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

2024 Vol.25 No.3 P.333-484

Cover:

<76>

Contents:

<53>

<<< CONTENTS >>>

Perspective

Perspective: Large language model and domain-specific model collaboration for smart education

Yawei LUO, Yi YANG

DOI: 10.1631/FITEE.2300747 Downloaded: 202 Clicked: 290 Cited: 0 Commented: 0(p.333-341) <Full Text>

Chinese summary <2> 大(dà)型語言模型和領域特定模型協作的智慧教育方法

羅亞威¹，楊易²
¹浙江大(dà)學軟件學院，中(zhōng)國甯波市，315048
²浙江大(dà)學計算機科學與技術學院，中(zhōng)國杭州市，310027
摘要：提出旨在增強智能教育的大(dà)型語言與領域特定模型協作（LDMC）框架。LDMC框架充分(fēn)利用大(dà)型領域通用模型的綜合全面知(zhī)識，将其與小(xiǎo)型領域特定模型的專業和學科知(zhī)識相結合，并融入來自學習理論模型的教育學知(zhī)識。這種整合産生(shēng)的多重知(zhī)識表達促進了個性化和自适應的教育體(tǐ)驗。在智能教育背景下(xià)探讨了LDMC框架的各種應用，包括群體(tǐ)學習、個性化輔導、課堂管理等。LDMC融合了多種規模模型的智能，代表了一(yī)種先進而全面的教育輔助框架。随着人工(gōng)智能的不斷發展，該框架有望在智慧教育領域展現較大(dà)潛力。

關鍵詞組：智慧教育；大(dà)型語言模型；領域特定模型；多模型協作；多重知(zhī)識表達

Review Article

Review Article: Engineering applications and technical challenges of active array microsystems

Jiaguo LU, Haoran ZHU

DOI: 10.1631/FITEE.2300401 Downloaded: 222 Clicked: 260 Cited: 0 Commented: 0(p.342-368) <Full Text>

Chinese summary <0> 有源陣列微系統工(gōng)程應用與技術挑戰

魯加國¹，朱浩然²
¹中(zhōng)國電子科技集團公司第三十八研究所，中(zhōng)國合肥市，230039
²安徽大(dà)學電子信息工(gōng)程學院，中(zhōng)國合肥市，230601
摘要：後摩爾時代，有源相控陣天線必然向有源陣列微系統發展。本文簡述了有源陣列天線的特點和組成；圍繞有源陣列微系統的高效率、低剖面和輕量化等特點，分(fēn)析了在機載多功能雷達、航天雷達和通信系統等工(gōng)程方面的應用前景和優勢；針對集成電路後摩爾時代的特點，提出了有源陣列微系統多尺度、多信号和多物(wù)理場等耦合科學技術問題；分(fēn)析讨論了天線陣列微系統所涉及的新型架構和算法、無源器件微型化、新型材料與工(gōng)藝、超寬帶技術、跨領域新技術應用等挑戰，爲有源陣列微系統深入研究奠定基礎。

關鍵詞組：微電子；異構集成；封裝材料；天線陣列微系統；多功能雷達；通信

Research Articles

Towards adaptive graph neural networks via solving prior-data conflicts

Xugang WU, Huijun WU, Ruibo WANG, Xu ZHOU, Kai LU

DOI: 10.1631/FITEE.2300194 Downloaded: 438 Clicked: 717 Cited: 0 Commented: 0(p.369-383) <Full Text>

Chinese summary <0> 通過解決先驗數據沖突實現自适應圖神經網絡

吳旭剛，邬會軍，王睿伯，周旭，盧凱
國防科技大(dà)學計算機學院，中(zhōng)國長沙市，410073
摘要：圖神經網絡（GNN）在各種與圖相關的任務中(zhōng)已取得顯著性能。最近GNN社區的證據表明，這種良好的性能可歸因于同質性先驗，即連接的節點傾向于具有相似的特征和标簽。然而，在異配性設置中(zhōng)，連接節點的特征可能會有顯著變化，導緻GNN模型性能明顯下(xià)降。本文将此問題定義爲先驗數據沖突，提出一(yī)種名爲混合先驗圖神經網絡（MPGNN）的模型。首先，爲解決異配圖上同質性先驗不匹配的問題，引入無信息先驗，它不對連接節點之間的關系做任何假設，并從數據中(zhōng)學習這種關系。其次，爲避免同質圖上性能下(xià)降，通過可學習的權重實現軟開(kāi)關，以平衡同質性先驗和非信息先驗的影響。評估了MPGNN在合成圖和真實世界圖上的性能。結果表明，MPGNN能夠有效捕捉連接節點之間的關系，而軟開(kāi)關有助于根據圖的特征選擇合适的先驗。基于這兩個設計，MPGNN在異配圖上優于最先進的方法，而在同質圖上不會犧牲性能。

關鍵詞組：圖神經網絡；異配性；先驗數據沖突

A robust tensor watermarking algorithm for diffusion-tensor images

Chengmeng LIU, Zhi LI, Guomei WANG, Long ZHENG

DOI: 10.1631/FITEE.2200628 Downloaded: 488 Clicked: 702 Cited: 0 Commented: 0(p.384-397) <Full Text>

Chinese summary <0> 彌散張量圖像的魯棒水印算法

劉程萌，李智，王國美，鄭龍
貴州大(dà)學計算機科學與技術學院公共大(dà)數據國家重點實驗室，中(zhōng)國貴陽市，550025
摘要：在深度學習網絡的研究中(zhōng)，使用卷積神經網絡的水印算法表現出良好的魯棒性。然而，通過卷積嵌入水印信号後，卷積的特征融合效率相對較低；這很容易導緻嵌入圖像的失真。當醫學圖像發生(shēng)失真時，特别是在擴散張量圖像（DTI）中(zhōng)，DTI的臨床價值就會喪失。爲解決這個問題，提出一(yī)種通過融合卷積與Transformer實現的DTI魯棒性水印算法，以确保水印的魯棒性和采樣距離(lí)的一(yī)緻性，從而提高嵌入水印信号後的DTI重建圖像質量。在水印嵌入網絡中(zhōng)，使用T1加權（T1w）圖像作爲先驗知(zhī)識。提出T1w圖像和原始DTI之間的相關性，并利用Transformer從T1w圖像中(zhōng)提取與原始DTI最相關的重要特征提升重建DTI圖像質量。在水印提取網絡中(zhōng)，Transformer充分(fēn)學習水印DTI中(zhōng)最重要的水印特征，從而從水印特征中(zhōng)魯棒提取水印信号。實驗結果表明，水印DTI的平均峰值信噪比（PSNR）達到50.47 dB，擴散特征如平均擴散率和各向異性分(fēn)數保持不變，主軸偏轉角α_AC接近1。所提算法可以有效保護DTI版權，幾乎不影響臨床診斷。

關鍵詞組：魯棒水印算法；Transformer；圖像重構；彌散張量圖像；軟注意力；硬注意力；T1加權圖像

A visual analysis approach for data imputation via multi-party tabular data correlation strategies

Haiyang ZHU, Dongming HAN, Jiacheng PAN, Yating WEI, Yingchaojie FENG, Luoxuan WENG, Ketian MAO, Yuankai XING, Jianshu LV, Qiucheng WAN, Wei CHEN

DOI: 10.1631/FITEE.2300480 Downloaded: 125 Clicked: 206 Cited: 0 Commented: 0(p.398-414) <Full Text>

Chinese summary <1> 基于多方表格數據關聯策略的數據補全可視分(fēn)析方法

朱海洋^1,2，韓東明¹，潘嘉铖¹，魏雅婷³，封穎超傑¹，翁羅軒¹，毛科添¹，邢遠凱²，闾建樹(shù)²，萬邱成²，陳爲¹
¹浙江大(dà)學計算機輔助設計與圖形系統全國重點實驗室，中(zhōng)國杭州市，310058
²物(wù)産中(zhōng)大(dà)數字科技有限公司，中(zhōng)國杭州市，310020
³物(wù)産中(zhōng)大(dà)金屬集團有限公司，中(zhōng)國杭州市，310005
摘要：數據補全是數據治理的一(yī)項重要預處理任務，目的是填補不完整的數據。然而，傳統的數據補全方法隻能通過單張數據表格在一(yī)定程度上緩解數據的不完整問題，并未能在補全值的準确性和效率之間達到最佳平衡。本文提出了一(yī)種新穎的數據補全可視化分(fēn)析方法；設計了一(yī)套多方表格數據關聯策略，采用智能算法識别相似列并在多個表格之間建立列之間的關聯關系，然後利用其它表格中(zhōng)的相似數據條目對缺失數據進行初始補全；開(kāi)發了一(yī)個可視分(fēn)析系統來優化數據補全的候選值。本文中(zhōng)的交互式系統将多方數據補全方法與專家知(zhī)識相結合，有助于更好地理解數據的關系結構，顯著提高了數據補全的準确性和效率，提升了數據治理質量和數據資(zī)産内在價值。實驗驗證和用戶調查表明，本文方法支持用戶使用領域知(zhī)識驗證判斷相關列及相似行。

關鍵詞組：數據治理；數據不完整；數據補全；數據可視化；交互式可視分(fēn)析

Towards understanding bogus traffic service in online social networks

Ping HE, Xuhong ZHANG, Changting LIN, Ting WANG, Shouling JI

DOI: 10.1631/FITEE.2300068 Downloaded: 344 Clicked: 659 Cited: 0 Commented: 0(p.415-431) <Full Text>

Chinese summary <0> 在線社交網絡中(zhōng)的虛假流量服務挖掘

何平¹，張旭鴻¹，林昶廷²，王挺³，紀守領¹
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)學濱江研究院，中(zhōng)國杭州市，310027
³賓夕法尼亞州立大(dà)學信息科學與技術學院，美國賓夕法尼亞州立大(dà)學帕克分(fēn)校，17057-4846
摘要：由于熱門趨勢/話(huà)題頁在在線社交網絡平台中(zhōng)的巨大(dà)影響力，一(yī)種名爲社交網絡虛假流量服務的新的灰黑色産業應運而生(shēng)。社交網絡虛假流量服務提供了一(yī)種惡意服務使得想引導輿論的惡意客戶将其給定話(huà)題推送到社交網絡熱門趨勢/話(huà)題頁。爲達成他們劫持社交網絡熱門趨勢/話(huà)題頁，這些服務的提供商(shāng)維持着一(yī)支被稱爲"虛假流量賬戶"的惡意賬戶大(dà)軍，他們控制這些賬戶，通過短時間内大(dà)量轉發含有客戶所需話(huà)題（标簽）的推文産生(shēng)大(dà)量虛假流量。盡管這項服務已經廣泛影響了社交網絡生(shēng)态，但人們對它知(zhī)之甚少。本文對社交網絡虛假流量服務進行系統性的測量研究。首先調查并發現不同來源的125個社交網絡虛假流量提供商(shāng)，并設立一(yī)個蜜罐賬戶捕獲這些提供商(shāng)控制的惡意賬戶。之後，建立了一(yī)個社交網絡虛假流量檢測器，從中(zhōng)國最大(dà)的微博網站新浪微博中(zhōng)檢測出162 218個惡意賬戶，檢測精度達到94.5%。進一(yī)步利用這些惡意賬戶作爲橋梁，發現了296 916個可能涉及虛假流量的話(huà)題。最後，從攻擊周期和攻擊實體(tǐ)的角度揭示了社交網絡虛假流量灰黑色産業鏈的運行機制。其中(zhōng)，發現了涉及社交網絡虛假流量的惡意賬戶的時間性攻擊模式和智能規避戰術。這些發現使得社交網絡虛假流量的運行機制暴露在大(dà)衆的視野下(xià)。基于這些發現，我(wǒ)們的工(gōng)作将有助于理解并最終消除這種威脅。

關鍵詞組：在線社交網絡；測量；虛假流量；灰黑色市場

Low-rank matrix recovery with total generalized variation for defending adversarial examples

Wen LI, Hengyou WANG, Lianzhi HUO, Qiang HE, Linlin CHEN, Zhiquan HE, Wing W. Y. Ng

DOI: 10.1631/FITEE.2300017 Downloaded: 379 Clicked: 549 Cited: 0 Commented: 0(p.432-445) <Full Text>

Chinese summary <0> 基于廣義全變分(fēn)低秩矩陣恢複的對抗樣本防禦

李文^1,2，王恒友^1,5，霍連志(zhì)³，何強^1,5，陳琳琳^1,5，何志(zhì)權⁴，吳永賢²
¹北(běi)京建築大(dà)學理學院，中(zhōng)國北(běi)京市，100044
²華南(nán)理工(gōng)大(dà)學計算機科學與工(gōng)程學院，中(zhōng)國廣州市，510006
³中(zhōng)國科學院空天信息研究所，中(zhōng)國北(běi)京市，100094
⁴廣東省智能信息處理重點實驗室,，中(zhōng)國深圳市，518060
⁵北(běi)京建築大(dà)學大(dà)數據建模與技術研究所，中(zhōng)國北(běi)京市，100044
摘要：一(yī)階全變分(fēn)（TV）正則化的低秩矩陣分(fēn)解在恢複圖像結構上表現出優異性能。利用全變分(fēn)在圖像去(qù)噪方面的優異性能，提高深度神經網絡魯棒性。然而，盡管一(yī)階全變分(fēn)正則化可以提高模型魯棒性，但其過度平滑降低了幹淨樣本的準确率。本文提出一(yī)種新的低秩矩陣恢複模型，稱爲LRTGV，該模型将廣義全變分(fēn)（TGV）正則化引入到重加權低秩矩陣恢複模型。在所構建的模型中(zhōng)，TGV可以在不過度平滑的情況下(xià)更好地重建圖像紋理信息。重加權核範數和L₁範數可以增強全局結構信息。因此，本文所提出的LRTGV模型在破壞對抗噪聲結構的同時能增強圖像全局結構和局部紋理信息。爲解決具有挑戰性的最優模型問題，本文提出一(yī)種基于交替方向乘子法的算法。實驗結果表明，該算法對黑盒攻擊具有一(yī)定防禦能力，并且在圖像恢複方面優于現有低秩矩陣恢複方法。

關鍵詞組：廣義全變分(fēn)；低秩矩陣；交替方向乘子法；對抗樣本

Adaptive and augmented active anomaly detection on dynamic network traffic streams

Bin LI, Yijie WANG, Li CHENG

DOI: 10.1631/FITEE.2300244 Downloaded: 434 Clicked: 621 Cited: 0 Commented: 0(p.446-460) <Full Text>

Chinese summary <0> 自适應增強的動态網絡流量主動異常檢測

李彬¹，王意潔¹，程力²
¹國防科技大(dà)學計算機學院并行與分(fēn)布計算全國重點實驗室，中(zhōng)國長沙市，410073
²國防科技大(dà)學系統工(gōng)程學院，中(zhōng)國長沙市，410073
摘要：主動異常檢測通過查詢被采樣實例的标簽，增量更新檢測模型，已被廣泛用于檢測網絡攻擊。然而，現有方法不能在動态網絡流量上實現預期表現，這是因爲：（1）它們的查詢策略不能采樣具有信息量的網絡流量，以使檢測模型适應數據分(fēn)布不斷變化的網絡流量；（2）它們的模型更新僅依賴于有限的查詢流量，不能利用網絡流量中(zhōng)巨大(dà)的未标記流量。爲解決這些問題，提出一(yī)種自适應增強的主動先驗知(zhī)識森(sēn)林模型A³PF，用于網絡流量的異常檢測。通過利用網絡攻擊的先驗知(zhī)識，尋找能更好區分(fēn)異常網絡流量和正常網絡流量的特征子空間，從而構建先驗知(zhī)識森(sēn)林模型。一(yī)方面，爲使模型适應不斷變化的網絡流量，設計了一(yī)種新的自适應查詢策略，從動态數據分(fēn)布的變化和異常的不确定性兩個方面對具有信息量的網絡流量進行采樣。另一(yī)方面，基于鄰域中(zhōng)網絡流量的相似性，設計了一(yī)種增強更新方法，爲查詢流量的未标記鄰居生(shēng)成僞标簽，從而在異常檢測模型更新過程中(zhōng)能夠充分(fēn)利用大(dà)量未标記流量。在CIC-IDS2017和UNSW-NB15這兩個入侵檢測數據集上的大(dà)量實驗表明，較之相關方法，A³PF性能顯著提升。具體(tǐ)而言，其平均AUC-ROC分(fēn)别提高20.9%和21.5%，平均AUC-PR分(fēn)别提高44.6%和64.1%。

關鍵詞組：主動異常檢測；網絡流量；僞标簽；網絡攻擊的先驗知(zhī)識

Identity-based searchable attribute signcryption in lattice for a blockchain-based medical system

Huifang YU, Xiaoping BAI

DOI: 10.1631/FITEE.2300248 Downloaded: 292 Clicked: 465 Cited: 0 Commented: 0(p.461-471) <Full Text>

Chinese summary <0> 醫療區塊鏈環境下(xià)基于身份的格上可搜索屬性簽密方案

俞惠芳^1,2，白(bái)小(xiǎo)平¹
¹西安郵電大(dà)學網絡空間安全學院，中(zhōng)國西安市，710121
²青海交通職業技術學院信息工(gōng)程學院，中(zhōng)國西甯市，810003
摘要：電子醫療系統在給人們提供便利的同時，面臨數據僞造和信息洩露的風險。爲解決這些問題，提出一(yī)種适用于醫療區塊鏈的基于身份的格上可搜索屬性簽密（BCMS-LIDSASC）方案。BCMS-LIDSASC實現了區塊鏈環境下(xià)去(qù)中(zhōng)心化和抗量子安全，可提供細粒度訪問控制，同時具有可搜索性；此外(wài)，利用智能合約替代傳統的可信第三方，用星際文件系統（IPFS）存儲密文，緩解區塊鏈的存儲壓力。相比而言，BCMS-LIDSASC擁有更短密鑰、更小(xiǎo)存儲需求和更低計算成本，有助于安全高效地管理醫療數據，可保護患者的隐私信息和确保電子醫療系統的完整性。

關鍵詞組：區塊鏈；基于身份的可搜索屬性簽密；分(fēn)布式存儲；NTRU格

Vibration harmonic suppression technology for electromagnetic vibrators based on an improved sensorless feedback control method

Wei LI, Junning CUI, Xingyuan BIAN, Limin ZOU

DOI: 10.1631/FITEE.2300031 Downloaded: 247 Clicked: 404 Cited: 0 Commented: 0(p.472-483) <Full Text>

Chinese summary <0> 基于改進無傳感器反饋控制方法的電磁振動器振動諧波抑制技術

李偉^1,2，崔俊甯^1,2，邊星元^1,2，鄒麗敏^1,2
¹哈爾濱工(gōng)業大(dà)學超精密光電儀器工(gōng)程研究所，中(zhōng)國哈爾濱市，150080
²哈爾濱工(gōng)業大(dà)學超精密儀器技術及智能化工(gōng)業和信息化部重點實驗室，中(zhōng)國哈爾濱市，150080
摘要：爲實現電磁振動器低諧波失真振動波形輸出，提出一(yī)種基于改進無傳感器反饋控制方法的電磁振動器振動諧波抑制技術。在不改變原驅動電路的情況下(xià)，利用驅動線圈的交流等效電阻獲得高精度的振動速度信息，建立簡單可靠的無傳感器速度反饋控制系統。通過研究不同關鍵參數值對系統的影響，有效擴展了低頻(pín)振動速度特性頻(pín)帶，增強了速度反饋控制的諧波抑制能力。進行了大(dà)量實驗來證明所提出的方法的有效性，并與傳統的控制方法進行比較。在0.01 Hz至1.00 Hz的頻(pín)率範圍内開(kāi)展對比實驗，實驗結果表明，所提出的方法與開(kāi)環控制相比可以将振動波形的諧波失真降低約40%，與傳統的無傳感器反饋控制方法相比可以将諧波失真降低20%。

關鍵詞組：振動校準；電磁振動器；諧波抑制；無傳感器控制方法；速度反饋控制

Erratum

Erratum: Erratum to: A visual analysis approach for data imputation via multi-party tabular data correlation strategies

Haiyang ZHU, Dongming HAN, Jiacheng PAN, Yating WEI, Yingchaojie FENG, Luoxuan WENG, Ketian MAO, Yuankai XING, Jianshu LV, Qiucheng WAN, Wei CHEN

DOI: 10.1631/FITEE.23e0480 Downloaded: 91 Clicked: 194 Cited: 0 Commented: 0(p.484-484) <Full Text>