摘要:软件测试在提高移动应用的安全性和可靠性方面扮演着重要角色.然而，目前主流的移动应用界面测试技术存在着许多不足：人工编写脚本和录制回放技术需要消耗大量的人力成本，自动化测试在移动应用界面测试的应用场景上受到了诸多限制.针对这些问题，提出一种基于手绘制导的移动应用界面测试方法.该方法通过设计一种简单直观且具有较强表达能力的手绘语言来帮助测试者轻松表达其测试意图，测试者仅需在待测应用的界面图像上做简单绘制，就能生成对应的测试模型，并以此为基础生成界面测试所需的测试用例.以近年来在相关文献中已经用作移动应用界面测试的评估用例集为基准来评估该方法的测试效果.评估结果表明：在提供很少人力成本的条件下，手绘图形所表达的用户测试意图在制导移动应用界面测试上能起到非常关键的作用.

摘要:循环迭代程序作为软件的基本组成部分，其正确运行具有重要意义.然而，有时（比如其相关错数大于0时）计算时的舍入误差（或表示误差）会导致循环迭代的计算结果不稳定.基于“中间计算精度自动动态调整”的计算技术，给出了循环迭代程序的一种可信计算算法.利用该算法，可获得循环迭代程序任意次迭代的任意位的正确有效数字.目前，通过C++语言该算法已被编程实现于ISReal中.

摘要:近些年来，兴趣点推荐系统已经逐渐成为移动推荐系统领域的研究热点之一.多种因素联合建模的方法逐渐深入，如时间、空间、序列、社会化和语义信息被引入统一模型，以建模多维情景下的用户偏好.其中，嵌入学习模型作为一种有效的多因素联合建模方法，在移动推荐领域有较好的性能.然而，多数嵌入学习的模型只是简单地将显式因素，如时间戳、项目、区域、序列等嵌入到相同的空间，由于缺乏对用户和项目的语义特征的深层次挖掘，在用户签到极端稀疏时，难以精准获取用户偏好.鉴于此，提出一种多维上下文感知的图嵌入模型——MCAGE.在MCAGE中，利用主题模型提取用户和项目间的潜在语义特征，并重新定义了一系列图的节点及关联规则，设计了更有效的用户偏好公式，以此提升刻画移动用户偏好的精准度.最后，通过在真实数据集上的实验分析，证明了该模型具有更好的推荐性能.

摘要:多偏好向量引导的协同进化算法（PICEA-g）是将目标向量作为偏好，个体支配目标向量的个数作为适应值，以有效降低高维目标空间中非支配解的比例.但PICEA-g所获解集是近似Pareto前沿，而不是决策者真正感兴趣部分的Pareto最优解，导致算法在处理高维优化问题时性能下降和计算资源的浪费.鉴于此，提出一种基于偏好向量引导的高维目标协同进化算法（ASF-PICEA-g）：首先，利用ASF扩展函数将进化种群中的参考点映射至目标空间，并将其作为偏好向量引导种群进化的参考方向；然后，利用偏好区域选择策略获取两个临时参考点，进而构建决策者感兴趣区域（ROI），确定随机偏好集产生的上下界范围，通过协同进化机制引导种群朝偏好区域收敛.将ASF-PICEA-g与g-NSGA-II和r-NSGA-II在3-20维的WFG系列和DTLZ系列测试函数上进行仿真实验，实验结果表明：ASF-PICEA-g在WFG系列测试函数上表现出了良好的性能，所得解集整体上优于对比算法；在DTLZ系列测试函数上略优于对比算法，尤其在10维以上目标空间，ASF-PICEA-g表现出更好的稳定性，所获解集有较好的收敛性和分布性.

摘要:特征选择是一种NP-难问题，旨在剔除数据集中不相关及冗余的特征来减少模型训练的时间，提高模型的精确度.因此，特征选择在机器学习、数据挖掘和模式识别等领域中是一种重要的数据预处理手段.提出一种新的基于自然进化策略的特征选择算法——MCC-NES.首先，算法采用了基于对角协方差矩阵建模并通过梯度信息自适应调整参数的自然进化策略；其次，为了使算法有效地处理特征选择问题，在初始化阶段引入了一种特征编码方式；之后，结合分类准确率和维度缩减给出了算法的适应度函数；此外，面对高维数据引入了合作协同进化的思想，将原问题分解为相对较小的子问题并分别对每个子问题独立求解，然后，通过所有子问题相互联系来优化原问题的解决方案；进一步引入分布式种群进化的概念，实现多个种群竞争进化来增加算法的探索能力，并设计了种群重启策略以防止种群陷入局部最优解.最后将提出的算法与几种传统的特征选择算法在一些UCI公共数据集上进行对比实验，实验结果显示：所提出的算法可以有效地完成特征选择问题，并且与经典特征选择算法相比有一定的竞争力，尤其是在处理高维数据时有着出色的表现.

摘要:行程时间预测，有助于实施高级旅行者信息系统.自20世纪90年代起，已经有多种行程时间预测方法被研发出来.将行程时间预测方法分为模型驱动方法和数据驱动方法两大类.介绍了两种常见的模型驱动方法，即排队论模型和细胞传输模型.数据驱动方法被分类为参数方法和非参数方法：参数方法包括线性回归、自回归集成移动平均和卡尔曼滤波，非参数方法包括神经网络、支持向量回归、最近邻和集成学习方法.对现有行程时间预测方法从源数据、预测范围、准确率、优缺点和适用范围等方面进行了分析总结.针对现有方法的一些缺点，提出了可能的解决方案.给出了一种新颖的数据预处理框架和一个行程时间预测模型，最后指出了未来的研究方向.

摘要:文本蕴含识别（RTE）是判断两个句子语义是否具有蕴含关系的任务.近年来英文蕴含识别研究取得了较大发展，但主要是以类型判断为主，在数据中精确定位蕴含语块的研究比较少，蕴含类型识别的解释性较低.从中文文本蕴含识别（CNLI）数据中挑选12 000个中文蕴含句对，人工标注引起蕴含现象的语块，结合语块的语言学特征分析归纳了7种具体的蕴含类型.在此基础上，将中文蕴含识别任务转化为7分类的蕴含类型识别和蕴含语块边界-类型识别任务，在深度学习模型上达到69.19%和62.09%的准确率.实验结果表明，所提出的方法可以有效发现中文蕴含语块边界及与之对应的蕴含类型，为下一步研究提供了可靠的基准方法.

摘要:传统时态认知逻辑对完美回忆的刻画是狭隘的，并不能完整表达主体记得自己先前的认知状态.新系统S5tCt将认知与时态融合进同一个算子中，个体知识、普遍知识和公共知识都被时间点所标注.S5tCt系统从技术上实现了每个个体（群体）都可以完美回忆自己在之前所有时刻上的认知状态.利用典范模型技术可以证明，S5tCt系统在等价且单调递减的框架类上是完全的.

摘要:神经机器翻译是目前应用最广泛的机器翻译方法，在语料资源丰富的语种上取得了良好的效果.但是在汉语-越南语这类缺乏双语数据的语种上表现不佳.考虑汉语和越南语在语法结构上的差异性，提出一种融合源语言句法解析树的汉越神经机器翻译方法，利用深度优先遍历得到源语言的句法解析树的向量化表示，将句法向量与源语言词嵌入相加作为输入，训练翻译模型.在汉-越语言对上进行了实验，相较于基准系统，获得了0.6个BLUE值的提高.实验结果表明，融合句法解析树可以有效提高在资源稀缺情况下机器翻译模型的性能.

摘要:主动学习从大量无标记样本中挑选样本交给专家标记.现有的批抽样主动学习算法主要受3个限制：（1）一些主动学习方法基于单选择准则或对数据、模型设定假设，这类方法很难找到既有不确定性又有代表性的未标记样本；（2）现有批抽样主动学习方法的性能很大程度上依赖于样本之间相似性度量的准确性，例如预定义函数或差异性衡量；（3）噪声标签问题一直影响批抽样主动学习算法的性能.提出一种基于深度学习批抽样的主动学习方法.通过深度神经网络生成标记和未标记样本的学习表示和采用标签循环模式，使得标记样本与未标记样本建立联系，再回到相同标签的标记样本.这样同时考虑了样本的不确定性和代表性，并且算法对噪声标签具有鲁棒性.在提出的批抽样主动学习方法中，算法使用的子模块函数确保选择的样本集合具有多样性.此外，自适应参数的优化，使得主动学习算法可以自动平衡样本的不确定性和代表性.将提出的主动学习方法应用到半监督分类和半监督聚类中，实验结果表明，所提出的主动学习方法的性能优于现有的一些先进的方法.

摘要:时序图数据是一类边上带有时间戳信息的图数据.在时序图数据中，时序环是边满足时间戳递增约束的回路.时序环枚举在现实中有着很多应用，它可以帮助挖掘金融网络中的欺诈行为.此外，研究时序环的数量对于刻画不同时序图的特性也有重要作用.基于2018年由Rohit Kumar等人提出的时序环枚举算法（2SCENT算法），提出一种通过添加环路信息来削减搜索空间的新型时序环枚举算法.所提出的算法为一个两阶段的算法：1）首先，通过遍历原图获得所有可能会形成环路的节点，以及相应的时间和长度信息；2）然后，利用以上信息进行动态深度优先搜索，挖掘所有的满足约束条件的环.在4个不同的真实时序图数据集上进行了大规模的实验，并以2SCENT算法作为基准对算法进行了对比.实验结果表明，所提出的算法较之前最好的2SCENT算法要快50%以上.

摘要:近年来，时空众包平台正逐步走入人们的生活，并受到研究者的广泛关注.在时空众包平台中，任务分配是一个核心问题，即在满足时间和空间的条件约束下，如何为不同用户分配合适的工人来进行服务.现有的工作往往将最大化任务匹配个数或效用值之和作为研究目标，这些方法关注全局的解决方案，但是没有考虑用户和工人的偏好来提高他们对于分配的满意程度.此外，现有工作大多只考虑用户和工人两种角色，即工人移动到用户当前位置进行服务.但是，新型时空众包平台的中往往包含用户、工人和工作点三种角色，即为用户和工人分配一个工作点来进行服务.基于以上不足，三维时空稳定分配问题被提出.但是，此问题只关注了静态场景，而时空众包平台往往是在线的，即工人和用户发出的任务都是实时出现的.因此，提出了面向新型时空众包平台的三维在线稳定匹配问题和一种基础算法.通过分析基础算法的不足，结合人工智能的方法提出一种改进算法来解决这个问题.采用大量的真实数据和合成数据集来验证算法的高效性和有效性.

摘要:当射频供能传感网应用于目标检测时，对节点的部署位置和充电/感知调度表进行合理规划可有效提高系统检测质量.基于融合检测模型，首先归纳了使得系统检测质量最大化的节点部署和调度联合优化问题，证明了该问题是NP完全问题.然后分析了融合半径对检测率的影响，提出了基于贪婪算法的节点部署调度联合优化算法.通过小规模网络、大规模网络及基于真实数据集的仿真，将该算法分别与全局最优解、分阶段优化贪婪算法进行了性能比较.实现结果表明：所提出的联合优化贪婪算法获得的系统检测质量在各组仿真中均优于分阶段贪婪算法，并且在小规模网络中接近于全局最优解.

摘要:当前的区块链技术，只在链上实现了“利益”的可信传递，而对应的“责任”传递还未有对应的链上实现，其关键问题是“责任”的载体及“责任”传递的接收确认.只包含“利益”的链上传递，因此，链上建立的信任关系是单向的，无法建立传递发起方对接收方的信任.从线上公平合约交换协议研究出发，给出了无可信第三方的、基于区块链技术的、确定性的线上公平合约交换协议的实现，同时改变了目前交易类型区块链技术的单向信任关系，通过附加协议，在区块链参与节点之间建立了多向信任关系.改造交易类型的区块链数据结构，将交易类型区块链的交易内容转换为待签合约，多方之间发送“转账”交易单，在链内共识协议的控制下，实现多方之间对合约不可抵赖的签名确认.本协议规定：多方在链接的交易单之中完成随机顺序签名确认后，为合约生效的唯一确认.由于区块链交易数据的公开性、不可篡改性和不可否认性，避免了合约任何一方的作弊行为，既保证了合约交换过程的公平性，也保证了合约交换完毕之后的均势.同时，为多方合约提供了实时动态管理功能，包括合约内容的追加、更新和删除.最后讨论了该协议的公平性、隐私性及共识机制的选择问题.

摘要:IP协议的“无状态”特征引发了许多网络安全管理问题.为此，人们提出了单包溯源技术.然而，已有方法因激励性能低、无法增量部署、维护成本高等问题，一直未被大规模推广.基于此，提出一种联盟模式下高效单包溯源方法，简称TIST.该方法首先在大规模网络上构建溯源联盟体系结构，通过剪除搭便车自治域来提高部署激励性；然后，通过融合IP流标记和对等过滤技术，设计一种面向溯源联盟的链路指纹建立策略，它能弱化自治域之间的溯源耦合性，实现增量部署；最后，定义一种新的面向网络前缀的计数布鲁姆过滤器，并通过优化其参数，使溯源路由器能够快速识别溯源分组，进而实现链路指纹的选择性建立，降低维护成本.通过理论分析和基于大规模真实和人工互联网拓扑的仿真实验，结果表明：相对于以往方案，TIST在可部署性方面确实有了很大的改善.

摘要:随着区块链的迅速发展，上链数据不仅包括金融交易数据，还包括科技、文化、政治等多类数据.而在现有的区块链系统中，数据一旦上链便无法更改，可能会面临失效数据无法删除、错误数据无法修改等问题.因此，特定条件下可修改的区块链方案具有广阔的应用前景.在POSpace （proof of space）共识机制下，基于陷门单向函数和新型区块链结构，提出了可修改的区块链方案.只要超过阈值数的节点同意，便可实现区块数据的合法修改，否则不能进行修改.除修改数据外，其余区块数据保持不变，全网节点仍可按原始验证方式对数据合法性进行验证.仿真实验表明：只要选定合适的阈值，所提方案中，区块生成与数据修改的效率均很高，数据的修改并不改变区块之间的链接关系，具有现实可操作性.

摘要:基于属性加密算法因含有大量耗时的指数运算和双线性对运算，一些方案提出将加密外包给云服务器.然而这些方案并没有给出外包加密在云服务器中的并行计算方法，而且还存在用户保管私钥过多、授权中心生成用户私钥成本过大的问题.针对这些问题，提出一种基于Spark大数据平台的快速加密与共享方案.在该方案中，根据共享访问树的特点设计加密并行化算法，该算法将共享访问树的秘密值分发和叶子节点加密并行化之后交给Spark集群处理，而用户客户端对每个叶子节点仅需要一次指数运算；此外，用户私钥的属性计算也外包给Spark集群，授权中心生成一个用户私钥仅需要4次指数运算，并且用户仅需要保存一个占用空间很小的密钥子项.

摘要:移动用户间日益普及的视频数据传输，使得传统无线通信网络上的流量爆炸性增长问题变得愈发严重，而基于D2D通信的数据机会传输被认为是能够实现数据卸载的有效方法.然而在移动机会网络中，数据传输主要通过数据复制和机会转发而实现.为了获得较高的投递率和较低的投递时延，数据复制往往被过度使用，冗余的数据包不仅会消耗大量的设备和网络资源，还会增加网络的传输负载，降低网络性能.对于视频数据传输，由于其较强的持续性和远高于一般标量数据的数据量，该问题会更加突出.因此，基于多人协作博弈，提出了一种面向视频传输质量的机会路由算法VOR-MG，实现对视频传输质量和传输开销的优化.具体来讲，首先建立视频数据包的边缘质量增益模型，然后把多用户相遇时的视频数据传输建模为一个多用户协作博弈，最后，基于其纳什最优解来对每个视频数据包的复制或者转发进行决策，从而保证在视频传输质量最优的情况下，使得网络中的视频数据包备份个数最少.基于合成数据集和真实数据集的仿真结果表明：其视频传输质量比对比算法高出1 dB~2dB，但是平均最大数据包备份数仅为同类算法的25%左右.

摘要:近些年来，安全多方计算一直是信息安全领域的热点问题之一，已经成为分布式网络用户在协同计算中用于隐私保护的关键技术.信息安全学者已经提出若干安全多方计算问题的解决方案，但更多的安全多方计算问题还有待研究.研究数轴上的保密关系测定问题，着重探讨3个子问题：（1）面向有理数的点（或数）与区间保密关系测定问题；（2）面向有理数的多维点与区间保密关系测定问题；（3）面向有理数的区间与区间保密关系测定问题.数轴上的保密关系测定问题在隐私保护领域有着广泛的应用，可以作为基础模块用于构造其他安全多方计算协议.基于由加密方计算（或选取）加密底数的Paillier变体同态加密方案，设计了3个数轴上的保密关系测定协议：面向有理数的数与区间保密关系测定协议、面向有理数的多维点与区间保密关系测定协议以及面向有理数的区间与区间保密关系测定协议.并在标准模型下，采用模拟范例（ideal/real）分析了3个协议的安全性.这3个协议中的保密比值计算思想直接可以用于解决有理数范围内的百万富翁问题.更广泛地，这3个协议还可以作为基础模块用于解决保密点与圆环区域关系判定问题、点与凸多边型位置关系判定问题、保密近感探测问题等安全多方计算问题.

摘要:近年来，卷积神经网络凭借极强的学习能力，在图像复原任务上实现了比传统学习方法更令人满意的结果.但是，由于丢失了重要的纹理细节，这些基于卷积神经网络的方法普遍存在着复原图像过度平滑的缺点.为解决该问题，提出一种基于级联密集型卷积神经网络的轮廓波域图像复原方法，可以应用于单幅图像去噪、超分辨率及JPEG解压缩这3个经典图像复原任务.首先，构建了一种紧凑的级联密集型网络结构，不但可以充分挖掘和利用不同层次的图像特征，而且解决了由于网络加深带来的长期依赖问题.接着，引入可以稀疏表示图像重要特征的轮廓波变换，分别将低质量图像和重建图像对应的轮廓波子带作为网络的输入和输出，更加有效地恢复出逼真的结构和纹理细节.在标准测试集的实验表明：提出的方法在3个图像复原任务上达到了当前最优的性能，不但获得了更高的峰值信噪比和结构相似度，而且在主观的重建图像中包含了更加真实的纹理细节.

摘要:云计算平台中普遍采用固定资源量的粗粒度资源分配方式，由此会引起资源碎片、过度分配、低集群资源利用率等问题.针对此问题，提出一种细粒度资源调度方法，该方法根据相似任务运行时信息推测任务资源需求；将任务划分为若干执行阶段，分阶段匹配资源，从分配时间和分配资源量两方面细化资源分配粒度；资源匹配过程中，基于资源可压缩特性进一步提高资源利用率和性能；采用资源监控、策略调整、约束检查等机制保证资源使用效率和负载性能.在开源云资源管理平台中，基于细粒度资源调度方法实现了调度器.实验结果表明：细粒度资源调度方法可以在不丧失公平性且调度响应时间可接受的前提下，细化资源匹配的粒度，有效提高云计算平台资源利用率和性能.