摘要:演化多任务优化研究利用种群进行优化搜索、借助任务间遗传信息的迁移达到多任务同时处理的目的.演化多任务优化被认为是继单目标优化、多目标优化后的第三种问题优化研究范例，是近年来计算智能领域兴起的一大研究热点.演化多任务优化算法模拟自然界选型交配和垂直文化传播的生物文化现象，通过任务间和任务内的知识迁移来促进多个优化任务各自的收敛.对近年来演化多任务优化领域的研究进展做出了系统总结：首先，引入了演化多任务优化问题的概念，给出了其相关的5个定义，并从知识迁移优化的角度对这一问题做出阐述；然后，详细介绍了演化多任务优化算法的基本框架，总结了这一算法近年来的改进情况和基于这一算法框架下其他经典算法的实现情况；之后，对演化多任务优化算法的学术、工程应用情况做出了较为完整的归纳介绍；最后，指出了演化多任务优化领域目前存在的主要问题和挑战，并对这一方向的进一步发展做出了展望.

摘要:图划分是大规模分布式图处理的首要工作，对图应用的存储、查询、处理和挖掘起基础支撑作用.随着图数据规模的不断扩大，真实世界中的图表现出动态性.如何对动态图进行划分，已成为目前图划分研究的热点问题.从不同动态图划分算法的关注点和特点出发，系统性地介绍当前可用于解决动态图划分问题的各类算法，包括流式图划分算法、增量式图划分算法和图重划分算法.首先介绍图划分的3种不同的划分策略及问题定义、图的两种不同的动态性来源以及动态图划分问题；然后介绍3种不同的流式图划分算法，包括基于Hash的划分算法、基于邻居分布的划分算法以及基于流的优化划分算法；其次介绍单元素增量式划分和批量增量式划分这两种不同的增量式图划分算法；再次，分别介绍针对图结构动态的重划分算法和针对图计算动态的重划分算法；最后，在对已有方法分析和比较的基础上，总结目前动态图划分面临的主要挑战，提出相应的研究问题.

摘要:约束优化是多数实际工程应用优化问题的呈现方式.进化算法由于其高效的表现，近年来被广泛应用于约束优化问题求解.但约束条件使得问题解空间离散、缩小、改变，给进化算法求解约束优化问题带来极大挑战.在此背景下，融合约束处理技术的进化算法成为研究热点.此外，随着研究的深入，近年来约束处理技术在复杂工程应用问题优化中得到了广泛发展，例如多目标、高维、等式优化等.根据复杂性的缘由，将面向复杂约束优化问题的进化优化分为面向复杂目标的进化约束优化算法和面向复杂约束场景的进化算法两种类别进行综述，其中，重点探讨了实际工程应用的复杂性对约束处理技术的挑战和目前研究的最新进展，并最后总结了未来的研究趋势与挑战.

摘要:近年来，研究者提出了大量的软件缺陷预测模型，新模型往往通过与过往模型进行比较实验来表明其有效性.然而，研究者在设计新旧模型间的比较实验时并没有达成共识，不同的工作往往采用不完全一致的比较实验设置，这可能致使在对比模型时得到误导性结论，最终错失提升缺陷预测能力的机会.对近年来国内外学者所做的缺陷预测模型间的比较实验进行系统性的总结：首先，阐述缺陷预测模型间的比较实验的研究问题；然后，分别从缺陷数据集、数据集划分、基线模型、性能指标、分类阈值这5个方面对现有的比较实验进行总结；最后，指出目前在进行缺陷预测模型间比较实验时面临的挑战，并给出建议的研究方向.

摘要:源代码缺陷检测是判别程序代码中是否存在非预期行为的过程，广泛应用于软件测试、软件维护等软件工程任务，对软件的功能保障与应用安全方面具有至关重要的作用.传统的缺陷检测研究以程序分析为基础，通常需要很强的领域知识与复杂的计算规则，面临状态爆炸问题，导致检测性能有限，在误报漏报率上都有较大提高空间.近年来，开源社区的蓬勃发展积累了以开源代码为核心的海量数据，在此背景下，利用深度学习的特征学习能力能够自动学习语义丰富的代码表示，从而为缺陷检测提供一种新的途径.搜集了该领域最新的高水平论文，从缺陷代码数据集与深度学习缺陷检测模型两方面系统地对当前方法进行了归纳与阐述.最后对该领域研究所面临的主要挑战进行总结，并展望了未来可能的研究重点.

摘要:异质信息网络（HINs）是包含多种类型对象（顶点）和链接（边）的有向图，能够表达丰富复杂的语义和结构信息.HINs中的稠密子图查询问题，即给定一个查询点q，在HINs中查询包含q的稠密子图，已成为该领域的热点和重点研究问题，并在活动策划、生物分析和商品推荐等领域具有广泛应用.但现有方法主要存在以下两个问题：（1）基于模体团和关系约束查询的稠密子图具有多种类型顶点，导致其不能解决仅关注某种特定类型顶点的场景；（2）基于元路径的方法虽然可查询到某种特定类型顶点的稠密子图，但其忽略了子图中顶点之间基于元路径的连通度.为此，首先在HINs中提出了基于元路径的边不相交路径的连通度，即路径连通度；然后，基于路径连通度提出了k-路径连通分量（k-PCC）模型，该模型要求子图的路径连通度至少为k；其次，基于k-PCC模型提出了最大路径连通Steiner分量（SMPCC）概念，其为包含q的具有最大路径连通度的k-PCC；最后，提出一种高效的基于图分解的k-PCC发现算法，并在此基础上提出了优化查询SMPCC算法.大量基于真实和合成HINs数据的实验结果验证了所提出模型和算法的有效性和高效性.

摘要:目前，在属性级情感分类任务上较为成熟的有标注数据集均为英文数据集，而有标注的中文数据集较少.为了能够更好地利用规模庞大但却缺乏成熟标注数据的中文语言数据集，针对跨语言属性级情感分类任务进行了研究.在跨语言属性级情感分类中，一个核心问题为如何构建不同语言的文本之间的联系.针对该问题，在传统的单语言情感分类模型的基础上，使用图神经网络模型对跨语言词-词、词-句之间的关系信息进行建模，从而有效地刻画两种语言数据集之间的联系.通过构建单语词-句之间的联系和双语词-句之间的联系，将不同语言的文本关联起来，并利用图神经网络进行建模，从而实现利用英文数据集预测中文数据集的跨语言神经网络模型.实验结果表明：相较于其他基线模型，所提出的模型在F1值指标上有着较大的提升，从而说明使用图神经网络建立的模型能够有效地应用于跨语言的应用场.

摘要:属性抽取是一种自动识别和提取属性表述文字的自然语言处理任务.首先重温了属性抽取的基本任务、权威数据资源和通用评测规范，并在此基础上全面回顾了现有前沿技术，包括基于统计策略和特征工程的传统抽取技术以及利用深度学习的神经抽取技术.特别地，以属性表述语言的本质为出发点，结合现有技术暴露出的不足，对该领域的技术难点和推演方向给出了详细解释.

摘要:在大数据时代，人工智能得到了蓬勃发展，尤其以机器学习、深度学习为代表的技术更是取得了突破性进展.随着人工智能在实际场景中的广泛应用，人工智能的安全和隐私问题也逐渐暴露出来，并吸引了学术界和工业界的广泛关注.以机器学习为代表，许多学者从攻击和防御的角度对模型的安全问题进行了深入的研究，并且提出了一系列的方法.然而，当前对机器学习安全的研究缺少完整的理论架构和系统架构.从训练数据逆向还原、模型结构反向推演、模型缺陷分析等角度进行了总结和分析，建立了反向智能的抽象定义及其分类体系.同时，在反向智能的基础上，将机器学习安全作为应用对其进行简要归纳.最后探讨了反向智能研究当前面临的挑战以及未来的研究方向.建立反向智能的理论体系，对于促进人工智能健康发展极具理论意义.

摘要:深度分层强化学习是深度强化学习领域的一个重要研究方向，它重点关注经典深度强化学习难以解决的稀疏奖励、顺序决策和弱迁移能力等问题.其核心思想在于：根据分层思想构建具有多层结构的强化学习策略，运用时序抽象表达方法组合时间细粒度的下层动作，学习时间粗粒度的、有语义的上层动作，将复杂问题分解为数个简单问题进行求解.近年来，随着研究的深入，深度分层强化学习方法已经取得了实质性的突破，且被应用于视觉导航、自然语言处理、推荐系统和视频描述生成等生活领域.首先介绍了分层强化学习的理论基础；然后描述了深度分层强化学习的核心技术，包括分层抽象技术和常用实验环境；详细分析了基于技能的深度分层强化学习框架和基于子目标的深度分层强化学习框架，对比了各类算法的研究现状和发展趋势；接下来介绍了深度分层强化学习在多个现实生活领域中的应用；最后，对深度分层强化学习进行了展望和总结.

摘要:混合事务与分析处理（hybrid transactional analytical processing，HTAP）技术是一种基于一站式架构同时处理事务请求与查询分析请求的技术.HTAP技术不仅消除了从关系型事务数据库到数据仓库的数据抽取、转换和加载过程，还支持实时地分析最新事务数据.然而，为了同时处理OLTP与OLAP，HTAP系统也需要在系统性能与数据分析新鲜度之间做出取舍，这主要是因为高并发、短时延的OLTP与带宽密集型、高时延的OLAP访问模式不同且互相干扰.目前，主流的HTAP数据库主要以行列共存的方式来支持混合事务与分析处理，但是由于该类数据库面向不同的业务场景，所以它们的存储架构与处理技术各有不同.首先，全面调研HTAP数据库，总结它们主要的应用场景与优缺点，并根据存储架构对它们进行分类、总结与对比.现有综述工作侧重于基于行/列单格式存储的HTAP数据库以及基于Spark的松耦合HTAP系统，而这里侧重于行列共存的实时HTAP数据库.特别地，凝炼了主流HTAP数据库关键技术，包括数据组织技术、数据同步技术、查询优化技术、资源调度技术这4个部分.同时总结分析了HTAP数据库构建技术与评测基准.最后，讨论了HTAP技术未来的研究方向与挑战.

摘要:随着海量移动数据的积累，下一个兴趣点推荐已成为基于位置的社交网络中的一项重要任务.目前，主流方法倾向于从用户近期的签到序列中捕捉局部动态偏好，但忽略了历史移动数据蕴含的全局静态信息，从而阻碍了对用户偏好的进一步挖掘，影响了推荐的准确性.为此，提出一种基于全局和局部特征融合的下一个兴趣点推荐方法.该方法利用签到序列中的顺序依赖和全局静态信息中用户与兴趣点之间、连续签到之间隐藏的关联关系建模用户移动行为.首先，引入两类全局静态信息，即User-POI关联路径和POI-POI关联路径，学习用户的全局静态偏好和连续签到之间的全局依赖关系.具体地，利用交互数据以及地理信息构建异构信息网络，设计关联关系表示学习方法，利用相关度引导的路径采样策略以及层级注意力机制获取全局静态特征.然后，基于两类全局静态特征更新签到序列中的兴趣点表示，并采用位置与时间间隔感知的自注意力机制来捕捉用户签到序列中签到之间的局部顺序依赖，进而评估用户访问兴趣点概率，实现下一个兴趣点推荐.最后，在两个真实数据集上进行了实验比较与分析，验证了所提方法能够有效提升下一个兴趣点推荐的准确性.此外，案例分析表明，建模显式路径有助于提供可解释的推荐结果.

摘要:作为数字货币的底层核心技术之一，区块链随着数字货币的快速发展而受到了广泛关注.由于区块链具有去中心化、防篡改、可追溯等性质，如今越来越多的企业和个人用户选择利用区块链技术来实现数据的传输和记录.区块链公开透明的特性，一方面充分保证了数据的可用性；但另一方面，又给用户的隐私信息带来了严重威胁.为了同时兼顾用户数据的机密性和可用性，同态加密常常被用到区块链的安全解决方案之中.然而，现实应用对于所部署的同态加密方案的安全强度要求也很可能会随着时间推移而有所变化.考虑到区块链应用场景的复杂多样性和分布式特点，同态加密方案一旦部署下去，之后，当随着时间推移需要调整安全性强度时，相应的工作量将会非常繁重.此外，在区块链的现实应用中，考虑到监管方面的需求，很多情况下（尤其是针对某些群组成员发布和传输的数据）需要允许某可信第三方（如监管方）能够对链上的相应密文数据进行解密.若采用传统的同态加密方案对数据进行加密，可信第三方需要存储所有用户的私钥，这将给密钥管理和存储带来巨大压力.针对当前的区块链应用场景和安全需求，提出了一个基于ZN2*（N=pq）上的判定性k-Lin假设的加法同态加密方案.该方案不仅在标准模型下能够满足IND-CCA1安全性，还具有3个特殊优势：（i）可以通过对参数k的调控细粒度地调节加密方案的安全性强度；（ii）加密方案具有双解密机制：存在两种私钥，一种由用户本人持有，另一种由可信第三方持有，其中，可信第三方的私钥可用于该加密体制所有用户的密文解密；（iii）加密方案可以极为便利地退化为IND-CPA安全的公钥加密方案，退化后的方案不仅其公私钥长度和密文长度变得更短，而且同样具有加法同态性和双解密机制.

摘要:传统公钥基础设施中的证书复杂管理和身份基密码体制中的密钥托管等问题在基于证书的密码体制下得到了很好的解决，因此无证书密码体制近年来得到了广泛关注.此外，在现实应用中，攻击者基于冷启动、边信道等各种各样的泄露攻击获得密码机制内部敏感状态（如秘密钥等）的泄露信息，导致在传统理想模型下被证明安全的密码机制不再具有相应的安全性.此外，由于广播通信模式具有较高的消息通信效率，多个具有广播通信功能的密码原语相继被提出.针对基于证书密钥封装机制对泄露容忍性和广播通信等性能的需求，提出抗泄露的基于证书的广播密钥封装机制的实例化构造，并基于判定的Diffie-Hellman困难性假设对其选择密文攻击下的安全性进行了证明.此外，为进一步增强该构造的实用性，研究了广播密钥封装机制的连续泄露容忍性，通过定期更新用户密钥的方式实现了对连续泄露攻击的抵抗目标.与现有工作的分析对比表明，该构造在保证安全性可证明的基础上，不仅实现了抵抗泄露攻击和广播通信的功能，而且拥有较高的计算效率.

摘要:随着网联车辆的快速发展和开放化，智能信号灯规划系统承受着巨大的网络攻击风险.已有相关研究发现，定频数据污染对规划脆弱性的攻击造成了交通拥堵爆增，但缺乏对降频污染攻击的全时序拥堵态势量化与分析，在检测预警与持续对抗方面有一定的局限性.将开源智能信号灯规划系统I-SIG及其规划算法COP作为研究对象，提出一种面向多个降频污染攻击的统一拥堵态势量化与分析框架，构造态势发展的时空序列三阶张量空间，并设计极值分析、平稳性分析和关联性分析，实现基于函数依赖关系的一体化分析方法.在交通模拟环境VISSIM平台上，验证了该量化分析的有效性并报告新发现.

摘要:移动边缘计算（mobile edge computing，MEC）是一种高效的技术，通过将计算密集型任务从移动设备卸载到边缘服务器，使终端用户实现高带宽、低时延的目标.移动边缘计算环境下的计算卸载在减轻用户负载和增强终端计算能力等方面发挥着重要作用.考虑了服务缓存，提出一种云-边-端协同的计算卸载框架，在该框架中引入D2D （device-to-device，D2D）通信和机会网络.基于建立的模型，将计算卸载决策问题转化为一个混合整数非线性规划问题，并对无线特性和移动用户之间的非合作博弈交互制定了一个迭代机制来共同确定计算卸载方案.对提出的计算卸载算法从理论上证明了多用户计算卸载博弈模型为严格势力场博弈（exact potential game，EPG），卸载决策可获得全网范围内的最优效益.考虑到服务器的计算资源、卸载任务数据量和任务延迟需求，提出对用户和MEC服务器之间最佳用户关联匹配算法.最后，模拟结果表明，卸载决策算法具有较快的收敛速度，并在能效方面优于其他基准算法.

摘要:随着云计算的发展，越来越多的多媒体数据存储在云端，出于安全需要，往往需要对其加密后再上传至云端进行存储或运算等操作.针对加密图像，在不具备图像明文内容的情况下，为了认证图像内容的完整性和真实性，提出了一种基于Paillier同态加密的鲁棒图像哈希算法.该算法主要由3个部分构成：图像所有者端图像加密，云服务器端密文图像哈希计算以及接收者端明文图像哈希生成.具体地，图像所有者对图像进行Paillier加密，并将加密图像上传至云服务器，由云服务器利用Paillier密码系统的运算法则执行加密域DCT与Watson人眼视觉特征等的计算，并利用密钥控制的伪随机矩阵增加哈希的随机性，接收者解密并分析接收到的密文哈希，生成明文图像哈希.实验结果表明，所提算法在鲁棒性、唯一性和安全性上具有较理想的性能.

摘要:离线证据加密通过将复杂的计算移到初始化算法提升加密算法的效率，相比证据加密具有更广泛的应用.然而，已有的离线证据加密方案大多满足选择安全性，即敌手在得到公共参数之前必须输出一对挑战明文（m₀，m₁）和一个命题实例x.Chvojka等人通过引入可穿孔加密构造了半适应安全的离线证据加密方案，该安全性允许敌手适应性选择挑战密文，但是敌手得到公共参数（pp_e，pp_d）之前需要输出挑战密文对应的命题实例x，将构造完全适应安全的离线证据加密方案作为“Open Problem”提了出来.首次构造了满足完全适应安全的离线证据加密方案.初始化算法输出一对公共参数（pp_e，pp_d），其中加密密钥pp_e包含两个公钥，一个公共参考串和一个承诺，解密密钥pp_d是一个混淆电路.该算法只需运行一次，公共参数可以使用任意多次.加密算法利用密钥封装机制和证据不可区分证明系统构造一个Naor-Yung形式的密文.通过提前选定封装的密钥解决在选择安全性中敌手需要提前输出挑战明文的问题.另外，所提构造可以直接转化为适应性安全的离线函数证据加密，密钥生成阶段将函数f嵌入到解密私钥中，可以实现针对函数f解密私钥的可重复使用.

摘要:为了缓解城市交通拥堵、避免交通事故的发生，城市路网的路径选择一直以来是一个热门的研究课题.随着边缘计算和车辆智能终端技术的发展，城市路网中的行驶车辆从自组织网络朝着车联网（Internet of vehicles，IoV）范式过渡，这使得车辆路径选择问题从基于静态历史交通数据的计算向实时交通信息计算转变.在城市路网路径选择问题上，众多学者的研究主要聚焦如何提高出行效率，减少出行时间等.然而这些研究并没有考虑所选路径是否存在风险等问题.基于以上问题，首次构造了一个基于边缘计算技术的道路风险实时评估模型（real-time road risk assessment model based on edge computing，R³A-EC），并提出基于该模型的城市路网实时路径选择方法（real-time route selection method based on risk assessment，R²S-RA）.R³A-EC模型利用边缘计算技术的低延迟，高可靠性等特点对城市道路进行实时风险评估，并利用最小风险贝叶斯决策验证道路是否存在风险问题，最后在此基础上对城市路网路径选择进行优化，实现实时动态低风险的路径选择方法.实验通过与传统的最短路径Dijkstra算法、基于VANET的最短时间算法、基于MEC的动态路径规划算法以及双向A*最短路径优化算法对比，得出R²S-RA方法可以更好地选择兼顾道路风险和行驶时间的优化路径，从而大大减少交通拥堵和交通事故等事件的发生.

摘要:以区块链为底层技术的比特币、Libra等密码货币掀起了数字经济的浪潮.密码货币采用数字签名保证交易的可验证性和完整性，其中签名私钥确保了货币资产的所有权.若签名私钥丢失或被盗，货币资产的安全将受到严重威胁.相比于椭圆曲线数字签名算法ECDSA，基于爱德华曲线的数字签名算法EdDSA具备运算速度更快、密钥与签名空间更小等优势，被用于Libra交易单的签名.但因其是确定性签名，容易遭受差分故障攻击，造成密钥丢失或泄漏.如何抵抗这一种攻击，并设计可证明安全的EdDSA签名是一个挑战.首先定义了抗差分故障攻击的数字签名方案需满足的安全性质，利用差分故障攻击技术对EdDSA签名算法进行了分析，提出了抗差分故障攻击的EdDSA签名方案，并证明了方案满足存在不可伪造性和抗差分故障攻击性；为了降低签名私钥泄漏风险，借助Paillier同态加密技术，设计了抗差分故障攻击的两方协同EdDSA签名方案，并基于通用可组合安全模型（universally composable，UC）证明了方案的安全性；最后，对两方协同ECDSA签名算法与抗差分故障攻击的两方协同EdDSA签名算法计算复杂度分析与算法执行效率测试，验证了方案的有效性.

摘要:隐私集合交集（private set intersection，PSI）是隐私计算中的热点，其允许参与两方在不泄露任何额外信息的要求下计算交集.现有的隐私集合交集计算方案对参与双方的计算能力要求高，且计算能力差的参与方无法在保证集合数据隐私的前提下将计算安全外包给云服务器.设计了一种新的不经意两方分布式伪随机函数，允许半可信的云服务器参与相等性测试，又不泄露参与方任何集合信息.基于该不经意伪随机函数构建了半可信云服务器辅助的隐私集合交集计算协议，将主要计算量外包给云服务器.在半诚实模型下证明了协议的安全性.同时，该协议可保密地计算隐私集合交集的基数.通过与现有协议分析与实验性能比较，该协议效率高，计算复杂度与通信复杂度均与集合大小呈线性关系，适用于客户端设备受限的应用场景.

摘要:散点图中数据点重叠现象会严重影响可视分析效率.现有散点图去重叠算法主要通过调整部分数据点的位置来完全去除重叠，但普遍存在画布面积增长、轮廓保持不自然、迭代时间较长等问题.认为完全去除重叠是非必须的，通过实验发现：用户能够在散点图有轻微重叠的情况下，快速、准确地完成数据点选取和区域密度估计等可视分析任务.因此，提出了一个非完全的散点图去重叠算法，该算法通过结合虚拟点临时占位、Voronoi网格划分、数据点选择性移动和重叠率快速计算等方法，实现分布紧凑、轮廓自然、高效迭代的散点图去重叠效果.通过客观实验和主观实验评估了算法性能.实验结果表明，该算法在移动距离、面积增长、形状保持、正交顺序、邻域保持这5个客观指标和形状相似性、类簇稳定性这2个主观指标上都优于现有算法.

摘要:群体行为识别是指给定一个包含多人场景的视频，模型需要识别出视频中多个人物正在共同完成的群体行为.群体行为识别是视频理解中的一个重要问题，可以被应用在运动比赛视频分析、监控视频识别、社交行为理解等现实场景中.多人场景视频较为复杂，时间和空间上的信息十分丰富，对模型提取关键信息的能力要求更高.模型只有高效地建模场景中的层次化关系，并为人物群体提取有区分性的时空特征，才能准确地识别出群体行为.由于其广泛的应用需求，群体行为识别问题受到了研究人员的广泛关注.对近几年来群体行为识别问题上的大量研究工作进行了深入分析，总结出了群体行为识别研究所面临的主要挑战，系统地归纳出了6种类型的群体行为识别方法，包含传统非深度学习识别方法以及基于深度学习技术的识别方法，并对未来研究的可能方向进行了展望.

摘要:视频片段检索旨在利用用户给出的自然语言查询语句，在一个长视频中找到最符合语句描述的目标视频片段.视频中包含丰富的视觉、文本、语音信息，如何理解视频中提供的信息，以及查询语句提供的文本信息，并进行跨模态信息的对齐与交互，是视频片段检索任务的核心问题.系统梳理了当前视频片段检索领域中的相关工作，将它们分为两大类：基于排序的方法和基于定位的方法.其中，基于排序的方法又可细分为预设候选片段的方法和有指导地生成候选片段的方法，而基于定位的方法则可分为一次定位的方法和迭代定位的方法.同时对该领域的数据集和评价指标进行了介绍，并对一些模型在多个常用数据集上的性能进行了总结与整理.此外，介绍了该任务的延伸工作，如大规模视频片段检索工作等.最后，对视频片段检索未来的发展方向进行了展望.