针对车载自组织网络（VANET）中用户的隐私泄露和信息传输过程中的安全认证问题，提出一种VANET中格基签密的可认证隐私保护方案。首先，消息发送方利用接收方的公钥对消息进行签密，只有拥有私钥的接收车辆才能解密出消息，以保证消息内容在传输过程中只对授权用户可见；其次，车辆接收方解密出消息后，利用单向安全的哈希函数计算消息的哈希值，并判断是否与签密过程中的哈希值相等，实现对消息的认证；最后，采用快速数论变换（NTT）算法降低格中环上多项式乘法的计算开销，提高方案的计算效率。在随机预言机模型下证明了所提方案在适应性选择密文攻击下具有不可区分性，在适应性选择消息攻击（IND-CCA2）下具有强不可伪造性。此外，所提方案的安全性基于格上困难问题，可以抵抗量子算法攻击。仿真实验结果表明，与同类具有消息认证功能的隐私保护方案以及基于格上困难问题的签名方案相比，所提方案的通信时延至少减少了10.01%，消息丢失率至少减小了31.79%，通信开销至少减少了31.25%。因此，所提方案更适用于资源有限的VANET环境。

聚集最近邻居（ANN）查询作为空间数据库的经典问题在网络链路结构优化、物流集散点选址、共享汽车服务等方面有着重要的意义，能有效促进物流、移动互联网行业以及运筹学等领域的发展。现有的研究存在如下不足：缺少针对大规模动态路网数据的高效索引结构，在数据点位置实时移动以及路网权重动态更新的场景下算法的查询效率较低。针对上述不足，提出动态场景下的ANN查询算法。首先利用G-tree作为路网索引，提出将四叉树和k-d树等空间索引结构与增量欧氏空间限制（IER）算法结合起来的剪枝方法，以完成静态空间下的ANN查询；随后针对动态场景下数据点位置频繁更新的问题，加入时间窗口及安全区域更新策略，以减少算法的重复计算次数，实验结果表明效率能提高8%~85%；最后针对路网权重变化的ANN查询问题，提出两个基于校正的连续查询方法，在历史查询结果的基础上，根据权重变化的增量来得到当前的查询结果，在某些场景中能够有效降低50%左右的误差。理论研究和实验结果表明，所提算法能够高效并且较为准确地解决动态场景下的ANN查询问题。

针对卷积神经网络（CNN）模型的训练过程中，模型参数记忆数据部分特征导致的隐私泄露问题，提出一种CNN中基于差分隐私的动量梯度下降算法（DPGDM）。首先，在模型优化的反向传播过程中对梯度添加满足差分隐私的高斯噪声，并用加噪后的梯度值参与模型参数的更新过程，从而实现对模型整体的差分隐私保护；其次，为了减少引入差分隐私噪声对模型收敛速度的影响，设计学习率衰减策略，改进动量梯度下降算法；最后，为了降低噪声对模型准确率的影响，在模型优化过程中动态地调整噪声尺度的值，从而改变在每一轮迭代中需要对梯度加入的噪声量。实验结果表明，与DP-SGD （Differentially Private Stochastic Gradient Descent）相比，所提算法可以在隐私预算为0.3和0.5时，模型准确率分别提高约5和4个百分点。可见，所提算法提高了模型的可用性，并实现了对模型的隐私保护。

当前服务互联网（IoS）中的服务资源呈现精细化、专业化的趋势，功能单一的服务无法满足用户复杂多变的需求，服务集成调度方法已经成为服务计算领域的热点。现有的服务集成调度方法大都只考虑用户需求的满足，未考虑IoS生态系统的可持续性。针对上述问题，提出一种基于自适应多目标强化学习的服务集成方法，该方法在异步优势演员评论家（A3C）算法的框架下引入多目标优化策略，从而在满足用户需求的同时保证IoS生态系统的健康发展。所提方法可以根据遗憾值对多目标值集成权重进行动态调整，改善多目标强化学习中子目标值不平衡的现象。在真实大规模服务环境下进行了服务集成验证，实验结果表明所提方法相对于传统机器学习方法在大规模服务环境下求解速度更快；相较于权重固定的强化学习（RL），各目标的求解质量更均衡。

针对基于权重归一化方法的卷积神经网络（CNN）转换方法应用于事件流数据时准确率损失较大以及浮点网络难以在硬件上高效部署等问题，提出一种面向动态事件流的网络转换方法。首先，重构事件流数据并输入CNN进行训练，在训练过程中采用量化激活函数降低转换的准确率损失，并使用对称定点量化方法以减少参数存储量；其次，在网络转换中采用脉冲计数等价原理而非频率等价原理以更好地适应数据的稀疏性。实验结果表明，与使用传统激活函数相比，采用量化激活函数的脉冲卷积神经网络（SCNN）在N-MNIST、POKER-DVS和MNIST-DVS这三个动态事件流数据集上的识别准确率分别提高了0.29个百分点、8.52个百分点和3.95个百分点，转换损失分别降低了21.77%、100.00%和92.48%；此外，相较于基于权重归一化方法生成的高精度SCNN，所提量化SCNN在识别准确率相当的情况下可以有效节省约75%的存储空间，并且在N-MNIST和MNIST-DVS数据集上的转换损失分别降低了6.79%和46.29%。

针对联机分析处理（OLAP）中事实表与多个维表之间的星形连接执行代价较高的问题，提出了一种在先进的多核中央处理器（CPU）和图形处理器（GPU）上的星形连接优化方法。首先，对于多核CPU和GPU平台的星形连接中的物化代价问题，提出了基于向量索引的CPU和GPU平台上的向量化星形连接算法；然后，通过面向CPU cache和GPU shared memory大小的向量划分来提出基于向量粒度的星形连接操作，从而优化星形连接中向量索引的物化代价；最后，提出了基于压缩向量的星形连接算法，将定长向量索引压缩为变长的二元向量索引，从而在低选择率时提高cache内向量索引的存储访问效率。实验结果表明，在CPU平台上向量化星形连接算法相对于常规的行式或列式连接性能提升了40%以上，在GPU平台上向量化星形连接算法相对于常规星形连接算法性能提升超过了15%；与当前主流的内存数据库和GPU数据库相比，优化的星形连接算法性能相对于最优内存数据库Hyper性能提升了130%，相对于最优的GPU数据库OmniSci性能提升了80%。可见基于向量索引的向量化星形连接优化技术有效地提高了多表连接性能，与传统优化技术相比，基于向量索引的向量化处理提高了较小cache上的数据存储访问效率，压缩向量进一步提升了向量索引在cache内的访问效率。

针对传统笛卡尔遗传编程（CGP）算法变异操作多样性的缺乏以及其使用的进化策略本身的局限性，提出了一种基于准反向变异的实数笛卡尔遗传编程算法（AD-RVCGP）。首先，和传统CGP一样，AD-RVCGP在进化过程中采用1+ λ的进化策略，即由一个父代个体只通过变异操作产生 λ个子代个体；其次，该算法在进化过程中动态选择准反向变异算子、末端变异算子和单点变异算子，并且利用反向个体的信息进行变异操作；最后，算法在进化过程中根据进化阶段的状态来选择不同的父代个体用于生成下一代个体。在符号回归问题的测试上，相较于传统CGP，AD-RVCGP的收敛加快了约30%，运行时间少了约20%；另外该算法求得的最优解与真实最优解误差更小。实验结果表明，AD-RVCGP具有较高的收敛速度和问题求解精度。

随着社交网络的不断普及，相对于传统的文字描述，人们更倾向于发布图文结合的评论来表达自己的情感与意见。针对图文情感分析方法中仅考虑图文间的高级语义联系，而较少注意图片的低层次情感特征以及中层美学特征与文本情感之间关联性的问题，提出了一种基于多层次空间注意力（MLSA）的图文评论情感分析方法。所提方法以文本内容为驱动，使用MLSA设计图像与文本之间的特征融合方法，该特征融合方法不仅关注与文本相关的图像实体特征，而且充分利用图像的中层美学特征和低层视觉特征，从而从多个不同角度挖掘图文之间的情感共现。在两个公开的图文情感数据集MVSA_Single和MVSA_Multi上，该方法的分类效果相对于对比方法中最优的方法的分类效果在准确率上分别提高了0.96和1.06个百分点，在F1值上分别提高了0.96和0.62个百分点。实验结果表明，综合分析文本特征和图像特征之间的层次化联系能有效地增强神经网络捕捉图文情感语义的能力，从而更准确地预测图文整体的情感。

针对桌面灰尘检测在光照变化时有灰尘与无灰尘图像相似度区分界限不明显的问题，提出一种基于兰氏距离改进的图像相似度算法。该算法融合指数函数性质，将模板图与有灰尘和无灰尘图像之间的兰氏距离转换为（0，1］区间的相似度值，同时扩大相似度差值。为增强灰尘纹理特征信息，将灰度图进行拉普拉斯算子卷积，再用共生矩阵特征提取算法提取特征参数并将其组合成一维向量。用改进后的相似度算法计算模板图与待检测图的特征参数向量相似度，根据向量相似度判断桌面是否具有灰尘。实验结果表明在300~900 lux光照范围内，无灰尘图像之间的相似度高于90.01%，有灰尘与无灰尘图像之间的相似度低于62.57%。两种相似度的均值能够作为阈值，在光照变化时有效地判断桌面是否具有灰尘。

针对已有数据填充方法只考虑评分信息和传统相似性，无法捕获用户间真实相似关系的问题，提出了基于会话时序相似性的矩阵分解数据填充方法来缓解数据稀疏性、提高推荐精度。首先，分析了传统相似性的缺陷，并根据时序相似性和相异性提出了基于会话时序相似性度量，它结合了时间上下文和评分信息，能更好地捕获用户间的真实关系，从而识别近邻；接着，根据目标用户的近邻及其消费的项目抽取了具有用户和项目潜在影响因素的待填充的关键项目集合，并利用矩阵分解填充关键项目集合；然后，利用隐含狄利克雷分布（LDA）抽取用户在每个时间段内的概率主题分布，并利用时间惩罚权值建立用户动态偏好模型；最后，根据用户间概率主题分布的相关性和基于用户的协同过滤完成项目推荐。实验结果表明，与其他数据填充方法相比，基于会话时序相似性的矩阵分解数据填充方法在不同稀疏度下都能降低平均绝对误差（MAE），提高推荐性能。

基于会话的协同过滤用固定时间窗划分交互历史并将用户兴趣表示为这些阶段的序列，但是旅游数据的高稀疏性会导致某些阶段内没有交互行为和近邻相似度计算困难的问题。为了缓解数据稀疏，有效利用数据特性，提出了基于动态聚类的旅游线路推荐算法。该方法首先分析了旅游数据不同于其他标准数据的特性；其次利用动态聚类得到的变长时间窗口对游客交互历史进行划分，利用潜在狄利克雷分布（LDA）抽取每个阶段的概率主题分布，结合时间惩罚权值建立用户兴趣漂移模型；接着，通过反映年龄、线路季节、价格等因素的游客特征向量为目标游客选择近邻和候选线路集合；最后根据候选线路和游客的概率主题相关度完成线路推荐。该方法通过采用变长时间窗口不但缓解了数据稀疏，而且划分的阶段数目不需提前指定，而是根据数据特性自动生成；近邻选择时采用特征向量而非旅游数据进行相似度计算，避免了由于数据稀疏无法计算的问题。在实际旅游数据上的大量实验结果表明，该方法不仅很好适应了旅游数据特征，而且提高了旅游线路的推荐精度。

针对主成分分析-贝叶斯判别法（PCA-BDA）仅支持安全评价但不能发现危险因素的问题，引入属性重要度的概念，提出一种改进的PCA-BDA算法，并将其应用于石油钻井安全评价。首先，使用原始PCA-BDA方法评估出各条记录的安全等级；然后，利用主成分分析（PCA）过程中的特征向量矩阵，贝叶斯判别（BDA）过程中的判别函数矩阵，以及各安全等级的权重计算得出属性重要度；最后，通过参考属性重要度来调控属性。安全评价准确率的对比实验中，改进PCA-BDA方法准确率达到96.7%，明显高于层次分析法（AHP）和模糊综合评价法（FCE）。调控属性的仿真实验中，调控重要度最高的3个属性70%以上的钻井安全等级得到改善；相对地，调控重要度最低的3个属性钻井安全等级几乎没有变化。实验结果表明，改进PCA-BDA方法不仅能够准确地实现安全评价，同时能够找出关键属性使石油钻井安全管理更有针对性。

Shuffle性能是影响大数据集群性能的重要指标，Spark自身的Shuffle内存分配算法试图为内存池中的每一个Task平均分配内存，但是在实验中发现，由于各Task对于内存需求的不均衡导致了内存的浪费和运行效率较低的问题。针对上述问题，提出一种改进的Spark Shuffle内存分配算法。该算法根据Task的内存申请量和历史运行数据将Task按内存需求分为大小两类，对小内存需求型Task作"分割化"处理，对大内存需求型Task基于Task溢出次数和溢出后等待时间分配内存。该算法充分利用内存池的空闲内存，可以在数据倾斜导致的Task内存需求不均衡的情况下进行Task内存分配的自适应调节。实验结果表明，改进后算法较原算法降低了Task的溢出率，减少了Task的周转时间，提高了集群的运行性能。

针对传统滤波器方法解决机器人同时定位与地图创建(SLAM)时的误差积累问题,提出了一种基于视觉词典(BOW)的三维SLAM算法,以有效解决机器人长时间运动下误差积累的问题。相比图优化SLAM中常用的随机检测和Kd树(Kd-Tree)算法,采用基于树结构的视觉词典闭环检测算法来提高相似场景的检索效率。首先采用基于GPU的特征提取算法提取图像特征,并利用交叉匹配和k最近邻(kNN)算法取得图像中鲁棒性较强的内点;然后通过基于随机抽样一致性奇异值分解(RANSAC SVD)算法计算出相邻帧的初始位姿变换,并利用通用迭代最近点(G-ICP)算法进行优化,得到高精度的位姿变换;最后利用增量平滑和建图(iSAM)图优化方法得出最终位姿,拼接出高精度的点云地图和运动轨迹。标准数据集的测试表明,所提算法在复杂情况下具有良好的鲁棒性和精度。

针对目前在分布异构的大规模软件开发中难以高效地知晓信息和发现知识的问题,将语义网引入软件工程领域,对多源异构数据进行细粒度语义关联,提出本体构建、关联抽取和发现的方法,实现基于本体的软件工程关联数据的自动构建。该方法对软件工程本体进行概念抽取、合并、实例消解和属性消歧,从软件仓库结构化数据集中抽取出完整无冗余的关联数据;并采用同义词、动宾短语和结构关系三个特征利用自然语言处理(NLP)技术和信息检索(IR)技术从软件仓库中发现潜在的关联数据。实验结果表明,所提出的方法能从分布式软件工程数据集中自动构建和融合生成软件工程本体,并有效地发现潜在的关联数据将其扩充到软件工程本体中;与Baseline、Phraing和O-CSTI三种方法相比,关联数据发现的召回率、精准率和F值都有显著提高。

为解决地面背景干扰和雨天弱小目标难以检测的问题,提出一种低空目标多级图像投影检测算法。首先,分析地面背景与天空区域在图像中的分布位置以及灰度特征,根据水平灰度投影的阶跃变化将图像分割为天空区域和地面背景区域两部分;然后,由天空区域图像的水平和垂直投影一阶差分极大值截取目标所在的水平和垂直带状区域,分别计算水平带状区域的垂直灰度投影和垂直带状区域的水平灰度投影,并根据它们的一阶差分极大值点确定两组候选目标位置坐标;最后,验证获取的两组目标坐标,并计算目标位置坐标。实验结果表明:所提算法能检测出具有复杂地面背景的低空目标,也适用于雨天弱小目标的检测;该算法的速度较快,满足视频图像处理的实时性要求。

针对分布式进化算法设计过程中由于缺乏对性能影响因素的分析而导致算法无法达到预期加速比的问题,提出一种全面的性能分析方法。根据分布式进化算法的组成结构,将影响分布式进化算法性能的因素分为进化操作开销、适应值计算开销和通信开销三个部分。首先研究进化算法在不同个体编码维数下进化操作开销的特性;其次,在进化操作开销相对固定的情况下,通过使用操作系统的延时函数控制适应值计算开销,通过改变个体编码维数控制通信开销;最后,应用控制变量方法,逐一测试各因素对算法加速比的影响。实验结果展现了三种因素的相互制约关系,给出了分布式进化算法获得更好加速比的条件。

针对多媒体内容分发与播放系统,在不降低用户体验的前提下限制播放内容。该方法首先自适应地选择待嵌入的二值图像,通过修改特定位置AC系数的符号在视频帧内预测中嵌入。然后在解码播放时自适应地选择待匹配的二值图像,与提取的水印进行匹配,匹配通过,才继续解码并播放视频；否则直接停止解码播放。实验结果表明,嵌入水印的算法具有较高的鲁棒性,嵌入水印前后视频峰值信噪比(PSNR)、码率基本不变。算法复杂度低,实用性强,实现了对非法视频的有效过滤。

无线视频传输系统中,网络带宽往往是有限和动态变化的,这将导致视频信息在传输过程中的质量差以及不稳定,此时需要在视频编解码中采用码率控制进行调控。针对X264平均比特率(ABR)算法的不足,提出了两种改进措施:其一,根据实际输出比特和目标比特之差在帧层增加补偿算法来调整当前帧的量化参数(QP); 其二,改善缓存区增长函数以限制缓存区的过快增长。改进算法通过对同一视频序列不同目标码率以及不同视频序列同一目标码率两种方式进行实验仿真验证。仿真结果表明,在峰值信噪比(PSNR)平均值基本不变的情况下,输出的实际码率更加接近于目标码率。

对于混沌系统数字化后引起的混沌性能下降，结合Logistic映射和分段线性混沌映射（PLCM）及定义在(0，1)上的移位映射设计了一个混沌随机数发生器，通过不同混沌系统迭代，生成的随机序列由四个混沌轨道确定，具有良好的随机性和在有限精度实现条件下周期大的特点；并基于此混沌随机数发生器提出了一种分组图像加密算法，该算法具有较强的鲁棒性，加密图像在部分受损或缺失后，仍有较好的恢复效果，该算法具有控制参数较多、密钥空间大、对密钥十分敏感的优点，对多种攻击手段具有较好的免疫性。