方法

  黄万鑫, 任英杰, 芦天亮, 杨刚, 袁梦娇, 曾高俊

  人脸生成是计算机视觉的前沿课题，在刑事侦查、虚拟现实等领域有广泛的应用前景。近年来扩散模型展现出卓越的生成能力，能够根据限定条件生成高语义一致性的图片，应用于生成人脸方向上成为新趋势。然而，现有生成方法中基于常规扩散的方法对条件信息细节理解不足，未能充分利用条件信息精准生成人脸；基于扩散大模型的方法通常需耗费大量计算资源微调模型，抑或添加额外复杂网络且未能均衡融合多模态条件信息。针对上述挑战，提出面向扩散大模型的多模态生成人脸方法MA-adapter，添加小型精简网络提取视觉结构信息融合语义指导扩散大模型精准生成人脸，充分利用扩散大模型生成能力的同时避免耗费大量计算资源进行微调。该模型利用多头注意力模块（MAM）增强图片模态提示，使模型更加关注关键信息；通过多尺度特征模块（MFM）提取多尺度特征信息，为精准指导生成提供保障；设计自适应调节机制（AAM），自适应调节不同特征层的生成指导系数以实现更佳性能。实验结果表明，在MM-CelebA-HQ数据集上与当前主流方法T2I-adapter相比，MA-adapter的感知相似指标LPIPS下降约18.4%，图文匹配指标CLIP-Score提高约13.6%，特征相似指标CLIP-I增长约14.8%。大量实验结果充分验证MA-adapter的有效性及优越性。

• 面向高动态大规模卫星网络的层次稳定路由算法

  桑环宇, 杨雅婷, 陈东惠, 嵩天

  大规模低轨卫星星座的部署将为全球提供高速、稳定的互联网服务，在满足未来6G网络对低时延和高可靠性需求方面发挥关键作用。然而，低轨卫星的高速移动，其相对位置和星间链路频繁变化，导致网络拓扑持续动态调整，引发路由更新频繁、数据传输不稳定等问题，难以满足互联网通信对稳定性和可靠性的要求。为了解决上述问题，提出了一种低轨卫星网络中的稳定路由算法，通过引入稳定路径问题模型，综合考虑路由稳定性和通信性能，计算跨时隙路由变化最少的卫星稳定路径，从而降低路由的更新频率。针对大规模网络中路由求解复杂度高、更新代价显著增加的问题，进一步设计了一种适用于高动态大规模卫星网络的层次稳定路由架构。该架构将卫星网络划分为多个逻辑域，在域间采用稳定路由策略保障全局路由的连续性，在域内结合区域流量特征采用选择性路由策略，有效降低稳定路由计算复杂度。为应对快速变化的网络拓扑，架构进一步结合增量式局部重算与拓扑预测性更新机制，增强路径计算的及时性与准确性，确保层次架构下的路由响应能够满足高动态环境的实时需求。仿真实验结果表明，与现有方法相比，所提出的层次稳定路由算法使路由更新频率降低69%，平均传输时延降低14%，总体网络开销降低44%。

• 针对SKINNY算法的改进差分故障攻击方法

  武小年, 杨济铭, 张润莲

  现有针对SKINNY算法的差分故障攻击存在需要注入的故障数量多、密钥搜索复杂度高及攻击执行时间长且密钥空间可能会有剩余等问题。针对上述问题，提出一种基于双半字节/双字节故障的差分故障攻击模型，实现对SKINNY-64-64算法和SKINNY-128-128算法的差分故障攻击。该模型允许攻击者对微调进行访问和完全控制，并假设可调密钥输入有一个固定的调整，在SKINNY-64-64算法和SKINNY-128-128算法的密钥编排算法的第R-3轮和R-4轮密钥中分别注入双半字节和双字节故障，利用最后三轮S盒输入差分中的约束建立差分方程，通过计算恢复SKINNY-64-64算法和SKINNY-128-128算法的主密钥。在软件实现上的仿真实验测试结果表明，新提出的模型分别利用5.9对和6.7对故障可以恢复出SKINNY-64-64算法和SKINNY-128-128的主密钥；相对于现有方法，新提出的模型可以在注入较少故障恢复算法唯一密钥的同时保持较低的攻击时间开销。