异构多核平台通过集成不同类型的处理核来为系统设计提供灵活性，从而使应用程序可以根据自身需求动态地选择不同类型的处理核来进行处理，实现应用程序的高效运行。随着半导体技术的发展，单芯片上集成的核心数量随之增加，使得现代多核处理器具有更高的功率密度，而这会导致芯片温度的升高，最终会对系统性能造成一定的负面影响。为了充分发挥出异构多核处理系统的性能优势，提出一种在满足温度安全功率的前提下，以最大化系统性能为目标的动态映射方法。该方法考虑异构多核系统的两种异构指标来确定映射方案：第一种异构指标是核心类型，不同类型的处理核具有不同的特征，因而它们适用于处理不同的应用程序；第二种异构指标是热感受性，芯片上不同的处理核位置具有不同的热感受性，越是中心位置的处理核受到的来自于其他处理核的热传递越多，因而温度也就越高。为此，提出一种基于神经网络性能预测器来对线程与处理核类型进行匹配，并利用热安全功率（TSP）模型将经过匹配后的线程映射到芯片上的具体位置。实验结果表明，所提出的方法与常见的轮询调度（RRS）相比，能在保证热安全约束的前提下将平均每个时钟周期内程序所执行的指令数，即指令/周期（IPC）提高53%左右。

近年来，随着半导体技术的发展以及应用多样化的需求，异构多核处理器已被广泛应用于高性能嵌入式系统中。这类系统面临的一个主要挑战就是如何在运行时对系统的可用资源（包括处理核等）进行管理分配从而满足系统及其所运行应用在性能和功耗等方面的需求。然而，虽然目前一些主流的资源管理技术在性能和/或功耗优化等方面取得了良好表现，但却经常对所设计的资源管理部件缺乏严格的可靠性保证，因此提出了一种基于离散控制器合成（DCS）的方法来对异构多核系统的在线资源管理策略进行自动、可靠的设计，即将形式化的、能够自动构造管理控制部件的DCS应用到异构多核系统的在线资源管理部件设计中。该方法通过采用形式化模型来描述异构系统的运行行为（例如如何为应用分配处理核），并将在线资源管理问题转换为一个面向某个系统管理目标（例如最大化应用性能）的DCS问题。在此基础上，通过现有的DCS工具对提出的方法进行了示例演示和验证，并对所使用DCS方法的可扩展性进行了评估。

异构多核处理器已成为现代嵌入式系统的主流解决方案，而好的在线映射或调度方法对其充分发挥高性能和低功耗的优势起着至关重要的作用。针对异构多核处理系统上的应用程序动态映射和调度问题，提出一种基于机器学习、能快速准确评估程序性能和程序行为阶段变化的检测技术来有效确定重映射时机从而最大化系统性能的映射和调度解决方案。该方案一方面通过合理选择处理核和程序运行时的静态和动态特征来有效感知异构处理所带来的计算能力和工作负载运行行为的差异，从而能够构建更加准确的预测模型；另一方面通过引入阶段检测来尽可能减少在线映射计算的次数，从而能够提供更加高效的调度方案。最后，在SPLASH-2数据集上验证了所提出调度方案的有效性。实验结果表明，与Linux默认的完全公平调度（CFS）方法相比，所提出的方法在系统计算性能方面提高了52%，在CPU资源利用率上提高了9.4%。这表明所提方法在系统计算性能和CPU资源利用率方面具备优良的性能，可以有效提升异构多核系统的应用动态映射和调度效果。

针对超大规模集成电路（VLSL）的发展过程中测试数据量增加的问题，提出了一种基于三态信号的测试数据压缩方法。首先，对测试集进行优化预处理操作，即对测试集进行部分输入精简和测试向量重排序操作，在提高测试集中无关位X的比例的同时，使各测试向量之间的相容性提高；随后，对预处理后的测试集进行三态信号编码压缩，即利用三态信号的特性将测试集划分为多个扫描切片，并对扫描切片进行相容编码压缩，考虑多种相容规则使得测试集的压缩率得到提高。实验结果表明，与同类压缩方法相比，所提的方法取得了较高的压缩率，平均测试压缩率达到76.17%，同时测试功耗和面积开销也没有明显增加。

异构多核处理器（HMPs）平台已成为现代嵌入式系统的主流解决方案，其中在线映射或调度对充分发挥其高性能和低功耗的优势起着至关重要的作用。针对HMPs的应用任务动态映射问题，提出了一种基于机器学习预测模型的在线映射调度解决方案。一方面，构建了一个可以快速高效地预测和评估不同映射方案性能的机器学习模型，为在线调度提供支持；另一方面，将该机器学习模型整合到遗传算法中以高效地找到（接近）最优的资源分配方案。最后，通过一个M-JPEG解码器验证了所提方法的有效性。实验结果表明，该方法的平均执行时间相较于常见的轮询调度和抽样调度方法分别降低了28%和19%左右。

针对测试环节在三维（3D）芯片制造过程中成本过高的问题，提出一种基于时分复用（TDM）的协同优化各层之间、层与核之间测试资源的调度方法。首先，在3D芯片各层配置移位寄存器，通过移位寄存器组对输入数据的控制，实现对各层之间以及同一层的各个芯核之间的测试频率的合理划分，使位于不同位置的芯核能够被并行测试；其次，使用贪心算法优化寄存器的分配，减少芯核并行测试的空闲周期；最后，采用离散二进制粒子群优化（DBPSO）算法求出最优3D堆叠的布图，以便充分利用硅通孔（TSV）的传输潜力，提高并行测试效率，减少测试时间。实验结果表明，在功耗约束下，优化后整个测试访问机制（TAM）利用率平均上升16.28%，而3D堆叠的测试时间平均下降13.98%。所提方法减少了测试时间，降低了测试成本。

针对现有 k匿名方法易受连续查询攻击以及在用户数稀少时难以构建匿名区域问题，提出一种基于区域划分的轨迹隐私保护方法。查询用户利用第三方辅助服务器获得拥有特定区域历史查询点的用户组，并通过P2P协议获得用户组中用户的历史查询点，从中搜索所需的查询结果，以提高查询效率。另外，该方法通过发送伪查询点迷惑攻击者，以及利用覆盖用户真实轨迹的区域划分方法，将多个查询点隐藏在同一子区域中，使攻击者无法重构用户的真实轨迹，以保证安全性。实验结果表明，所提方法随着偏离距离和缓存时间的增大，用户轨迹隐私的安全性会提高。在用户数为1500时，与协作轨迹隐私保护（CTPP）方法相比，安全性平均提高约50%，查询效率平均提高约35%（子区域数为400）。