首页期刊导航|计算机科学
期刊信息/Journal information
计算机科学
计算机科学

朱完元

月刊

1002-137X

jsjkx12@163.com

023-63500828

401121

重庆市渝北区洪湖西路18号

计算机科学/Journal Computer ScienceCSCD北大核心CSTPCD
查看更多>>本刊的读者对象是：大专院校师生，从事计算机科学与技术领域的科研、生产人员。办刊宗旨是：坚持“双百”方针，活跃计算机科学与技术领域的学术气氛，重点报导国内外计算机科学与技术的发展动态，为我国的计算机科学与技术立于世界之林、达到国际先进水平奋斗而矢志不渝。
正式出版
收录年代

    新计算模式下的信息安全防护专题序言

    于戈倪巍伟宋伟王金宝...
    1-2页
      原文链接:
    • 万方数据
    • 维普

    基于模糊逻辑的物联网流量攻击检测技术综述

    商钰玲李鹏朱枫王汝传...
    3-13页
    查看更多>>摘要：物联网越来越多地出现在日常活动中,将我们周围多样化的物理设备连接到互联网,奠定了智慧城市、电子健康、精准农业等应用的基础.随着物联网应用的迅速普及,针对这类设备和服务的网络攻击数量也有所增加,且这些攻击具有不精确性和不确定性,使得对其进行正确检测和识别更加困难.为了应对上述挑战,学者们引入了基于模糊逻辑的攻击检测框架,在各种操作步骤中结合不同的模糊技术,以便在数据不准确和不确定时更精确地检测网络攻击.文中首先对物联网的安全性进行了详细的探讨,如其应对的安全挑战、所需的安全要求、面临的攻击类型等;其次对入侵检测系统(Intrusion Detection Systems,IDS)进行了描述,进而简述了物联网中IDS的基础框架;然后阐述了模糊逻辑的技术原理,分析了将其应用在流量攻击检测中的合理性;接着比较了各种基于不同技术的流量攻击检测方案,以说明它们在该领域的性能和重要性;最后总结了本文的主要工作,指出了未来的研究方向,为该领域的研究者提供了新的视角,以更好地应对不断升级的网络攻击.

    模糊逻辑物联网攻击检测流量网络安全

      原文链接:
    • 万方数据
    • 维普

    基于对比图学习的跨文档虚假信息检测

    廖劲智赵和伟连小童纪文亮...
    14-19页
    查看更多>>摘要：当前,网络上充斥着大量虚假信息,严重阻碍了社会各行业的正常运转,如何精准检测虚假信息成为了亟待解决的问题.现有研究主要从账户特征、文本内容和多模态3个角度开展工作,但大多忽视了虚假信息赖以传播的关键特征(即内容新奇性),仅是孤立地分析判别目标信息的真实性,未能把握舆论环境的特征.因此,提出了一种基于对比图学习的跨文档虚假信息检测方法(Contrastive Graph Learning,CAL),聚焦于内容新奇性,主要包含两个关键模块:对比学习模块和异构图模块.前者致力于扩大客观事实与虚假信息在向量空间中的表示差异性;后者包含实体、事件、事件集、句子和文档5种类型实体,尽可能向实体表示中注入舆论环境的语义特征.最后,在IED,TL17和Crisis这3个数据集上,在文档级和事件级这两个层次上开展了相关实验,CAL在所有测试中均取得了最优的结果,验证了所提方法的有效性.

    跨文档虚假信息检测对比学习异构图事件级检测

      原文链接:
    • 万方数据
    • 维普

    跨机构联邦学习的激励机制综述

    王鑫黄伟口孙凌云
    20-29页
    查看更多>>摘要：联邦学习作为一种分布式机器学习,有效地解决了大数据时代的数据共享难题.其中,跨机构联邦学习是机构之间互相合作的一种联邦学习类型.如何在跨机构合作的过程中设计合理的激励机制十分重要.文中从跨机构合作的角度,对现有的跨机构联邦学习的激励机制研究进行了综述.首先介绍跨机构合作过程中的3个基本问题,即高隐私性、数据异质性、公平性,然后分析了以全局模型为中心和以参与者为中心这两种不同的跨机构合作模式下的激励机制设计方法,最后总结了影响跨机构合作稳定发展的几个影响因素,即参与者的数据演变、参与者合作关系变动和参与者的负面行为,并展望了跨机构联邦合作的未来方向.

    跨机构联邦学习激励机制跨机构合作分布式机器学习隐私计算

      原文链接:
    • 万方数据
    • 维普

    基于隐空间扩散模型的差分隐私数据合成方法研究

    葛胤池张辉孙浩航
    30-38页
    查看更多>>摘要：数据共享与发布可以有效发挥数据的价值,能够在数智时代推动科技进步和经济社会的发展.在数据共享的同时如何保护数据版权及个人隐私仍是一项巨大的挑战.差分隐私数据合成是数据隐私保护的有效手段,数据持有者通过发布合成数据取代真实数据,一方面可以保护数据隐私,另一方面也可以提高数据的泛用性与可用性.针对差分隐私生成模型合成图像数据样本可用性低的问题,提出了基于隐空间扩散模型的两阶段差分隐私生成模型.首先对原始图像进行差分隐私感知信息压缩,将其从像素空间投射至隐空间中,获得原始敏感数据的脱敏隐向量表示.然后将隐向量输入扩散模型,使其逐渐转变为先验分布,并通过去噪过程进行采样.最后,使用MNIST和Fashion MNIST数据集训练并进行数据合成,结果表明该模型在FID和下游任务准确性上相比DP-Sinkhorn等SOTA模型均有明显提升.

    差分隐私数据合成生成模型自编码器扩散模型

      原文链接:
    • 万方数据
    • 维普

    基于区块链的联邦蒸馏数据共享模型研究

    刘炜刘宇昭唐琮轲王媛媛...
    39-47页
    查看更多>>摘要：零散、孤立的海量数据形成"数据孤岛"使得数据无法交互和连接,如何在保护原始数据隐私的前提下安全有效地共享数据中的知识信息已成为热点研究问题.基于以上内容,提出了 一种基于区块链的联邦蒸馏数据共享模型(BFDS).区别于中心化架构,采用区块链联合多参与方组建教师网络,实现分布式协同工作;通过交换蒸馏输出的方式,传递数据中的知识信息,联合训练轻量化模型;提出了一种多权重节点可信评估算法,调用智能合约分配权重并生成可溯源全局软标签,降低因参与方质量差异而产生的负向影响.实验结果表明,BFDS模型能联合多参与方安全可信共享数据知识,协同蒸馏训练模型,降低了模型的部署成本;所提出的多权重节点评估算法能有效减小低质量节点的负向影响,提高了全局软标签的质量与安全性.

    区块链知识蒸馏数据共享智能合约

      原文链接:
    • 万方数据
    • 维普

    基于启发式粗化算法的半监督图神经网络的训练加速框架及算法

    陈裕丰黄增峰
    48-55页
    查看更多>>摘要：图神经网络是当前阶段图机器学习的主流工具,发展势头强劲.通过构建抽象图结构,运用图神经网络模型能够高效地处理多种应用场景下的问题,包括节点预测、链接预测和图分类等方向.与之相对应,一直以来,在大规模图上的应用是图神经网络训练中的关键点和难点,如何有效、快速地在大规模图数据上进行图神经网络的训练和部署是阻碍图神经网络进一步工业化应用的一大难题.图神经网络因为能够利用图的网络结构的拓扑信息,所以在如节点预测的赛道上能够取得比一般其他神经网络如多层感知机等更好的效果,但是图的网络结构的节点个数和边的条数的规模增长制约了图神经网络的训练,真实数据集的节点数量规模达到千万级别甚至亿级别,或者是部分稠密的网络结构中边的数量规模亦达到了千万级别,使得传统的图神经网络训练方法均难以直接取得成效.针对以上问题,改进并提出了基于图粗化算法的新型图神经网络训练框架,并在此基础上提出了两种具体的训练算法,同时配合提出了两种简单的启发式图粗化算法.在精度损失可以接受和内存空间消耗大大降低的前提下,所提算法能够进一步显著地降低图神经网络的计算量,缩短训练时间,实验结果表明其在常见数据集上均能取得令人满意的成绩.

    图神经网络图粗化训练加速启发式随机游走无偏

      原文链接:
    • 万方数据
    • 维普

    基于在线学习稀疏特征的大规模多目标进化算法

    高梦琦冯翔虞慧群王梦灵...
    56-62页
    查看更多>>摘要：大规模稀疏多目标优化问题(Sparse Multiobjective Optimization Problems,SMOPs)广泛存在于现实世界.为大规模SMOPs提出通用的解决方法,对于进化计算、控制论和机器学习等领域中的问题解决都具有推动作用.由于SMOPs具有高维决策空间和Pareto最优解稀疏的特性,现有的进化算法在解决SMOPs时,很容易陷入维数灾难的困境.针对这个问题,以稀疏分布的学习为切入点,提出了 一种基于在线学习稀疏特征的大规模多 目标进化算法(Large-scale Multiobjective Evolutio-nary Algorithm Based on Online Learning of Sparse Features,MOEA/OLSF).具体地,首先设计 了 一种在线学习稀疏特征的方法来挖掘非零变量;然后提出了一种稀疏遗传算子,用于非零变量的进一步搜索和子代解的生成,在非零变量搜索过程中,其二进制交叉和变异算子也用于控制解的稀疏性和多样性.与最新的优秀算法在不同规模的测试问题上的对比结果表明,所提算法在收敛速度和性能方面均更优.

    进化算法大规模多目标优化稀疏Pareto最优解在线学习

      原文链接:
    • 万方数据
    • 维普

    基于注意力-生成对抗网络的任务分析方法研究

    周琳茹彭鹏菲
    63-71页
    查看更多>>摘要：合理的任务分析可帮助分析者快速、准确地进行任务规划,目前使用案例推理方法进行任务分析存在分析时间长、分析结果准确性较低等问题.针对该问题,提出了基于注意力-生成对抗网络的任务分析方法.以长短时记忆网络(LSTM)为生成器、循环神经网络(RNN)为判别器,针对离散数据细微梯度的更新无法回传的问题,在生成器中使用rollout policy对生成的不完整序列进行推理补充,在判别器中使用蒙特卡罗(MC)进行数据采样得到完整的数据序列动作价值函数,从而指导生成器的参数更新;针对稀疏数据特征不明显、数据重点不明确等问题,在生成对抗网络训练前加入软注意力机制,为不同特征赋予不同权重从而过滤冗余数据,筛选出重要的特征数据.将该方法与未加入注意力机制的生成对抗网络在同一模拟数据集上进行对比实验,结果表明,加入注意力机制后的方法在精确率(P)、召回率(R)、F1值和准确率(Accuracy)4种评价指标上分别提升了 0.088,0.092,0.094和0.068,与其他神经网络推荐算法相比,在P,R,F1值和Accuracy上分别提升了 0.1～0.3,0.1～0.2,0.1～0.25和0.07～0.17,证明了该方法的有效性.

    注意力机制生成对抗网络任务分析循环神经网络任务推荐

      原文链接:
    • 万方数据
    • 维普

    基于缺失数据的交通速度预测算法

    黄坤孙未未
    72-80页
    查看更多>>摘要：交通速度预测是智能交通系统的基础,可以缓解交通拥堵,节约公共资源,提高人们的生活质量.在真实情况下,采集到的交通速度数据通常存在缺失,而现有研究成果大多数只考虑了数据相对完整的场景.文章主要针对缺失场景下的交通速度数据进行研究,捕捉其中的时空相关性,并对未来交通速度进行预测.为了充分利用到交通数据的时空特征,提出了一种新的基于深度学习的交通速度预测模型.首先,提出了"还原-预测"算法,先使用自监督学习方法让模型还原缺失数据,再对交通速度进行预测;其次,引入了对比学习的方法,使得速度时间序列的特征表示更鲁棒;最后,模拟了不同数据缺失率的场景,通过实验验证了所提方法在各种缺失率下的预测准确率都优于现有方法,并设计了实验对对比学习方法和不同的还原算法进行分析,证明了所提方法的有效性.

    交通速度预测缺失数据还原图神经网络对比学习深度学习

      原文链接:
    • 万方数据
    • 维普