首次观测 · 记录 #1软件学报:jos:7701软件学报 廖云铭, 马欣莹, 许杨, 徐宏力, 黄刘生
为了提高人工智能应用的性能, 大规模模型因其优秀的广义能力而受到越来越多的关注. 然而, 大规模模型的训练和传输会给资源有限的边缘节点带来巨大的计算和通信负担, 并且完整模型的交换可能会侵犯模型的隐私. 为了减轻节点的负担并保护模型的隐私, 集成数据并行和模型并行的分裂联邦学习被提出. 然而, 除了资源有限的挑战, 分裂联邦学习在边缘计算系统中还面临着另外两个关键的挑战, 即统计异构性和系统异构性. 为了解决这些挑战, 结合分裂联邦学习的特性, 提出一种新的基于特征压缩与特征融合的高效分裂联邦学习框架SplitCP. 具体地说, 特征压缩的目的是降低节点的通信资源消耗, 并通过为异构节点分配合适的压缩比以提高训练效率. 而特征融合的目的是将节点的特征融合成一个混合特征序列, 近似等同于独立同分布数据的特征, 克服统计异构性挑战来提高模型的精度. 此外, SplitCP通过分析自适应特征压缩与特征融合的耦合关系, 探索如何联合优化以提升分裂联邦学习的模型训练性能. 在使用80台NVIDIA Jetson边缘设备搭建的物理平台上进行广泛的实验, 实验结果表明, 与基线相比, SplitCP可以将最终模型精度提高6.46%–26.15%, 同时实现训练加速约1.31–3.51倍.
尚无 AI 解读，展示原文摘要
cs.* · cs.AI
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7702软件学报 王建辉, 李哲涛, 刘忠仁, 肖勇
在模型互联网中, 单个基模型受限于自身推理能力, 其推理精度往往存在瓶颈. 虽然基模型可以通过与协作模型的Token级并联协作提升精度, 但现有方法多采用全程Token级并联协作策略, 导致较高的Token开销和推理时延. 针对上述挑战, 提出一种基于置信度的协作推理方法CobCo. 该方法以基模型置信度为核心调控信号, 动态调节其推理行为. 当基模型置信度较低时, 引入协作推理以降低推理错误风险, 而在置信度较高时采用独立推理以减少冗余协作开销. 为支撑上述推理调节机制, 设计一种面向Token级并联协作的置信度评估算法, 通过将协作结果作为外部参照刻画基模型在逐步推理过程中的决策优劣, 并基于Beta分布对其置信度进行动态量化. 实验结果表明, 在引入CobCo后, 基模型的推理准确率相较于其独立推理提升了2.4%–27.6%. 与现有全程Token级并联协作方法相比, CobCo在推理准确率损失较小的前提下显著降低了Token开销与推理时延. 特别地, 当基模型与协作模型性能相近时, CobCo能在保持推理准确率不下降的情况下, 将Token开销最高降低约20.8%.
尚无 AI 解读，展示原文摘要
cs.*
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7650软件学报 付强, 黄进, 康文惠, 李洋, 周超, 田丰, 戴国忠
随着触控技术和自动驾驶系统的发展, 手写文字输入作为触屏设备重要的交互方式之一, 已广泛应用于车载智能终端. 然而, 车载环境下的车身晃动和瞬时冲击会导致手写输入出现连笔增多、部件缺失等情况, 严重影响了手写文字识别的精度. 针对这个问题, 提出一种基于字根拆解的在线识别方法CHORRD. 该方法首先采用连笔风格数据增强技术对原始数据进行扩充, 用于提升基础模型对连笔书写风格的识别鲁棒性. 然后, 提取手写文字结构和字根序列, 并根据所设计的首尾确认表意文字描述序列HTCIDS进行距离计算, 从而确定完整的文字. 实验结果表明, 该方法在车载振动模拟环境中能够有效地实现字根拆解和文字识别, 显著提高了在线手写识别性能, 识别准确率达到90%以上.
尚无 AI 解读，展示原文摘要
cs.*
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7697软件学报 张硕骁, 汤恩义, 张浩枫, 单一啸, 潘佳滨, 刘子豪, 成浩亮, 赵建华 等 10 位作者
开放协作开发是重要的软件开发模式, 在智能化基础软件的开发过程中得到了广泛应用. 然而, 该模式在软件供应链安全性方面存在显著隐患: 一方面, 协作开发过程中的收益分配可能遭受操纵篡改; 另一方面, 代码资产在被用户合法获取后, 仍可能被非法转售或泄露. 针对这些问题, 提出一种开放协作开发供应链可信管理平台, 以区块链作为可信执行与可追溯的技术支撑, 在保障过程可验证性的同时进一步提升安全性. 该平台引入贡献点来量化用户在协作开发中的贡献, 并通过智能合约依据贡献点的价值公平分配项目收益. 此外, 实现基于智能合约的押金与信用积分安全机制, 有效降低了协作开发过程的软件信息泄露与恶意行为风险. 实验结果表明, 所提平台能够有效保障开发者权益, 显著提升开发者的开发积极性与响应速度, 同时保持合理的开销水平, 为软件供应链安全提供了有力保障.
尚无 AI 解读，展示原文摘要
cs.*
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7698软件学报 陈伟利, 竹超, 肖桂姣, 唐明董
随着区块链技术的快速发展, 智能合约逐渐成为金融欺诈的典型工具, 其中智能合约形式的庞氏骗局已成为区块链生态中一种典型且高风险的诈骗形式, 导致了大量的经济损失. 目前基于合约源代码、账户交易数据等抽取特征并构建机器学习模型的庞氏骗局合约识别研究取得了显著进展, 但区块链的匿名性以及交易的滞后性, 让这类方法在应用上存在明显的不足. 为突破这一瓶颈, 提出一种基于图与超图的智能合约庞氏骗局实时识别框架. 该框架基于合约部署时刻强制公开的字节码, 在合约无任何外部交易发生前, 通过提取操作码序列, 构建图与超图结构, 并结合图卷积神经网络与超图卷积神经网络, 实现“部署即检测”的实时识别能力. 在最新的数据集上的实验结果表明, 该框架在检测准确率和F1分数方面显著优于传统方法. 这表明该框架能在不依赖源代码和交互数据的情况下, 实现对庞氏骗局智能合约的深层次特征抽取, 为欺诈合约的“事后追溯”转为“事前审计”提供了有效支持.
尚无 AI 解读，展示原文摘要
cs.*
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7699软件学报 黄洁华, 胡凯, 夏鹏凯, 李洁, 李江, 杨鹏武, 董林霖
区块链系统依靠共识机制确保节点间数据一致性, 但也因此限定了单一链内数据的可信边界, 导致不同区块链系统形成天然的“数据孤岛”. 然而, 实际应用中区块链间的数据常存在关联性, 独立链上操作的不同步极易破坏这种关联, 威胁链间数据一致性. 跨链技术是打破孤岛、实现区块链互操作、提升系统可扩展性的关键技术. 其中, 跨链事务作为维护跨链系统全局一致性的核心机制, 为构建可扩展的互操作生态提供了基础保障. 现有跨链技术综述大多讨论跨链原子性, 较少全面探讨跨链事务技术. 通过系统调研相关文献: 首先, 厘清跨链系统一致性约束内涵并明确跨链事务定义; 其次, 剖析跨链事务面临的关键技术问题及其研究现状, 并进行多维度比较分析; 最后, 从关键技术角度评述代表性整体解决方案, 并指出若干值得深入探索的未来研究方向.
尚无 AI 解读，展示原文摘要
cs.*
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7705软件学报 康成希, 程璨, 张能, 游兰, 李兵, 王伟
随着开源社区的发展, 开源软件项目的种类也在逐步增多. 但开源社区中已有的数据, 例如标签(tag)、描述等不能直接推断出项目的细分领域, 造成了开发者和用户需要花费非必要的时间去人为判断开源软件项目的类别、开源研究者研究的项目样本中可能无法有效区分细粒度类别的项目, 进而影响研究结果的针对性. 针对以上问题, 构建交互式蒸馏方法, 可以对开源项目进行自动化分类工作, 其中类别包括代码开发工具或插件、网页应用等12个类别. 首先, 标注了30310个开源软件项目. 然后, 对已有的大模型方法以及机器学习方法进行项目细粒度领域分类任务测试. 最后, 基于基准方法存在的问题, 利用大模型蒸馏关键词特征, 再通过引入大小模型协同方法优化模型分类能力. 在标注的数据集上的验证结果显示: 基于交互式蒸馏的开源项目细粒度分类方法在十折交叉后取得了92.1%的平均精确率、91.8%的平均准确率和91.8%的平均F1值, 相较于基准方法提升了26.3%–32.8%的精确率, 24.5%–39.9%的准确率, 26.1%–40.7%的F1值.
尚无 AI 解读，展示原文摘要
cs.* · cs.CL
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7707软件学报 孟若涵, 卞新玉, 张丛阳, 朱浩天, 付章杰
大规模深度学习模型的迅速迭代对高质量训练数据的需求不断攀升, 而这一需求通常依赖于从互联网收集海量数据, 其中不乏涉及个人图像与文本的私有信息, 因而引发潜在的隐私泄漏与伦理风险. 为缓解此类问题, 研究者提出了不可学习样本这一主动数据隐私保护策略. 该方法通过向训练数据中嵌入难以察觉的微小扰动, 使未授权模型在表面上获得较高训练精度, 却因学习到无意义的“捷径特征”而失去泛化能力. 对不可学习样本的研究进展进行系统梳理, 将现有工作划分为两大方向: 一类聚焦于不可学习样本的生成方法, 另一类则关注其净化与检测机制. 在此基础上, 进一步探讨未来的研究挑战与发展路径, 旨在为隐私数据保护提供理论支撑与技术突破.
尚无 AI 解读，展示原文摘要
cs.*
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7649软件学报 林泓宇, 刘洋, 罗浩然, 李林海, 曹行行, 王梦娜, 徐家豪, 李泉毅 等 11 位作者
随着深度学习的快速发展, 深度学习框架和硬件相关的研究成为推动其发展的重要方向, 其中框架为开发者提供了便捷的深度学习模型构建方式, 而硬件则提供了强大的计算能力. 然而, 当前多样化的深度学习框架与硬件平台之间的适配性差、兼容性不足, 导致了性能和可扩展性问题. 为解决这一挑战, 深度学习编译技术应运而生, 它通过一系列的中间表示及其对应的自动化转换, 将不同框架的模型高效地映射到特定后端设备上的可执行代码, 并在此过程中应用多种深度学习编译优化技术, 如算子融合、内存优化、自动调优等, 在解决可拓展性问题的同时, 显著提升模型的计算效率. 首先梳理深度学习编译的基本概念和整体流程, 随后总结并分类深度学习编译中的常见优化技术, 最后探讨该领域面临的挑战以及未来发展方向.
尚无 AI 解读，展示原文摘要
cs.*
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7651软件学报 田润, 张海霞, 连一峰, 张立武
入侵检测系统对先验知识的依赖及其输入数据中丰富的文本语义使其较为适合在大语言模型中应用, 但大语言模型的算力开销与数据隐私约束使其难以直接落地, 与此同时小模型虽便于部署但性能受限. 鉴于此, 提出一种基于数据驱动蒸馏与性能激励的入侵检测迭代模型RADOM, 通过大小模型之间的数据交互实现知识蒸馏, 并以小模型的错误预测作为迭代反馈改进大语言模型的数据生成质量. 同时, 引入特征维度优化机制, 借助大语言模型完成特征筛选与迭代更新, 以进一步提升小模型的分类能力. 在公开数据集与自采数据集上的实验结果表明, RADOM能够有效提升小模型对攻击行为的检测与分类性能, 小模型的准确率由67.30%提高到96.19%, 验证了该方法的有效性.
尚无 AI 解读，展示原文摘要
cs.* · cs.CL
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7695软件学报 余晓婷, 高锦涛
基数估计是数据库管理系统(database management system, DBMS)查询优化器的核心组件, 其准确度直接影响执行计划质量. 现有学习式基数估计方法虽然在特定场景下优于传统方法, 但面对高度异质查询负载(如表数量、连接形态及谓词差异巨大)时, 单一模型难以保持稳定的高精度, 同时, 现有多模型方案缺乏精细的查询级选择机制. 因此, 提出基于查询路由的基数估计方法——QRCE, 核心思想包括: 1)构建异质、可扩展的Seq2Seq模型空间, 集成多种具有不同结构归纳偏置的序列建模架构, 形成候选模型集合; 2)构建门控混合查询路由器GMQR, 实现细粒度的、基于查询语义的模型路由, 并体现出面向单条查询的自适应决策特征; 3)提出一种基于Q-error的(1+ε)-近似标签策略, 将模型选择转化为可监督学习任务, 使系统能够根据每条查询的语义特征自适应地选择最适合的模型. 在STATS、JOB-light和TPC-H这3个基准数据集上的实验结果表明, QRCE的整体与尾部误差表现显著优于多数基线方法, 尤其在结构复杂的STATS上, QRCE将Q99误差降低了约53%, 有效规避了长尾灾难性偏差; 在JOB-light上, 其Q99与最优单模型相近, 而在Q50/Q90/Q95上保持优势; 在TPC-H上Q99进一步降低约16%. QRCE在长尾查询和复杂连接场景下展现出更强的鲁棒性与适应性.
尚无 AI 解读，展示原文摘要
cs.*
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7696软件学报 商婧, 王健, 王凯崙, 杨磊, 姜楠, 姜强, 刘吉强
随着深度学习模型日益广泛地部署于资源受限的场景中, 模型剪枝、量化、知识蒸馏等模型压缩技术已成为提升模型效率与可部署性的关键手段. 然而, 模型压缩在带来性能与效率优势的同时, 也与模型安全和隐私问题产生了复杂关联. 一方面, 压缩过程可能改变模型的表示空间或决策边界, 从而引入新的安全风险或放大已有威胁; 另一方面, 安全与隐私需求也反过来推动模型压缩技术的发展, 使得安全感知的模型压缩逐渐成为一个重要研究方向. 系统梳理近年来安全视角下的模型压缩研究进展, 重点从两个方面进行综述: 一是压缩模型面临的安全与隐私风险, 包括后门攻击、对抗样本、隐私泄露以及前沿应用场景下的新型风险; 二是面向对抗鲁棒性与隐私保护的安全感知模型压缩方法, 总结在压缩过程中引入安全约束与隐私保护机制的代表性研究. 此外, 进一步提炼压缩模型安全与隐私研究面临的关键问题, 给出面向典型部署场景的风险感知选型参考和面向压缩模型安全性的基准化评估维度建议, 并从内在机理分析、真实部署环境下的安全防护等方面对未来研究进行展望.
尚无 AI 解读，展示原文摘要
cs.*
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7704软件学报 姜慧, 何世柱, 刘康, 赵军
大语言模型(large language model, LLM)在涉及逻辑操作的复杂推理任务中表现良好, 然而其逻辑推理能力的内部机理仍缺乏明确的可解释性分析. 目前尚不明确LLM内部是否存在与逻辑推理任务表现密切相关的神经元子集, 这些神经元在网络中以何种形式进行计算表征, 它们又如何影响模型在不同任务中的表现. 为探究上述涉及LLM推理机制本质的关键问题, 提出一种“识别-干预-评估”框架, 旨在系统性地剖析逻辑推理能力的神经元运行基础与功能实现. 利用基于梯度重要性的神经元定位方法, 定位对逻辑推理任务高度敏感的“逻辑神经元”, 并结合激活值进行定向干预, 进而评估其对模型行为的影响. 研究结果表明, 所定位的逻辑相关神经元子集主要集中于网络中层, 并以前馈网络模块(feed-forward network, FFN)为主导. 进一步的分析表明, 不同逻辑任务之间既存在共享神经元成分, 也存在任务特异性差异. 基于这些发现, 探索一种无需修改模型权重、轻量级的逻辑推理能力定向增强方法, 实验结果显示, 该方法在LogicBench的长链推理任务上将模型平均准确率提升9.2%, 并在逻辑敏感型通用任务上性能提升4.57%.
尚无 AI 解读，展示原文摘要
cs.* · cs.CL
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7706软件学报 王迟蕾, 华强胜, 金海
研究大规模并行计算模型中动态单源最短路径问题. 在该模型中, 每台机器内存大小为$ \mathrm{O}({n}^{\alpha }) $, $ n $表示图中顶点数, $ \alpha \in (0, 1) $是一个常数. 主要考虑带整数边权重的有向或无向图, 其中边权重最大值与最小值之比的上限为$ \left\lceil poly(\log n)\right\rceil $. 图的更新操作包括单边插入、删除以及权重改变. 针对上述问题, 结合多项式矩阵逆方法、路径分解策略以及并行线性代数算法; 同时, 通过设计一种高效的并行多项式乘法求解算法提出了一个随机并行动态单源最短路径算法. 该算法的更新轮数复杂度为$ \mathrm{O}({\alpha }^{-1}\log n) $, 总内存需求为$ \tilde{\mathrm{O}}({n}^{3-3(3-\omega )/(4-\alpha /2)-\alpha (\omega /2-1)}) $. 其中, 更新轮数复杂度指每次图中边发生变化后, 为重新计算从源点到其他受影响顶点之间的距离, 算法所需同步的迭代轮数; $ \tilde{\mathrm{O}}(\cdot ) $隐去了对数多项式因子, $ \omega $为快速矩阵乘法的算术复杂度($ \mathrm{O}({n}^{\alpha }) $)指数. 相较于现有方法至少需要$ poly(\log n) $轮数复杂度的并行静态单源最短路径算法, 所提并行动态精确单源最短路径算法显著降低了轮数复杂度.
尚无 AI 解读，展示原文摘要
cs.*
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7646软件学报 张绍煊, 郭淳
双分组长度哈希函数是提高哈希函数具体安全性的一种经典方法, 该结构已被证明在一定条件下能达到最优的量子抗碰撞性. 然而, 针对坍塌性这一适用性更强的量子安全模型, 双分组长度哈希函数能否达到最优具体安全性还是一个开放性问题. 为了进一步研究此问题, 考虑在量子条件下抗碰撞性的扩展属性坍塌性, 并研究基于随机谕言机的Nandi之双分组哈希结构的坍塌性. 提出当结构内的置换$ \pi $完全是由若干个c-循环(c-cycle)置换(即对于任意$ x\in {\{0, 1\}}^{m} $, $ {\pi }^{a}(x)=x $当且仅当$ a=c $)组成时, 该结构的坍塌性达到最优, 而构造满足由若干个c-循环置换组成的置换$ \pi $是简单的. 最优的坍塌性意味着当随机谕言机输出大小为$ n $比特时, 敌手至少进行$ {\mathrm{O}}({2}^{2n/3}) $次查询, 才能有效区分测量量子叠加信息的哈希值与测量量子叠加信息本身两个状态. 该最优结构也可由Merkle-Damg?rd结构进行扩展, 扩展后的哈希函数仍具有坍塌性, 这为今后坍塌哈希函数的设计提供了理论基础.
尚无 AI 解读，展示原文摘要
cs.*
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7703软件学报 冯援, 胡平, 张璐, 沈复民, 申恒涛, 朱晓峰
地质灾害知识服务在应急指挥、公共安全与科学传播中具有重要作用, 但现有基于大语言模型的问答系统在多源异构知识融合、复杂任务规划及高可信推理方面仍存在不足. 针对上述问题, 提出一种面向地质灾害知识服务的多智能体协同推理框架. 该框架以显式任务状态驱动为核心, 通过角色分工的智能体协作机制, 将复杂查询拆解为检索、分析、生成与验证等子任务, 并通过任务回写与闭环一致性校验实现推理过程的可追踪与结果可控. 在数据层面, 框架支持对科普专业、法律法规与灾害记录等多源知识的统一语义接入; 在推理层面, 构建了基于协同执行与质量控制的层次化推理流程. 实验结果表明, 该框架在领域知识覆盖、回答一致性与协同推理能力方面均优于单模型结合外部检索的基线方法, 尤其在法律法规与灾害统计等高可靠任务中表现出更稳定的性能. 为多智能体大模型在灾害应急知识服务中的应用提供了一种可行的系统化解决方案.
尚无 AI 解读，展示原文摘要
cs.* · cs.CL · cs.AI · cs.MA
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7708软件学报 范宇祺, 陈嘉欣, 廖鑫, 陈昌盛, 章登勇
随着扩散模型和生成对抗网络的快速发展, AI 生成图像在内容创作中的应用日益广泛, 同时也对内容可信性与生成来源溯源提出新的挑战. 相较于仅区分图像真伪, 准确判定生成图像的来源模型具有更高的实际应用价值, 例如在生成内容平台监管、恶意伪造内容追溯以及生成模型责任追踪等场景中, 能够为内容来源识别与可信治理提供重要技术支撑. 不同生成模型在合成过程中往往会在像素层面留下细粒度高频伪影, 同时在结构与全局层面形成具有模型特征的生成模式一致性差异. 这种跨尺度的伪影现象表明, 现有的仅依赖单一尺度或单一语义层面的特征表示方法, 难以同时刻画细粒度伪影与全局生成风格差异, 从而限制在复杂多模型场景下归属性能. 针对上述不足, 提出一种像素到块级伪影协同建模(collaborative pixel-block artifact modeling, CPB-AM)框架, 用于AI生成图像的模型溯源任务. 该方法采用双分支结构对不同层级的生成伪影进行协同建模, 像素级分支通过高频增强操作提取局部伪造痕迹, 并学习与生成域相关的细粒度伪影特征; 块级分支将图像划分为局部块, 并通过频率感知的注意力聚合机制对块间的相关性进行建模. 该注意力机制通过对低频平滑成分进行自适应聚合, 显式分离结构一致性表示与残差成分, 从而更有效地刻画生成模型在空间结构与整体风格层面的差异. 同时, 在跨尺度融合方面, 设计跨分支注意力引导融合模块, 是一种引导式特征融合机制, 通过构建像素级伪影特征对块级表示的调制权重, 实现细粒度残差信息对结构建模过程的引导与约束, 从而增强跨尺度伪影信息的互补性. 在包含真实图像与多种生成模型的数据集上的实验结果表明, 所提方法在闭集生成模型溯源任务中能够取得优于现有方法的分类性能; 在未见生成模型参与测试的开集实验设置下, 该方法在未知模型拒识与归属判别方面同样表现出较强的鲁棒性. 实验结果验证了像素到块级伪影协同建模策略在提升生成模型溯源准确性与开放场景适应能力方面的有效性.
尚无 AI 解读，展示原文摘要
cs.*
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7630软件学报 胡晨星, 苗启广, 刘璨宇, 刘旭杰, 刘如意, 王泉, 杨宗凯
微表情能够揭示人类试图隐藏的真实情感, 在谎言检测、医疗护理、深层次情感识别等领域中具有重大应用价值. 不同于宏表情, 微表情是短暂且细微的面部运动, 微表情数据集构建有着较高的门槛且耗时耗力, 因此微表情面临着数据量小、模型难以捕获细微短暂变化等困难. 微表情分析有着两个重要研究分支: 微表情识别和微表情检测, 目前基于深度学习的方法已经成为研究主流. 针对上述情况, 全面综述近年来基于深度学习的微表情识别和检测代表性工作和研究现状. 首先, 对常用的开源微表情数据集全面进行总结, 然后分别介绍微表情识别和检测的代表性研究工作, 对其进行分类梳理并讨论优点和局限性. 接着, 介绍微表情分析常用的评估协议和指标, 整合讨论各个方法的性能表现. 最后对微表情分析的整体发展状况进行总结并对未来研究方向进行展望.
尚无 AI 解读，展示原文摘要
cs.*
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7679软件学报 王婷煜, 杨孟飞, 刘洪标, 姜菁菁, 李少峰, 刘波
固态硬盘(solid-state drive, SSD)凭借其高速读写性能与低功耗等特点, 已广泛应用于嵌入式设备和数据中心等多种场景. 其中, 垃圾回收(garbage collection, GC)机制对空间回收效率与设备寿命具有重要影响. 然而, 现有GC方法在触发灵活性、数据迁移效率及磨损均衡性方面仍存在不足. 为提升GC机制在不同负载下的适应性与可靠性, 提出一种写入模式感知与热度分级的垃圾回收(write pattern-aware and heat-tiered garbage collection, WHGC)方法. 该方法首先构建写入模式感知指标, 设计多阈值触发机制, 实现GC在系统空闲与忙碌状态下的动态调度; 然后, 提出一种融合空间使用状态与磨损程度的块评分策略, 用于指导回收块选择; 最后, 在有效页迁移阶段, 采用指数衰减模型识别逻辑页热度, 并结合块擦除次数的等级划分, 构建热度与磨损的映射关系, 引导有效页迁移至对应等级的目标块, 从而实现数据分布优化与块间磨损均衡. 基于SSDsim平台的实验结果表明, WHGC在所有数据集下均实现了相较其他典型GC方法更长的设备寿命, 并在写放大系数、有效页迁移量与擦除次数标准差等指标上保持了较优的综合性能.
尚无 AI 解读，展示原文摘要
cs.*
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7680软件学报 刘全, 李翠平, 陈红
随着数据规模与查询复杂度的持续增长, 传统数据库系统在面对高并发、多样化查询负载时, 暴露出显著的冗余计算与资源竞争问题. 多查询优化技术是提升数据库系统性能的重要途径, 其核心思想是通过识别和共享不同查询间的重叠计算, 减少重复执行并优化资源利用率. 根据重用时机与粒度的不同, 现有研究主要分为两条技术路线: 基于计算重用的多查询优化与基于存储重用的多查询优化. 前者在查询执行阶段实现算子级或计划级共享; 后者在存储层面实现持久化重用, 也被称为物化视图技术. 随着人工智能技术的发展, 强化学习和深度学习方法被广泛引入, 用于收益估计、计划生成和共享策略决策, 使计算重用过程具备自感知、自优化与自演化能力. 系统梳理传统方法到AI赋能方法的演化脉络, 对不同模型的优化目标、决策机制与系统架构进行比较与总结, 并分析现有方法在通用性、可扩展性与协同优化方面的不足. 最后, 展望未来智能化、多层级协同的数据库优化研究方向.
尚无 AI 解读，展示原文摘要
cs.* · cs.AI
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7682软件学报 沙乐天, 薛磊, 陈霄, 李德强, 肖甫
随着网络攻击的复杂性不断增加, 威胁情报的收集与整合面临着分散化问题. 在此背景下, 企业开始构建私有化的威胁情报知识图谱系统. 然而传统构建方法效率低下, 因实体关系抽取不准确而难以有效发挥作用. 为解决以上问题, 提出一种基于MCP (model context protocol)智能体的通用威胁情报知识图谱构建框架OPFA (one prompt for all). 通过动态语义主体定位, 微调大语言模型的提示词模板, 从而驱动智能体对威胁实体关系进行抽取. 威胁实体关系将作为知识图谱的节点与边被自动化创建, 通过实体属性值匹配以关联威胁情报, 形成完整的知识图谱. 接着, 系统会针对关键威胁实体(如漏洞、恶意样本)拉取MCP资源从而完成订制化的知识图谱扩充. 实验表明, 智能体不仅能够提升威胁实体和实体关系抽取的精确率(分别为97.22%和97.83%)、召回率(分别为90.91%和95.52%)与F1值(分别为94.44%和96.66%), 还能有效提高知识图谱的构建效率.
尚无 AI 解读，展示原文摘要
cs.* · cs.CL · cs.AI
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7629软件学报 张恩豪, 李超华, 王志华, 陈松灿
现实场景中的数据分布普遍呈现长尾模式, 导致所训练的深度模型常遭遇头部偏置困境, 即模型偏向于头部类而在尾部类上表现欠佳. 一种简单且有效的策略是通过增广尾部类样本来平衡数据分布. 尽管多数基于该策略的方法能在样本数量上实现重平衡, 但生成的样本仍存在语义漂移和多样性不足的风险, 导致特征分布松散和决策边界有偏, 限制了模型性能. 为此, 提出一种样本-特征协同的长尾识别算法, 旨在构建对数据分布不敏感的分类模型. 具体而言, 在样本层面, 基于傅里叶变换提出“幅值增广”策略, 借助幅值迁移来转换增广样本的风格, 能够在丰富样本多样性的同时保留原有语义信息; 在特征层面, 依据神经坍塌理论提出“特征坍塌”损失, 将类原型对齐至具有最大可分性的等角紧框架, 并促使特征收敛至对应的类原型, 实现最大的类间间隔. 该方法从样本和特征两个层面缓解头部偏置问题, 进而增强类内紧凑性并校准决策边界. 多个基准数据集上的实验结果表明该方法可显著提高长尾识别性能.
尚无 AI 解读，展示原文摘要
cs.*
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7656软件学报 王昌晶, 万亮亮, 刘艳娇, 龙海建, 左正康
尽管大语言模型(large language model, LLM)为算法定理自动证明领域提供了一条新的探索路径, 但现有方法未能充分提升自动定理证明器在证明中间命题时的能力. 当前在线性数据结构算法形式化定理证明方面所需的标签数据非常稀少, 将大语言模型用于预测时, 尤其具有挑战性. 为弥补这一不足, 构建一种新的面向线性数据结构算法的引理库驱动证明方法LDPM, 融合了大语言模型与形式化技术. 该方法通过构建一个由已被证明的新引理组成的引理库, 通过从引理库中调取相关引理, 可有效强化自动定理证明器对中间命题的证明效能. 引理库的构建遵循三阶段递进式策略: 首先通过联合请求机制生成多个候选引理陈述, 以丰富库内资源; 接着借助迭代证明策略逐个证明候选引理, 逐步提升引理库的可靠性; 最终引入引理反思机制, 借助LLM对引理进行修正与优化, 从而实现引理库的动态扩展与持续完善. 通过这一方法, 线性数据结构算法定理证明的性能得以显著提升, 与最先进的方法比较, 证明成功率从44.00%提高到82.00%. 消融实验进一步表明, 引理库在提升自动定理证明器证明中间命题的能力上发挥了关键作用, 使线性数据结构算法定理证明的成功率提高了38.00%.
尚无 AI 解读，展示原文摘要
cs.* · cs.CL
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7673软件学报 张文博, 李雄, 张文琪, 谢勇, 陈厅, 禹继国, 张小松
人工智能系统依赖大规模、开放式的训练数据采集, 这为数据投毒攻击提供了可乘之机. 攻击者能够通过渗透数据供应链等方式操控训练数据, 破坏深度学习模型的可用性. 相较于基于标签翻转的脏标签数据投毒攻击, 净标签攻击虽具有更强的隐蔽性, 但在实现时面临更大挑战: 一方面, 需要精确操控样本特征而非直接篡改其标签; 另一方面, 还需确保毒化样本在视觉上与原始样本保持高度一致以规避检测. 虽然现有的净标签攻击方案已取得一定成效, 但往往因假设宽松, 难以在实际场景中有效实施, 且隐蔽性和计算效率仍有提升空间. 为此, 提出一种基于数据重建的深度学习净标签数据投毒攻击方案CPDR, 该方案重构原用于图像分割任务的Attention U-Net模型的损失函数, 将其转换为一个包含重建损失、投毒效果损失和模型更新一致性损失的多任务学习重建模型, 通过数据重建生成隐蔽的毒化样本, 并在黑盒假设下实现有效的投毒攻击. 在集中式学习和联邦学习这2种场景、2个数据集和4个目标模型上的实验表明, CPDR能在几乎不影响深度学习主任务表现的情况下降低模型在目标类别上的分类准确率. 在集中式学习下, CPDR对目标类别准确率的平均降幅高于VagueGAN方案2.33个百分点, 高于Adversarial Poison方案2.42个百分点; 在联邦学习下, 其优势进一步扩大, 分别高于上述对比方案4.44和4.10个百分点. 此外, CPDR生成的毒化样本与原始样本视觉差异微小, 难以辨别和检测, 实现了隐蔽性和攻击效果的良好平衡.
尚无 AI 解读，展示原文摘要
cs.* · cs.AI · cs.CV
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7676软件学报 滕自怡, 方娟, 刘雅祺, 张梦媛, 陈慧杰
边缘智能通过在网络边缘部署模型, 能有效降低数据传输延迟并缓解中心云的计算压力. 然而, 模型在边缘侧的部署与持续更新, 使部署效率与成本成为评估系统性能的关键指标. 尽管已有研究提出多种策略以权衡模型精度与部署成本, 但在服务请求多变且资源受限的实际环境中, 现有方法仍难以实现高效、自适应的部署与更新. 针对这一问题, 提出一种面向边缘智能的低成本快速自适应模型部署与更新策略PACE, 旨在动态环境中以更低的部署成本实现对服务需求的高效响应, 从而提升边缘智能系统的持续服务能力与性能. 具体而言, 该方法通过挖掘模型间的共享特性, 对不同阶段的部署成本进行精细化建模, 并结合模型信息年龄(age of information, AOI)构建性能评估模型, 从而实现更高成本效益的部署决策. 在此基础上, 引入元强化学习以学习任务变化的先验知识, 并结合变分贝叶斯网络实现在线优化, 从而增强模型部署策略在动态环境下的快速自适应能力. 最后, 从泛化性与收敛性两个方面验证PACE的理论有效性. 基于合成的 Zipf 请求分布对所提出的PACE方法进行评估. 实验结果表明, PACE 在任务频繁变化的场景中能够实现高效的自适应部署, 在显著降低模型部署成本的同时, 仍可维持可接受的模型精度与系统响应效率.
尚无 AI 解读，展示原文摘要
cs.*
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7677软件学报 卿昱潇, 高建彬, 吴敏, 夏琦, 肖杨磊, 夏虎, 张劲松, 罗锦涛
随着区块链技术在金融科技、供应链管理等关键领域的应用不断深化, 兼具传统数据库高性能与区块链高可信性的混合式存储架构已成为研究热点. 然而, 现有方案普遍未能系统性地解决数据库与区块链之间的架构不兼容问题, 具体表现为事务模型差异、性能与成本矛盾以及数据生命周期管理困难这3大核心技术难点. 针对上述挑战, 提出并实现一种基于变更数据捕获(change data capture, CDC)的数据库-区块链同步系统TDSM, 用于在异构环境下实现高效、可信的数据同步. 首先, 设计集成可验证撤销证明的轻量级原子提交协议, 利用稀疏默克尔树为删除操作生成密码学证明, 在不引入重量级两阶段提交的前提下保障跨系统事务的原子性映射, 实现数据全生命周期的链上可信审计. 其次, 提出资源感知的自适应批处理算法, 通过实时监控链上交易成本并动态调整批处理策略, 有效解决数据库高通量与区块链高成本之间的矛盾. 实验结果表明, TDSM在保持较高吞吐量的同时显著降低了同步成本, 自适应批处理机制相比固定策略节省了显著的资源开销, 撤销证明机制在处理大量删除操作时仍保持高效, 原子性保障机制在各种故障场景下均能保证数据一致性.
尚无 AI 解读，展示原文摘要
cs.*
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7687软件学报 苏赛男, 李瑞远, 杨广超, 但静培, 龙程, 张钧波, 郑宇
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.
尚无 AI 解读，展示原文摘要
cs.* · cs.AI
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7688软件学报 李尚松, 裴文希, 罗润洲, 李政辉, 刘晓杉, 孔维强
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.
尚无 AI 解读，展示原文摘要
cs.*
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7675软件学报 程翔, 曹晟, 陈厅, 李雄, 张小松
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.
尚无 AI 解读，展示原文摘要
cs.* · cs.CL
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7678软件学报 党翌洲, 赵楚, 姜琳颖, 马连博, 郭贵冰
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.
尚无 AI 解读，展示原文摘要
cs.*
软件学报 · 2026 · 正式发表