大数据电商时代,数据交易可使彼此孤立的数据资源得到协同共享与价值利用, 营销标签作为电商业务中数据交易的主要形式,拥有巨大的潜在价值. 然而传统数据交易市场面临3个主要问题：1）中心化平台信息不透明导致信任危机和恶意竞价排名;2）缺乏合理的激励机制来打破数据孤岛导致数据不流通和共享困难;3）数据安全威胁导致隐私泄露和数据倒卖盗卖等问题. 为解决这些问题,设计了一种面向电商联盟的区块链营销标签交易机制DSTS（decentralized data security transaction system）,以去中心化为基础设计上层共识激励机制,结合可信执行环境完成系统各项数据交易和计算业务,从而实现了一个安全完备的数据交易生态. 通过真实性验证机制确保营销标签有效性,设计共识激励机制使用户积极共享数据,利用智能合约对角色行为按照系统设计规范进行有效约束;随后通过SGX （software guard extensions）远程认证实现密钥传输和数据安全存储,实现了智能合约安全调用来保障用户隐私和数据安全;最后,通过可信计算机制和系统设计思想,实现了数据交易结果的可靠交付. 为验证系统的安全性和实用性,采用某电商公司提供的35万条真实数据进行性能测试,测试结果表明系统能够同时保证安全和性能需求,其额外开销主要来自远程认证模块且在可接受范围内.

异常检测的目标是检测众多正常样本中的异常样本. 在大数据时代,如何将异常检测应用于现实场景成为当下需要着重思考的问题之一. 目前已有模型存在难以处理实际场景中遮挡、光照、色差等动态干扰,无法快速迁移应用场景等问题. 基于此,提出了一种基于背景-前景组成式建模的深度学习模型,用于检测电路板场景中的异常物体. 首先通过特征提取网络将输入图像重构为不包含异常物体的干净背景图像,并通过跳层连接保留图像可能存在的动态干扰. 得到重构背景后,通过空间变换网络提取到异常物体的位置信息,利用自编码器提取到异常物体外观、形状和存在的隐空间表示并重构出每个异常物体. 将重构的异常物体和背景图像组合得到完整图像并通过对异常物体的存在表示给定阈值来实现异常检测. 为了验证方法的有效性,从真实的电路板组装环境中收集数据,并模拟实际生产中标注有限的情景,从而创建用于分析的电路板异物数据集. 此外,还在航道异物碎片数据集上进行实验验证. 结果表明,提出的方法在该数据集上表现良好,能够检测出9个真实场景数据中的所有异常目标,漏检率低至0%,可以应用于现实世界的电路板组装场景.

NAND闪存（NAND flash）因为其大容量、轻便、抗震等优异特性,被广泛使用于移动设备. 面向闪存特性设计的闪存友好型文件系统（flash friendly file system,F2FS）是典型的日志结构文件系统（log-structured file system,LFS）,它采用日志结构写机制提升了随机写性能,使用前滚恢复技术实现快速的一致性保护,经常被用作移动设备的文件系统. 文件系统因碎片化和段清理问题导致性能下降,而日志结构文件系统的异地更新机制和移动应用的高并发随机同步小写模式进一步加剧了碎片化,导致I/O请求响应变慢、设备运行卡顿. 首先介绍了移动设备日志结构文件系统的相关概念和内容,随后总结了日志结构文件系统碎片化和段清理问题的研究现状. 一方面分析了碎片产生的原因与影响,从预防碎片产生和重整碎片2个角度总结了减少碎片的研究工作. 另一方面分析了冷热数据混合对段清理的影响,从静态分类和动态分类2方面总结了冷热数据区分技术的研究现状,从管理数据分布和调整段清理时机、频率、对象2个角度总结了段清理的研究现状. 最后展望了移动设备日志结构文件系统研究的主要挑战和未来研究工作.

美国特拉华大学的施巍松教授团队的论文“车计算：自动驾驶时代的新型计算范式”提出了一个适用于自动驾驶时代的新型计算范式——车计算,通过分离数据层和控制层,将车辆从传统的封闭系统转变为开放的移动计算平台. 这一范式推动了车辆角色的转变,使其能够支持多方协作与数据共享,从而演变为一个能够承载多种高级应用和第三方服务的多功能平台. 该文深入探讨了车计算的五大核心功能,即计算、通信、能源管理、传感和数据存储. 每个功能都结合了当前的前沿技术,并给出了各自的研究方向和未来的技术突破点. 通过全面的功能分析,文章为学术界和产业界提供了深入理解车计算技术要素的基础.

深度学习和物联网的融合发展有力地促进了AIoT生态的繁荣. 一方面AIoT设备为深度学习提供了海量数据资源,另一方面深度学习使得AIoT设备更加智能化. 为保护用户数据隐私和克服单个AIoT设备的资源瓶颈,联邦学习和协同推理成为了深度学习在AIoT应用场景中广泛应用的重要支撑. 联邦学习能在保护隐私的前提下有效利用用户的数据资源来训练深度学习模型,协同推理能借助多个设备的计算资源来提升推理的性能. 引入了面向AIoT的协同智能的基本概念,围绕实现高效、安全的知识传递与算力供给,总结了近十年来联邦学习和协同推理算法以及架构和隐私安全3个方面的相关技术进展,介绍了联邦学习和协同推理在AIoT应用场景中的内在联系. 从设备共用、模型共用、隐私安全机制协同和激励机制协同等方面展望了面向AIoT的协同智能的未来发展.

对中国计算机大会（CNCC 2024）论坛《“人工智能+”赋能新质生产力：新、质与力的道与术》中专家发言观点进行思考,分析了新质生产力中“新” “质”和“力”的内涵,讨论了人工智能这一通用目的技术正成为新质生产力的重要引擎,重塑社会经济发展和科学研究范式变革,推动人类社会迈向“人工智能+”时代. 最后,结合中国“2030教育强国、科技强国、人才强国”的战略目标,对人工智能与新质发展力的融合发展提出若干未来展望.

基于本地差分隐私的图聚类工作成为近年来的一个研究热点. 已有工作主要针对的是无向图,且大多利用位向量技术通过模块化聚合实现. 由于噪声量与向量维度成线性关系,使得聚类质量和隐私性难以很好地兼顾. 此外,针对无向图中边的有/无设计的2元扰动机制在面对有向图时,因无法对边的方向性进行处理而无法适用. 针对上述问题,提出一种基于本地边差分隐私（edge local differential privacy, Edge-LDP）的有向图聚类算法DGC-LDP (directed graph clustering under LDP）. 具体来说,为了降低噪音量同时适用于有向图,基于直接编码方式设计了一种适用于有向星型图的动态扰动机制,通过自适应添加噪声来平衡隐私性和统计效用. 在此基础上,在终端和收集者之间构建迭代机制. 收集者依据终端上传的噪声数据提取节点间的相似性信息,并设计基于轮廓系数测量模型的节点聚合算法,通过迭代机制不断地优化节点聚合形式形成高质量簇. 理论分析和实验结果表明,所提算法在满足Edge-LDP 的同时能够有效兼顾聚类精度.

序列比对是生物序列分析中的一个经典问题,旨在找出序列之间的相似性,它对于发现生物序列中的功能、结构和进化信息都具有重要的意义. 该问题可分为双序列比对和多序列比对2类,现有工作多针对特定算法展开,没有设计通用的求解方法;此外,甚少涉及算法可信性的研究. 从生物序列比对问题的形式化规约出发,通过深入分析问题的性质,刻画问题求解的本质特征,借助形式化方法PAR（partition and recursion）设计了序列比对动态规划算法的统一构造框架seqAlign;展示了应用该框架构造序列数为3的多序列比对算法的过程,并使用Isabelle定理证明器对构造结果进行形式化验证;利用PAR平台生成了该算法的C++可执行程序,进一步分析了由seqAlign框架机械化构造其他类型序列比对算法的过程. 通过严密的规约精化和形式验证,有效地保证了生成算法的可信性;开发的seqAlign框架提供了序列比对问题类的通用求解方案,显著提高了序列比对算法族生成的效率. 研究结果在生物序列分析中序列比对问题上的成功应用,从方法学和实践上可为复杂生物信息学领域高可靠算法的构造提供参考.

图对比学习因其可有效缓解数据稀疏问题被广泛应用在推荐系统中. 然而,目前大多数基于图对比学习的推荐算法均采用单一视角进行学习,这极大地限制了模型的泛化能力,且图卷积网络本身存在的过度平滑问题也影响着模型的稳定性. 基于此,提出一种融合层注意力机制的多视角图对比学习推荐方法. 一方面,该方法提出2种不同视角下的3种对比学习,在视图级视角下,通过对原始图添加随机噪声构建扰动增强视图,利用奇异值分解（singular value decomposition）重组构建SVD增强视图,对这2个增强视图进行视图级对比学习;在节点视角下,利用节点间的语义信息分别进行候选节点和候选结构邻居对比学习,并将3种对比学习辅助任务和推荐任务进行多任务学习优化,以提高节点嵌入的质量,从而提升模型的泛化能力. 另一方面,在图卷积网络学习用户和项目的节点嵌入时,采用层注意力机制的方式聚合最终的节点嵌入,提高模型的高阶连通性,以缓解过度平滑问题. 在 4 个公开数据集LastFM, Gowalla, Ifashion, Yelp上与10个经典模型进行对比,结果表明该方法在Recall, Precision, NDCG这3个指标上分别平均提升3.12%, 3.22%, 4.06%,这说明所提方法是有效的.

随着边缘计算、传感、人工智能和通信技术的迅猛发展,车辆正经历前所未有的深刻变革. 提出了一种适用于自动驾驶时代的全新计算范式——车计算. 在这一新型范式下,车辆的数据层与控制层被分离,车辆系统转向开放的计算平台,构建了支持多方协作的数据共享结构,从而打破了传统车辆系统的封闭局限,使车辆从单一的交通工具演变为支持丰富的高级应用和第三方服务的多功能移动计算平台. 全面阐述了车计算范式的核心理念,深入分析了车辆软件与计算架构的革命性演进,提供了具有应用前景的车计算实例,并介绍了在该范式支持下具有颠覆潜力的新型商业模式. 此外,深入探讨了车计算的五大核心功能：计算、通信、能源管理、传感和数据存储,以及相关的前沿技术. 最后,总结了车计算领域的关键技术挑战和广阔的机遇,期望能够激发学术界和工业界对这一创新领域的深入研究与高度关注.

向量处理单元（vector processing unit, VPU）已被广泛应用于神经网络、信号处理和高性能计算等处理器设计中,但其总体性能仍受限于专门用于对齐数据的混洗操作. 传统上,处理器使用其数据混洗单元来处理混洗操作. 然而,使用数据混洗单元来处理混洗指令将带来昂贵的数据移动开销,并且数据混洗单元只能串行混洗数据. 事实上,混洗操作只会改变数据的布局,理想情况下混洗操作应在内存中完成. 随着存内计算技术的发展,SRAM不仅可以作为存储部件,同时还能作为计算单元. 为了实现存内混洗,提出了混洗SRAM,它可以在SRAM体中逐位地并行混洗多个向量. 混洗SRAM的关键思想是利用SRAM体中位线的数据移动能力来改变数据的布局. 这样SRAM体中位于同一位线上不同数据的相同位可以同时被移动,从而使混洗操作拥有高度的并行性. 通过适当的数据布局和向量混洗扩展指令的支持,混洗SRAM可以高效地处理常用的混洗操作. 评测结果表明,对于常用的混洗操作,混洗SRAM可以实现平均28倍的性能增益,对于FFT,AlexNet,VggNet等实际的应用,可以实现平均3.18倍的性能增益. 混洗SRAM相较于传统SRAM的面积开销仅增加了4.4%.

基于深度学习的点云分割算法通过设计复杂的特征提取模块,可以对高维空间点云进行有效的分割. 但由于缺乏对边界点集的特征挖掘,使得其对边界分割的精度欠佳. 已有将对比学习思想用于点云分割以解决边界区域分割性能不足问题的研究中,忽略了点云无序和稀疏特性,特征提取不够准确. 对此,设计了基于对比学习和标签挖掘的点云分割模型CL2M (contrastive learning label mining),通过自注意力机制学习不同位置处点云更为精准的特征,并引入对比学习方法,提高了点云边界处的分割精度. 在对比边界学习过程中通过深入挖掘语义空间中的标签并设计了基于标签分布的对比边界学习模块,使得高维空间点云标签分布包含更多的语义信息. CL2M充分利用标签的分布规律计算分布间的距离,可准确划分正负样本,减少了常规硬划分带来的累计错误. 在2个公开数据集上进行的实验结果表明,CL2M在多个评价指标上优于既有的点云分割模型,验证了模型的有效性.

中央处理器是目前最重要的算力基础设施. 为了最大化收益,架构师在设计处理器微架构时需要权衡性能、功耗、面积等多个目标. 但处理器运行负载的指令多,单个微架构设计点的评估耗时从10 min到数十小时不等. 加之微架构设计空间巨大,全设计空间暴力搜索难以实现. 近些年来许多机器学习辅助的设计空间探索加速方法被提出,以减少需要探索的设计空间或加速设计点的评估,但缺少对加速方法的全面调研和系统分类的综述. 对处理器微架构设计空间探索的加速方法进行系统总结及分类,包含软件设计空间的负载选择、负载指令的部分模拟、设计点选择、模拟工具、性能模型5类加速方法. 对比了各加速方法内文献的异同,覆盖了从软件选择到硬件设计的完整探索流程. 最后对该领域的前沿研究方向进行了总结,并放眼于未来的发展趋势.

关键性能指标（key performance indicator,KPI）异常检测技术是互联网服务智能运维的基础支撑技术. 为了提升KPI异常检测的效率与准确性,基于机器学习的KPI异常检测技术成为近年来学术界与工业界的研究热点. 在综合分析相关研究的基础上,给出了面向互联网服务的KPI异常检测技术框架. 然后,分别针对单变量KPI、多变量KPI和矩阵变量KPI,从挖掘KPI在不同维度域（时间域、度量域、实体域）的依赖模式的角度出发,探讨了用于KPI异常检测的机器学习模型的选择动机. 进一步地,以检测性能目标为导向,详细介绍了以准确性目标为核心的KPI异常检测技术（关注如何提升KPI异常检测模型的准确性）和以多目标平衡为核心的KPI异常检测技术（关注如何平衡理论性能与实际应用目标间的关系）. 最后,梳理了基于机器学习的KPI异常检测技术在KPI监控及预处理、模型通用性、模型可解释性、异常告警管理以及KPI异常检测任务自身局限性5个方面的挑战,同时指出了与之对应的潜在研究方向.

反馈集问题（feedback set problem）是计算机科学中研究最为广泛和深入的图上NP完全问题之一,其在并发计算、大规模集成电路、编码设计、软件验证、社交网络分析等领域均存在重要的应用. 子集反馈集问题（subset feedback set problem）是反馈集问题的一种更一般化的形式,更加具有普适性和实用性. 近年来,这2个问题在计算复杂性上的分类工作已逐步完善,在算法领域也已出现许多重要的突破. 相关研究工作分为2个部分进行介绍. 第1部分详尽地介绍了反馈集和子集反馈集各种不同版本的问题,梳理了它们之间的一些重要关系,并介绍了这些问题在一般图上的计算复杂性. 第2部分系统性地介绍了反馈集和子集反馈集问题在一些重要子图类上的计算复杂性,包括度有界的图类、平面图类、竞赛图图类、相交图类、禁止图图类和二部图图类. 最后对反馈集和子集反馈集问题的研究现状进行分析和总结,概括了目前主流的研究趋势.

无线充电技术具有非接触、自动化以及易维护的供能特性,可以有效解决未来智能物联网（AIoT）在大规模应用时的能量供应难题. 在现有无线充电技术中,磁共振无线充电技术在能量传输效用与空间自由度上有着更为均衡的技术优势,已成为当今无线充电领域的研究热点,拥有更为广阔的应用前景. 为此,大致回顾了磁共振无线充电技术的发展历程并对其相关背景概念进行了简要概述. 对近年的磁共振无线充电技术相关研究进行了系统梳理,并基于设计动机和技术实现从反馈通信、优化调度、感知应用、安全保障4个角度出发,详细总结了对应工作的基本原理、实施方法等核心内容,为后续的研究提供了有效参考. 其中,根据传输方式将反馈通信方面工作分为两大类,根据系统结构将优化调度方面工作分为两大类,根据应用场景从三大类介绍感知应用方面工作,根据保障对象将安全保障方面工作分为三大类. 最后在上述工作的基础上,讨论了磁共振无线充电技术现有工作的可改进之处,并对未来研究方向进行了展望.