跳到正文
研踪PaperTrail

论文库

检索计算机领域论文，按研究方向、作者或关键词筛选。

部分采集异常
正在读取账号与研究记录…

全站更新概况

+0新增论文
+0其中 AI 相关
+2已有论文修订
+100新增 AI 导读

arXiv 最近完成扫描：2026-11-15 10:52 · 全站最近入库：2026-11-14 15:09各信源进度 →

统计口径与数据新鲜度

统计 2026-11-14 10:53 — 2026-11-15 10:53（北京时间） · 点击数字查看对应简报；AI 相关包含在新增论文内。

最近完成检查：2026-11-15 10:52最近发现新增版本：2026-11-14 15:09库内论文最新更新时间：2026-11-13 02:59

每分钟刷新已保存的数据。空检查不代表采集异常；新收录可能包含历史论文。AI 导读按新增版本计数。

23,348 已收录论文19,580 AI 相关6,729 有修订112 HF 社区发现

浏览论文库

研究日报 / 周报 →按信源浏览 →

时间范围跟随排序：版本更新、本站收录或首次发表。最新收录可能包含历史论文。部分信源异常，查看状态 →

找到 140 篇论文 · 按版本更新时间排序上轮扫描起点 2026-11-15 10:50（北京时间）
首次观测 · 记录 #1软件学报:jos:7687软件学报

当时空数据管理遇到时空AI: 进展、挑战与展望

苏赛男, 李瑞远, 杨广超, 但静培, 龙程, 张钧波, 郑宇

原文摘要

随着时空数据规模的持续增长, 如何高效管理并挖掘其中有用信息已成为重要研究课题. 时空数据管理的核心在于实现数据的高效存储、索引和查询. 然而, 传统数据库技术难以有效应对时空数据高动态等特性. 人工智能(artificial intelligence, AI)技术能够有效捕捉时空数据的分布特征与查询负载等信息, 将其融入时空数据管理可提升系统的智能化水平. 时空AI则致力于将机器学习、深度学习与强化学习等技术应用于时空数据分析, 自动识别数据中的模式、趋势与关联, 并支持时空预测、分类、聚类及异常检测等任务. 然而, 时空AI在数据获取、模型训练到实际应用的全过程中, 均面临数据异构性、准备复杂性及使用门槛高等挑战. 时空数据管理技术可有效缓解上述问题. 围绕以上工作, 工业界和学术界已开展大量研究工作. 首先提出时空数据的分类方法, 将其划分为独立数据与关联数据; 继而系统梳理时空数据管理与时空AI协同的研究进展, 总结其研究背景与关键技术; 最后, 整理该领域常用数据集, 介绍典型应用案例, 探讨面临的主要挑战, 并展望未来发展方向.

cs.* · cs.AI

软件学报 · 2026 · 正式发表

查看论文
软件学报 ↗PDF ↗
首次观测 · 记录 #1软件学报:jos:7688软件学报

基于有限数据的高效神经网络黑盒后门检测

李尚松, 裴文希, 罗润洲, 李政辉, 刘晓杉, 孔维强

原文摘要

尽管深度神经网络(deep neural network, DNN)已广泛应用于各个领域, 但其在敌对环境中表现出显著脆弱性. 近年来, 出现一种特殊的攻击形式, 称为后门攻击或木马攻击. 攻击者故意在DNN中植入后门, 带有后门的模型对正常输入做出正确的预测, 但对带有触发器的输入产生错误的预测. 为应对后门攻击的威胁, 研究人员提出各种检测方法, 然而, 这些方法依赖于严格的假设, 如白盒访问目标模型或已知触发器模式, 并且需要大量检测数据和检测时间, 这限制了在实际场景中的应用. 此外, 现有方法在后门攻击的目标类识别方面研究不足, 未能有效揭示目标类在攻击中的关键作用及其对实际任务的影响. 提出一种高效的黑盒后门检测方法 EBLD (efficient black-box backdoor detection), 在仅有少量干净数据的情况下, 结合迁移学习, 利用这些数据训练一小组良性模型和后门模型; 然后通过模型变异技术快速生成大量模型; 最后, 基于这些模型, 训练多个分类器以联合判断目标模型是否为后门模型. 在没有检测数据的情况下, 提出“特征适配”策略, 利用在其他任务上生成的良性模型和后门模型, 训练能够检测新目标模型的二元分类器. 该策略克服了对检测样本的依赖, 并且能够充分利用已有良性模型与后门模型资源, 提升检测效率. 此外, 设计基于迁移学习的二元分类器微调方法, 通过加载已有二元分类器的权重, 训练新的二元分类器, 进一步减少后门检测时间. 最后, 基于训练二元分类器时获得的最优查询集, 构建最优查询集库, 通过分析后门模型对最优查询集的输出类别分布, 快速判断后门攻击的目标类. 目标类识别不仅有助于更精确的定位攻击范围, 还能为后门防御与修复提供明确方向. 实验结果表明, 所提方法在检测精度方面显著优于现有方法, 在检测效率方面也达到较高水平.

cs.*

软件学报 · 2026 · 正式发表

查看论文
软件学报 ↗PDF ↗
首次观测 · 记录 #1软件学报:jos:7675软件学报

Int-AD: 面向提示注入攻击的攻防一体化框架

程翔, 曹晟, 陈厅, 李雄, 张小松

原文摘要

提示注入攻击(prompt injection attack)已成为大语言模型(LLM)应用日益严峻的安全威胁, 位于OWASP开放式Web应用程序安全项目10大威胁之首. 此类攻击通过在提示词中嵌入恶意内容来诱导大模型生成误导性输出, 带来信息泄露、系统滥用等严重安全隐患. 然而, 目前针对此类攻击的攻击策略评估指标仅有攻击成功率, 难以全面评估攻击效果; 在防御策略方面, 现有方法通常只能单独用于预防或检测, 两者难以兼得. 深入分析提示注入攻击和防御的特征及其对大模型输出的影响, 提出攻防一体化框架Int-AD, 包括: 采用情感增强和控制输出的提示注入攻击方法CoA (control-output attack)和同时具备预防和检测能力的防御策略UnD (universal defense). 在攻击方面, 定义两个新的攻击评价指标: 攻击干扰率(attack interference rate, AIR)与攻击误导率(attack misdirection rate, AMR), 用于在攻击结果不同时分别进行精准评估, 完善攻击评估指标. 通过情感增强和控制输出设计提示词, 将AIR和AMR与现有METEOR评估指标联合使用来评估CoA的攻击效率; 在防御方面, UnD兼具预防和检测能力, 可提高防御成功率并检测提示注入攻击的影响. 在Qwen、Llama、DeepSeek这3个主流大模型上采用squad和web_questions两个公开数据集进行实验, CoA攻击方法的平均METEOR得分为0.050, 相比当前最好方法Combine可降低42.5%; 平均AIR和AMR分别达到0.97和0.45, 相比Combine分别提升6.59%和28.57%, 表明CoA具有更强的攻击能力. UnD的平均防御成功率达80.6%, 相比当前最好方法Sandwich提高9.07%, 其平均KMR (knownanswer matching rate)为0.921, 较方法Knownanswer提升58.52%, 表明UnD具有更强的防御能力.

cs.* · cs.CL

软件学报 · 2026 · 正式发表

查看论文
软件学报 ↗PDF ↗
首次观测 · 记录 #1软件学报:jos:7678软件学报

序列推荐启发式数据增强的修复和丰富

党翌洲, 赵楚, 姜琳颖, 马连博, 郭贵冰

原文摘要

启发式数据增强通过扰动原始的用户行为序列并生成新的序列, 能够有效缓解序列推荐中的数据稀疏性. 相比于基于外部信息、利用复杂的增强规则或引入可学习生成模块的增强方法, 启发式方法通过基于人类先验知识、规则或直觉设计的简单操作来完成增强, 具备较高的效率及泛化性. 然而, 现有的启发式数据增强通常面临两个问题: 一是其产生的增强数据与原始数据相比存在语义偏差或重要用户行为丢失的问题, 导致模型学习到不准确甚至是错误的用户偏好; 二是现有方法专注于对稀疏的输入行为进行增强, 模型训练仍受限于标签行为的稀疏性和不匹配问题, 导致推荐性能提升受限. 为此, 提出一种用于修复和丰富序列推荐中启发式数据增强的框架(REDRec). 具体而言, 首先通过实证研究验证启发式推荐方法导致的序列偏好语义偏离, 并证实简单的詹森-香农散度过滤策略即可缓解这一问题. 在此基础上, 设计语义偏移程度感知的修复机制. REDRec以詹森-香农散度量化增强序列的语义偏离程度, 并为不同偏离程度的样本执行基于差异化贝塔分布的嵌入表示插值操作以实现语义修复. 为了丰富增强数据的标签, REDRec对修复后样本执行基于扰动的多轮推理, 通过自适应聚合这些推理结果生成新的软标签. 新的软标签将作为额外的数据添加到模型训练过程中. 在多个代表性骨干网络和真实世界数据集上的实验验证了REDRec的有效性和泛化性.

cs.*

软件学报 · 2026 · 正式发表

查看论文
软件学报 ↗PDF ↗
首次观测 · 记录 #1软件学报:jos:7685软件学报

SolRaceFuzz: Solana链上程序并发缺陷检测

高旭, 马辰阳, 叶盛, 李晅松, 宋巍

原文摘要

随着Solana区块链应用日益广泛, 虽有工作针对其安全弱点、生态系统、商业应用等方面进行了研究, 但Solana区块链的并发缺陷问题尚未得到足够重视. 研究发现Solana链上程序中存在两类特殊的并发缺陷类型, 分别称为交易顺序依赖缺陷与时钟控制依赖缺陷. 这些缺陷允许区块链网络中的恶意节点合法地针对并发交易交换它们之间的执行顺序, 或推迟特定交易执行到特定时间, 以干涉这些并发交易执行结果. 因此, 具有这些缺陷的Solana链上程序的并发交易可能遭受攻击者的人为控制. 针对上述问题, 分别定义Solana链上程序的交易顺序依赖缺陷和时钟控制依赖缺陷, 并提出一种基于模糊测试与符号执行的检测方法. 该方法包含这两种缺陷的检测准则, 以及针对Solana区块链特点的账本模拟方法与交易生成方法. 基于该方法实现了原型工具SolRaceFuzz, 并在3组数据集上对缺陷发现能力、效率和探索策略这3个方面进行实验, 验证所提方法的有效性.

cs.*

软件学报 · 2026 · 正式发表

查看论文
软件学报 ↗PDF ↗
首次观测 · 记录 #1软件学报:jos:7686软件学报

DLAKRS: 面向大状态SIMECK分组密码的深度学习辅助密钥恢复方案

杨亚涛, 冉小玉, 范修凤, 王彩冰

原文摘要

近年来, 深度学习为分组密码安全性分析提供了新的研究路径. 然而, 在大状态分组密码场景下, 神经区分器输入维度过高以及密钥搜索空间快速膨胀, 严重制约了深度学习辅助攻击的效率与稳定性. 针对上述问题, 提出面向大状态SIMECK分组密码的深度学习辅助密钥恢复方案DLAKRS. 该方案在训练阶段引入基于梯度的动态敏感比特选择策略, 在保证区分性能的前提下有效压缩神经区分器的输入维度; 在密钥恢复阶段, 结合错误密钥响应分布构建基于统计评分引导的搜索方法, 缓解候选密钥筛选过程中的评分波动. 基于上述方案, 针对SIMECK系列大状态轻量级分组密码构建多阶段深度学习辅助密钥恢复攻击方案. 实验结果表明, 在输入维度削减45.8%–62.5%的情况下, 区分器准确率损失控制在10%以内, 且相较于传统多阶段攻击方法显著降低了计算开销. 在SIMECK48/96的16轮攻击和SIMECK64/128的18轮攻击中, 所提方法均表现出稳定的密钥恢复性能. 研究结果表明, 该方案为大状态SIMECK分组密码的深度学习辅助密钥恢复提供了一种有效途径.

cs.*

软件学报 · 2026 · 正式发表

查看论文
软件学报 ↗PDF ↗
首次观测 · 记录 #1软件学报:jos:7627软件学报

知识图谱推理研究综述: 从单一任务到复杂任务

牛广林, 粟思悦, 李波

原文摘要

知识图谱可以有效组织和利用现实世界中的各类知识, 弥补数据驱动的方法或者大模型技术存在的不可解释和幻觉等不足, 是实现具有理解和推理能力的认知智能系统的核心技术之一. 知识图谱推理是从已有的知识推理出新的知识, 广泛应用于工农业生产、国防安全、日常生活等领域. 早期知识图谱推理领域主要关注单一推理任务, 近3年逐渐开始关注更加复杂的推理任务, 包括时序多步知识图谱推理、小样本多步知识图谱推理、小样本时序知识图谱推理、小样本多模态知识图谱推理、多模态归纳式知识图谱推理和时序归纳式知识图谱推理. 为此, 首先分别描述面向单一任务和复杂任务的知识图谱推理的特点, 进而, 介绍几类面向单一任务的知识图谱推理技术. 然后系统总结面向复杂任务的已有代表性知识图谱推理方法, 并对这些方法进行对比分析. 最后, 总结和探讨当前知识图谱推理仍存在的主要问题, 并对该领域有价值的未来发展方向进行展望.

cs.* · cs.CL · cs.CV

软件学报 · 2026 · 正式发表

查看论文
软件学报 ↗PDF ↗
首次观测 · 记录 #1软件学报:jos:7672软件学报

差异化图嵌入的多层社交网络影响力最大化方法

林荣华, 姚润彬, 王怡嘉, 林俊杰, 吴正洋, 汤庸

原文摘要

在社交网络分析中, 识别有影响力的节点至关重要. 现有方法通常忽略局部意见领袖的倾向, 导致种子节点的影响力范围重叠. 此外, 在影响力传播强度非均匀的动态场景下, 基于传统图神经网络(graph neural network, GNN)的方法也难以在消息传递过程中对节点的影响力特征进行有效建模和聚合. 同时, 现有技术也未能充分解决社交网络的多层特性和节点异质性问题. 为了应对上述挑战, 提出一种新型的多层影响力最大化方法Inf-MDE. 该方法利用差异化的图嵌入, 采用多层网络结构对社会关系进行建模. 进而, 模型提取节点潜在的影响力传播子图, 以消除节点嵌入和传播动态之间的表征偏差. 此外, Inf-MDE在其GNN设计中融入一种自适应的局部影响力聚合机制. 该机制能够根据局部上下文和影响力强度动态调整消息传递过程中的影响力特征聚合策略, 从而有效地捕捉层间传播异质性和层内扩散动态. 在4个不同的多层社交网络数据集上进行的大量实验表明, Inf-MDE的性能显著优于现有基线方法. 源代码已公开, 详见https://github.com/lyao972/Inf-MDE.

cs.*

软件学报 · 2026 · 正式发表

查看论文
软件学报 ↗PDF ↗
首次观测 · 记录 #1软件学报:jos:7684软件学报

面向大语言模型生成能力提升的检索增强生成研究进展

刘澳迪, 奚雪峰, 周国栋

原文摘要

随着深度学习和Transformer架构的不断发展, 基于大语言模型的自然语言处理任务取得了显著进展, 但依然存在着认知幻觉、信息滞后和专业领域知识缺乏等问题. 为解决这些问题, 通过引入外部知识库的检索机制, 检索增强生成技术使模型不仅借助已有的知识, 还能实时检索外部数据, 从而提高生成内容的准确性、时效性及适应性. 本文探讨了检索增强生成技术在提升大语言模型生成能力中的作用. 首先, 从检索增强和增强生成两个方面, 对不同检索目标的检索方法及增强生成的多种技术路径进行系统性分类; 随后, 分析总结检索增强生成技术的原理、实现方式以及其在多个领域的应用; 最后, 在多个领域探讨检索增强生成技术已有的应用成效、面临的挑战及未来的发展前景.

cs.* · cs.CL

软件学报 · 2026 · 正式发表

查看论文
软件学报 ↗PDF ↗
首次观测 · 记录 #1软件学报:jos:7647软件学报

基于变色龙哈希的可撤销注册属性加密方案

王经纬, 夏志华, 宁建廷, 许胜民, 李朋林

原文摘要

属性加密方案能够实现基于用户属性的细粒度访问控制, 但密钥的生成依赖于一个授权中心来完成, 容易带来密钥泄露的安全隐患. 注册加密方案通过引入用户注册、公钥聚合等机制, 缓解了由授权中心带来的安全风险. 然而, 目前基于多sRABE子方案并行构建的注册属性加密方案在用户动态增减时需要频繁执行公钥重聚合操作, 其计算与存储开销随子方案数量线性增长, 难以适用于用户频繁变化的场景. 针对上述不足, 提出一种基于变色龙哈希的可撤销注册属性加密方案, 在单一sRABE框架下实现了高效的用户注册与撤销. 方案引入陷门可控的变色龙哈希函数, 通过公钥聚合方对公钥一致性的维护, 新用户加入时无需执行系统级主公钥聚合, 用户撤销仅需对注册槽状态进行标记, 从而避免了多子方案结构带来的计算开销. 在效率方面, 方案对新用户加入阶段的计算开销进行了分析, 结果表明该过程的计算复杂度仅与用户属性数量相关, 与系统用户规模无关. 安全性分析表明, 方案在不可区分模型下可以抵抗选择明文攻击.

cs.*

软件学报 · 2026 · 正式发表

查看论文
软件学报 ↗PDF ↗
首次观测 · 记录 #1软件学报:jos:7657软件学报

基于线性松弛与对偶优化的循环神经网络验证方法

赵亮, 杨成龙, 闫宗祥, 王小兵

原文摘要

随着当今软硬件和人工智能技术的不断发展, 以神经网络为代表的智能模型在各行各业被广泛应用, 但同时也暴露出不少安全问题, 例如与鲁棒性相关的对抗样本问题. 因此, 通过形式化验证的方式来检测并保障神经网络的鲁棒性和安全性至关重要. 然而, 现有的神经网络验证工作主要面向以ReLU作为激活函数的前馈神经网络, 对于结构复杂、激活函数非线性的循环神经网络(RNN)的验证工作比较有限. 基于此现状, 提出一种基于线性松弛与对偶优化的循环神经网络验证方法, 以计算鲁棒半径的方式为这类网络模型提供严格的鲁棒性保障. 首先, 将RNN验证问题通过线性松弛编码为输出关于输入的优化问题. 考虑到网络的层级结构, 将该优化问题进行拉格朗日分解, 每个子问题中仅包含相邻的两层神经元, 子问题之间采用同一性约束进行关联. 随后, 构建其对偶问题并采用梯度上升算法来优化求解, 得到输出神经元的近似区间上下界, 其中解的有效性由对偶优化的性质所保障. 最后, 对输入扰动采用二分搜索的方式计算网络的鲁棒半径. 通过在不同结构的朴素RNN与较为复杂的长短期记忆网络(LSTM)上与已有的验证方法进行实验对比, 结果表明所提方法在朴素RNN上求解出的鲁棒半径上较已有方法提升了17.7%–30.2%, 在LSTM中亦有5.2%–10.2%的提升.

cs.* · cs.AI

软件学报 · 2026 · 正式发表

查看论文
软件学报 ↗PDF ↗
首次观测 · 记录 #1软件学报:jos:7659软件学报

QueryGuide: 基于生成式模型的细粒度查询提示推荐方法

杨少聪, 王宁

原文摘要

慢查询是指执行时间超过数据库系统所设定的阈值, 从而影响整体性能的查询. 由于开发人员经验不足及查询接口模板缺乏灵活性, 慢查询在应用程序中频繁出现, 成为数据库故障的主要原因. 为了提速慢查询, 数据库管理员通常会进行人工修复, 但是在数据量较大的情况下效率较低, 因此针对慢查询的自动重写方法的研究显得尤为重要. 查询提示是用于显式控制数据库优化器决策的调优指令, 可以通过影响访问路径等策略来改善查询性能. 查询提示推荐作为数据库查询重写领域的重要研究问题, 已经得到广泛关注. 然而, 目前基于机器学习的提示推荐方法仍面临粒度较粗、依赖人工指定候选集等问题. 针对这些问题, 提出基于生成式模型的细粒度提示推荐框架QueryGuide, 通过探索不同细粒度提示的最优组合方式, 来提升重写语句的物理计划执行效率. 具体而言, 该框架一方面基于生成式语言模型探寻推荐策略, 在数据库环境中探索提示对慢查询性能的提升, 并将其作为奖励用于模型微调, 从而生成表级别的细粒度提示; 另一方面提出使用生成式模型推荐的细粒度提示作为探索方向, 并通过扩展得到提示组合. 将组合的探索结果用于模型微调, 可以使模型学习不同提示组合对慢查询重写性能的影响, 从而获得最佳提示组合. 在多个数据集上的实验结果表明, 相较于其他基线算法, QueryGuide方法表现出更好的重写性能, 显著改善了查询时间.

cs.* · cs.CL

软件学报 · 2026 · 正式发表

查看论文
软件学报 ↗PDF ↗
首次观测 · 记录 #1软件学报:jos:7637软件学报

HCA-Index: 基于数据冷热感知的学习型索引

孙伊鸣, 信俊昌, 赵少杰, 操天童, 洪振强, 安宸

原文摘要

大数据时代背景下, 传统索引(如B+树)面临内存占用过高等问题, 学习型索引以其低内存占用和高查询效率正逐步替代传统索引. 然而, 现有学习型索引难以有效拟合多样化的数据分布, 且易受新数据插入导致分布变化的影响, 引发性能下降. 为解决这些问题, 提出一种基于数据冷热感知的学习型索引HCA-Index. 该索引的核心包括: 设计基于误差阈值的渐进分区算法实现对数据分布的动态拟合; 通过自下而上提取键值范围并采用层级合并策略构建高精度索引; 设计动态演化的数据温度计算模型识别冷热数据; 利用节点级冷热分区支持数据迁移与快速查询. 在真实数据集上进行的实验表明, 相较于传统索引及最新的学习型索引, HCA-Index 在进一步降低内存占用的同时, 显著缩短查询延迟, 并有效减少新数据插入导致的重训练次数.

cs.*

软件学报 · 2026 · 正式发表

查看论文
软件学报 ↗PDF ↗
首次观测 · 记录 #1软件学报:jos:7654软件学报

基于双向选择性状态空间模型的动态图表示学习

何萍, 汪雷达, 徐晓华, 严勇林

原文摘要

动态图表示学习通过捕捉实体间随时间演化的拓扑结构与交互模式, 为链接预测等下游任务提供具有时空感知能力的嵌入表示, 从而揭示复杂系统的动态演化规律. 连续时间动态图因其具备丰富的细粒度时间信息, 为社交网络演化等复杂过程提供了更贴近真实世界的建模范式. 然而, 当前连续时间动态图表示学习至少面临3个挑战: (1)在长交互序列中有效提取关键信息需具备强大的长期时间依赖建模能力; (2)处理长交互序列时需控制计算复杂度以提升计算效率; (3)传统按交互时间顺序捕获交互模式的方法难以揭示隐藏的非因果性关联. 针对上述问题, 提出一种连续时间动态图表示学习模型, 通过双向选择性状态空间编码机制, 既可捕捉交互序列的长期时间依赖, 又能通过反向路径引入后续交互信息, 打破时间单向性约束, 从而增强模型对全局上下文的理解能力. 大量实验结果表明, 该模型在不同领域真实世界数据集上表现出的预测性能均显著优于基线方法, 同时具有高效的计算效率, 使在有限计算资源下实现长时间双向依赖的建模成为可能.

cs.*

软件学报 · 2026 · 正式发表

查看论文
软件学报 ↗PDF ↗
首次观测 · 记录 #1软件学报:jos:7661软件学报

FedProbe: 代理模型引导的可解释联邦学习投毒攻击防御框架

曹益皓, 张建标, 赵亚茹, 韩宇飞, 张承昱, 叶涛

原文摘要

联邦学习允许多个参与方在不共享本地私有数据的前提下协同训练一个共享的深度学习模型. 然而, 该范式在实际应用中极易受到日益复杂的投毒攻击威胁. 现有的防御方法在检测效率、对多样化攻击的泛化能力以及在非独立同分布 (non-IID) 数据环境下的性能稳定性方面仍存在局限. 为应对上述挑战, 提出一种名为 FedProbe 的、由代理模型引导的可解释联邦学习投毒攻击防御框架. FedProbe采用两阶段机制: 首先, 在代理模型引导阶段, 利用服务器端的可信样本集计算各本地模型间的KL散度以度量其行为相似性, 并确定最优聚类数量. 在剔除离群更新后, 各簇被聚合成代理模型, 此举旨在有效划分由不同数据分布训练的模型并提升后续检测效率. 其次, 在可解释分析阶段, FedProbe利用SHAP可解释技术对代理模型进行深度分析, 计算其关键特征归因, 并最终通过跨类别可疑度分数来精准识别并剔除潜在的恶意模型. 实验结果表明, FedProbe在多种基准数据集上展现出卓越的性能与鲁棒性. 在良性环境中, 其收敛时间仅为标准聚合算法的1.11–1.21倍, 性能开销极小. 在安全性方面, 即使在恶意用户占比高达40%的极端场景下, FedProbe在抵御无目标攻击和后门攻击时仍能保持优越的收敛性, 并将攻击成功率控制在25%以下; 而在面对自适应攻击时, 其在防御有效性与任务准确率方面均具有显著优势.

cs.*

软件学报 · 2026 · 正式发表

查看论文
软件学报 ↗PDF ↗
首次观测 · 记录 #1软件学报:jos:7662软件学报

人体姿态引导的鲁棒生成式隐写

张清华, 黄方军, 马宾

原文摘要

传统图像隐写术通过将秘密信息嵌入载体图像中实现信息隐蔽传输, 在信息安全和数据通信领域发挥着重要作用. 然而, 信息嵌入过程不可避免地会修改载体图像, 容易被隐写分析工具检测到. 相比之下, 生成式图像隐写术利用生成模型直接从秘密信息生成隐写图像, 从而避免了修改载体图像的问题. 但现有生成式图像隐写方法在面对各种攻击尤其是几何攻击时普遍存在鲁棒性不足的缺陷, 隐藏的信息易受各种攻击破坏而无法有效提取. 为此, 提出一种人体姿态引导的生成式隐写(generative steganography guided by human posture, GSHP)方法. 该方法的核心思想是将秘密信息映射为人体姿态特征, 再将此特征输入生成模型以生成隐写图像. 在信息提取阶段, 通过人体姿态检测算法识别隐写图像中的人体姿态, 进而还原出秘密信息. 由于人体姿态固有的结构稳定性, GSHP对各种攻击表现出了良好的鲁棒性. 广泛的实验也充分证明了GSHP在安全性和鲁棒性方面的优势.

cs.*

软件学报 · 2026 · 正式发表

查看论文
软件学报 ↗PDF ↗
首次观测 · 记录 #1软件学报:jos:7663软件学报

基于LLM智能体的智能家居场景规则自动生成

刘力玮, 陈伟, 魏峻, 朱家鑫, 王伟, 吴国全, 汪涛

原文摘要

在智能家居系统中, 场景自动化规则可根据用户设定的触发条件, 自动执行一组设备操作, 实现如“回家模式”“睡眠模式”等复杂的设备联动行为. 然而, 终端用户在创建定制化规则时常面临挑战, 特别是在实现多设备协同和满足复杂用户意图时表现尤为明显. 一方面, 用户普遍缺乏专业知识, 难以清晰表达需求或将其转化为形式化规则; 另一方面, 现有自动化规则生成方法普遍存在两方面局限: 其一, 缺乏对复杂场景的建模能力, 难以支持涉及多设备协同的高级自动化需求; 其二, 过于依赖用户提供明确的、结构化的指令, 忽略了用户意图的隐性表达. 为解决上述问题, 提出HomeMind——以大语言模型(large language model, LLM)为核心, 融合模式挖掘与语义理解能力的智能体系统. HomeMind的工作流程包括3个核心步骤: 首先, 采用无监督的频繁事件模式挖掘方法, 自适应处理不同长度的事件序列, 以更精准地识别事件模式; 其次, 为每个模式提取周与日两个尺度的时间特征, 显著增强其时间上下文信息; 最后, 通过上下文增强的提示词机制, 引导LLM基于思维链推断用户意图, 生成语义明确的场景规则. 最终, HomeMind将生成的候选规则呈现给用户, 辅助其理解并筛选最契合生活习惯的自动化方案, 并支持与智能家居平台接口集成, 实现规则一键部署. 在真实世界数据集和合成数据集上对HomeMind进行全面评估, 实验结果表明其在意图推断和规则生成准确性方面均优于现有基线方法.

cs.* · cs.CL · cs.AI

软件学报 · 2026 · 正式发表

查看论文
软件学报 ↗PDF ↗
首次观测 · 记录 #1软件学报:jos:7638软件学报

图数据库节点标识存储引擎性能建模与适配策略

陈政, 张峰, 齐畅, 赵郑诣隆, 杜小勇

原文摘要

随着大数据和人工智能技术的快速发展, 图数据库因其在复杂关系建模与高效查询方面的优势, 逐渐成为社交网络分析、金融风控、知识图谱等领域的核心基础设施. 图数据库的管理对象是节点以及节点之间的关系. 在架构层面, 节点唯一标识符(node identifier, NodeID)作为图数据管理的核心纽带, 承担节点身份表征、关系寻址和图算法执行的关键职能. 当前主流图数据库普遍采用键值存储(key-value store, KVS)引擎实现节点标识到图结构的映射管理. 然而, 现有系统多依赖通用键值存储引擎(如RocksDB)管理此类映射, 却缺乏对负载特性的深度考量, 具体表现为: 1) 节点标识映射负载特征建模缺失; 2) 跨软硬件环境(如CPU/内存、SSD/HDD)的适应性不足. 首先系统分析图数据库中节点标识映射的操作特性与键值存储需求, 进而评估多种主流键值存储引擎(包括RocksDB、LMDB、LevelDB、FasterKV及ForestDB)在异构硬件环境下的性能表现, 系统揭示不同数据负载 (如数据规模、读写比)与硬件配置(如内存容量、线程数、存储介质)对执行效率的影响规律. 基于大规模实验(覆盖5类数据集、3种硬件平台及1300+组对照测试), 提出一种基于决策树模型的适配策略, 整合负载特征(数据规模、读写比)与硬件配置(内存、线程数、磁盘类型), 以指导键值存储引擎的自适应选择. 实验表明, 该模型推荐最优引擎的准确率达92.1%, 次优场景性能差距小于10%.

cs.* · cs.AI

软件学报 · 2026 · 正式发表

查看论文
软件学报 ↗PDF ↗
首次观测 · 记录 #1软件学报:jos:7664软件学报

粒球计算驱动的智能数据库: 现状和展望

乔少杰, 杨蕾, 夏书银, 韩楠, 苟浩淞, 何函, 袁冠, 唐明靖

原文摘要

传统关系型数据库的关键优化技术在面对海量数据处理、复杂查询及动态负载场景时, 普遍存在估计精度不足、优化决策效率低下以及环境适应性差等瓶颈. 多粒度粒球计算为提升数据库系统性能开辟了新的解决路径, 展现出巨大的研究潜力和应用前景. 首先, 概述了人工智能在驱动数据库智能优化方面的核心方向, 探讨了现有学习型优化方法在模型泛化能力、可解释性以及处理复杂查询与动态数据分布方面所面临的主要挑战. 在此基础上, 系统地综述了数据库优化的现状及关键技术, 结合多粒度粒球计算, 数据库优化技术的核心聚焦于查询优化与配置优化两个方面. 针对查询优化, 关键技术包括基数估计以及连接顺序选择. 在基数估计方面, 传统方法难以有效支持涉及多表复杂连接及嵌套查询的准确评估, 且常带来巨大的存储开销; 基于学习的方法则能更好地处理高维数据关系, 介绍利用多粒度粒球计算技术提取数据分层分布特征并与树结构神经网络结合的新方法, 能显著提高复杂查询基数估计的鲁棒性与精度. 在连接顺序选择方面, 传统方法在多表连接维度下搜索效率低下; 基于历史经验学习的静态方法对新查询模式适应性有限; 动态学习方法虽能支持运行时调整但开销较大; 相比之下, 将连接计划表达为具有几何关系的多粒度粒球结合, 利用其层次结构优化搜索空间并结合深度强化学习进行决策的方法, 为高效寻找全局近似最优连接顺序提供了新思路. 针对数据库配置优化, 参数调优是提升性能的关键. 基于搜索的传统优化技术难以在合理时间内获得全局最优解; 传统机器学习方法虽然能实现自动化调优, 但高度依赖训练数据的质量与覆盖度; 强化学习方法通过与系统环境交互持续改进策略, 仅需少量样本即可实现强大的自适应性调参, 融合多粒度粒球计算方法能够高效表达参数空间特性, 显著提升调优效率与效果. 虽然应用粒球计算技术优化数据库前景广阔, 但实际应用仍面临与现有数据库模型的有效融合、降低计算开销、动态负载变化下的模型稳定性保障等主要挑战. 未来研究需持续深化理论与技术, 推动数据库系统朝着更智能、高效、鲁棒的方向发展.

cs.* · cs.AI

软件学报 · 2026 · 正式发表

查看论文
软件学报 ↗PDF ↗
首次观测 · 记录 #1软件学报:jos:7665软件学报

联邦学习中分布式水印与抗攻击方案

孙友欣, 田有亮

原文摘要

联邦学习作为一种分布式机器学习方法, 能够在保护用户隐私和数据安全的同时进行模型训练. 然而, 联邦学习多参与方、模型大范围暴露的特点容易造成模型版权泄露问题. 提出一种具有所有权验证、模型泄露追溯和懒惰客户端检测功能的水印方案, 引入了客户端身份标识生成后门水印机制和动态调整聚合权重(federated dynamic weight adjustment , FDWA)算法, 确保每个客户端的水印具有唯一性, 并解决了水印冲突问题, 在显著提高模型保真度和水印触发率的同时具备更好的懒惰客户端检测性能. 实验结果表明, 该方案在提供更完善的保护功能的同时, 能保持模型性能, 显著提高水印触发率, 并有效抵御微调、剪枝、量化和共谋攻击等多种攻击手段, 提高了联邦学习环境的安全性和公平性, 为模型提供有效版权保护.

cs.*

软件学报 · 2026 · 正式发表

查看论文
软件学报 ↗PDF ↗
首次观测 · 记录 #1软件学报:jos:7623软件学报

基于服务器无感知计算的对象存储跨云复制系统

舒俊宜, 黄小龙, 马郓, 李浩源, 黄罡, 刘譞哲, 金鑫, 梅宏

原文摘要

对象存储是云计算环境下最常用的存储方案之一. 将对象存储中的数据复制到一个或多个云区域能够提升其可靠性和可用性, 并降低用户的访问延迟. 对象存储复制系统需要保障副本间的一致性并尽可能降低复制时延. 现有的开源跨云区域对象存储复制系统Skyplane尽管能支持主流云平台间的对象数据复制, 但无法保障数据一致性, 且在动态负载下复制时延较高. 为了实现动态负载下的低成本、低延迟对象数据复制, 提出基于服务器无感知计算的对象存储跨云复制系统FastRep. FastRep通过对象粒度的复制任务锁和乐观的复制与校验机制保障数据一致性, 通过时间有界完全树实现云函数快速调用, 通过自适应函数克隆应对带宽下降问题. 实验结果显示, FastRep能以分钟级延迟实现大小动态变化的对象数据的低成本复制.

cs.*

软件学报 · 2026 · 正式发表

查看论文
软件学报 ↗PDF ↗
首次观测 · 记录 #1软件学报:jos:7633软件学报

基于非纯测量场景的隐变量因果结构学习算法

王馥弘, 陈正鸣, 夏业伟, 乔杰, 郝志峰, 蔡瑞初

原文摘要

隐变量间的因果结构学习, 核心在于从观测数据中挖掘隐变量彼此的因果关联, 是科学研究中揭示现象本质的一种关键技术. 现有方法普遍依赖“纯子”假设, 即隐变量对应的观测子代变量(测量变量)间不存在直接的因果连接边, 该假设在许多现实场景中往往无法成立, 从而导致现有方法可识别性受限. 针对该挑战, 考虑“非纯”测量场景下的隐变量识别性问题, 提出线性非高斯无环隐变量模型(linear non-Gaussian acyclic latent variable model, LiNGLM), 该模型允许观测变量间存在因果关联. 基于该模型, 提出一种隐变量结构学习(latent variable structure learning, LLSTIN)算法, 该算法基于变换独立噪声(transformed independent noise, TIN)条件及其建立的图准则, 首先通过因果聚类构建(build causal cluster, BCC)算法提取各隐变量对应的“单因子集”来识别隐变量的存在, 然后选取集合中的“根”观测变量作为隐变量的有效代理, 进而识别隐变量间的因果关系. 从理论上证明算法可正确提取单因子集并进一步识别隐变量因果结构, 仿真数据与真实数据实验结果进一步验证所提算法的正确性和有效性.

cs.*

软件学报 · 2026 · 正式发表

查看论文
软件学报 ↗PDF ↗
首次观测 · 记录 #1软件学报:jos:7634软件学报

基于静态与动态分析的智能合约漏洞检测实证研究

祝语, 李珍, 张笑睿, 吴月明, 邹德清

原文摘要

近年来, 智能合约因其不可篡改性和可执行性在金融领域得到了广泛的应用. 与此同时, 智能合约引发的安全事件不断增多, 往往造成大规模的经济损失. 因此, 大多数研究人员致力于开发智能合约漏洞检测工具来检测智能合约的安全性. 然而, 不同的合约漏洞检测工具可能因为数据集的不一致使得研究人员无法客观评估其性能. 构建一个新的数据集, 并在统一的标准下系统地测试9个候选工具. 该数据集不仅包含真实世界的智能合约, 且涵盖了5类常见的智能合约漏洞. 从5个方面对工具进行细致的评估, 并提出一种新的智能合约分类方法来验证工具的鲁棒性. 实验结果表明: 1)多数现有工具易于安装, 但同时存在停止维护等问题. 2)静态检测工具在实际检测过程中仍然面临漏报率和误报率高的问题, 且依赖于智能合约不同版本的分析. 3)静态检测工具的时间开销较小, 而基于符号执行的工具容易因状态爆炸而导致时间开销较大. 4)部分静态检测工具不支持具有复杂继承关系的合约. 5)采用多种漏洞检测技术融合的方式, 可以有效提高检测的精确率和召回率.

cs.*

软件学报 · 2026 · 正式发表

查看论文
软件学报 ↗PDF ↗
首次观测 · 记录 #1软件学报:jos:7639软件学报

面向概念漂移的在线神经网络深度自适应调整方法

邹迪, 周学文, 范玉雷, 高楠, 喻坚, 杨良怀

原文摘要

非平稳场景下深度神经网络(deep neural network, DNN)模型的适应性是当前人工智能领域面临的一个重要挑战. 尤其在发生概念漂移的场景, 预设架构参数的模型将难以适应演化的数据分布. DNN现有深度调整方法缺乏对深度拓展的有效性的评估, 忽视了深度调整过程中网络权重参数和深度的协同. 为此, 提出自适应在线深度神经网络(adaptive online deep neural network, AODNN). AODNN根据网络的损失变化趋势、分类器权重以及互信息变化组合分析对深度增长的有效性做出判断, 实现深度自适应增长; 并通过参数更新优化选择合适的中间分类器参与反向传播, 减少深层中间分类器对浅层分类器的干扰并加速收敛. AODNN在多个包含概念漂移的真实和合成数据集上与当前最先进方法开展对比实验, 实验结果验证了AODNN深度自适应增长和参数更新优化策略的有效性, 能够有效捕捉数据分布变化并抑制概念漂移的影响. 在关键性能指标的比较中, AODNN展现出显著优势, 在累计准确率上显著优于HBP、ANSN和EODL, 在F1分数上显著优于ATNN、ANSN和EODL, 在MCC上显著优于ANSN和EODL. 此外, 在模型收敛速度等方面, AODNN也超越了当前最先进方法.

cs.* · cs.AI

软件学报 · 2026 · 正式发表

查看论文
软件学报 ↗PDF ↗
首次观测 · 记录 #1软件学报:jos:7660软件学报

基于国密SM2支持非法消息追踪的环签名方案

王晨豪, 明洋, 刘行, 邓雨桐, 赵一

原文摘要

环签名作为一种具有隐私保护的认证技术, 在确保消息真实性和完整性的同时为用户提供身份匿名性, 广泛应用于电子投票和区块链交易等场景. 针对恶意用户的匿名滥用与失信行为, 现有环签名方案利用追踪(监管)权威揭示任意用户的真实身份. 然而, 该权威的引入将导致诚实用户的隐私泄露, 打破了匿名性和可追踪性之间的平衡. 为解决上述问题并促进国产密码技术应用发展, 提出基于国密SM2支持非法消息追踪的环签名方案. 所提方案针对单个非法消息设计追踪机制, 其中追踪权威仅能够揭示发布非法消息恶意用户的真实身份, 而诚实用户仍然保持匿名, 从而平衡匿名性和可追踪性. 基于此, 结合多项式技术和默克尔哈希树技术提出扩展方案, 实现任意数量非法消息追踪, 扩大恶意用户监管范围, 同时降低用户验证开销和通信成本. 安全性分析表明所提方案满足不可伪造性、匿名性和可追踪性. 性能分析表明所提方案与相关环签名方案相比具有较好的有效性和实用性.

cs.*

软件学报 · 2026 · 正式发表

查看论文
软件学报 ↗PDF ↗
首次观测 · 记录 #1软件学报:jos:7635软件学报

ToxiHeap: LLM制导和毒性标记的JavaScript引擎模糊测试框架

沙乐天, 龙章伯, 丁加宇, 黄海平, 肖甫

原文摘要

现有浏览器JavaScript引擎模糊测试工具在检测潜在漏洞方面仍存在局限, 尤其对不触发崩溃的堆内存错误识别能力不足. 为此, 提出ToxiHeap, 一种将内存毒性标记(toxic labeling)的运行时监测和大语言模型(large language model, LLM)制导语义生成, 设计为并行核心轨道的JavaScript引擎模糊测试框架. 检测轨在目标引擎的堆分配与访问路径上插桩, 通过影子内存与细粒度毒性标记统一刻画释放后使用(use-after-free, UAF)、double free、堆越界读写(out-of-bounds read/write,OOB-R/W)、内存泄漏(memory leak)和未初始化堆内存读(uninitialized memory read,UMR)等多类堆错误, 并将对已释放内存等非法状态的访问转化为可消费的异常信号, 弥补传统依赖崩溃信号方法对非崩溃漏洞缺乏有效检测信号的不足; 生成轨采用“蒸馏-激励”两阶段的LLM变异器, 从历史PoC中提炼语义特征并定向构造状态依赖的测试用例, 突破仅依赖语法或轻语义变异在深路径覆盖上的局限. 两条轨道以覆盖增益和非崩溃命中信号在反馈环路中汇合, 协同驱动样本保留、路径权重更新和知识库自增, 同时引入隔离重放验证机制, 在干净进程中二次确认异常, 显著降低非确定性误报. 实验结果表明, 在JavaScriptCore (JSC)引擎上, ToxiHeap在24 h运行下的分支覆盖率由31.17%提升至33.52%, 在V8、SpiderMonkey (SM)和ChakraCore (CH)等其他主流引擎上同样取得了最高或接近最高的分支覆盖率, 有效样本占比稳定在91%以上. 在覆盖UAF等多类缺陷模式的50条PoC参考集上, 4个引擎综合平均的整体检出率达到89.18%.

cs.* · cs.CL

软件学报 · 2026 · 正式发表

查看论文
软件学报 ↗PDF ↗
首次观测 · 记录 #1软件学报:jos:7644软件学报

GCC编译优化选项关系的分析应用

高秉玉, 姚梦雨, 王子铭, 李锭, 陈向群, 郭耀

原文摘要

编译优化选项作为编译器与开发者之间的核心交互接口, 其合理配置直接影响软件质量与开发效率. 然而, 编译选项的数量庞大且关系复杂, 优化效果同时受到程序特征和机器架构的动态影响, 官方文档难以满足实际应用场景的配置指导需求. 针对上述挑战, 结合静态和动态分析技术, 基于GCC编译器源码深入探讨影响编译器选项效果的两类关系: 内部约束关系和外部环境依赖关系. 首先基于静态分析识别出选项间68对内部约束关系(涉及84个选项)以及103对外部环境依赖关系(包括51个机器架构敏感选项与52个程序特征敏感选项), 并进一步基于动态分析技术验证选项在不同外部环境下的有效性. 然后, 将选项关系的分析结果应用于3个编译相关技术场景: 1)提高选项自动调优效率, 设计基于选项关系感知的遗传调优算法, 相较于不考虑选项关系的其他算法(如遗传算法), 性能平均提升3.65%; 2)提高编译器测试效率, 设计基于选项关系的测试序列生成方法, 生成效率相较于随机方法提升了51.7%; 3)为开发者提供更有效的选项配置方案, 帮助其合理使用选项以达到预期优化目标. 通过这3个应用, 表明编译选项关系在自动调优、编译器测试及实际配置中具有关键作用.

cs.*

软件学报 · 2026 · 正式发表

查看论文
软件学报 ↗PDF ↗
首次观测 · 记录 #1软件学报:jos:7641软件学报

OpenSwap: 基于先锁后绑模式的跨链资产交换协议

卓凤, 段田田, 贾林鹏, 李忠诚, 孙毅

原文摘要

跨链资产交换是资产跨区块链流通的典型模式之一. 以哈希时间锁(hashed timelock contract, HTLC)协议为代表的现有跨链资产交换方案普遍采用“先绑定跟随方、跟随方再锁定资产”的先绑后锁模式. 在该模式下, 一旦已绑定的跟随方退出, 发起方将无法更换交换对象, 只能等待时间锁超时后回收资产并重新发起交换, 从而显著延长交换周期并带来高额的链上开销. 为此, 提出一种先锁后绑的跨链资产交换新模式, 即交换开始前不在合约中预设跟随方, 而是由符合条件的响应方先行锁定资产, 再将其绑定为跟随方. 该模式可避免绑定对象退出带来的多次重试与资产长期锁定问题. 在该模式下, 提出一种基于地址签名锁的跨链资产交换协议——OpenSwap. OpenSwap设计了一种地址签名锁, 通过将跟随方身份信息嵌入锁结构, 使其随着资产的锁定与解锁过程在两条链之间同步, 从而确保两条链对跟随方绑定的一致性. 此外, OpenSwap还通过挑战期、协助解锁等设计, 提升协议安全性和执行效率. 理论分析与实验结果表明, OpenSwap在保证原子性的同时, 显著降低了交换延迟, 并在低用户响应场景下降低了链上开销, 为跨链资产交换提供了更灵活与高效的解决方案.

cs.*

软件学报 · 2026 · 正式发表

查看论文
软件学报 ↗PDF ↗
首次观测 · 记录 #1软件学报:jos:7645软件学报

KubeEdge平台软件老化状态判定与抗衰策略生成

刘靖, 谭雪勇, 唐志伟, 牛超煜

原文摘要

边缘计算因其低延迟和高效的处理能力而被广泛应用于各个领域, 而KubeEdge平台系统作为边缘智能场景的核心基础软件, 其运行时可靠性至关重要. 然而, 边缘系统上的软件在长期运行后可能会出现软件老化问题, 导致系统响应延迟甚至服务中断, 进而影响用户体验乃至事故. 抗衰操作可以消除老化现象, 但目前针对边缘系统的老化研究相对较少, 且现有抗衰方法无法直接应用于边缘系统. 为解决上述问题, 针对KubeEdge边缘系统提出了一种称为GIP-MI的老化判定与抗衰综合方法, 该方法首先采用GCN-Informer方法对系统指标的空间关联和时序依赖进行建模, 相较于传统方法, 能够更精准、稳定地预测各指标的未来变化趋势; 进而将预测数据送入深度学习方法ParNet, 通过多时间点切片与多分辨率特征融合, 实现对系统资源动态老化状态的更精准判定; 最后, 提出一种基于分解和信息反馈模型的多目标进化算法(MOEA/D-IFM)的任务卸载方法作为抗衰策略, 有效避免系统停机, 保证服务连续性. 实验结果表明, GIP-MI在老化预测和状态识别精度上均优于基线方法, 并且与传统抗衰方法相比, 在停机时间等关键指标上均表现出显著优势, 能够有效恢复系统状态.

cs.*

软件学报 · 2026 · 正式发表

查看论文
软件学报 ↗PDF ↗
首次观测 · 记录 #1软件学报:jos:7621软件学报

基于异构依赖网络的开源AI资源可信性风险量化

姚思梦, 张洋, 赵佳林, 李俊辰, 沈阳, 王涛, 张迅晖

原文摘要

随着开源模型与数据集规模快速扩张, Hugging Face生态中资源之间形成了复杂的模型-数据集为主体的异构依赖网络, 元数据缺失、依赖集中度等问题使链式风险更易累积与传播. 为刻画这一风险基础, 基于Hugging Face快照构建了一个AI资源依赖网络, 并从全局拓扑与时间演化两个维度分析其结构和演化特征; 进一步提出融合属性完整性、社区反馈的“可信风险”指标, 对模型与数据集节点进行连续化风险量化与排序. 结果表明, 该依赖网络呈显著“尖峰+长尾”结构, 依赖高度集中于少数枢纽节点, 大量资源在关键数据流关系中处于孤立或半孤立状态; 同时, 模型规模爆炸式增长而数据集与贡献者扩张滞后, 导致生态对有限核心数据源的路径依赖持续增强, 形成结构性系统风险. 在节点层面, 可信风险指标对参数扰动保持稳健, 能够在多类风险来源下显著区分高/低风险节点并优于基线方法; 风险耦合分析与专家盲评进一步验证了高风险数据集与高风险模型在局部结构中的聚集与传播效应. 为开源AI生态的风险筛查与治理提供了可复现的量化依据.

cs.*

软件学报 · 2026 · 正式发表

查看论文
软件学报 ↗PDF ↗