Journal of Zhejiang University

Current Issue: <FITEE>

Frontiers of Information Technology & Electronic Engineering (former title: Journal of Zhejiang University SCIENCE C (Computers & Electronics), 2010-2014)

ISSN 2095-9184 (print); ISSN 2095-9230 (online); CN 33-1389/TP; Monthly.

FITEE is an international peer-reviewed journal indexed by SCI-E, Ei Compendex, DBLP, IC, Scopus, JST, CSA, etc. It covers research in Electrical and Electronic Engineering, including Computer Science, Information Sciences, Control, Automation, Telecommunications, and related disciplines.

Impact factor: 0.308 (2011), 0.297 (2012), 0.380 (2013), 0.415 (2014), 0.392 (2015), 0.622 (2016), 0.910 (2017), 1.033 (2018), 1.604 (2019), 2.161 (2020), 2.526 (2021).

Frontiers of Information Technology & Electronic Engineering

ISSN 2095-9184 (print), ISSN 2095-9230 (online), monthly

2023 Vol.24 No.8 P.1093-1238

Cover:

<129>

Contents:

<115>

<<< CONTENTS >>>

Review Articles

Review Article: A survey of the pursuit–evasion problem in swarm intelligence

Zhenxin MU, Jie PAN, Ziye ZHOU, Junzhi YU, Lu CAO

DOI: 10.1631/FITEE.2200590 Downloaded: 1085 Clicked: 759 Cited: 0 Commented: 0(p.1093-1116) <Full Text> <PPT> 178

Chinese summary <8> 群體(tǐ)智能中(zhōng)的追逃圍捕問題綜述

穆祯鑫^1,2，潘傑¹，周子烨¹，喻俊志(zhì)¹，曹璐²
¹北(běi)京大(dà)學工(gōng)學院先進制造與機器人系湍流與複雜(zá)系統國家重點實驗室，中(zhōng)國北(běi)京市，100871
²國防科技創新研究院，中(zhōng)國北(běi)京市，100071
摘要：對于人工(gōng)系統中(zhōng)湧現出的複雜(zá)功能，理解自然界中(zhōng)生(shēng)物(wù)群體(tǐ)行爲的内在機制至關重要。本文對生(shēng)物(wù)集群中(zhōng)的一(yī)個關鍵問題-追逃圍捕問題進行了全面的綜述。首先，從博弈論、控制論與人工(gōng)智能、生(shēng)物(wù)啓發3個不同視角對追逃圍捕問題進行了回顧。然後，概述了生(shēng)物(wù)系統和人工(gōng)系統中(zhōng)追逃圍捕問題研究進展，其中(zhōng)捕食者的追捕行爲和獵物(wù)的逃避行爲被概括爲捕食者-獵物(wù)行爲。之後，分(fēn)别從強追捕者組vs.弱逃避者組、弱追捕者組vs.強逃避者組、相同能力組3個角度分(fēn)析追逃圍捕問題在人工(gōng)系統中(zhōng)的應用。最後，讨論了未來追逃圍捕問題面臨的挑戰和發展展望。本文爲多智能體(tǐ)系統和多機器人系統在不确定動态場景下(xià)完成複雜(zá)狩獵任務的設計提供了新的見解。

關鍵詞組：群體(tǐ)行爲；追逃問題；人工(gōng)系統；生(shēng)物(wù)模型；群集運動

Review Article: Artificial intelligence algorithms for cyberspace security applications: a technological and status review

Jie CHEN, Dandan WU, Ruiyun XIE

DOI: 10.1631/FITEE.2200314 Downloaded: 2133 Clicked: 903 Cited: 0 Commented: 0(p.1117-1142) <Full Text> <PPT> 214

Chinese summary <5> 人工(gōng)智能算法在網絡空間安全中(zhōng)的應用：技術與現狀綜述

陳捷^1,2，武丹丹²，謝瑞雲²
¹西北(běi)工(gōng)業大(dà)學網絡空間安全學院，中(zhōng)國西安市，710000
²中(zhōng)國電子科技網絡信息安全有限公司，中(zhōng)國成都市，610000
摘要：網絡空間安全急需解決的3個技術問題是：網絡攻擊檢測的及時性和準确性、安全态勢的可信評估和預測以及安全防禦策略優化的有效性。人工(gōng)智能算法已成爲網絡安全應用增加安全機會和提高對抗能力的核心手段。近年來，人工(gōng)智能技術的突破和應用爲提高網絡防禦能力提供了先進的技術支持。本綜述對2017至2022年間人工(gōng)智能技術在網絡空間安全領域的最新應用進行了全面回顧。參考文獻來源于各種期刊和會議，其中(zhōng)52.68%的論文來自Elsevier、Springer和IEEE期刊，25%來自國際學術會議。本綜述重點介紹了機器學習、深度學習和一(yī)些流行的優化算法在該領域的最新應用進展，對算法模型的特點、性能結果、數據集、以及潛在的優點和局限性進行了分(fēn)析，強調了現存的挑戰。本工(gōng)作旨在爲想進一(yī)步挖掘人工(gōng)智能技術在網絡空間安全領域應用的潛力、解決特定網絡空間安全問題的研究人員(yuán)提供技術指導，掌握當前技術和應用的發展趨勢以及網絡安全領域的熱點問題。同時，本綜述對當前面臨的挑戰提供了有效應對策略和方向。

關鍵詞組：人工(gōng)智能；機器學習；深度學習；優化算法；混合算法；網絡空間安全

Research Articles

Reversible data hiding using a transformer predictor and an adaptive embedding strategy

Linna ZHOU, Zhigao LU, Weike YOU, Xiaofei FANG

DOI: 10.1631/FITEE.2300041 Downloaded: 1176 Clicked: 762 Cited: 0 Commented: 0(p.1143-1155) <Full Text> <PPT> 196

Chinese summary <5> 基于transformer和自适應嵌入策略的可逆信息隐藏

周琳娜¹，陸智高²，尤玮珂¹，房笑妃²
¹北(běi)京郵電大(dà)學網絡空間安全學院，中(zhōng)國北(běi)京市，100084
²國際關系學院網絡空間安全學院，中(zhōng)國北(běi)京市，100091
摘要：在可逆信息隐藏（RDH）領域中(zhōng)，設計高精度預測器以減少嵌入失真和開(kāi)發有效的嵌入策略以最小(xiǎo)化由嵌入信息引起的失真是提高RDH性能的兩個關鍵方面。本文提出一(yī)種新的RDH方法，包括基于transformer的預測器和具有多個嵌入規則的新嵌入策略。在預測器部分(fēn)，我(wǒ)們首先設計了一(yī)個基于transformer的預測器。然後，提出一(yī)種圖像分(fēn)割方法，将圖像分(fēn)成4部分(fēn)，可以使用更多的像素作爲上下(xià)文。與其他預測器相比，我(wǒ)們的預測器可以将用于預測的像素範圍從相鄰像素擴展到全局像素，從而使其在減少嵌入失真方面更爲準确。在嵌入策略部分(fēn)，我(wǒ)們首先提出了能夠利用目标塊中(zhōng)像素的複雜(zá)性度量。然後，開(kāi)發了一(yī)種改進的預測誤差排序規則。最後，我(wǒ)們首次提出一(yī)種包含多個嵌入規則的嵌入策略。本文中(zhōng)的RDH方法可以有效減少失真，同時在提高隐藏圖像的視覺質量方面提供令人滿意的結果。實驗結果表明，本文中(zhōng)提出的RDH算法的性能處于領先地位。

關鍵詞組：可逆信息隐藏；Transformer；自适應嵌入策略

High capacity reversible data hiding in encrypted images based on adaptive quadtree partitioning and MSB prediction

Kaili QI, Minqing ZHANG, Fuqiang DI, Yongjun KONG

DOI: 10.1631/FITEE.2200501 Downloaded: 2769 Clicked: 860 Cited: 0 Commented: 0(p.1156-1168) <Full Text> <PPT> 176

Chinese summary <6> 基于自适應四叉樹(shù)分(fēn)塊與最高有效位預測的大(dà)容量密文域可逆信息隐藏算法

祁凱莉，張敏情，狄富強，孔詠駿
武警工(gōng)程大(dà)學網絡與信息安全武警部隊重點實驗室，中(zhōng)國西安市，710086
摘要：爲提高密文域可逆信息隐藏（reversible data hiding in encrypted images，RDH-EI）算法的嵌入容量，提出一(yī)種基于自适應四叉樹(shù)分(fēn)塊和最高有效位（most significant bit，MSB）預測的大(dà)容量RDH-EI方案。首先根據圖像的平滑程度進行自适應四叉樹(shù)分(fēn)塊，然後将不同大(dà)小(xiǎo)的塊進行塊級加密和置亂，以抵抗對于加密圖像的分(fēn)析。在嵌入數據階段，對于文獻Wang & He（2022）提出的自适應MSB預測方法進行改進，以塊中(zhōng)左上角像素爲目标像素，用于預測其它像素，從而騰出更多嵌入空間。首次将四叉樹(shù)分(fēn)塊方法應用于密文域圖像的可逆信息隐藏。模拟結果表明，所提方法具有可逆性與可分(fēn)離(lí)性，并且在自适應MSB預測方法基礎上進一(yī)步提高了平均嵌入容量。對于512×512大(dà)小(xiǎo)的灰度圖像，平均嵌入容量提高約25 565比特，對于所有嵌入容量有所提高的較平滑圖像，平均嵌入容量提高約35 530比特。

關鍵詞組：自适應四叉樹(shù)分(fēn)塊；自适應最高有效位預測；密文域可逆信息隐藏；高嵌入容量

TPE-H2MWD: an exact thumbnail preserving encryption scheme with hidden Markov model and weighted diffusion

Xiuli CHAI, Xiuhui CHEN, Yakun MA, Fang ZUO, Zhihua GAN, Yushu ZHANG

DOI: 10.1631/FITEE.2200498 Downloaded: 809 Clicked: 1354 Cited: 0 Commented: 0(p.1169-1180) <Full Text> <PPT> 181

Chinese summary <5> TPE-H2MWD:基于隐馬爾科夫模型和分(fēn)權擴散的精确縮略圖保留加密方案

柴秀麗^1,2，陳繡輝¹，馬亞坤¹，左方³，甘志(zhì)華^2,3，張玉書(shū)⁴
¹河南(nán)大(dà)學人工(gōng)智能學院，河南(nán)省工(gōng)業互聯網工(gōng)程技術研究中(zhōng)心，中(zhōng)國鄭州市，450046
²河南(nán)省網絡空間态勢感知(zhī)重點實驗室，中(zhōng)國鄭州市，450001
³河南(nán)大(dà)學軟件學院，河南(nán)省智能數據處理工(gōng)程研究中(zhōng)心，智能網絡系統研究所，中(zhōng)國開(kāi)封市，475004
⁴南(nán)京航空航天大(dà)學計算機科學與技術學院，中(zhōng)國南(nán)京市，211106
摘要：随着圖像傳輸技術日益發展，人們對圖像安全的需求也在大(dà)幅提升。由傳統圖像加密方案獲得的類噪聲圖像雖然可以保證内容安全，但無法直接用于預覽和檢索。一(yī)些學者基于排序後加密方法，設計了一(yī)種三像素縮略圖保留加密方案（TPE2），用于平衡圖像安全性和可用性，然而該方案的加密效率較低。爲此，本文提出一(yī)種有效的精确縮略圖保留加密方案。首先對明文圖像進行分(fēn)塊和位平面置亂，然後采用Z字形置亂模型改變最低的4個位平面中(zhōng)比特的位置，随後介紹了用于改變最高的4個位平面中(zhōng)比特位置的操作（這是隐馬爾科夫模型的一(yī)個擴展應用）。最後，根據每個位平面中(zhōng)比特的權重不同，設計了一(yī)種比特級分(fēn)權擴散規則。至此生(shēng)成的加密圖像能保證塊内像素和不變。仿真結果表明，該方案在平衡圖像隐私性和可用性的同時，提高了加密效率。

關鍵詞組：隐馬爾科夫模型；分(fēn)權擴散；可用性與隐私性之間的平衡；圖像加密

Federated unsupervised representation learning

Fengda ZHANG, Kun KUANG, Long CHEN, Zhaoyang YOU, Tao SHEN, Jun XIAO, Yin ZHANG, Chao WU, Fei WU, Yueting ZHUANG, Xiaolin LI

DOI: 10.1631/FITEE.2200268 Downloaded: 1872 Clicked: 954 Cited: 0 Commented: 0(p.1181-1193) <Full Text> <PPT> 194

Chinese summary <4> 聯邦無監督表示學習

張鳳達¹，況琨¹，陳隆¹，遊兆陽¹，沈弢¹，肖俊¹，
張寅¹，吳超²，吳飛¹，莊越挺¹，李曉林^3,4,5
¹浙江大(dà)學計算機科學與技術學院，中(zhōng)國杭州市，310027
²浙江大(dà)學公共管理學院，中(zhōng)國杭州市，310027
³同盾科技，中(zhōng)國杭州市，310000
⁴中(zhōng)國科學院基礎醫學與腫瘤研究所，中(zhōng)國杭州市，310018
⁵杭州靈思智康科技有限公司，中(zhōng)國杭州市，310018
摘要：爲利用分(fēn)布式邊緣設備上大(dà)量未标記數據，我(wǒ)們在聯邦學習中(zhōng)提出一(yī)個稱爲聯邦無監督表示學習(FURL)的新問題，以在沒有監督的情況下(xià)學習通用表示模型，同時保護數據隐私。FURL提出了兩個新挑戰：（1）客戶端之間的數據分(fēn)布轉移（非獨立同分(fēn)布）會使本地模型專注于不同的類别，從而導緻表示空間的不一(yī)緻；（2）如果FURL中(zhōng)客戶端之間沒有統一(yī)的信息，客戶端之間的表示就會錯位。爲了應對這些挑戰，我(wǒ)們提出帶字典和對齊的聯合對比平均(FedCA)算法。FedCA由兩個關鍵模塊組成：字典模塊，用于聚合來自每個客戶端的樣本表示并與所有客戶端共享，以實現表示空間的一(yī)緻性；對齊模塊，用于将每個客戶端的表示與基于公共數據訓練的基礎模型對齊。我(wǒ)們采用對比方法進行局部模型訓練，通過在3個數據集上獨立同分(fēn)布和非獨立同分(fēn)布設定下(xià)的大(dà)量實驗，我(wǒ)們證明FedCA以顯著的優勢優于所有基線方法。

關鍵詞組：聯邦學習；無監督學習；表示學習；對比學習

RCDS: a right-confirmable data-sharing model based on symbol mapping coding and blockchain

Liang WANG, Shunjiu HUANG, Lina ZUO, Jun LI, Wenyuan LIU

DOI: 10.1631/FITEE.2200659 Downloaded: 3018 Clicked: 1518 Cited: 0 Commented: 0(p.1194-1213) <Full Text> <PPT> 208

Chinese summary <4> RCDS:一(yī)種基于符号映射編碼和區塊鏈的可确權數據共享模型

王亮¹，黃順久¹，左立娜¹，李軍²，劉文遠³
¹河北(běi)大(dà)學網絡安全與計算機學院，中(zhōng)國保定市，071000
²雄安新區智能城市創新聯合會，中(zhōng)國雄安，071700
³燕山大(dà)學信息科學與工(gōng)程學院，中(zhōng)國秦皇島市，066000
摘要：數據确權問題是數據共享中(zhōng)長期存在的瓶頸。現有數據确權方法由于缺乏有效監管手段可信度低，且由于技術限制隻能用于特定數據類型。随着區塊鏈的出現，一(yī)些新的數據共享模型有望提供更可靠的數據安全性。然而，因爲數據訪問不能完全處于區塊鏈設施的控制下(xià)，這些模型在數據确權方面的能力不足。提出一(yī)種名爲RCDS以符号映射編碼（SMC）和區塊鏈爲特征的可确權數據共享模型。通過SMC，數據共享各方通過生(shēng)成符号映射表将其數字身份嵌入被共享數據字節序列中(zhōng)，從而使數據權利的聲明與數據類型和數據量無關。通過區塊鏈，所有數據共享方共同監督數據的交付和訪問，從而可公開(kāi)驗證數據權利的授予。評價結果表明，RCDS在強調确權要求的數據共享應用中(zhōng)是有效且實用的。

關鍵詞組：數據确權；符号映射編碼；區塊鏈；數據共享；叛徒追蹤；訪問控制

High-accuracy target tracking for multistatic passive radar based on a deep feedforward neural network

Baoxiong XU, Jianxin YI, Feng CHENG, Ziping GONG, Xianrong WAN

DOI: 10.1631/FITEE.2200260 Downloaded: 1115 Clicked: 1064 Cited: 0 Commented: 0(p.1214-1230) <Full Text> <PPT> 170

Chinese summary <5> 基于深度前饋神經網絡的多基地外(wài)輻射源雷達高精度目标跟蹤

徐寶兄，易建新，程豐，龔子平，萬顯榮
武漢大(dà)學電子信息學院，中(zhōng)國武漢市，430072
摘要：在雷達系統中(zhōng)，目标跟蹤誤差主要來自運動模型和非線性量測。在評估跟蹤算法時，其跟蹤精度是主要衡量準則。爲提高跟蹤精度，本文将跟蹤問題表述爲從量測到目标狀态的回歸模型，提出一(yī)種基于改進深度前饋神經網絡（MDFNN）的跟蹤算法。所提MDFNN跟蹤算法引入一(yī)種濾波層來描述輸入量測序列的時序關系，并分(fēn)析了最優量測序列長度。仿真和實測的外(wài)輻射源雷達數據測試表明，在所考慮的場景下(xià)，所提算法跟蹤精度優于基于擴展卡爾曼濾波器（EKF）、無迹卡爾曼濾波器（UKF）和遞歸神經網絡（RNN）的跟蹤方法。

關鍵詞組：深度前饋神經網絡；濾波層；外(wài)輻射源雷達；目标跟蹤；跟蹤精度

Perspective

Perspective: Physical artificial intelligence (PAI): the next-generation artificial intelligence

Yingbo LI, Zhao LI, Yucong DUAN, Anamaria-Beatrice SPULBER

DOI: 10.1631/FITEE.2200675 Downloaded: 583 Clicked: 797 Cited: 0 Commented: 0(p.1231-1238) <Full Text> <PPT> 177

Chinese summary <4> 物(wù)理人工(gōng)智能：下(xià)一(yī)代人工(gōng)智能

李穎博¹，李朝²，段玉聰¹，Anamaria-Beatrice SPULBER¹
¹海南(nán)大(dà)學計算機科學與技術學院，中(zhōng)國海口市，570228
²之江實驗室，中(zhōng)國杭州市，311121
摘要：人工(gōng)智能（AI）已經成爲各領域創新和社會進步的驅動力。然而，其大(dà)多數工(gōng)業應用集中(zhōng)在信号處理領域，這依賴于不同傳感器産生(shēng)和收集的數據。最近，一(yī)些研究人員(yuán)提出将數字人工(gōng)智能和物(wù)理人工(gōng)智能結合，這可能帶來人工(gōng)智能理論基礎的重大(dà)進步。在本文中(zhōng)，我(wǒ)們探讨了物(wù)理人工(gōng)智能的概念并提出兩個子領域：集成式物(wù)理人工(gōng)智能和分(fēn)布式物(wù)理人工(gōng)智能。我(wǒ)們還讨論了物(wù)理人工(gōng)智能可持續發展和治理所面臨的挑戰和機遇。由于物(wù)理人工(gōng)智能需要連續處理來自邊緣、霧和物(wù)聯網的分(fēn)布式信号，它可以被看作分(fēn)布式計算連續系統在人工(gōng)智能領域的延伸。