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

2025 Vol.26 No.5 P.671-832

Cover:

<20>

Contents:

<16>

<<< CONTENTS

Review Article

Review Article: A survey of binary code representation technology

Taiyan WANG, Qingsong XIE, Lu YU, Zulie PAN, Min ZHANG

DOI: 10.1631/FITEE.2400088 Downloaded: 736 Clicked: 962 Cited: 0 Commented: 0(p.671-694) <Full Text>

Chinese summary <1> 二进制代码表征技术研究进展综述

王泰彦^1,2，谢清松^1,2，于璐^1,2，潘祖烈^1,2，张旻^1,2
¹国防科技大学电子对抗学院，中国合肥市，230037
²网络空间安全态势感知与评估安徽省重点实验室，中国合肥市，230037
摘要：二进制分析作为一项重要的基础技术，为软件工程与安全研究领域的众多应用提供支撑。随着软件规模的不断扩大与软件体系架构的复杂演进，二进制分析技术面临全新挑战。为突破现有瓶颈，研究人员将人工智能技术应用于二进制代码理解与分析，其核心在于如何对二进制代码进行表征，即如何使用智能化方法为二进制代码生成含有语义信息的表征向量，从而应用于多种二进制分析下游任务。本文围绕现阶段二进制代码表征技术的研究最新进展进行调研与分析，将现有相关研究的工作流程分为二进制代码特征提取方法与二进制代码特征嵌入方法两部分予以介绍。特征提取部分主要包含特征定义与分类以及特征构造。首先系统性阐述特征的抽象定义与分类，其次详细介绍构建特征具体表征的过程。在特征嵌入部分，根据所用的不同智能语义理解模型，以文本嵌入模型与图嵌入模型的使用情况作为分类依据，将嵌入方法分为4类并予以介绍。最后总结现有研究的整体发展思路，并对二进制代码表征技术相关的一些潜在研究方向进行展望。

关键词组：二进制分析；二进制代码表征；二进制代码特征提取；二进制代码特征嵌入

Research Articles

Neural mesh refinement

Zhiwei ZHU, Xiang GAO, Lu YU, Yiyi LIAO

DOI: 10.1631/FITEE.2400344 Downloaded: 585 Clicked: 763 Cited: 0 Commented: 0(p.695-712) <Full Text>

Chinese summary <1> 神经网格细化

朱志伟^1,2，高翔^1,2，虞露^1,2，廖依伊^1,2
¹浙江大学信息与电子工程学院，中国杭州市，310027
²浙江省信息处理与通信网络重点实验室，中国杭州市，310027
摘要：细分是一种广泛使用的网格细化技术。经典方法依赖于固定的手工定义的加权规则，难以生成具有适当细节的更精细网格，而先进的神经细分方法虽然实现了数据驱动的非线性细分，但缺乏鲁棒性，细分级别有限，而且在新形状上会出现伪像。为解决这些问题，提出一种神经网格细化（NMR）方法，该方法从精细形状中学习几何先验，再通过细分自适应地细化粗糙网格，并展示了鲁棒的可泛化性。我们的关键见解是，有必要将网络从非结构信息（如尺度、旋转和平移）中解耦出来，使其能够专注于学习和应用局部补丁的结构先验来进行自适应细化。为此，引入内在结构描述符和局部自适应神经滤波器。内在结构描述符排除非结构信息以对齐局部补丁，从而稳定了输入特征空间，使网络能够鲁棒地提取结构先验。神经滤波器采用图注意机制，提取局部结构特征，并将学习到的先验知识应用于局部补丁。此外，我们观察到，与L2损失相比，Charbonnier损失可以减轻过度平滑。结合这些设计选择，所提方法获得了鲁棒的几何学习和局部自适应能力，增强了对未知形状和任意细化级别的泛化能力。在一组复杂的三维形状上评估了该方法，结果表明它在几何质量方面优于现有细分方法。项目页面见https://zhuzhiwei99.github.io/NeuralMeshRefinement.

关键词组：几何处理；网格细化；网格细分；解耦表征学习；神经网络；图注意力

S3Det: a fast object detector for remote sensing images based on artificial to spiking neural network conversion

Li CHEN, Fan ZHANG, Guangwei XIE, Yanzhao GAO, Xiaofeng QI, Mingqian SUN

DOI: 10.1631/FITEE.2400594 Downloaded: 516 Clicked: 677 Cited: 0 Commented: 0(p.713-727) <Full Text>

Chinese summary <0> S3Det：一种基于人工-脉冲神经网络转换的遥感影像目标快速检测模型

陈立¹，张帆¹，谢光伟²，高彦钊¹，祁晓峰¹，孙明乾³
¹国家数字交换系统工程技术研究中心，中国郑州市，450003
²复旦大学计算与智能创新学院，中国上海市，201203
³东南大学网络空间安全学院，中国南京市，211189
摘要：人工神经网络（ANN）在遥感影像目标检测方面取得显著进展。然而，低检测效率和高能耗一直是遥感领域的重要瓶颈。脉冲神经网络（SNN）以稀疏脉冲的形式处理信息，为计算机视觉任务带来高效能优势。不过，大部分研究工作集中在简单分类任务上，仅有少数研究者将其应用于自然图像的目标检测。本文考虑到生物大脑的简约特性，提出一种人工-脉冲神经网络快速转换方法，用于遥感影像检测。基于群组稀疏特征建立快速稀疏模型进行脉冲序列感知，并对原始图像进行变换域内的稀疏重采样，从而快速感知图像特征和编码的脉冲序列。此外，为满足相关遥感场景中的精度要求，从理论上分析了转换误差，提出通道自衰减加权归一化方法，以消除神经元过度激活。所提遥感影像目标检测模型被称作S3Det。基于一个大型公开遥感数据集的实验表明，S3Det实现了与ANN相似的精度。同时，我们的转换网络稀疏度为原始算法的24.32%；能耗仅为1.46 W，是原始算法的1/122。

关键词组：遥感影像；目标检测；脉冲神经网络（SNN）；脉冲序列快速感知；通道自衰减归一化

SCFformer: a binary data hiding method against JPEG compression based on spatial channel fusion Transformer

Xintao DUAN, Chun LI, Bingxin WEI, Guoming WU, Chuan QIN, Haewoon NAM

DOI: 10.1631/FITEE.2300762 Downloaded: 896 Clicked: 1462 Cited: 0 Commented: 0(p.728-741) <Full Text>

Chinese summary <0> SCFformer：一种基于空间通道融合Transformer的抗JPEG压缩的二进制数据隐藏方法

段新涛^1,2，李春^1,2，魏冰心³，吴国明^1,2，秦川⁴，Haewoon NAM³
¹河南师范大学计算机与信息工程学院，中国新乡市，453007
²河南师范大学人工智能重点实验室，中国新乡市，453007
³汉阳大学电气与电子工程学院，韩国安山市，15588
⁴上海理工大学光电信息与计算机工程学院，中国上海市，200093
摘要：为增强公共渠道传输过程中信息的安全性，图像常被用于二进制数据隐藏。由于采用联合图像专家组（JPEG）压缩，数据容易失真，恢复原始二进制数据面临挑战。本文提出一种开创性的二进制数据隐藏方法，利用一种结合了空间和通道注意力机制的Transformer模型（称为SCFformer）抵抗JPEG压缩。该方法在隐藏阶段采用一种新颖的离散余弦变换（DCT）量化截断机制，以增强图像的抗JPEG压缩能力，并通过空间和通道注意力机制将数据隐藏到不易察觉的区域，增强模型对隐写分析的抵抗能力。在提取阶段，DCT量化机制最大限度减少压缩过程中秘密图像的丢失，从而更容易实现信息的提取。可扩展模块的整合增加了灵活性，允许可变容量的数据隐藏。实验结果证实所提方案具有高安全性、大容量和高灵活性，同时在JPEG压缩后的二进制数据恢复方面取得显著改进，展示了所提方法的有效性。

关键词组：二进制数据隐藏；抗JPEG压缩；离散余弦变换量化；SCFformer

Anti-quantum cross-chain identity authentication approach using dynamic group signature

Huifang YU, Mengjie HUANG

DOI: 10.1631/FITEE.2400443 Downloaded: 484 Clicked: 468 Cited: 0 Commented: 0(p.742-752) <Full Text>

Chinese summary <1> 基于动态群签名的抗量子跨链身份认证方法

俞惠芳^1,2，黄梦杰¹
¹西安邮电大学网络空间安全学院，中国西安市，710121
²信息工程大学网络空间安全教育部重点实验室，中国郑州市，450001
摘要：为解决区块链跨链交互中存在的用户隐私泄露和身份孤岛问题，基于动态群签名技术，提出一种面向智慧教育的抗量子跨链身份认证方法（DGS-AQCCIDAA）。使用基于中继的跨链安全模型，实现异构联盟链的互联互通。动态群签名被用作跨链身份认证的背书策略。所提方法具有容错学习和非齐次小整数解假设下的抗量子安全性，并使用非交互式零知识证明来保护用户身份隐私。所提方法计算开销低，可为智慧教育系统中的跨区块链提供匿名身份认证。

关键词组：跨链；身份认证；动态群签名；抗量子安全；零知识证明

Optimal federated fusion of multiple maneuvering targets based on multi-Bernoulli filters

Yu XUE, Xi'an FENG

DOI: 10.1631/FITEE.2400598 Downloaded: 472 Clicked: 403 Cited: 0 Commented: 0(p.753-769) <Full Text>

Chinese summary <1> 基于多伯努利滤波器的多机动目标最优联邦融合

薛昱，冯西安
西北工业大学航海学院，中国西安市，710072
摘要：为实现多个不确定机动目标的最优融合跟踪，提出一种具有分层结构的联合多高斯混合多伯努利（JMGM-MB）滤波器的联邦融合算法。JMGM-MB滤波器以交互多模型（IMM）滤波形式传递每个潜在目标的状态密度，因此精度高于多模型高斯混合多伯努利（MM-GM-MB）滤波器。在分层结构中，每个传感器节点执行局域JMGM-MB滤波器来捕获存活目标、新生目标和消亡目标。所提算法的一个显著特点是在融合节点运行一个主滤波器，以帮助判断状态估计的来源和补充漏检。所有滤波器的输出被关联为多组单目标估计。严格推导了IMM滤波器的最优融合，并将其用于合并关联的单目标估计。引入协方差上界技术以真正消除滤波器间的相关性，进而保证了算法的最优性。仿真结果表明，所提算法在线性和异类场景中均优于现有的集中式和分布式融合算法，且允许灵活调整主滤波器和局域滤波器的相对权重。

关键词组：不确定机动目标；联合多高斯混合多伯努利滤波器；分层结构；最优融合；相关性

Memory-efficient tensor parallelism for long-sequence Transformer training

Peng LIANG, Linbo QIAO, Yanqi SHI, Hao ZHENG, Yu TANG, Dongsheng LI

DOI: 10.1631/FITEE.2400602 Downloaded: 42 Clicked: 62 Cited: 0 Commented: 0(p.770-787) <Full Text>

Chinese summary <1> 面向长序列Transformer训练的内存高效张量并行方法

梁鹏，乔林波，时彦琦，郑浩，唐宇，李东升
国防科技大学计算机学院并行与分布计算全国重点实验室，中国长沙市，410073
摘要：近年来，基于Transformer架构的大语言模型（LLM）凭借卓越性能引发广泛关注。工业级LLM需处理长序列输入以提供优质服务。然而，内存消耗随序列长度呈平方级增长，制约长序列训练的扩展能力。现有并行方法在执行过程中产生冗余张量，存在内存优化空间；同时，张量并行（TP）无法实现计算与通信的有效重叠。针对上述问题，本文提出一种通用并行方法—内存高效张量并行（METP），专为Transformer训练核心计算单元（即两个连续矩阵乘法及其间可能存在的函数运算O=f(AB)C设计）。METP将计算O的子任务分配到多设备，采用点对点通信（send/recv）替代集合通信交换子矩阵完成计算，避免生成冗余张量。通过双缓冲技术实现计算与通信的深度重叠，并提出完全重叠的理论条件以指导长序列Transformer训练。理论分析表明：当并行度为p时，METP在未使用FlashAttention计算注意力时的内存开销为O(1/p³)；在使用FlashAttention计算多头自注意力时，相比TP至少可节省41.7%内存。实验证明，基于8块A100 GPU的配置，METP可使序列长度较其他方法提升2.38–2.99倍。

关键词组：分布式学习；大规模语言模型；长序列；机器学习系统；内存高效；张量并行

Spatio-temporal correlation-based incomplete time-series traffic prediction for LEO satellite networks

Liang PENG, Jie YAN, Peng WEI, Xiaoxiang WANG

DOI: 10.1631/FITEE.2300873 Downloaded: 926 Clicked: 1530 Cited: 0 Commented: 0(p.788-804) <Full Text>

Chinese summary <1> 低轨卫星网络中基于时空相关性的不完全时间序列流量预测

彭亮，闫杰，魏鹏，王晓湘
北京邮电大学泛网无线通信教育部重点实验室，中国北京市，100876
摘要：准确的短期流量预测对于提高低轨道卫星网络的数据传输效率至关重要。但是，在复杂空间环境中，收集器失败、传输错误和内存失败可能导致流量值丢失。不完全的流量时间序列阻碍了数据的有效利用，从而显著降低流量预测精度。为解决这一问题，提出一种基于时空相关性的不完全时间序列流量预测模型，该模型分为两个阶段：通过缺失数据推断方法重构不完全时间序列和基于重构的时间序列进行流量预测。在第一阶段，提出一种基于改进的去噪自编码器的缺失数据推断模型。具体来说，将去噪自编码器与格氏角求和场相结合，建立不同时间间隔之间的时间相关性，并从时间序列中提取结构模式。利用低轨道卫星网络流量独特的时空相关性，重点改进去噪自编码器的缺失值初始化方法。在第二阶段，结合低轨道卫星网络的时空相关流量，提出一种基于多通道注意机制卷积神经网络的流量预测模型。最后，为实现这些模型的理想结构，使用多元宇宙优化算法以选择模型参数的最优组合。实验表明，在不同数据缺失率下，所提模型在流量预测精度方面优于基线模型，证明了该模型的有效性。

关键词组：不完全时间序列；去噪自编码器；时空相关性；流量预测；低轨道卫星网络

Federated deep reinforcement learning based computation offloading in a low Earth orbit satellite edge computing system

Min JIA, Jian WU, Xinyu WANG, Qing GUO

DOI: 10.1631/FITEE.2400448 Downloaded: 547 Clicked: 480 Cited: 0 Commented: 0(p.805-815) <Full Text>

Chinese summary <1> 基于联邦深度强化学习的低轨卫星边缘计算系统计算卸载

贾敏，吴健，王欣玉，郭庆
哈尔滨工业大学电子与信息工程学院，中国哈尔滨市，150006
摘要：最近研究表明系统容量对蜂窝网络非常重要。本文考虑最大化蜂窝网络下行链路和上行链路的加权和速率，其中每个小区由一个全双工基站和半双工用户组成。联邦学习可以在没有集中数据的情况下训练模型，实现对用户数据的隐私保护。将移动边缘计算服务器放置在低轨卫星上，可形成低轨卫星边缘计算系统，大大提高卫星的处理能力。因此，本文将联邦学习和移动边缘计算结合，提出一种基于联邦学习的计算卸载算法，在保证用户数据安全的同时最大化加权和速率。采用具有出色全局搜索能力的深度强化学习算法解决子信道分配和功率分配问题。仿真结果表明，与基准算法相比，该算法实现了最大的加权和速率，并具有良好收敛性能。

关键词组：联邦学习；低轨卫星；移动边缘计算；深度强化学习；计算卸载

Frequency-learning adversarial networks based on transfer learning for cross-scenario signal modulation classification

Qinyan MA, Jing XIAO, Zeqi SHAO, Duona ZHANG, Yufeng WANG, Wenrui DING

DOI: 10.1631/FITEE.2400080 Downloaded: 779 Clicked: 1014 Cited: 0 Commented: 0(p.816-832) <Full Text>

Chinese summary <1> 基于迁移学习下跨场景信号调制分类的频谱学习对抗网络

马沁言^1,3，肖京¹，邵泽祺¹，张多纳²，王玉峰³，丁文锐³
¹北京航空航天大学电子信息工程学院，中国北京市，100191
²北方工业大学人工智能与计算机学院，中国北京市，100144
³北京航空航天大学无人系统研究院，中国北京市，100191
摘要：自动调制分类（AMC）在无线通信中既具挑战性又起到至关重要的作用。尽管基于深度学习的方法在信号处理中得到广泛应用，但它们面临着信号分布变化的挑战，特别是在各种信道条件下。本文介绍了一种基于迁移学习的对抗迁移框架，名为频谱学习对抗网络（FLANs），用于跨场景信号分类。该方法利用频谱稳定性，通过引入频率适应（FA）技术，将目标信道信息融入源域信号。为解决信道中的不可预测干扰，采用拟合信道适应（FCA）模块，以减少因信道环境变化引起的源域和目标域之间的差异。实验结果表明，在高信噪比的跨场景真实采集数据集CSRC2023上，FLANs优于现有最先进迁移方法，其分类准确率最高值提高了5.2个百分点。

关键词组：频谱；生成对抗网络；迁移学习；自动调制分类；无线通信