首页期刊导航|计算机学报
期刊信息/Journal information
计算机学报
计算机学报

高文

月刊

0254-4164

cjc@ict.ac.cn

010-62620695

100190

中国科学院计算技术研究所（北京2704信箱）

计算机学报/Journal Chinese Journal of ComputersCSCD北大核心CSTPCDEI
查看更多>>本刊是中国计算机领域的有代表性学术刊物，作为一种科学研究档案，代表了计算机领域各个研究阶段的水平。本刊被《工程索引》（美国）、《科学文摘》（英国）、《数学文摘》（美国）、《科技文献速报》（日本）、《文摘杂志》（俄罗斯）等多种权威系统收录。是科技部科技信息研究所科技论文统计源期刊、中国科学引文数据库来源期刊。
正式出版
收录年代

    在线社交网络中点阻塞策略下虚假信息关注度最小化研究

    倪培昆朱建明高玉昕王国庆...
    2725-2741页
    查看更多>>摘要：在线社交网络中的信息影响着人们的观点或看法,混杂在其中的虚假信息必然对人们的判断和决策产生误导.人们对虚假信息的关注度越高就越容易受到虚假信息的误导,从而做出非理性甚至激进的行为.为构建和谐的网络生态环境,本文探索了点阻塞策略下虚假信息关注度最小化问题以及最小化用户被虚假信息激活时对虚假信息的总关注度.首先,考虑用户对虚假信息的关注度构建一个关注度级联模型,并借助库伦定律来刻画虚假信息扩散过程中用户对虚假信息关注度的演化.其次,证明了点阻塞策略下虚假信息关注度最小化问题的复杂性以及该问题目标集函数的非次模性和非超模性.然后,将关注度最小化问题转化为关注度下降最大化问题,借助离散函数的连续化技术以及集函数的凹闭合函数设计了一种近似投影次梯度算法.最后,在三个真实的数据集中验证了本文构造算法和模型的有效性,实验模拟结果表明了本文开发的算法优于现存的启发式算法,并且得出用户对虚假信息的关注度是影响虚假信息治理的重要因素.

    虚假信息关注度点阻塞Lovász扩展近似投影次梯度

      原文链接:
    • 万方数据

    面向不平衡短文本情感多分类的三阶语义图数据增广方法

    颜学明黄翰金耀初钟国...
    2742-2759页
    查看更多>>摘要：文本增广技术可以有效提升不平衡情感分类任务的性能.若文本增广过程中生成的少数类短文本数据未能体现完整的情感语义特征,则可能会导致不同类别之间的情感重叠问题出现.为了充分学习和理解少数类别的情感特征,本文提出一种面向不平衡文本情感多分类的三阶语义图数据增广方法,首先采用三阶语义图在多个词之间建立复杂的关系语义模型,用于表示多种可能的短文本局部情感语义和词节点依赖关系,然后提出了基于三阶语义图数据增广方法以平衡多分类文本的情感类别分布,从而有效实现不平衡短文本的情感分类.与传统的文本增广方法相比,在印尼语不平衡数据集上,本文提出的方法在少数类评价指标F1-measure和F2-measure上分别提升了5.75%和9.65%,在平衡情感识别能力指标G-means值上提升了2.91%;在马来语不平衡数据集上,本文提出的方法在少数类评价指标F1-measure和F3-measure上也分别提升了2.45%和4.81%,在平衡情感识别能力指标G-means值上提升了1.24%.此外,与传统的机器学习方法、深度网络模型等情感分类模型以及传统的短文本增广过采样模型相比,本文提出的方法在公开的印尼语、马来语、英语以及中文四个不平衡短文本数据集上都获得了最高的准确率Accuracy值.以上实验结果表明,融合不同模体的三阶语义图结构信息不仅可以有效表达文本中的局部情感语义以及词节点之间的依赖关系,还可以有效降低短文本数据增广过采样过程中引入新噪声的风险,并提升不平衡短文本的多分类性能.

    三阶语义图文本增广平衡策略短文本情感分类模体

      原文链接:
    • 维普
    • 万方数据

    基于Transformer的视觉分割技术进展

    李文生张菁卓力吴鑫嘉...
    2760-2782页
    查看更多>>摘要：视觉分割是计算机视觉领域的核心任务,旨在将图像或视频帧中的像素分类以划分成不同区域.得益于视觉分割技术的快速发展,该技术在自动驾驶、航空遥感和视频场景理解等多种应用领域中发挥着关键作用.近年来,基于Transformer的视觉分割技术因具备长程依赖建模能力而备受关注.随着Transformer的模型架构的持续优化与迭代,亟须更全面地理解和认识Transformer在视觉分割领域的已有进展和发展趋势,通过发现现有研究中的不足和挑战,以更深入地探索Transformer的核心理论.为此,本文从图像/视频两个视觉脉络出发,整理、回顾、分析和探讨了近年来基于Transformer的视觉分割相关技术进展,不仅归纳了Transformer的理论框架,还给出了一些应用实例和研究热点,从而做出总结和展望.具体来说,首先梳理了Transformer的背景,包括问题定义、数据集和评估指标、基本结构,其中,问题定义描述了视觉分割在图像/视频任务中的预期目标和结果;数据集和评估指标反映了模型的具体应用场景,以及性能的衡量标准;基本结构则描述了算法的核心模块、实现流程以及各个模块之间的关系.然后,着重阐述了Transformer在图像语义分割、图像实例分割,以及视频语义分割和视频实例分割四个方法体系,并探讨了当前的研究热点.对于图像语义分割任务,分析了Transformer的代表性结构,包括纯Trans-former和双分支结构,并以无人机影像非铺装道路分割和遥感图像语义分割为实际应用案例,探讨了Transformer的改进动机与应用效果,并展示了主观结果;图像实例分割总结了常见的非端对端Transformer和端对端Trans-former典型结构.视频语义分割主要分为面向精度的和面向效率的Transformer结构,视频实例分割则包括逐帧和逐片段Transformer分割,并以网络直播视频实例分割为应用实例,一方面讨论了可用的数据集、实验参数和评估指标,另一方面,对网络直播视频实例分割主流方法性能进行了评价和分析,展示了一些主观可视化结果.之后,鉴于视觉分割领域的SAM大模型、开放词汇分割、指代分割受到了广泛关注,本文将这些热点问题方法进行了追溯和评述,以期碰撞出视觉分割的新思路和新灵感.最后,尽管基于Transformer在视觉分割技术受到了广泛的关注,但存在的科学问题也逐渐凸显,限制了模型性能与效率的进一步提升,对此本文总结了利用Trans-former开展图像/视频语义/实例分割仍需关注的难点问题,并对未来可能的发展方向进行了展望,提供了一些启示供参考.

    视觉分割Transformer语义分割实例分割自注意力机制

      原文链接:
    • 维普
    • 万方数据

    基于Transformer的块内块间双聚合的单图像超分辨率重建网络

    唐述曾琬凌杨书丽钟恒飞...
    2783-2802页
    查看更多>>摘要：近年来,基于深度学习的轻量级单幅图像超分辨率(Single Image Super-Resolution,SISR)重建网络已成为人们研究的热点.但是现有的轻量级方法在捕捉图像像素间长距离的全局依赖性方面存在显著局限,这主要是由于显式建模此类依赖关系所伴随的庞大计算复杂度所致.因此现有的轻量级SISR方法的性能仍有较大的提升空间.基于此,本论文提出了一种新颖的基于Transformer的块内块间双聚合的轻量级网络(Intra-block and Inter-block Dual Aggregation Network,IIDAN)来显式捕捉整幅图像中的全局依赖性,进而实现高质量的SISR.首先,在自然图像的非局部结构相似性的启发下,本论文提出了一种新颖的块内块间Transformer模块(Intra-block and Inter-block Transformer Module,IITM).IITM通过交替地开发每个图像块内部的自注意力和不同图像块之间的自注意力实现了图像中局部特征的显式捕捉和图像中结构相似性的全局显式捕捉.其次,本论文还提出了一种信息交互机制(Information Interaction Mechanism,IIM)来分别对IITM中的两种自注意力进行对应信息的互补:IIM给块内自注意力(Intra-block Transformer,Intra-T)补充块间信息,使得Intra-T能够获得更多的全局结构信息;同时,IIM也给块间自注意力(Inter-block Transformer,Inter-T)补充局部信息,使得Inter-T能够获得更多的局部细节信息.实验结果表明,与近几年极具代表性的轻量级SISR方法相比,本论文提出的IIDAN能够重建出更高质量的超分辨率图像,同时具有更低的计算复杂度.

    单幅图像超分辨率轻量级Transformer全局的结构相似性信息交互

      原文链接:
    • 维普
    • 万方数据

    多关键点约束与深度估计辅助的单目3D目标检测算法

    郑锦王森李航周裕海...
    2803-2818页
    查看更多>>摘要：当前主流的单目相机3D目标检测网络采用关键点检测范式,存在关键点预测与深度估计不准确的问题,限制了单目3D检测器的性能表现.本文提出一种多关键点约束与深度估计辅助的单目3D目标检测算法Mono-Aux,利用3D检测框的角点投影点、上表面与下表面中心投影点作为3D框中心投影点的补充,通过多关键点约束提升关键点预测精度;提出一种LiDAR-Free解耦深度估计方法,在不引入激光点云数据的同时通过几何关系推导引入额外的深度估计辅助监督信号,提升深度估计的准确性.多关键点约束与深度估计辅助仅在训练阶段使用,推理阶段不引入额外的计算成本.在KITTI3D目标检测验证集和测试集上的结果显示,相较于MonoDLE基线网络,提出的MonoAux算法在目标检测精度上分别提高3.87%和4.64%,与其他SOTA方法相比,本文方法也具有显著的性能优势,甚至优于部分使用额外数据的方法.

    3D目标检测关键点预测角点投影点深度估计激光点云

      原文链接:
    • 维普
    • 万方数据

    人脸表情识别可解释性研究综述

    张淼萱张洪刚
    2819-2851页
    查看更多>>摘要：近年来,人脸表情识别(Facial Expression Recognition,FER)被广泛应用于医疗、社交机器人、通信、安全等诸多领域.与此同时,为加深研究者对模型本质的认识,确保模型的公平性、隐私保护性与鲁棒性,越来越多的研究者关注表情识别可解释性的研究.本文依据结果可解释、机理可解释、模型可解释的分类原则,对表情识别中的可解释性研究方法进行了分类与总结.具体而言,结果可解释表情识别主要包括基于文本描述和人脸基本结构的方法.机理可解释方法主要研究了表情识别中的注意力机制,以及基于特征解耦和概念学习方法的可解释方法.模型可解释方法主要探究了可解释性分类方法.最后,对表情识别可解释性研究进行了对比与分析,并对未来的发展方向进行了讨论与展望,包括复杂表情的可解释性、多模态情绪识别的可解释性、大模型表情与情绪识别的可解释性以及基于可解释性提升泛化能力四个方面.本文旨在为感兴趣的研究人员提供人脸表情识别可解释性问题研究现状的整理与分析,推动该领域的进一步发展.

    人脸表情识别可解释性计算机视觉情感计算机器学习

      原文链接:
    • 维普
    • 万方数据

    基于联邦增量学习的SDN环境下DDoS攻击检测模型

    刘延华方文昱郭文忠赵宝康...
    2852-2866页
    查看更多>>摘要：SDN是一种被广泛应用的网络范式.面对DDoS攻击等网络安全威胁,在SDN中集成高效的DDoS攻击检测方法尤为重要.由于SDN集中控制的特性,集中式DDoS攻击检测方法在SDN环境中存在较高的安全风险,使得SDN的控制平面安全性受到了巨大挑战.此外,SDN环境中流量数据不断增加,导致复杂流量特征的更复杂化、不同实体之间严重的Non-IID分布等问题.这些问题对现有的基于联邦学习的检测模型准确性与鲁棒性的进一步提高造成严重阻碍.针对上述问题,本文提出了一种基于联邦增量学习的SDN环境下DDoS攻击检测模型.首先,为解决集中式DDoS攻击检测的安全风险与数据增量带来的Non-IID分布问题,本文提出了一种基于联邦增量学习的加权聚合算法,使用动态调整聚合权重的方式个性化适应不同子数据集增量情况,提高增量聚合效率.其次,针对SDN环境中复杂的流量特征,本文设计了一种基于LSTM的DDoS攻击检测方法,通过统计SDN环境中流量数据的时序特征,提取并学习数据的时序关特征的相关性,实现对流量特征数据的实时检测.最后,本文结合SDN集中管控特点,实现了SDN环境下的DDoS实时防御决策,根据DDoS攻击检测结果与网络实体信息,实现流规则实时下发,达到有效阻断DDoS攻击流量、保护拓扑重要实体并维护拓扑流量稳定的效果.本文将提出的模型在增量式DDoS攻击检测任务上与FedAvg、FA-FedAvg和FIL-IIoT三种方法进行性能对比实验.实验结果表明,本文提出方法相比于其他方法,在DDoS攻击检测准确率上提升5.06%～12.62%,F1-Score提升0.0565～0.1410.

    联邦学习联邦增量学习网络安全DDoS攻击检测软件定义网络

      原文链接:
    • 维普
    • 万方数据

    CycleLLH:一种基于周期性整合的新型网络流量预测模型

    唐文杰肖一磊孔祥宇齐恒...
    2867-2888页
    查看更多>>摘要：精准的网络流量预测是实现网络精细化和智能化管理的关键,也是网络运营商、云服务提供商等实现网络智能运维及应用服务保障的重要支撑,属于当前业界研究的热点.网络流量预测问题一般可被视为一种时间序列预测问题,现有时间序列预测模型虽然能起到一定作用,但这些通用模型很少考虑流量数据集本身特点,从而无法在网络流量预测性能上取得突破.为此,本文重点研究了网络流量数据集中的自然周期特征,提出了一种能有效利时间序列周期性特点的网络流量预测通用模型——Cycle Little Linear Head(CycleLLH).该模型主干为Trans-former的编码器,其中两个关键设计在于:(1)周期整合.将流量序列按照一个特定周期划分步长划分为不同的周期块,然后将这些周期块对应相位的时间节点分别嵌入到不同输入令牌;(2)小线性层.由多个多层感知机组成,并且多层感知机单独作用于每个相位的时间特征.周期整合使得模型具有两个优点:更有利于模型提取数据集在一个周期内的特征;注意力矩阵的计算和内存复杂度可以看作是和周期划分步长二次方有关的常数,使得模型可以使用更大的回溯窗口而仅增加少量计算资源.通过在公共流量数据集上进行大量实验,本研究表明:与当前最先进的模型相比,CycleLLH在流量预测精度方面表现出显著优势,在六个数据集上的预测精度分别提升了12.3%、8.4%、29.9%、5.8%、8.3%和2.0%.代码可从https://github.com/wenjietang218/CycleLLH.git中获取.

    网络流量预测时间序列预测周期性周期整合小线性层

      原文链接:
    • 维普
    • 万方数据

    基于交换机迁移的控制平面饱和攻击防御方法

    管吉喆程光周余阳
    2889-2908页
    查看更多>>摘要：软件定义网络凭借着自身灵活的优势,被广泛应用在各类网络场景,但由于控制平面控制集中、资源有限,控制平面饱和攻击成为该网络中最大的安全威胁.控制平面饱和攻击作为DDoS攻击的特殊实践,其目标是消耗控制器的处理资源,影响控制器下发流规则,最终使网络瘫痪.与传统网络中攻击主要影响单一网络结点不同,在软件定义网络中,一旦控制器遭受攻击,子域下交换机都将失去工作能力,甚至引发更大范围的级联故障.近年来,学者们为了提高分布式软件定义网络的安全性作出了很多创新,但大多数研究采用弹性扩容和动态映射的方法,不断地增删设备和改变网络映射配置,在提高了防御成本的同时,还降低了网络的可靠性,且复杂的网络配置违背了软件定义网络的初衷,为网络管理增加了难度.本文针对控制平面遭受的饱和攻击,提出了一种基于交换机迁移的防御方法.首先,通过分析软件定义网络中控制器的负载来源,提出了由北向开销、南向开销和水平开销组成的计算负载,并利用阈值检测机制,监测控制器负载情况,实现了对控制平面的实时饱和检测.然后,综合流表统计信息和空间特征图,提出了与平均数据包、上下行流量比率和交换机重要程度相关联的迁移系数,以准确识别处于攻击路径上的交换机.最后,在交换机迁移策略的支持下,将其迁移至低载控制器子域当中,缓解受攻击控制器的单点故障问题,从而完成对攻击的防御效果.在实验验证阶段,本文首先证明了控制平面饱和攻击的攻防过程实质上是一场资源竞争博弈,可以通过资源的调配缓解攻击影响.然后,本文证明了所提方法所具有的灵活性和动态性,能够根据资源情况和网络情况动态选择目标,实现迁移操作.最后通过多组实验,本文证明了所提出的方法能够有效地缓解不同拓扑的控制平面饱和攻击,控制器饱和次数平均减少90%和65%,迁移目标首选率和单次迁移率都超过70%,有效避免了级联故障的产生,与其他方法相比,在64%左右的时间里负载标准差最低,迁移总次数最少降低11%,且迁移时间开销最少降低60%.

    软件定义网络控制平面控制平面饱和攻击主动防御交换机迁移

      原文链接:
    • 维普
    • 万方数据

    带优先级DAG实时任务图模型的响应时间分析

    李峰毕冉马野孙景昊...
    2909-2924页
    查看更多>>摘要：随着多核技术在实时嵌入式系统中的广泛应用,多核处理器已经成为主流的硬件平台,充分发挥多核处理器的计算能力需要实现对实时程序进行全面的并行化.有向无环图(DAG)是用于描述并行实时程序的理论模型,可描绘复杂任务的细粒度并行性.任务内优先级分配可以减少DAG任务运行时行为的不确定性,获得更小的最坏情况响应时间(WCRT).现有优先级DAG任务的响应时间分析都是关于DAG任务最坏情况响应时间界限的研究,因其与实际的最坏情况响应时间存在较大差距而存在悲观性,限制了实时嵌入式系统的计算性能,使其占用更多计算资源以确保任务在截止时间内完成.本文针对具有优先级的DAG任务的响应时间分析问题,提出了一种基于可满足性模理论(SMT)的方法来计算DAG任务精确的最坏情况响应时间.尽管已有研究给出关于DAG任务精确的WCRT,但并不适用于具有优先级的DAG.本文将带有优先级DAG任务的响应时间分析问题形式化为混合逻辑公式的可满足性问题,从而获得精确的最坏情况响应时间.实验结果表明,本文提出的方法不仅能够保证WCRT的精度,而且与现有DAG任务精确WCRT的计算方法相比,本文方法的计算效率平均提升了50%.

    响应时间可满足性模理论优先级调度有向无环图并行调度

      原文链接:
    • 维普
    • 万方数据