当前,元宇宙已经成为产业热词,产业各界期待元宇宙能够带来新的机会和增长点,成为推动数字经济的动力和引擎. 然而,各界对元宇宙的认识存在广泛差异. 通过多角度的研究,旨在为元宇宙的系统性理解和科学研究提供框架. 首先,分析了多个主流元宇宙体系架构及其关键组件,揭示了元宇宙的多层次结构. 其次,提出了元宇宙生态体系架构,详细阐述了技术系统、内容系统、经济系统、协作系统和治理系统各层级的要求,以及它们之间的相互关系,构建了整个元宇宙的生态体系. 此外,着重分析了区块链技术在元宇宙中的重要作用,特别强调了其在数据、资产和协作支持方面的价值. 该研究旨在为元宇宙领域的未来发展提供有力的理论基础和实践指导.

联邦学习和群智学习等协作学习技术,能够在保护数据隐私的条件下充分利用分布在各地的分布式数据深度挖掘数据中所蕴含的知识,拥有非常广阔的应用前景,尤其是在强调隐私惯例和道德约束的医疗健康领域. 任何协作工作都需要选择可靠的参与方,协作学习中全局模型的性能在很大程度上取决于参与方的选择. 然而,现有研究在选择参与方时都没有对不同机构医疗数据中存在的异质性加以直接关注. 导致包含稳定性在内的全局模型的性能难以得到保障. 提出了从信誉的角度尝试探索求解该问题. 以迭代协作学习的方式尽可能挑选出具有良好信誉的参与方进行协作学习,以获得稳定可靠的高性能全局模型. 首先,提出了一个描述医疗机构数据质量的AI信誉值指标AMP（AI medical promise）,以帮助其在医疗领域中形成良好的AI生态. 其次,建立了一个基于后向选择的迭代协作学习（colback-learning）框架. 在单次协作学习任务中,利用后向选择方法以多项式时间复杂度迭代计算出性能良好且稳定的全局模型,完成AMP计算和积累. 在AMP信誉值计算中,制定了一个综合考虑全局性能指标的评分函数,以针对医疗领域更有效地指导全局模型的训练. 最后,使用真实医疗数据模拟多样化的协作学习场景.实验表明,colback-learning能够选择可靠参与方训练得到性能良好的全局模型,模型的性能稳定性比现有最好的参与方选择方法提高了1.3 ~ 6倍. 全局模型的可解释性与集中式学习保持了较高的一致性.

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($ {n}^{2.055} $)缩短到O($ mathrm{l}mathrm{o}mathrm{g};n $),其中n是报告位置的数量. 实验结果显示,Divide-and-Coin可以在1 s内从城市级区域生成建筑级别的最佳报告位置.

“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%.