• 当期目录
  • 封面文章
  • 过刊浏览
  • 专题浏览
  • 优先出版
MORE
Volume 26  Issue 8,2025 2025年26卷第8 Issue
  • 常规文章

    主动网络安全:愿景、模型和关键技术 Enhanced Publication AI Introduction

    In the field of cybersecurity, this paper introduces the concept of "active cybersecurity," marking a transformative shift from passive defense to proactive perception and confrontation. Expert xx established the SAPC system, which provides solutions to solve complex and unknown threats in cyberspace security.

    张小松, 朱宇坤, 李雄, 张永昭, 牛伟纳, 许峰华, 何俊鹏, 严然, 黄世平

    2025, 26(8): 1243-1278. DOI: 10.1631/FITEE.2500053
    Abstract:非合作性计算机系统与网络对抗构成了网络空间安全的核心挑战。传统网络安全技术主要依赖被动响应机制,在应对现实世界复杂多变的未知威胁时展现出显著局限性。本文提出“主动网络安全”理念,旨在通过融合技术手段与战略级防御体系,全面提升网络安全水平。该理念的核心假设是:网络对抗环境中的攻击者与防御者均为追求各自目标最大化的理性决策主体。本文引入博弈论分析攻防双方的复杂依存关系并优化其策略选择。基于该理念,构建了主动网络安全模型SAPC,旨在构建一种集威胁感知、分析、追踪和响应于一体的综合防御能力。该模型由4大核心组件构成:智感、透析、活现和反制。SAPC通过基于博弈论的对抗行为理论分析与策略优化方法,将对抗过程建模为博弈过程,建立兼具理论深度与实践指导价值的网络安全框架。SAPC标志着网络防御理念从被动防御到主动感知对抗的范式转变,有力推动网络安全技术向具有前瞻预测、预防控制和战略引导特征的新模式演进。  
    Keywords:主动网络安全;智感;透析;活现;反制   
    23
    |
    19
    |
    0
    <HTML>
    <网络PDF><Meta-XML>
    <Citation> <Bulk Citation> 125013412 false
    Updated:2025-09-04
  • 常规文章

    In the field of mimic active defense technology, researchers have proposed a dynamic heterogeneous redundancy (DHR) architecture that enhances adaptability and balances security with reduced computational costs and system overhead. This architecture introduces an adjudication mechanism based on output difference feedback and a scheduling strategy based on system benefit, effectively reducing both the attack success rate and average failure rate.

    邵思思, 贺之博, 刘尚东, 张伟丽, 吴飞, 曾福康, 左军, 周龙飞, 牛玉坤, 季一木

    2025, 26(8): 1279-1292. DOI: 10.1631/FITEE.2400251
    Abstract:拟态主动防御技术通过引入动态异构冗余架构来有效扰乱攻击路线,降低攻击成功率。然而,现有方法忽略裁决机制在复杂可变网络环境中的适应性,往往聚焦系统安全性而忽视系统性能。为解决前述局限,本文提出一种基于输出差异反馈和系统效益控制的动态异构冗余架构。该架构引入一种基于输出差异反馈的裁决机制,通过量化各执行体输出偏差对全局裁决结果的影响来增强适应性。此外,该架构结合一种基于系统效益的调度策略,将服务质量和切换开销建模为双目标优化问题,在降低计算成本和系统开销的同时平衡系统安全。仿真结果表明,该架构增强了对不同网络环境的适应能力,有效降低了攻击成功率和平均裁决失败率。  
    Keywords:拟态防御;裁决机制;调度策略;执行体输出差异;系统效益   
    14
    |
    14
    |
    0
    <HTML>
    <网络PDF><Meta-XML>
    <Citation> <Bulk Citation> 125013429 false
    Updated:2025-09-04
  • 常规文章

    视频行为识别中的时序保真度增强 Enhanced Publication AI Introduction

    In the field of video action recognition, temporal attention mechanisms are crucial for focusing on informative moments. However, models often suffer from temporal infidelity due to limited training diversity and lack of fine-grained supervision. Expert proposes temporal fidelity enhancement (TFE), which mitigates temporal infidelity by decoupling action-relevant semantics from spurious correlations through adversarial feature disentanglement. This mechanism ensures temporal consistency and enhances the fidelity of attention patterns without requiring explicit fine-grained supervision, laying a foundation for the construction of video action recognition systems.

    许少武, 贾熹滨, 孙倩美, 常晶

    2025, 26(8): 1293-1304. DOI: 10.1631/FITEE.2500164
    Abstract:时序注意力机制对于视频行为识别至关重要,它使模型能够聚焦于具有丰富语义信息的关键片段。然而,这些模型常因训练多样性有限和缺乏细粒度时序监督而出现时序失真现象——即注意力权重与语义内容错位。尽管视频级标签提供了粗粒度的行为指引,但细节约束的缺失导致注意力噪声持续存在,尤其在包含干扰性空间元素的复杂场景中。针对这一问题,本文提出时序保真度增强(TFE)——一种基于解耦信息瓶颈(DisenIB)理论的对抗性学习范式。TFE通过对抗性特征解耦将行为相关语义与虚假相关性分离,从而缓解时序失真问题。该方法利用预训练表征进行初始化,建立对抗学习流程,即高时序注意力片段与行为相关性弱化的上下文相互竞争。该方法无需细粒度监督标签即可确保时序一致性,并提升注意力权重的保真度。在UCF101、HMDB-51和Charades基准数据集上的大量实验验证了该方法的有效性,结果表明TFE可令行为识别准确率显著提升。  
    Keywords:行为识别;解耦信息瓶颈;时序建模;时序保真度   
    14
    |
    17
    |
    0
    <HTML>
    <网络PDF><Meta-XML>
    <Citation> <Bulk Citation> 125013411 false
    Updated:2025-09-04
  • 常规文章

    In the field of diffusion tensor imaging (DTI), a new deep neural network called q-space-coordinate-guided diffusion tensor imaging (QCG-DTI) has been developed. This technology can efficiently and accurately estimate diffusion tensors (DTs) under flexible q-space sampling schemes, providing a new direction for DTI research.

    郑茂坤, 李智, 郑龙, 王卫东, 李丹丹, 王国美

    2025, 26(8): 1305-1323. DOI: 10.1631/FITEE.2400766
    Abstract:扩散张量成像(DTI)是一种广泛应用于绘制活体人脑组织微观结构和结构连接的成像方法。最近,学者提出多种仅用少量扩散加权(DW)图像快速估计扩散张量的深度学习方法。然而,这些方法通常使用固定q空间采样方案获取的DW图像作为训练数据,从而限制了其应用场景。为解决这一问题,我们开发了一种新的深度神经网络,称作QCG-DTI,能够在灵活的q空间采样方案条件下,实现高效、准确的扩散张量估计。首先,提出一个q空间坐标嵌入特征一致性策略,保证q空间坐标与其相应的DW图像之间的对应关系。在此基础上,提出一个q空间坐标融合(QCF)模块,该模块通过线性调节特征图的方式,将q空间坐标高效嵌入到相应DW图像的多尺度特征中,从而消除对固定扩散采样方案的依赖。最后,提出一个多尺度特征残差密集(MRD)模块,通过使用不同核大小的双分支卷积提取不同尺度的特征,以此提升特征提取和图像重建能力。与依赖于固定采样方案的最先进方法相比,所提网络即使在使用灵活q空间采样方案获取的DW图像情况下,也能获得高质量扩散张量及其衍生参数。与最先进的使用深度学习方法相比,QCG-DTI在分数各向异性指标上将平均绝对误差降低约15%,在平均扩散率指标上降低约25%。  
    Keywords:扩散张量成像;扩散纤维束成像;深度学习;快速扩散张量估计;Q空间坐标信息   
    14
    |
    10
    |
    0
    <HTML>
    <网络PDF><Meta-XML>
    <Citation> <Bulk Citation> 125013413 false
    Updated:2025-09-04
  • 常规文章

    In the field of end-to-end object detection, a novel query-selection encoder (QSE) has been introduced to enhance training convergence speed and detection accuracy. Expert researchers incorporated a hierarchical feature-aware attention (HFA) mechanism, which effectively suppresses similar feature representations and highlights discriminative ones, accelerating the feature selection process. This method is highly versatile in accommodating both CNN- and Transformer-based detectors, laying a foundation for the construction of more efficient detection systems.

    王足毅, 郑智萌, 孟濬, 许力

    2025, 26(8): 1324-1340. DOI: 10.1631/FITEE.2400960
    Abstract:由于无需设计复杂人工组件且简化了检测流程,端到端目标检测方法近年来受到广泛关注。然而,与传统检测器相比,这类方法存在训练收敛速度较慢、检测性能不足的问题,究其原因是在特征融合与选择过程中算法受限于正样本监督信号不足。针对此问题,本文提出一种用于端到端目标检测器的查询选择编码器(QSE),可以提升训练收敛速度与检测精度。QSE由多个编码器层组成,且在每个编码器层后添加了轻量级网络,以级联方式持续优化特征,为高效训练提供更充分的正样本监督。此外,每个编码器层引入分层特征感知注意力(HFA)机制,包括层内以及跨层特征注意力,以增强不同层级特征间的交互融合。HFA能有效抑制相似特征表征并强化判别性特征,从而加速特征选择过程。该方法可灵活应用于基于卷积神经网络和基于Transformer的检测器;在目标检测主流基准数据集MS COCO、CrowdHuman以及PASCAL VOC上的大量实验表明,使用QSE的基于卷积神经网络或基于Transformer的检测器均能在更少训练周期内获得更优的端到端检测性能。  
    Keywords:端到端目标检测;查询选择编码器;分层特征感知注意力   
    14
    |
    13
    |
    0
    <HTML>
    <网络PDF><Meta-XML>
    <Citation> <Bulk Citation> 125013428 false
    Updated:2025-09-04
  • 常规文章

    昝畅通, 丁亮, 沈力, 詹忆冰, 杨兴浩, 刘伟锋

    2025, 26(8): 1341-1355. DOI: 10.1631/FITEE.2400458
    Abstract:大语言模型(LLM)在诸如机器翻译等自然语言处理任务中展现出了卓越的能力。然而,大语言模型庞大的参数规模在推理过程中会带来显著的计算成本。先前研究尝试通过在翻译数据上对中等规模的模型进行微调,来训练翻译定制的大语言模型。然而,在处理未包含在微调数据集内的零样本翻译方向时,模型往往会忽视指令要求,从而将内容翻译成错误的目标语言,即出现翻译脱靶问题。为此,本文提出一种两阶段的微调算法,以提高翻译定制大语言模型的指令遵循能力,尤其是保持翻译方向的准确性。首先在翻译数据集上对模型进行微调,以激发其基本的翻译能力。在第二阶段,通过将指令随机替换为错误的指令,构建指令冲突样本。随后,引入额外的非似然损失,以降低模型对这些样本的分配概率。针对16个零样本翻译方向,使用LLaMA 2和LLaMA 3模型在两个基线数据集上进行的实验结果表明,与强基线(翻译数据微调的大模型LLaMA)相比,本文的方法能显著降低翻译偏离目标语种的比例(最高可降低62.4个百分点),从而提升翻译质量(双语评估替补指标最高可提高9.7)。分析表明,本文的方法能在其他任务(如监督翻译和通用任务)中保持优异性能。代码可在以下网址获取:https://github.com/alphadl/LanguageAware_Tuning。  
    Keywords:零样本机器翻译;脱靶问题;大语言模型;语言感知指令微调;指令冲突样本   
    11
    |
    10
    |
    0
    <HTML>
    <网络PDF><Meta-XML>
    <Citation> <Bulk Citation> 125013507 false
    Updated:2025-09-04
SEE MORE

视频资源

  • 2023年第1期 国家并行计算机工程与技术研究中心 何晓斌、陈鑫等| 面对E级超算系统的可扩展性和效率挑战:神威E级原型系统并行支撑环境的实践 00:02:51

    2023年第1期 国家并行计算机工程与技术研究中心 何晓斌、陈鑫等| 面对E级超算系统的可扩展性和效率挑战:神威E级原型系统并行支撑环境的实践

    2023-12-30
    Play Total: 23
  • 2023年第6期 北邮张平、许晓东等 | 面向语义通信的模分多址技术 00:02:30

    2023年第6期 北邮张平、许晓东等 | 面向语义通信的模分多址技术

    2023-12-30
    Play Total: 13
  • 2022年第10期 清华季新生、邬江兴等 | 6G网络内生安全新范式探讨 00:02:15

    2022年第10期 清华季新生、邬江兴等 | 6G网络内生安全新范式探讨

    2023-12-30
    Play Total: 2
  • 2022年第12期 国防科大苏金树、赵宝康等 | 大规模高效网络计算中的网络技术发展趋势 00:02:22

    2022年第12期 国防科大苏金树、赵宝康等 | 大规模高效网络计算中的网络技术发展趋势

    2023-12-30
    Play Total: 2
  • 2022年第6期 国防科大邵明天、卢凯等|面向高性能计算的自部署运行环境 00:02:48

    2022年第6期 国防科大邵明天、卢凯等|面向高性能计算的自部署运行环境

    2022-08-03
    Play Total: 8
  • 2022年第2期 浙大魏斌、况琨等 | 一种智慧法院的全流程智能化审判系统 00:02:24

    2022年第2期 浙大魏斌、况琨等 | 一种智慧法院的全流程智能化审判系统

    2022-05-17
    Play Total: 8
  • 2022年第3期 数学工程与先进计算国家重点实验室麻荣宽、魏强等 | 基于动态污点分析的工业控制系统协议自动逆向工程分析 00:02:37

    2022年第3期 数学工程与先进计算国家重点实验室麻荣宽、魏强等 | 基于动态污点分析的工业控制系统协议自动逆向工程分析

    2022-05-17
    Play Total: 5
  • P1 段宝岩院士致辞 00:05:36

    P1 段宝岩院士致辞

    2022-04-17
    Play Total: 11
  • P2 西电盛敏教授致辞 00:02:27

    P2 西电盛敏教授致辞

    2022-04-17
    Play Total: 6
  • P3 西电李云松教授致辞 00:02:37

    P3 西电李云松教授致辞

    2022-04-17
    Play Total: 11
SEE MORE

0