首页期刊导航|计算机研究与发展
期刊信息/Journal information
计算机研究与发展
计算机研究与发展

徐志伟

月刊

1000-1239

crad@ict.ac.cn

010-62620696;62600350

100190

北京中关村科学院南路6号

计算机研究与发展/Journal Journal of Computer Research and DevelopmentCSCD北大核心CSTPCDEI
查看更多>>本刊是中国科学院计算技术研究所和中国计算机学会联合主办、科学出版社出版的学术性刊物、中国计算机学会会刊，我国第一个计算机刊物。主要刊登计算机科学技术领域高水平的学术论文、最新科研成果和重大应用成果。
正式出版
收录年代

    真实场景中的物体识别与环境理解:开放世界的视觉问题

    查红彬
    2127页
      原文链接:
    • NETL
    • NSTL
    • 万方数据

    开放世界物体识别与检测系统:现状、挑战与展望

    聂晖王瑞平陈熙霖
    2128-2141页
    查看更多>>摘要：探究了从封闭环境到开放世界环境的转变及其对视觉感知(集中于物体识别和检测)与深度学习领域的影响.在开放世界环境中,系统软件需适应不断变化的环境和需求,这为深度学习方法带来新挑战.特别是,开放世界视觉感知要求系统理解和处理训练阶段未见的环境和物体,这超出了传统封闭系统的能力.首先讨论了技术进步带来的动态、自适应系统需求,突出了开放系统相较封闭系统的优势.接着,深入探讨了开放世界的定义和现有工作,涵盖开集学习、零样本学习、小样本学习、长尾学习、增量学习等5个开放维度.在开放世界物体识别方面,分析了每个维度的核心挑战,并为每个任务数据集提供了量化的评价指标.对于开放世界物体检测,讨论了检测相比识别的新增挑战,如遮挡、尺度、姿态、共生关系、背景干扰等,并强调了仿真环境在构建开放世界物体检测数据集中的重要性.最后,强调开放世界概念为深度学习带来的新视角和机遇,是推动技术进步和深入理解世界的机会,为未来研究提供参考.

    开放世界视觉感知物体检测物体识别评价指标仿真环境

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    前言

    吴黎兵汪建平刘凯
    2142-2144页
      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于Uptane的汽车软件在线升级优化框架

    谢勇胡秋燕李仁发谢国琪...
    2145-2155页
    查看更多>>摘要："新四化"使得车内电子系统的复杂性骤增,因电子系统的功能安全问题和网络安全问题导致的汽车召回事件频发,这给整车厂商造成巨大的经济损失和用户体验下降.在线升级技术借助于无线网络实现自动驾驶功能更新、车载软件更新和车载安全系统升级等场景下的系统固件和软件的远程升级,可避免汽车召回造成的影响,但是如何保障在线升级的安全和高效实现是汽车行业亟待解决的关键问题.Uptane开源框架是汽车软件在线升级的行业参考规范,但该框架仍存在安全性和系统资源开销过大等不足.分别从加密算法选择和引入基于联盟链的验证机制2个方面对Uptane框架进行优化,以降低实现开销和提升安全性.通过原型实现和测试验证了所提出Uptane优化框架的安全性,并通过与原Uptane框架的对比分析可知,所提出优化框架的内存开销和时延开销分别降低了6.9％和28.6％.

    智能网联汽车软件在线升级系统资源优化区块链加密算法

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    面向实时位置的隐私保护优化与加速求解算法

    董恺王立夫凌振
    2156-2169页
    查看更多>>摘要：现有的电动汽车API平台(如SmartCar)使用访问控制机制来保护用户的隐私.为了在启用不可信位置服务功能的同时保护位置隐私,位置隐私保护机制(LPPM)根据用户的真实位置生成一个随机的伪位置作为报告位置.现有技术通过在离散网格上解决一个最优化问题构建一个最佳的LPPM,该最佳LPPM实现了在最低可容忍效用限制下的最高隐私,反之亦然.然而,它们很难直接应用于电动汽车等实时场景,因为生成最佳LPPM所需的运行时间太长(可能需要数天).另一个问题涉及构建出的LPPMs的最佳性.揭示了一些意外情况(异常),即在粒度更高的细网格上构建的最佳LPPM效用比在粒度较低的粗网格上差.引入了粒度独立性作为有效解决方法,提出了一个名为Divide-and-Coin的最佳LPPM,其可以实时执行.Divide-and-Coin将生成最佳报告位置的运行时间从至少O(n2.055)缩短到O(logn),其中n是报告位置的数量.实验结果显示,Divide-and-Coin可以在1s内从城市级区域生成建筑级别的最佳报告位置.

    位置隐私最佳位置隐私保护机制实时位置API隐私-效用异常粒度独立性

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    面向非独立同分布数据的车联网多阶段联邦学习机制

    唐晓岚梁煜婷陈文龙
    2170-2184页
    查看更多>>摘要：车联网在智慧城市建设中扮演着不可或缺的角色,汽车不仅仅是交通工具,更是大数据时代信息采集和传输的重要载体.随着车辆采集的数据量飞速增长和人们隐私保护意识的增强,如何在车联网环境中确保用户数据安全,防止数据泄露,成为亟待解决的难题.联邦学习采用"数据不动模型动"的方式,为保护用户隐私和实现良好性能提供了可行方案.然而,受限于采集设备、地域环境、个人习惯的差异,多台车辆采集的数据通常表现为非独立同分布(non-independent and identically distributed,non-IID)数据,而传统的联邦学习算法在non-IID数据环境中,其模型收敛速度较慢.针对这一挑战,提出了一种面向non-IID数据的车联网多阶段联邦学习机制,称为FedWO.第1阶段采用联邦平均算法,使得全局模型快速达到一个基本的模型准确度;第2阶段采用联邦加权多方计算,依据各车辆的数据特性计算其在全局模型中的权重,聚合后得到性能更优的全局模型,同时采用传输控制策略,减少模型传输带来的通信开销;第3阶段为个性化计算阶段,车辆利用各自的数据进行个性化学习,微调本地模型获得与本地数据更匹配的模型.实验采用了驾驶行为数据集进行实验评估,结果表明相较于传统方法,在non-IID数据场景下,FedWO机制保护了数据隐私,同时提高了算法的准确度.

    车联网联邦学习非独立同分布数据隐私保护传输控制

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于梯度回溯的联邦学习搭便车攻击检测

    洪榛冯王磊温震宇吴迪...
    2185-2198页
    查看更多>>摘要：随着车联网的发展,快速增长的智能汽车产生了海量的用户数据.这些海量的数据对训练智能化的车联网应用模型有极高的价值.传统的智能模型训练需要在云端集中式地收集原始数据,这将消耗大量通信资源并存在隐私泄露和监管限制等问题.联邦学习提供了一种模型传输代替数据传输的分布式训练范式用于解决此类问题.然而,在实际的联邦学习系统中,存在恶意用户通过伪造本地模型骗取服务器奖励的情况,即搭便车攻击.搭便车攻击严重破坏了联邦学习的公平性,影响联邦学习的训练效果.目前的研究假设搭便车攻击行为只存在于少量的理性用户中.然而,当存在多个恶意搭便车攻击者时,当前的研究无法有效地检测和防御这些攻击者.为此,提出了一种基于梯度回溯的搭便车攻击检测算法.该算法在正常的联邦学习中随机引入测试轮,通过对比单个用户在测试轮和基准轮模型梯度的相似度,解决了多个恶意搭便车用户场景中防御失效的问题.在MNIST和CIFAR-10数据集上的实验结果表明,提出的算法在多种搭便车攻击情境下都能实现出色的检测性能.

    联邦学习车联网搭便车攻击梯度相似度搭便车攻击检测

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    面向车联网数据持续共享的安全高效联邦学习

    乐俊青谭州勇张迪刘高...
    2199-2212页
    查看更多>>摘要：车联网与人工智能结合推动了自动驾驶汽车的快速发展.分散于不同车辆中的车联网数据共享并用于训练人工智能模型可实现更高效、更可靠的智能驾驶服务.自动驾驶汽车可通过车载摄像头、传感器等持续采集车辆实时信息、道路图像和视频等车联网数据,并用于优化更新智能交通模型,弥补车联网数据变化导致的模型准确度下降问题.提出面向车联网环境下数据持续共享的高效安全联邦学习方案SEFL,以解决车联网数据采集低效、数据动态更新导致的灾难性遗忘、模型训练参数导致的隐私泄露等问题.在方案SEFL中,车辆基于全局模型,只采集模型识别率较低的车联网数据,并以最大概率对应的输出作为该样本的标签,完成训练样本自动采集.由于车辆存储空间有限,采集的新样本会覆盖旧样本,导致车辆上数据是动态变化的,传统微调训练方式容易引起灾难性遗忘问题.为此,方案中设计了一种基于双重知识蒸馏的训练算法,确保模型学习到每个样本的知识,使模型保持较高的准确度.此外,为了防止车辆与服务器之间传播的模型参数泄露用户隐私,提出了一种自适应的差分隐私策略来实现客户端级的强隐私保护,同时该方案能最大限度地减少差分隐私噪声对全局模型准确度的负面影响.最后,进行了安全性分析并结合交通标志数据集GTSRB和车辆识别数据集对SEFL方案进行了性能评估.实验结果表明所提出的SEFL方案能提供可靠的强隐私保护和高效的采集策略,并且在模型准确度方面要优于现有基于联邦学习的算法.

    车联网持续共享联邦学习差分隐私隐私保护

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    车辆群智感知中激励驱动的车辆选择与调度方法

    王振宁曹越江恺林海...
    2213-2228页
    查看更多>>摘要：车辆群智感知旨在利用智能车辆配备的车载传感器和计算资源,收集一系列区域的感知数据.目前,根据车辆轨迹是否可更改,通常可将感知车辆分为机会型车辆和参与型车辆.其中,机会型车辆轨迹路线固定,不可随意更改.而参与型车辆轨迹路线可根据现实需求进行更改.因此,如何选择合适的机会型车辆完成感知任务,以及如何规划参与型车辆的轨迹是一项挑战性研究问题.这里,以2种类型感知车辆的不同移动特性为出发点,通过群智感知平台(CSP)管理2种类型的车辆,并分别针对机会型车辆和参与型车辆解决不同的问题.首先,针对机会型车辆,需选择特定的车辆集合,以完成感知任务并最小化CSP开销.为解决此问题,提出一项基于反向拍卖的激励机制以选择开销最小的车辆集合完成感知任务,主要包括获胜车辆选择和报酬支付2个阶段,同时验证了所提方法可保证机会型车辆的个体合理性和真实性;其次,针对参与型车辆,需通过CSP调度以规划每个参与型车辆的轨迹,执行感知任务并最小化CSP的开销.为解决此问题,提出一项基于深度强化学习的方法以调度车辆行驶轨迹,为车辆分配不同的感知任务.此外,在最小化CSP开销的同时,还考虑感知任务执行的公平性问题,引入感知公平指数以确保不同子区域感知任务完成的均衡性.最后,基于真实世界数据集的广泛评估表明,所提方法效果良好,并优于其他基准方案.

    车辆群智感知机会型车辆感知参与型车辆感知公平性反向拍卖深度强化学习

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于多目标深度强化学习的车车通信无线资源分配算法

    李可马赛戴朋林任婧...
    2229-2245页
    查看更多>>摘要：针对车联网动态不确定特性、业务类型多元化以及无线通信资源稀缺性,研究了蜂窝车联网车与网络(vehicle-to-network,V2N)和车与车(vehicle-to-vehicle,V2V)链路共存且共享频谱场景下保证业务多指标需求和无线资源有效利用的问题.首先建立多 目标优化问题模型来表示蜂窝车联网信道选择和功率控制的决策过程,该问题考虑了网络环境动态变化的影响,旨在实现优化目标V2V链路的性能(即信息年龄、延迟以及传输速率)和V2N链路传输速率之间的权衡.在此基础上,提出了基于多 目标深度强化学习的车车通信无线资源分配算法进行神经网络训练和问题求解.通过训练好的神经网络模型可以得到多 目标优化问题的帕累托前沿.仿真实验表明,所提出算法能够有效地权衡不同通信链路可实现的性能.与4种有代表性的算法比较,V2V链路信息年龄降低12.0％～17.2％,V2N链路传输速率提升11.4％～21.6％,V2V链路传输成功率提高4.6～13.91个百分点,决策延迟时间降低10.6％～20.3％.

    蜂窝车联网无线资源分配信息年龄深度强化学习多目标优化

      原文链接:
    • NETL
    • NSTL
    • 万方数据