最大熵强化学习因在复杂任务中卓越的探索能力备受关注，调节策略熵项重要性的温度系数是平衡策略探索与利用的关键因素，它的设定方式对算法性能具有重要影响。然而，现有温度系数调节方法通常依赖经验预设或固定目标熵调整，忽视了与状态相关的探索的差异，缺乏有效的自适应机制。因此，提出基于状态的温度系数自适应调节方法，采用神经网络模型根据给定状态预测适合的温度系数，利用规范化的时序差分误差构建监督信息指导模型训练，从而实现基于状态的熵项权重自适应调节。将该温度系数自适应调节方法与软演员-评论家（SAC）算法相结合，提出基于状态的温度系数自适应调节SAC算法。实验结果表明，在MuJoCo标准控制任务上，该算法在性能与训练稳定性方面总体优于SAC和TD3（Twin Delayed Deep Deterministic policy gradient）等基准算法，在测试阶段的平均回报相较于SAC与TD3算法分别至少提升了4.3%和6.2%，验证了基于状态的温度系数自适应调节方法的有效性。
大语言模型（LLM）是由具有大量参数（通常数十亿个权重或更多）的人工神经网络组成的一类语言模型，使用自监督学习或半监督学习对大量未标记文本进行训练，是当前生成式人工智能（AI）技术的核心。与传统语言模型相比，LLM通过大量的算力、参数和数据支持，展现出更强的语言理解与生成能力，广泛应用于机器翻译、问答系统、对话生成等众多任务中并表现卓越。现有的综述大多侧重于LLM的理论架构与训练方法，对LLM的产业级应用实践及技术生态演进的系统性探讨仍显不足。因此，在介绍LLM的基础架构、训练技术及发展历程的基础上，分析当前通用的LLM关键技术和以LLM为底座的先进融合技术。通过归纳总结现有研究，进一步阐述LLM在实际应用中面临的挑战，包括数据偏差、模型幻觉和计算资源消耗等问题，并对LLM的持续发展趋势进行展望。
现有研究在进行模态缺失场景下的多模态情感分析时，在缺失模态生成过程中常忽略模态间的相关性，导致恢复数据与原始数据的语义不一致，同时基于扩散模型的缺失模态生成会带来较大的计算开销。针对以上问题，提出一种共享语义条件下面向模态缺失的多模态情感分析模型（MM-SSC）。首先，设计共享潜空间映射模块，利用矢量量化变分自编码器（VQ-VAE）的共享潜空间有效捕捉多模态分布，确保模态间共享语义；其次，给出跨模态一致性约束方法，以学习每种模态潜空间内的互信息，促进模态间语义信息的完善，增强跨模态一致性；再次，设计缺失模态重建与对齐模块，以重建与细化缺失模态，同时降低重建计算开销；最后，引入多模态融合与预测模块，融合重建模态与可用模态，用于一致性的情感分析。实验结果显示，在固定模态缺失的情况下，相较于不完全多模态扩散情感识别（IMDer）模型，所提模型在CMU-MOSI数据集上的F1得分和七分类准确率（ACC7）指标分别平均提升了0.4与0.7个百分点，在CMU-MOSEI数据集上的F1得分和ACC7分别平均提升了0.9与0.3个百分点；在随机模态缺失的情况下，相比IMDer模型，所提模型在CMU-MOSI数据集上的F1得分和ACC7都平均提升了2.2个百分点，在CMU-MOSEI数据集上的F1得分和ACC7分别平均提升了0.8与0.4个百分点。MM-SSC能有效应对模态缺失场景下的多模态情感分析任务。
针对卷积神经网络（CNN）参数量大导致访存开销大、计算冗余和高效部署受限等问题，提出一种面向可重构结构的CNN剪枝与量化压缩方法，结合网络结构特性与硬件部署需求，从剪枝与量化两个维度协同优化。首先，提出基于特征相似的卷积层剪枝策略，依次经过特征信息评估、聚类分组、相似度计算和冗余筛选，筛选低贡献及冗余滤波器；其次，在全连接层采用渐进式阈值剪枝压缩冗余权重；再次，在量化部分利用Hessian迹构建层敏感度指标，在位宽预算下自适应地分配各层精度；最后，结合可重构结构特性，提出优化部署方案。实验结果表明，在CIFAR-10数据集上，本文方法对VGG16实现了16.20倍的压缩比，相较于APQ（Automated deep neural network Pruning and Quantization framework）的13.90倍具备更高压缩比；与16 bit固定精度的模型相比，采用本文部署策略后，剪枝后的VGG16在自重构自演化人工智能（AI）芯片上的推理时延由23.3 ms降至9.1 ms，加速比达2.56倍。本文方法在保证分类准确率的同时降低了存储与传输开销，提升了边缘设备部署效率与计算性能。
针对车联网（VANET）跨域认证中无法区分车辆类型、认证效率低和安全性不足等问题，提出一种支持车辆类型验证的车联网跨域切换认证方案（CHAS-VTV）。针对密钥托管和证书管理复杂以及跨域认证效率低的问题，提出一种基于无证书公钥密码体系的无证书跨域认证机制；针对车辆分类型跨域认证的问题，设计一种基于动态累加器的车辆类型存储和验证机制；针对车辆与多个路边单元（RSU）重复认证的问题，设计一种基于哈希的消息验证码（HMAC）的切换认证机制，实现车辆与多个RSU的高效切换认证和密钥协商。性能分析结果表明，与现有的VANET跨域切换认证方案相比，CHAS-VTV在跨域认证中的计算开销至少降低了3.87%，通信开销至少降低了14.28%；在切换认证中的计算开销至少降低了18.09%，通信开销至少降低了14.48%。安全性分析结果表明，CHAS-VTV能有效抵抗公钥替换攻击、私钥泄露攻击、伪造攻击等多种恶意攻击。
视觉-语言-动作（VLA）模型是实现具身智能的核心路径，它们的核心是将多模态感知理解无缝转化为物理世界的具体行动。然而，VLA模型的动作表征与生成策略作为连接“感知”与“执行”的枢纽环节，面临着高维连续空间、动作多样性与机器人实时控制需求间的复杂挑战。因此，系统性地梳理和总结VLA模型中动作表征和生成策略的演进脉络、核心技术与未来方向；同时，详细剖析离散和连续两种动作表征方式以及自回归、非自回归和混合动作生成策略，并深入探讨它们在动作精度、生成多样性与推理效率之间的内在权衡；此外，总结面向实时控制的新兴高效策略，如混合生成架构。最后，通过比较分析，对现有技术图景进行总结，并展望未来VLA模型在与世界模型结合和跨机器人形态通用表征等方向上的前沿挑战与研究机遇，旨在为构建更通用且更高效的具身智能体提供参考。
情感识别是一种让计算机识别和理解人类情感的技术，在众多领域都起着重要的作用，也是人工智能领域重要的发展方向。因此，梳理与归纳基于语音和文本的双模态情感识别的研究现状：首先，分类阐述情感表示空间；其次，按照情感数据库的情感表示空间对这些数据库进行分类，并总结常见的多模态情感数据库；再次，介绍基于语音和文本的双模态情感识别方法，包括特征提取、模态融合和决策分类，重点介绍模态融合方法并将这些方法分为特征级融合、决策级融合、模型级融合和多层次融合这4类；此外，比较和分析一系列语音和文本双模态情感识别方法的结果；最后，介绍情感识别的应用场景、面临的挑战与未来的发展方向。以上旨在对多模态情感识别，尤其是对基于语音和文本的双模态情感识别的相关工作进行分析与总结，并为情感识别提供有价值的参考。
自动化合同审查在动态适配多样化条款与准确执行复杂审查规则方面仍存在局限。因此，提出一种基于大语言模型（LLM）的动态规则生成与神经符号推理合同审查框架（DRNS-Review）。首先，设计动态规则生成方法，结合领域知识与合同上下文，利用LLM即时生成自然语言与符号化审查规则；其次，构建神经符号推理机制自动提取局部事实，通过符号匹配进行规则定位，并结合符号归约和LLM语义执行实现可解释推理；最后，整合多段推理结果，形成结构化与自然语言双轨的审查报告。实验结果表明，相较于基线方法LLM-Direct和ManualRule-LLM，DRNS-Review在风险识别F1值上分别提升了13.0和8.3个百分点，在风险等级准确率（RLA）上分别提升了13.3和8.7个百分点。可见，动态规则生成与神经符号推理的结合能有效提升合同审查的准确性与适应性，为智能合规类应用提供了可推广的技术路径。
针对现有对齐多模态语言序列情感分析方法常用的单词对齐方法缺乏可解释性的问题，提出了一种用于未对齐多模态语言序列情感分析的多交互感知网络（MultiDAN）。MultiDAN的核心是多层的、多角度的交互信息提取。首先使用循环神经网络（RNN）和注意力机制捕捉模态内的交互信息；然后，使用图注意力网络（GAT）一次性提取模态内及模态间的、长短期的交互信息；最后，使用特殊的图读出方法，再次提取图中节点的模态内及模态间交互信息，得到多模态语言序列的唯一表征，并应用多层感知机（MLP）分类获得序列的情感分数。在两个常用公开数据集CMU-MOSI和CMU-MOSEI上的实验结果表明，MultiDAN能充分提取交互信息，在未对齐的两个数据集上MultiDAN的F1值比对比方法中最优的模态时空注意图（MTAG）分别提高了0.49个和0.72个百分点，具有较高的稳定性。MultiDAN可以提高多模态语言序列的情感分析性能，且图神经网络（GNN）能有效提取模态内、模态间的交互信息。
针对当前政务热线问答（QA）系统中人工回复效率低以及传统检索增强生成（RAG）系统存在查询甄别机制不精准和意图差异识别不足等问题，提出一种基于知识增强大语言模型（LLM）架构的政务热线QA系统ChatGovt。首先，为了提高回复效率，设计整合智能问题分流和结构化反馈的系统架构，通过意图识别实现咨询类和投诉建议类等问题的分类处理；其次，为了提高系统检索知识的质量，提出多阶段语义增强的检索方法，包括历史对话总结检索、语义重排序和自我反思决策这3个阶段；最后，通过联网查询补充跨域知识，以形成政务咨询的服务闭环。实验结果表明，在检索质量上，相较于传统RAG系统，ChatGovt的查询-知识相关性、真实答案-知识相关性和知识支持度分别提升了15.0%、7.4%和24.6%；在系统整体性能上，ChatGovt的答案召回率相较于微调的GLM（General Language Model）4-9b-chat提升了55.4%，人工评价相较于商用系统“豆包”提升了27.3%。可见，该系统为政务热线QA系统的技术优化提供了可借鉴的架构与方法，能有效提升政务热线的响应效率与服务精准度，并推动政务服务的智能化转型。
联邦学习作为人工智能领域的重要研究方向，在保障数据隐私的前提下，通过分布式协同训练构建全局模型，为隐私敏感场景下的联合建模提供了新范式。然而，现有方法在面对客户端异构数据时，存在性能退化、训练振荡和收敛缓慢等问题。因此，提出一种基于原型聚类与费舍尔信息矩阵自适应加权融合的联邦学习算法——FedPFA。首先，服务器对客户端上传的原型表示进行聚类，以缓解数据分布差异并增强全局模型的一致性与泛化能力；其次，结合客户端的费舍尔信息矩阵迹估计值为原型分配差异化权重，从而在融合过程中突出高质量客户端的贡献，抑制噪声或训练不足客户端的干扰。在MNIST、Fashion-MNIST和CIFAR-10数据集上的实验结果表明，与联邦全局预测头（FedGH）算法相比，在客户端数为20、参与率为0.3的情况下，FedPFA的准确率分别提高了19.64、26.14和16.15个百分点。FedPFA在保证性能提升的同时，显著提高了全局模型的收敛速度与稳定性，并在多种数据集上展现出良好的鲁棒性与实际应用价值。
人体姿态估计在计算机视觉领域中是一项关键任务，高分辨率网络（HRNet）因具备出色的性能而被广泛应用。然而，模型精度的提高通常伴随着参数量与计算成本飙升。为缓解这一问题，提出一种轻量化改进模块——频域交叉注意力卷积（FCAC）。首先，通过融合小波变换卷积（WTConv）与深度可分离卷积（DSC）重构基础卷积模块，利用WTConv增大感受野的优势弥补DSC上下文联系不足的缺陷，在优化HRNet性能的同时保持较低的复杂度；其次，通过注意力机制引导低频分量学习高频分量，再通过动态通道重加权机制动态地聚合学习结果；此外，使用SENet（Squeeze-and-Excitation Network）弥补当前WTConv对于通道间特征关系的学习；最后，在主干网络的关键节点上部署FCAC。在COCO数据集上的实验结果表明，改进后的HRNet-W32模型虽然参数量提升22%，但是浮点运算量降低了7.0%，平均精度均值（mAP）提升了3.5个百分点，同时大幅增强了收敛能力。
联邦学习（FL）可以使用户在不直接上传原始数据的条件下完成多方数据共享和交互，有效降低隐私泄露风险。然而，现有的研究表明敌手仍可以通过共享的梯度信息重构出原始数据。为进一步保护联邦学习隐私，基于生成对抗网络（GAN）提出一种联邦学习深度影子防御方案。首先，通过生成对抗网络学习原始真实数据分布特征，并生成可替代的影子数据；然后，通过影子数据训练影子模型替代原始模型，敌手无法直接获取真实数据训练过的原始模型；最后，利用影子数据在影子模型中产生的影子梯度替代真实梯度，使敌手无法获取真实梯度。在CIFAR10和CIFAR100数据集上进行了实验：与添加噪声、梯度裁剪、梯度压缩、表征扰动和局部正则化稀疏化五种防御方案相比，在CIFAR10数据集上所提方案的均方误差（MSE）是对比方案的1.18~5.34倍，特征均方误差（FMSE）是对比方案的4.46~1.03×107倍，峰值信噪比（PSNR）是对比方案的49.9%~90.8%；在CIFAR100数据集上的MSE是对比方案的1.04~1.06倍，FMSE是对比方案的5.93~4.24×103倍，PSNR是对比方案的96.0%~97.6%。相较于深度影子防御方法，所提方案考虑了敌手的实际攻击能力和影子模型训练存在的问题，设计了威胁模型和影子模型生成算法，在理论分析和实验方面表现更好，而且能够在保证准确率的前提下有效降低联邦学习隐私泄露风险。
针对基于Transformer的目标检测方法在面对长尾分布时通常会性能显著下降的问题，提出一种基于协同查询优化的单阶段端到端长尾目标检测框架CQ-DETR（Collaborative Query optimization-based DEtection TRansformer）。设计层自适应编码器融合（LAEF）模块动态整合多尺度编码器特征，兼顾高层语义与底层细节；设计特征感知查询生成（FQG）模块从图像特征中动态生成内容感知的查询，以增强初始内容查询对潜在目标的表征能力；提出类别-定位联合感知查询选择（CLJS）机制以协同优化类别覆盖范围与定位精度。实验结果表明，CQ-DETR在长尾目标检测基准数据集LVIS v1.0上优于RichSem（Rich Semantics）方法，平均精度（AP）和稀有类别的AP（APr）分别提升1.4和1.5个百分点，验证了所提框架在类别不平衡场景下的有效性；同时，在相对平衡的COCO 2017数据集上，与DINO（DETR with Improved deNoising anchOr box）相比，CQ-DETR的AP提升1.1个百分点，验证了该框架在通用目标检测场景下具有良好的泛化能力。
道路积水作为一种广泛存在的交通安全隐患，易导致车辆失控，引发交通事故。针对准确识别道路积水受限于复杂路面纹理、多变光照条件及积水本身形态多样等挑战，基于YOLOv11n，提出轻量级融合反射感知特征的道路积水检测网络REL-YOLO（Reflection-aware Enhanced Lightweight YOLO）。首先，设计反射感知特征增强（RAFE）模块，以有效融合浅层纹理与深层语义特征，并通过自适应噪声加权机制抑制镜面反射干扰；其次，设计C3k2_Enhanced模块，结合分组卷积与轻量化通道注意力机制，在降低参数量的同时增强对细小水流特征的捕获能力；最后，引入轻量级共享细节增强检测头（Detect_LSDECD），通过共享卷积与可学习尺度参数优化多尺度特征融合。实验结果表明，与原始的YOLOv11n模型相比，REL-YOLO在Road waterlogging数据集上的召回率和mAP@50分别提升了3.2和2.0个百分点，同时模型参数量减少了13.1%，浮点运算量由6.3 GFLOPs降低至4.3 GFLOPs。REL-YOLO在保持高实时性的同时，实现了精度与效率的平衡。
近年来，随着多源拍摄设备及传感技术的发展，屏幕翻拍已成为视频信息泄露的主要途径。屏摄过程会对视频水印信息造成不可逆的物理损害，从而难以追踪溯源信息泄露途径，是当前视频取证领域面临的重要挑战。现有抗屏摄视频水印技术尚处于初步研究阶段，主要依赖于手工提取频域特征，难以有效抵御跨设备屏摄攻击。因此，提出一种基于时空特征增强网络的端到端抗屏摄攻击视频水印方法。首先，为丰富水印嵌入特征，结合光流估计网络和高通滤波器设计时空特征增强网络模块，以优化水印信息的嵌入策略；其次，引入屏摄信道噪声关键因素模拟屏摄失真，设计抗屏摄攻击噪声层，增强抗屏摄攻击的跨设备鲁棒性。在真实屏摄攻击场景中的实验结果表明，所提方法的解码准确率超过95%，且它的鲁棒性与图像质量均优于主流的鲁棒固有视频信息隐藏（RIVIE）和自动鲁棒盲视频水印（ARB-VM）方案。
针对软件缺陷预测缺乏缺陷定位、缺陷解释及修复建议等可解释性信息，导致预测结果难以在实际开发中应用的问题，提出一种基于上下文工程与大语言模型（LLM）具备可解释性的软件缺陷预测数据集构建方法，并发布首个配套多编程语言的软件缺陷预测数据集HandPick。首先，基于软件工程原则和缺陷先验知识，设计TriCogVuln-LLM（LLM-enhanced Triple Cognitive chain for multilingual code Vulnerability mining with common weakness enumeration knowledge）方法，引导LLM依次完成功能描述生成、通用缺陷枚举（CWE）缺陷预测和缺陷修复建议生成；其次，设计共识投票机制，以构建缺陷预测的最佳生成模型池，进一步提升生成数据的质量与多样性；最后，利用共识驱动的自动化数据生成，构建包含4种主流编程语言的软件缺陷预测数据集HandPick。下游任务验证结果表明，与基线模型相比，采用HandPick数据集微调后的Qwen2.5-14B-HandPick模型在独立公开测试集上的表现有显著提升，精确率、召回率、F1分数与准确率分别提升了19.29、21.26、24.11与18.30个百分点，验证了TriCogVuln-LLM方法构建的HandPick数据集能显著提升模型的缺陷识别和分析能力。
方面级情感分析（ABSA）是自然语言处理中的重要研究任务，现有方法普遍采用单一类型节点建模句子中方面词与意见词的语义关联，难以有效区分不同类型节点对情感表达的差异性贡献。此外，现有的模型通常利用句法依赖解析器构建句法树进行语义分析，忽视了单词本身所蕴含的细粒度语义信息及文本中隐含的情感强度修饰关系。针对上述问题，提出一种基于异构增强与多源知识融合的图卷积网络（HMS-GCN）模型。首先，构建基于差异化约束的异构图网络，利用异构图中的多类型节点及其相应边关系，多维度捕捉句子的语义情感信息，并通过双通道注意力机制关注不同类型节点及节点内部的重要程度；其次，利用义原知识对初始文本特征进行语义增强，并在句法邻接矩阵的基础上融合层级短语的结构信息，从而提升模型对句法依存关系的理解能力；最后，融合异构图网络信息和知识增强特征进行情感分类预测。在公开数据集Twitter、Lap14、Rest15和Rest16上的实验结果表明，相较于ISSK-GCN（Integrating Syntax and Sentiment Knowledge Graph Convolutional Network）等模型，所提模型的准确率取得了最优结果，验证了差异化节点建模与知识增强策略的有效性。
针对解码运动想象脑电信号（MI-EEG）时大规模网络解码速度慢，以及特征信息未能充分利用等问题，提出一个多域特征融合的轻量化MI-EEG解码神经网络。该网络通过轻量化模块提取多域特征，包括利用SincNet提取频域特征以及利用时间卷积网络（TCN）提取时域特征；在时频域特征提取之后引入挤压激励（SE）注意力对特征图进行自适应校准，以突出关注重要特征并抑制冗余信息。最后，利用可分离卷积实现时频特征的有效融合，解决单域特征信息不足的问题。此外，采用交叉熵和中心损失函数联合约束网络的训练过程，以优化类内和类间的分类性能。实验结果表明，该网络在BCI 2a、SMR-BCI和OpenBMI这3个运动想象（MI）公开数据集上的参数量分别为6 870、5 690和6 870，平均准确率分别达到74.78%、71.93%和65.40%，平均Kappa值分别达到0.70、0.66和0.59。与深层卷积网络（DeepConvNet）、轻量级脑电信号卷积神经网络（EEGNet）和基于时间卷积的脑电信号识别网络（EEG-TCNet）相比：在BCI 2a数据集上，所提网络的平均准确率分别提升了11.06、8.85和6.36个百分点；在SMR-BCI数据集上，所提网络的平均准确率分别提升了10.53、4.17和3.57个百分点；在OpenBMI数据集上，所提网络的平均准确率分别提升了5.09、4.99和2.33个百分点。可见，所提网络在保证轻量化的同时兼顾了解码性能。
知识图谱从装备故障诊断数据中提取有用的知识，通过（实体，关系，实体）的三元组方式，对复杂装备的故障诊断信息进行有效管理，实现装备故障的快速诊断。首先，介绍装备故障诊断知识图谱的相关概念，分析装备故障诊断领域知识图谱的构建框架；其次，归纳国内外装备故障诊断知识图谱的知识抽取、知识融合以及知识推理等几个关键技术的研究现状；最后，对目前装备故障诊断知识图谱应用进行总结，提出该领域知识图谱构建的不足和面临的挑战，并对未来装备故障诊断领域提供一些新的思路。
随着网络应用的不断发展，网络资源呈指数型增长，信息过载现象日益严重，如何高效获取符合需求的资源成为困扰人们的问题之一。推荐系统能对海量信息进行有效过滤，为用户推荐符合其需求的资源。对推荐系统的研究现状进行详细介绍，包括基于内容的推荐、协同过滤推荐和混合推荐这三种传统推荐方式，并重点分析了基于卷积神经网络（CNN）、深度神经网络（DNN）、循环神经网络（RNN）和图神经网络（GNN）这四种常见的深度学习推荐模型的研究进展；归纳整理了推荐领域常用的数据集，同时分析对比了传统推荐算法和基于深度学习的推荐算法的差异。最后，总结了实际应用中具有代表性的推荐模型，讨论了推荐系统面临的挑战和未来的研究方向。
敏捷开发具有迭代与快速交付的特性，已成为主流的软件开发模式，但仍面临架构不可持续演进、知识难沉淀和能力差异引发协作问题等挑战。随着大语言模型（LLM）与智能体技术的兴起，提出一种以LangChain为协同中枢、检索增强生成（RAG）为知识支撑的人-多智能体协同驱动的敏捷增强开发框架。该框架依托三大核心实现优化：引入架构设计Agent，生成三类差异化的架构方案（保守型适配当前需求但长期需重构，创新型落地复杂但适配未来，折中型平衡当前与未来），结合可拓展性等七维量化评估以辅助人类架构师决策，解决技术债务源头建模不足与架构演进预测难题；通过Agent与预设模板自动化生成开发工件；基于知识库的角色化建模明确智能体功能边界与执行标准，精准匹配任务与能力以减少协作阻塞。基于门户网站项目的实验结果表明：与传统的Scrum方法相比，该框架使开发周期缩短29.6%，缺陷密度降低46.9%，用户满意度提升16.5%，有效验证了它在提升自动化与知识化水平、保证交付效率与系统质量方面的工程价值与推广潜力。
针对区块链应用于建筑物联网场景时存在的吞吐量严重不足和响应时延高的问题，提出一种基于哈希图的建筑物联网数据管理方法。该方法使用有向无环图（DAG）存储数据，从而利用图式结构的高并发特性提高区块链的吞吐量性能；引入哈希图算法对存储在DAG内的数据达成共识，从而减少共识所需时间；设计智能合约实现访问权限控制，以防止未授权用户对数据的操作。使用区块链性能测试工具Caliper进行的性能测试的结果表明：在由32个节点构成的中等规模仿真环境下，与现有边缘计算方法和跨链方法相比，所提方法的吞吐量为每秒处理1 063.1笔交易，分别为对比方法吞吐量的6倍和3倍；该方法的数据存储时延和控制时延分别为4.57 s和4.92 s，响应速度优于对比方法；该方法在尖峰冲击测试中的交易成功率为87.4%；同时基于该方法的原型系统在稳定性测试中可以平稳运行120 h。可见，所提方法可以有效提高区块链的交易吞吐量和响应速度，满足建筑物联网场景的实际使用需求。
针对社交网络中用户抄袭难以识别的问题，为保障原创作者权益并对具有抄袭行为的用户进行追责，提出了区块链下社交网络用户抄袭识别方案。针对现有区块链缺少通用溯源模型的问题，设计基于区块链的溯源信息管理模型来记录用户操作信息，为文本相似度检测提供依据。在Merkle树和布隆过滤器结构的基础上，设计了新的索引结构BHMerkle，减少了区块构建和查询时的计算开销，实现了对交易的快速定位。同时提出多特征权重Simhash算法，提高了词权计算的准确性并提高签名值匹配阶段的效率，从而对具有抄袭行为的恶意用户进行识别，并通过奖惩机制遏制恶意行为的发生。抄袭识别方案在不同主题的新闻数据集上的平均准确率为94.8%，平均召回率为88.3%，相较于多维度Simhash算法和基于信息熵加权的Simhash（E-Simhash）算法，平均准确率分别提升了6.19、4.01个百分点，平均召回率分别提升了3.12、2.92个百分点。实验结果表明，所提方案在抄袭文本的查询及检测效率方面均有所提升，且在抄袭识别方面具有较高的准确性。
