检索结果-南通市图书馆

同时透射反射可重构智能表面赋能移动边缘计算任务卸载研究

在线全文

学校读者我要写书评

暂无评论

电子与信息学报 2025年

作者：李斌杨冬东南京信息工程大学计算机学院

为弥补可重构智能表面(RIS)半空间覆盖和“乘性衰落”等不足，该文提出一种有源同时透射和反射可重构智能表面(aSTAR-RIS)技术用于提升移动边缘计算(MEC)卸载性能增益。首先，考虑MEC服务器计算资源、aSTAR-RIS能耗以及相移耦合约束，... 详细信息

为弥补可重构智能表面(RIS)半空间覆盖和“乘性衰落”等不足，该文提出一种有源同时透射和反射可重构智能表面(aSTAR-RIS)技术用于提升移动边缘计算(MEC)卸载性能增益。首先，考虑MEC服务器计算资源、aSTAR-RIS能耗以及相移耦合约束，联合设计任务卸载比例、计算资源配置、多用户检测矩阵(MUD)、aSTAR-RIS相移以及用户上传功率，建立一个多变量耦合的加权总时延最小化问题。然后，借助块坐标下降法(BCD)将原问题分解为两个子问题，使用拉格朗日乘子法和罚项对偶分解法(PDD)交替优化子问题。仿真结果表明，相较于无源STAR-RIS方案，所提aSTAR-RIS辅助MEC方案加权总时延降低了12.66%。

关键词：有源同时透射和反射可重构智能表面移动边缘计算计算卸载资源分配

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

大语言模型推理中的存储优化技术综述

计算机研究与发展 2025年第03期62卷 545-562页

作者：葛旭冉欧洋王博赵宇吴利舟王子聪陈志广肖侬国防科技大学计算机学院中山大学计算机学院爱丁堡大学信息学院

近年来，大语言模型在多个领域展现出卓越的性能，显著改变了人类的生活方式.然而，随着模型规模的不断增长和用户对长上下文推理需求的增加，大语言模型推理系统在存储方面面临诸多问题.首先，庞大的模型参数和键值缓存导致GPU显存资... 详细信息

近年来，大语言模型在多个领域展现出卓越的性能，显著改变了人类的生活方式.然而，随着模型规模的不断增长和用户对长上下文推理需求的增加，大语言模型推理系统在存储方面面临诸多问题.首先，庞大的模型参数和键值缓存导致GPU显存资源不足；其次，分布式大语言模型推理系统难以充分利用GPU集群的存储资源，存在资源过度配置和存储容错的问题.因此，从显存优化、异构存储和分布式存储3方面入手，归纳总结了现有研究在解决GPU显存容量不足和资源利用率低下方面的努力.基于显存优化的大语言模型推理系统通过高效的键值缓存管理、压缩以及注意力算子优化，提高了GPU显存利用率，降低了显存占用.基于异构存储的大语言模型推理系统利用多种类别的存储资源扩展存储容量，通过张量放置策略、异步数据传输以及智能显存分配与预取技术，降低了异构存储带来的I/O开销.基于分布式存储的大语言模型推理系统通过批处理、多级调度、冗余复制等策略，优化了多机存储和计算资源的利用，提高了大语言模型推理任务的执行效率和容错能力.最后，总结了现有研究，并对未来的研究方向进行了展望.

关键词：大语言模型推理系统显存管理异构存储分布式存储故障恢复无服务大语言模型推理

基于柔性演员-评论家的通感算融合网络稳健资源优化

在线全文

学校读者我要写书评

暂无评论

电子与信息学报 2025年

作者：李斌沈立赵传信费泽松南京信息工程大学计算机学院安徽师范大学计算机与信息学院北京理工大学信息与电子学院

通感算融合是6G的热点研究方向。为了解决复杂场景下通信-感知-计算模式的用户能耗大、计算不确定等问题，该文设计一种稳健的通感算融合网络资源分配与决策优化方案。首先，由于任务复杂度的不可预测，构建一个稳健的计算资源分配问题... 详细信息

通感算融合是6G的热点研究方向。为了解决复杂场景下通信-感知-计算模式的用户能耗大、计算不确定等问题，该文设计一种稳健的通感算融合网络资源分配与决策优化方案。首先，由于任务复杂度的不可预测，构建一个稳健的计算资源分配问题以优化卸载决策的不确定性。其次，在满足用户功耗、处理时间、雷达估计信息率等条件下，联合优化任务卸载比例、波束赋形和资源分配，建立用户总能耗最小化问题。由于该优化问题是多变量耦合且非凸的，将其建模为一个马尔可夫决策过程，提出一种基于柔性演员-评论家(SAC)优化算法。仿真结果表明，该算法在网络训练时更加稳定，能有效增强计算稳健性，与近端策略优化算法和优势动作评论算法相比，所提SAC算法在用户能耗方面分别减少了9.57%和40.72%。此外，用户数越多，能耗减少越显著。

关键词：边缘计算通感算融合深度强化学习计算不确定性

基于强化学习的无人机通信感知一体化能耗优化

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

电子科技大学学报 2025年第1期54卷 23-28,51页

作者：李新民张徐浩刘易阳曹辉张晓强成都大学计算机学院成都610100 西南科技大学信息工程学院绵阳621000

通信感知一体化技术与灵活可控无人机通信技术结合将成为6G无线通信网络“万物智联”的潜在技术。针对无人机通信感知一体化系统中无人机能量受限问题,提出了一种基于强化学习的无人机功率分配和轨迹设计的联合优化算法。该算法在用户... 详细信息

通信感知一体化技术与灵活可控无人机通信技术结合将成为6G无线通信网络“万物智联”的潜在技术。针对无人机通信感知一体化系统中无人机能量受限问题,提出了一种基于强化学习的无人机功率分配和轨迹设计的联合优化算法。该算法在用户通信速率和目标感知波束图增益约束下,通过构建与无人机能耗、发射波束和通信速率相关的线性加权奖励函数,以实现智能化的无人机功率分配和轨迹设计,从而最小化无人机通信感知一体化系统的能耗。仿真结果表明,该方案相较于基准方案降低了12.36%~21.08%的无人机能耗,并拥有更优的收敛性能。

关键词：通信感知一体化无人机强化学习能耗优化

基于证据增强和局部语义交互的多模态虚假新闻检测

在线全文

学校读者我要写书评

暂无评论

计算机学报 2025年第03期 556-571页

作者：钟将高晋鹏黄敬旺杨钰铭重庆大学计算机学院

多模态虚假新闻检测的目标是判断新闻中图像和文本内容的真实性。现有虚假新闻检测方法主要存在以下两种问题:(1)现有方法通常从整体语义角度融合图文特征,忽略了图文局部语义之间的联系,导致模型不能有效捕捉图文局部语义差异性;(2)新... 详细信息

多模态虚假新闻检测的目标是判断新闻中图像和文本内容的真实性。现有虚假新闻检测方法主要存在以下两种问题:(1)现有方法通常从整体语义角度融合图文特征,忽略了图文局部语义之间的联系,导致模型不能有效捕捉图文局部语义差异性;(2)新闻的真实性往往基于可靠的证据和事实,现有方法仅依赖新闻本身的图像和文本难以判断其真假。鉴于此,本研究提出了一种基于证据增强和局部语义交互的多模态虚假新闻检测模型。针对新闻缺乏事实依据的问题,该模型引入证据文本并设计了一种证据增强方法,该方法通过证据文本筛选网络,剔除证据文本中的冗余信息,并利用自注意力模块实现新闻文本的证据增强。同时,为了增强图像语义信息,该模型先从图像块中提取局部特征,再通过双向GRU图像语义增强网络,捕获图像序列特征的上下文关系,并利用自注意力模块将图像中嵌入的文字作为新闻背景信息融入图像特征。最后,针对局部语义信息交互问题,该模型使用交叉注意力模块,学习证据增强后的文本特征和语义增强后的图像特征之间的互补信息,增强细粒度的局部语义交互,实现多模态虚假新闻的精确检测。在Weibo数据集与MR2中英文数据集上的实验结果表明,本文提出的模型性能优于基线方法,在各数据集的准确率上分别提高了0.8%、2.4%、4.9%。此外,在IKCEST第五届“一带一路”国际大数据竞赛中,使用该模型指定的方案从全球3809个方案中取得第一的成绩,证实了该方案的有效性。

关键词：多模态虚假新闻检测证据增强局部语义交互证据文本筛选图像语义增强

基于BTMA的LoRa网络隐藏终端MAC协议研究

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

计算机科学 2025年第03期52卷 318-325页

作者：汪浩蔡宇航陈国杰王璐武汉大学计算机学院深圳大学计算机与软件学院

低功耗广域网(Low Power Wide Area Network, LPWAN)技术的出现，能够在保证更远距离的通信传输的同时，最大限度地降低功耗，节约传输成本。LoRa(Long Range)技术作为其中的佼佼者，凭借其远距离、低功耗、大容量、强抗干扰、高接收灵... 详细信息

低功耗广域网(Low Power Wide Area Network, LPWAN)技术的出现，能够在保证更远距离的通信传输的同时，最大限度地降低功耗，节约传输成本。LoRa(Long Range)技术作为其中的佼佼者，凭借其远距离、低功耗、大容量、强抗干扰、高接收灵敏度的特点，备受工业界和学术界的青睐。针对目前工业中主流使用的基于ALOHA的LoRaWAN协议无法很好地解决海量终端设备接入LoRa网络后所带来的严重数据包冲突以及LoRa CAD(Channel Activity Detection)功能带来的隐藏终端问题，提出了一种基于BTMA(Busy Tone Multiple Access)的LoRa网络MAC协议——BT-MAC协议。该协议利用了LoRa高接收灵敏度的特性，网关利用“忙音”信标来通知各个节点网关的工作情况，减少了无效包的发送。同时，节点端通过记录有“忙音”信息和本地信息的逻辑信道矩阵，结合最优信道选择算法，选出最优逻辑信道进行发送，降低了端节点上行数据包之间的冲突，有效缓解了LoRa网络中的隐藏终端问题以及阻塞问题。此外，搭建了LoRa网络MAC协议测试平台，并测试了BT-MAC的有效性，完成了室内和室外环境大规模的并发实验和能耗检测实验。实验结果表明，BT-MAC协议的吞吐量是LMAC-2协议的1.6倍，是ALOHA协议的5.1倍；同时其包接收率达到LMAC-2协议的1.53倍，ALOHA协议的17.2倍；其包接收平均能耗约为LMAC-2协议的64.1%,为ALOHA协议的14.2%。

关键词： LoRa MAC协议 BTMA 隐藏终端 CAD

在线全文

学校读者我要写书评

暂无评论

状态转换图制导的ARP错误检测方法

软件学报 2025年第2期36卷 469-487页

作者：林高毅崔展齐陈翔郑丽伟北京信息科技大学计算机学院北京100101 南通大学信息科学技术学院江苏南通226019

Android应用开发人员需要在保持应用频繁更新的同时快速检测出应用中Android运行时权限(Android runtime permission,ARP)错误.现有的Android应用自动化测试工具通常未考虑ARP机制,无法有效测试Android应用内的权限相关行为.为帮助开发... 详细信息

Android应用开发人员需要在保持应用频繁更新的同时快速检测出应用中Android运行时权限(Android runtime permission,ARP)错误.现有的Android应用自动化测试工具通常未考虑ARP机制,无法有效测试Android应用内的权限相关行为.为帮助开发人员快速检测出应用中ARP错误,提出状态转换图制导的Android应用运行时权限错误检测方法.首先,对被测应用APK文件进行权限误用分析,插桩APK文件中可能导致ARP错误的API,并对APK文件重新签名;然后,安装插桩后的APK文件,动态探索应用以生成其状态转换图(state transition graph,STG);最后,使用STG制导自动化测试,快速检测出应用中ARP错误.基于所提出方法实现原型工具RPBDroid,并与ARP错误动态检测工具SetDroid、PermDroid和传统自动化测试工具APE进行对比实验.实验结果表明,RPBDroid成功检测出17个应用中的15个ARP错误,比APE、SetDroid、PermDroid分别多14、12和14个.此外,相比于测试工具SetDroid、PermDroid和APE,RPBDroid检测ARP错误的平均用时分别减少86.42%、86.72%和86.70%.

关键词： Android应用 Android运行时权限错误权限误用自动化测试工具状态转换图

融合层注意力机制的多视角图对比学习推荐方法

在线全文

学校读者我要写书评

暂无评论

计算机研究与发展 2025年第1期62卷 160-178页

作者：钱忠胜黄恒朱辉刘金平江西财经大学计算机与人工智能学院南昌330013

图对比学习因其可有效缓解数据稀疏问题被广泛应用在推荐系统中.然而,目前大多数基于图对比学习的推荐算法均采用单一视角进行学习,这极大地限制了模型的泛化能力,且图卷积网络本身存在的过度平滑问题也影响着模型的稳定性.基于此,提出... 详细信息

图对比学习因其可有效缓解数据稀疏问题被广泛应用在推荐系统中.然而,目前大多数基于图对比学习的推荐算法均采用单一视角进行学习,这极大地限制了模型的泛化能力,且图卷积网络本身存在的过度平滑问题也影响着模型的稳定性.基于此,提出一种融合层注意力机制的多视角图对比学习推荐方法.一方面,该方法提出2种不同视角下的3种对比学习,在视图级视角下,通过对原始图添加随机噪声构建扰动增强视图,利用奇异值分解(singular value decomposition)重组构建SVD增强视图,对这2个增强视图进行视图级对比学习;在节点视角下,利用节点间的语义信息分别进行候选节点和候选结构邻居对比学习,并将3种对比学习辅助任务和推荐任务进行多任务学习优化,以提高节点嵌入的质量,从而提升模型的泛化能力.另一方面,在图卷积网络学习用户和项目的节点嵌入时,采用层注意力机制的方式聚合最终的节点嵌入,提高模型的高阶连通性,以缓解过度平滑问题.在4个公开数据集LastFM,Gowalla,Ifashion,Yelp上与10个经典模型进行对比,结果表明该方法在Recall,Precision,NDCG这3个指标上分别平均提升3.12%,3.22%,4.06%,这说明所提方法是有效的.

关键词：层注意力机制对比学习图卷积网络多任务学习推荐系统

在线全文

学校读者我要写书评

暂无评论

共享和特定表示的多视图属性图聚类

软件学报 2025年第03期 1254-1267页

作者：曹付元陈晓惠山西大学计算机与信息技术学院

现有的多视图属性图聚类方法通常是在融合多个视图的统一表示中学习一致信息与互补信息,然而先融合再学习的方法不仅会损失原始各个视图的特定信息,而且统一表示难以兼顾一致性与互补性.为了保留各个视图的原始信息,采用先学习再融合的... 详细信息

现有的多视图属性图聚类方法通常是在融合多个视图的统一表示中学习一致信息与互补信息,然而先融合再学习的方法不仅会损失原始各个视图的特定信息,而且统一表示难以兼顾一致性与互补性.为了保留各个视图的原始信息,采用先学习再融合的方式,先分别学习每个视图的共享表示与特定表示再进行融合,更细粒度地学习多视图的一致信息和互补信息,构建一种基于共享和特定表示的多视图属性图聚类模型(multi-view attribute graph clustering based on shared and specific representation, MSAGC).具体来说,首先通过多视图编码器获得每个视图的初级表示,进而获得每个视图的共享信息和特定信息;然后对齐视图共享信息来学习多视图的一致信息,联合视图特定信息来利用多视图的互补信息,通过差异性约束来处理冗余信息;之后训练多视图解码器重构图的拓扑结构和属性特征矩阵;最后,附加自监督聚类模块使得图表示的学习和聚类任务趋向一致. MSAGC的有效性在真实的多视图属性图数据集上得到了很好地验证.

关键词：多视图属性图共享信息特定信息聚类