南京邮电大学学报(自然科学版)杂志

南京邮电大学学报(自然科学版)杂志2025年第01期

• 高级持续性威胁检测与分析方法研究进展

  季一木,张嘉铭,杨倩,杜宏煜,邵思思,张俊杰,刘尚东

  高级持续性威胁（Advanced Persistent Threat，APT）检测分析是网络安全领域的一个研究热点。APT 检测与分析仍然面临着许多挑战，对当前研究进行归纳梳理，总结了APT 检测与分析方法研究进展。首先，分析APT 攻击威胁建模方法。其次，梳理代表性的APT 攻击检测方法，包括基于主机和基于网络的相关研究。然后，总结APT 攻击分析方法，介绍了攻击溯源与攻击行为推理相关研究。最后，展望未来APT 攻击检测与分析的研究方向，以便研究人员了解当前研究现状和拓展研究思路。

• 基于Bi?LSTM 和时序注意力的异常心音检测

  卢官明,蔡亚宁,卢峻禾,戚继荣,王洋,赵宇航

  异常心音检测是对心脏病进行初步诊断的一种有效而方便的方法。为提升异常心音的检测性能，提出了一种基于双向长短时记忆网络（Bi?directional Long Short?Term Memory，Bi?LSTM）和时序注意力的异常心音检测算法。首先对心音片段进行分帧处理，使用平均幅度差函数（AverageMagnitude Difference Function，AMDF）和短时过零率（Short?Time Zero?Crossing Rate，STZCR）提取每帧心音信号的初始特征；然后将它们拼接后作为Bi?LSTM 的输入，并引入时序注意力机制，挖掘特征的长期依赖关系，提取心音信号的上下文时域特征；最后通过Softmax 分类器，实现正常/异常心音的分类。在PhysioNet/CinC Challenge 2016 提供的心音公共数据集上对所提出的算法使用10 折交叉验证法进行了评估，其准确度、灵敏度、特异性、精度和 F1 评分分别为 0.957 9、0.936 4、 0.964 2、0.883 8 和0.909 3，优于已有的其他算法。实验结果表明，该算法在无需进行心音分段的基础上就能有效实现异常心音检测，在心血管疾病的临床辅助诊断中具有潜在的应用前景。

• 基于信道特征的物联网设备物理层认证

  江凌云,史秀秀

  目前的物联网设备处在复杂的环境中且资源有限，基于信道特征的被动型物理层认证（Physical Layer Authentication，PLA）方式非常适合应用于目前的物联网设备。而传统基于信道特征的PLA 采集到的是静态特征，导致现实中的时变信道认证概率较低。针对这一问题，使用支持向量机（Support Vector Machine，SVM）对时变信道下提取的信道特征进行分类认证，并使用在线学习随机梯度下降（Stochastic Gradient Descent，SGD）来更新SVM 模型，实现了分类模型随着信道的变化而更新。此外，使用了鲁棒主成分分析（Robust Principal Component Analysis，RPCA）对提取的信道特征进行降维处理，降低获取SVM 模型的复杂度并抑制了信道噪声的干扰。仿真结果表明，方案改善了时变信道下的认证概率，提高了鲁棒性。

• 基于地理环境认知的低轨卫星空时多维信道预测方法

  洪涛,焦传伟,丁晓进,刘子威,张更新

  针对低轨卫星通信场景下长传播时延导致的信道状态信息（Channel State Information，CSI）过时问题，提出了一种基于地理环境认知的低轨卫星空时多维信道预测方法。首先，通过射线追踪法建模卫星信道，进而确定不同地理环境下影响CSI 变化的几个关键因素并将其与信道特征参量建立映射关系；然后，设计了一个由卷积神经网络（Convolutional Neural Network，CNN）和长短时记忆（Long?Short Term Memory，LSTM）神经网络构成的组合神经网络模型来有效预测 CSI，通过 CNN 网络提取CSI 和特征参量之间变化的空时相关性来认知地理环境对CSI 变化的影响，利用 LSTM 网络处理时间序列的特点根据当前输入信息预测未来某一时刻CSI 值。在此基础上，进一步提出了一种离线训练-模型更新-在线预测的实施框架以解决低轨卫星平台资源受限及高动态的问题。仿真结果表明，相较于传统的基于LSTM 网络的低轨卫星信道预测方法，所提方法能够有效提升CSI 预测精度及其预测模型的稳定性。

• 广域环境下的高能效无人机辅助通信方法研究

  李业,陈东虎,胡英东

  广域环境下基站覆盖范围有限，用户分布稀疏，两者间的通信链路容易发生中断，难以实现有效传输。针对这种情形，提出了一种高能效的无人机辅助通信方法，通过设计用户接入方式与无人机航迹，在满足用户需求的基础上优化无人机能效。首先，将无人机能效优化建模为一个非凸优化问题，随后基于块坐标下降法，将问题解耦成优化无人机航迹和用户调度两个子问题，对两个子问题采用松弛变量和连续凸逼近方法进行转化，并利用迭代算法获得所提问题的解。仿真结果表明，所提出的迭代算法具有良好的收敛性，能够在满足用户需求的基础上进一步提升无人机的能效，并且验证了中断问题对无人机优化方案的影响。

• 面向动态场景的片上编码超分辨率图像传感器

  冒添逸,王磊,郑雷军,江宇祺,朱书进,戴修斌

  针对图像传感器像素尺寸接近物理极限，难以进一步提高的问题，提出片上编码超分辨率图像传感器。不同于计算视觉中的图像超分辨率任务，片上编码超分技术通过引入光学调控，提供了较为完备的理论依据与数学约束，更加适用于遥感、医学影像等对可解释性和置信度要求较高的领域。首先，构建了面向动态场景的波分复用测量模型和二维空间的三维空间表征与编解码方法。更进一步，基于有限等距性质理论证明了片上静态随机编码板的透过率在50% 时，信息采样效率最大。最后，设计了CCD 器件的专用编码电路组件，通过电子学验证的方式在室内和室外场景验证了片上编码超分辨率图像传感的可行性和有效性。

• 噪声环境下基于域对抗图卷积网络和坐标注意力的说话人确认方法

  陈家辉,葛子瑞,王天朗,郭海燕,杨震

  为了减弱背景噪声对说话人确认（Speaker Verification，SV）性能的影响，提出一种基于域对抗图卷积网络（Domain Adversarial Graph Convolution Network，DA?GCN）和坐标注意力（Coordinate Attention，CA）的SV 方法来提升噪声环境下的SV 性能。首先，针对噪声环境下局部特征变得不稳定这个问题，提出引入CA 模块，将全局时间信息和全局频率信息编码到通道注意力中，以强调有用通道，提取鲁棒性的说话人特征。其次，提出构建DA?GCN 来辅助主网络提取与噪声相关性更小的说话人特征来进行后续的分类。具体而言，将语音信号映射为图信号，利用GCN 分别对干净语音图信号特征和含噪语音图信号特征进行聚合，通过域对抗（Domain Adversarial，DA）训练，辅助主网络提取干净语音域和含噪语音域共享的说话人特征，从而降低噪声对 SV 性能的影响。在 VoxCeleb1 数据集上的实验结果表明，所提CA?DA?GCN 的性能优于基线模型ExU?Net 且表现出良好的泛化能力。

• IRS 辅助的无人机系统安全通信能效优化方案

  王亚彬,梁彦,李飞

  智能反射面（Intelligent Reflecting Surface，IRS）辅助的无人机（Unmanned Aerial Vehicle， UAV）通信系统结合了UAV 的高移动性与IRS 被动波束成形的能力，可以有效提升系统的通信性能。然而，UAV 与地面用户所构成的广播信道易被窃听，导致UAV 通信的安全面临巨大挑战。同时，UAV 机载能量受限的问题也是限制UAV 通信系统性能的潜在瓶颈。为了平衡UAV 通信系统的安全通信速率和UAV 能耗之间的关系，引入了UAV 通信系统的安全通信能效理念，进而提出了 IRS 辅助的UAV 系统安全通信能效优化方案。首先，建立了IRS 辅助UAV 通信系统的优化模型，通过联合优化UAV 的飞行轨迹、速度以及IRS 的相移，最大化系统的安全通信能效。然后，利用交替迭代优化的思想将优化问题解耦为3 个独立的子问题。最后，基于丁克尔巴赫变换、连续凸近似和黎曼流形优化求解子问题，并通过迭代获得联合优化的结果。仿真结果表明，该方案可以有效地提高IRS 辅助UAV 通信系统的安全通信能效。

• 一种自适应的网格化联邦学习客户端调度算法

  吴家皋,蒋宇栋,刘林峰

  针对联邦学习（Federated Learning，FL）系统异构性而导致的训练性能下降问题，提出了一种自适应的网格化联邦学习客户端调度算法。首先，全面考虑FL 的异构性特点，将3 种异构性分别定义为3 个独立的维度，包括训练速度、数据量和数据分布维度，提出了一种新的FL 客户端三维网格模型，并将所有客户端分配到该模型中相应的单元格内，以对其进行分类管理。在此基础上，为了克服传统启发式算法的不足，提出了一种基于多臂老虎机的网格化客户端调度算法，该算法能自适应地选择模型精度较低的单元格中的客户端子集参与每轮的FL 训练，以改善客户端选择的公平性。仿真实验表明，与几种相关的最新FL 算法相比，所提出的算法能显著提高模型精度，同时减少训练时间，从而验证了其有效性。

• 基于ELWE 的多密钥全同态加密方案

  祁正华,何菲菲,何校漫

  格上基于容错学习（LWE）的多密钥全同态加密方案在密钥生成阶段通常直接选取随机矩阵和秘密向量，攻击者容易获得足够多低范数秘密向量或低范数的误差向量，从而获得秘密向量，使得公钥加密的安全性受到削弱。规避LWE（ELWE）是非标准LWE 的一种变体，指即使敌手额外获得了短高斯前像，加密方案仍可以避免归零攻击。首先基于ELWE 构造了一个选择明文安全的单密钥全同态加密方案；其次利用线性组合算法提出了一种密文扩展算法，将单密钥方案扩展为多密钥加密方案。方案的扩展扩大了应用空间，且构造的多密钥方案与其他方案的对比表明，所提方案将解密噪声从8(8m4 + m ) mkδ 降低为2( 2m + 1) mkδ，具有更强的实用性。

• 一种进化梯度引导的强化学习算法

  许斌,练元洪,卞鸿根,刘丹,亓晋

  进化算法（Evolutionary Algorithm，EA）和深度强化学习（Deep Reinforcement Learning，DRL）的组合被认为能够结合二者的优点，即EA 的强大随机搜索能力和DRL 的样本效率，实现更好的策略学习。然而，现有的组合方法存在EA 引入所导致的策略性能不可预测性问题。提出自适应历史梯度引导机制，其利用历史梯度信息，找到平衡探索和利用的线索，从而获得较为稳定的高质量策略，进一步将此机制融合经典的进化强化学习算法，提出一种进化梯度引导的强化学习算法（Evolutionary Gradient Guided Reinforcement Learning，EGG?RL）。在连续控制任务方面的实验表明，EGG?RL 的性能表现优于其他方法。

• 基于双注意力图神经网络的链路预测

  杨真真,林泽龙,杨永鹏

  链路预测是在图结构中预测未知或潜在的边，对挖掘图中的隐含信息、补全图中的缺失数据和发现图中的新知识都具有重要意义。图神经网络（Graph Neural Network，GNN）已被广泛应用于链路预测，然而，现有基于GNN 的链路预测方法存在一些问题：（1）大多数基于GNN 的方法往往容易忽略为链路预测提供额外帮助的边信息的重要性；（2）大多数基于GNN 的方法都仅捕获表示图的邻居节点间相似性的低频信息，忽略了表示邻居节点间差异性的高频信息；（3）大多数基于GNN的方法都未考虑输入特征矩阵的节点维度和特征维度两个维度，只关注其中一个维度。针对这些问题，提出了一种基于双注意力图神经网络（Dual Attention Graph Neural Network，DAGNN）的链路预测方法，该方法包含两条路径，以不同的角度更新节点表示。其中一条是基于图神经网络的路径，采用含边信息的频率自适应图注意力网络（Frequency Adaptive Graph Attention Network withEdge Information，FAGAT?EI）作为基础模型，有效地利用边信息增强节点之间的关系，并利用频率自适应机制平衡高低频率邻居信息的权重，从而缓解GNN 的过度平滑问题；另一条是基于通道注意力网络的路径，提出了一种新的压缩-激励通道注意力模块（Squeeze and Excitation?Channel At? tention Module，SE?CAM）作为基础模型，充分考虑输入特征矩阵的节点维度和特征维度，并自动学习和调整每个节点的不同特征权重，从而得到更有意义的节点表示。最后在两个基准数据集上进行了实验，实验结果表明，提出的链路预测方法在Last?FM 和Book?Crossing 两个数据集上的AUC 和ACC 指标均优于其他基线模型，展现出了卓越的链路预测性能。

• 基于XGBoost 和随机森林的区块链异常交易检测

  赵鹏,王文剑,吴迪,张虹

  近年来，黑客攻击、网络钓鱼、勒索病毒等事件频发，使得区块链交易异常检测成为当前研究的热点之一。XGBoost 作为一种基于梯度提升框架的机器学习算法，可灵活地处理数据特征，不仅关注模型的预测误差，还考虑了每个样本的相对重要性。在前人区块链交易异常检测研究的基础上，将XGBoost 与随机森林算法相结合，提出了基于XGBoost 和随机森林的区块链异常交易检测模型 （Blockchain Anomalous Transaction Detection Based on XGBoost and Random Forests， BATD_XRF）。模型分为数据特征处理、特征选择、分类检测3 个模块，选取Elliptic Data Set、Bitcoin Alpha Dataset 和Bitcoin OTC Trust Network Dataset 数据集，使用主成分分析方法对数据进行二分类。特征选择过程中通过Gini Mean Decrease 计算平均递减量，进一步确定特征的相对重要性。分类检测过程中提出网络搜索参数调优算法，并进行10 倍交叉验证。最终通过与其他模型的对比实验，证明了所提模型在区块链交易异常检测中的准确性更高，训练时间更短。