面向大中小学生的原子力显微镜开放型实验设计与探索

加强实践教学环节已成为各年龄段教学工作的重要要求和实施课程思政的重要手段。基于原子力显微镜开设面向大中小学生的开放型实验课程,探索实践融入课程思政的新方案和大型仪器设备开放共享的新途径,为大型仪器设备的社会化开放提供新思路,也是课程思政一体化建设的有益尝试。

基于相关性反馈的开源系统跨层需求追踪方法

大型复杂软件系统的需求分析与生成是一个由上而下逐层分解的过程,跨层需求间追踪关系的构建对于项目的管理、开发与演化都至关重要.开源系统的松耦合贡献方式需要每位参与者能便捷地理解需求的来龙去脉及需求状态,这依赖跨层需求间的追踪.问题描述日志是开源系统中需求的常见呈现方式,其无固定模板要求,内容多样(含文本、代码、调试信息等),术语使用自由,跨层需求间抽象层次大,给自动追踪带来极大的挑战.提出一种面向关键特征维度的相关性反馈方法,通过静态分析项目代码结构,抽取代码相关术语及其间的关联强度,构建代码词汇库,以缓解跨层需求的抽象层次差距及用语不统一的问题;通过度量词汇对需求描述的重要性并基于此筛选关键特征维度,以对查询语句进行针对性的优化,有效减少需求描述长度、内容形式等方面的噪音.通过在3个开源系统需求集上针对两个场景的实验,表明所提方法相比基线方法在跨层需求追踪方面的优越性,相比VSM、Standard Rocchio和Trace BERT,F2值的最大提升分别可达29.01%、7.45%和59.21%.

目标机动补偿的动能拦截器增量式制导方法

面向目标强机动、推力干扰、测量偏差的动能拦截器强抗扰末制导方法设计问题,提出一种目标机动补偿的大气层外动能拦截器增量式强抗扰末制导方法。通过回采推力传感信息、视线转率辅助微分信息,同时联合增量式制导方法与惯性时延的扰动估计方法,对目标机动等不确定性和内外部不确定性等带来的扰动进行实时补偿并融合至制导算法,从而实现复杂工况下拦截器对抗机动目标的制导系统扰动降级与鲁棒增强等目的。复杂工况下仿真结果表明:所提方法对强机动目标、测量偏差、推力干扰等多源扰动具有强抗扰能力,并且能够实现精确碰撞式拦截任务。

软骨终板退化对颈椎椎间盘物质运输和力学响应的影响

软骨终板内的液体流动是椎间盘营养供给和代谢废物运输的主要途径.退化的终板刚度增加、渗透性和含水量下降,会影响椎间盘内物质运输和力学响应.基于人体颈椎计算机断层扫描数据建立了C5-C6节段的多孔介质有限元模型.对验证后的模型施加压缩、前屈、后伸、轴向旋转和侧弯五种载荷,通过改变终板渗透性、孔隙比和模量,分析了正常、钙化和硬化三种状态下椎间盘的响应.结果表明:软骨终板退化增加了软骨终板和髓核的多孔压力,降低了软骨终板的流体速度.前屈载荷下,与正常终板对比,钙化和硬化终板导致髓核内流体的多孔压力分别增加了50.8%和88.9%.退化终板渗透率和含水量的降低导致髓核内液体不易流动,增加了髓核基体的应力,在压缩和轴向旋转载荷下,硬化终板导致髓核基体的最大主应力分别增加了122.2%和100.0%.

一种基于安全多方计算的快速Transformer安全推理方案

Transformer模型在自然语言处理、计算机视觉等众多领域得到了广泛应用,并且有着突出的表现.在Transformer的推理应用中用户的数据会被泄露给模型提供方.随着数据隐私问题愈发得到公众的关注,上述数据泄露问题引发了学者们对Transformer安全推理的研究,使用安全多方计算(secure multi-party computation,MPC)实现Transformer模型的安全推理是当前的一个研究热点.由于Transformer模型中存在大量非线性函数,因此使用MPC技术实现Transformer安全推理会造成巨大的计算和通信开销.针对Transformer安全推理过程中开销较大的Softmax注意力机制,提出了2种MPC友好的注意力机制Softmax freeDiv Attention和2Quad freeDiv Attention.通过将Transformer模型中的Softmax注意力机制替换为新的MPC友好的注意力机制,同时结合激活函数GeLU的替换以及知识蒸馏技术,提出了一个MPC友好的Transformer转换框架,通过将Transformer模型转化为MPC友好的Transformer模型,提高Transformer安全推理的效率.在局域网环境下使用安全处理器(secure processing unit,SPU)提供的隐私计算协议,基于所提出的MPC友好的Transformer转换框架,在SST-2上使用Bert-Base进行安全推理.测试结果表明,在保持推理准确率与无近似模型一致的情况下,安全推理计算效率提高2.26倍.

基于形式化方法的航空电子系统检测

随着航空型号的快速发展,航空电子系统的数字化程度越来越高,软件在其中所占的比例越来越大.对航空电子系统中的软件进行测试和检测是保证航空电子系统质量及可信运行的基础.通过分析航空电子系统软件体系结构,对航空电子系统进行形式化建模,并在此基础上,提出了一种形式化的系统级综合检测方法,从静态和动态两个方面对航空电子系统进行检测,最后通过设计并实现一个综合检测系统来验证该方法的有效性.

开源软件缺陷的跨项目相关问题推荐方法

GitHub是著名的开源软件开发社区,支持开发人员在开源项目中使用问题追踪系统来处理问题.在软件缺陷问题的讨论过程中,开发人员可能指出与该缺陷问题相关的其他项目问题(称为跨项目相关问题),为缺陷问题的修复提供参考信息.然而,GitHub平台中托管了超过2亿的开源项目和12亿个问题,导致人工识别和获取跨项目相关问题的工作极其耗时.提出为缺陷问题自动化推荐跨项目相关问题的方法CPIRecom.为了构建预选集,采用项目之间历史相关问题对的数量和问题发布时间间隔筛选问题.其次,为了精准推荐,采用BERT预训练模型提取文本特征,分析项目特征.然后使用随机森林算法计算预选问题与缺陷问题的相关概率,最终根据相关概率排名得到推荐列表.模拟CPIRecom方法在GitHub平台的使用情况.CPIRecom方法的平均倒数排名达到0.603,前5项查全率达到0.715.

联邦学习深度梯度反演攻防研究进展

联邦学习作为一种“保留数据所有权,释放数据使用权”的分布式机器学习方法,打破了阻碍大数据建模的数据孤岛。然而,联邦学习在训练过程中只交换梯度而不交换训练数据的特点并不能保证用户训练数据的机密性。近年来新型的深度梯度反演攻击表明,敌手可从共享梯度中重建用户的私有训练数据,从而对联邦学习的私密性产生了严重威胁。随着梯度反演技术的演进,敌手从深层网络恢复大批量原始数据的能力不断增强,甚至对加密梯度的隐私保护联邦学习(PPFL)发起了挑战。而有效的针对性防御方法主要基于扰动变换,旨在混淆梯度、输入或特征以隐藏敏感信息。该文首先指出了隐私保护联邦学习的梯度反演漏洞,并给出了梯度反演威胁模型。之后从攻击范式、攻击能力、攻击对象3个角度对深度梯度反演攻击进行详细梳理。随后将基于扰动变换的防御方法依据扰动对象的不同分为梯度扰动、输入扰动、特征扰动3类,并对各类方法中的代表性工作进行分析介绍。最后,对未来研究工作进行展望。

科研课堂小班化教学方法探索——火箭发动机尾喷管收扩段电镀工艺仿真“微课题”设计与实践

项目组借助虚拟仿真技术以“体验—学习—发现—探索”为思路构建层层递进的科研课堂“微课题”小班化教学模式,引导学生针对航天领域大型构件电镀仿真模型进行阳极优化设计,明确设计理念。实践结果表明:虚实结合的小班化教学方法有利于培养学生的思维能力、创新能力、分析和解决问题的能力、设计和优化方案的能力,还有利于提高学生的学习兴趣,可为多元化、创新型卓越人才的培养提供经验。

材料成分分析综合实验设计与探索

以标准化、实用化、复合化为原则,以材料成分分析的科研需求为导向,有效利用多种仪器设备资源,设计一个多方法联用测定材料成分的综合实验,实现分光光度法与电感耦合等离子体原子发射光谱法的有效结合。通过基础实验先修、特色实验选修的设置,充分体现学科研究的优势与特色,强化学生有效运用相关知识解决实际问题的能力。

面向数据联邦的安全多方θ-连接算法

近年来,多个国家地区出台了一系列数据安全相关的法律,例如欧盟的《通用数据保护条例》等.这些相关法律法规的出台,加剧了各企业机构等多方之间数据共享难的数据孤岛问题.数据联邦(data federation)正是解决该问题的可能出路.数据联邦是指多个数据拥有方在不泄露各自原始数据的前提下,结合安全多方计算等隐私计算技术,联合完成查询任务的计算.这一概念已成为近年来的研究热点,并涌现出一系列相关的代表性系统工作,如SMCQL、Conclave.然而,针对关系数据库系统中核心的连接查询,现有数据联邦系统还存在如下问题:首先,连接种类单一,难以满足复杂连接条件下的查询需求;其次,算法性能低下,由于现有系统往往直接调用安全工具库,其运行时间与通信开销高昂.因此,针对以上问题进行研究,提出了数据联邦下连接算法.主要贡献如下:首先,设计实现了面向多方的联邦安全算子,能够支持多种运算;其次,提出了支持θ-连接的联邦连接算法与优化策略,显著减少了连接查询所需安全计算代价;最后,基于基准数据集TPC-H,验证了该算法的性能.实验结果表明,与现有数据联邦系统SMCQL、Conclave相比,该算法能够将运行时间和通信开销分别降低61.33%和95.26%.

缺血性卒中患者院内复发风险预测模型开发与验证研究

目的开发基于机器学习算法的缺血性卒中患者院内复发风险的预测模型,并进行外部验证,为相关研究提供借鉴。方法开发队列为中国卒中联盟(China Stroke Center Alliance,CSCA)研究队列,将此队列中的缺血性卒中患者按照8∶2随机划分为训练集和内部验证集。验证队列为第3次中国国家卒中登记(the third Chinanational stroke registry,CNSR-Ⅲ)研究队列。基于指南、文献回顾,确定备选预测因子,然后采用拉索(least absolute shrinkage and selection operator,LASSO)回归进行筛选。基于logistic回归模型以及机器学习算法[随机森林模型、极端梯度提升(extreme gradient boosting,XGBoost)、轻量级梯度提升机器学习(light gradient boosting machine,LightGBM)模型]开发缺血性卒中患者院内复发风险预测模型。评价模型区分度(C统计量)和校准度(Brier得分)两方面的指标。结果CSCA研究队列共纳入1587779例缺血性卒中患者,其中院内复发99085例(6.2%)。CNSR-Ⅲ研究队列共纳入14146例缺血性卒中患者,其中院内复发623例(4.4%)。LASSO回归选择出年龄、性别、卒中病史、高血压、糖尿病、脂质代谢紊乱、心房颤动、心力衰竭、冠心病、周围血管病、LDL-C、空腹血糖、血清肌酐以及院内抗栓治疗作为缺血性卒中院内复发的预测因子。内部验证中,各模型的区分度均在0.75左右,XGBoost模型的区分度(AUC 0.765,95%CI 0.759~0.770)略高于其他模型,各模型的Brier分数均在0.05左右。外部验证中,所有模型的预测效能均较低(AUC<0.60),各模型的Brier分数均<0.08。结论在预测因子数量和维度有限的情况下,logistic回归模型和机器学习算法预测缺血性卒中院内复发风险的效能均较低。未来需从预测因子和算法模型上做更多探索。

急性缺血性卒中患者行阿替普酶静脉溶栓治疗住院期间脑出血预测模型研究

目的基于机器学习算法对急性缺血性卒中(acute ischemic stroke,AIS)或TIA患者行rt-PA静脉溶栓治疗住院期间脑出血的发生情况进行预测,并探索影响rt-PA溶栓治疗后脑出血发生的危险因素。方法纳入中国卒中中心联盟(Chinese Stroke Center Alliance,CSCA)2016年1月—2020年12月登记的被初步诊断为AIS或TIA且接受rt-PA静脉溶栓治疗的患者74654例,平均年龄为(65.55±12.14)岁,其中,男性患者48493例(64.96%),住院期间发生脑出血患者2038例(2.73%)。将数据按年份划分为训练集和测试集,即2016—2019年登记患者划分为训练集,2020年登记患者划分为测试集,采用原型选择下采样技术对训练集数据正负样本进行77∶100平衡处理,构建了逻辑回归、极致梯度提升(extreme gradient boosting,XGBoost)、随机森林、梯度提升决策树(gradient boosting decision tree,GBDT)和分类梯度提升(categorical boosting,CatBoost)共5个模型对脑出血结局进行预测,并使用AUC、灵敏度、特异度、Brier评分等指标对模型预测效果进行评价和比较,采用SHAP图对机器学习模型筛选出的特征进行可解释性分析。结果XG Boost、GBDT、Cat Boost、逻辑回归和随机森林模型的A U C值分别为0.770(95%CI 0.745~0.774)、0.766(95%CI 0.753~0.786)、0.765(95%CI 0.752~0.766)、0.758(95%CI 0.747~0.761)和0.757(95%CI 0.739~0.759),灵敏度分别为0.624(95%CI 0.574~0.672)、0.606(95%CI 0.555~0.655)、0.570(95%CI 0.519~0.620)、0.557(95%CI 0.506~0.607)和0.585(95%CI 0.534~0.635),特异度分别为0.780(95%CI 0.773~0.786)、0.785(95%CI 0.778~0.791)、0.790(95%CI 0.783~0.796)、0.805(95%CI 0.799~0.811)和0.769(95%CI 0.762~0.776),Brier评分分别为0.157、0.154、0.156、0.160和0.161分。通过SHAP图解释结果发现,住院NIHSS评分高、年龄大、空腹血糖水平高、既往心房颤动病史、血小板计数低、发病距溶栓治疗时间窗长、BMI低、就诊时NIHSS评分高等特征为rt-PA溶栓治疗住院期间发生脑出血的危险因素。结论基于机器学习构建的预测模型对行rt-PA静脉溶栓治疗的AIS患者住院期间脑出血的发生具有一定预测效果,本研究对未来机器学习技术在脑出血预测领域的应用有一定探索价值。

共识协议的形式化验证研究现状与展望

分布式系统在计算环境中发挥重要的作用,其中的共识协议算法用于保证节点间行为的一致性.共识协议的设计错误可能导致系统运行故障,严重时可能对人员和环境造成灾难性的后果,因此保证共识协议设计的正确性非常重要.形式化验证能够严格证明设计模型中目标性质的正确性,适合用于验证共识协议.然而,随着分布式系统的规模增大,问题复杂度提升,使得分布式共识协议的形式化验证更为困难.采用什么方法对共识协议的设计进行形式化验证、如何提升验证规模,是共识协议形式化验证的重要研究问题.对目前采用形式化方法验证共识协议的研究工作进行调研,总结其中提出的重要建模方法和关键验证技术,并展望该领域未来有潜力的研究方向.

Argus:基于多源数据驱动的工控安全态势感知系统

工业控制(工控)系统是国家工业制造与民用基础设施的“大脑”,近年来安全风险日益突出,已成为网络安全中的重点防护目标。针对工控安全数据分散、威胁感知滞后的问题,设计了多源数据驱动的工控安全态势感知系统Argus,提出了工控安全感知链,研发了无状态极速设备扫描、威胁情报精准提取、可疑攻击行为检测等工控安全态势自主感知技术,实现了多通道、立体式工控安全监测与态势感知。实验结果显示,相比传统工控安全态势感知方法,Argus系统的感知精度提升超过10%,效率提升两个数量级,并可前摄性地预警、缓解潜在安全风险。

反射剖面精确拟合的次表面散射计算方法

近年来,随着电影、游戏、虚拟现实应用等对真实感要求的不断提高,针对人体组织、牛奶等半透明材质的实时渲染变得越发重要.针对当前大部分次表面散射计算方法难以正确估计散射范围的问题,提出了一种全新的次表面散射计算方法用以精确表示最大散射距离.首先,针对暴力蒙特卡洛光子追踪结果进行模拟,以得到反射剖面结果.其次通过多项式模型进行反射剖面拟合,计算精确着色点处的最大散射范围.最后,提出了一种新的重要性采样方案以减少蒙特卡洛所需的采样数,进一步提高计算效率.此外,方法所需的参数仅由着色点上的反射率以及材质平均自由程提供,以便于灵活调整渲染效果.实验证明,所提模型避免了之前对于散射范围的错误估计,对材质反射率复杂的区域具有更好的渲染精度,且渲染速率满足实时要求.

多基因风险评分的构建及其在卒中领域的应用

卒中是一种由遗传和环境因素共同作用引起的复杂疾病,人类遗传学的发展为卒中的个体化预防和治疗提供了新的机会。多基因风险评分是根据个体的基因型和相关的全基因组关联研究数据,对一种性状或疾病的遗传倾向进行估计,是遗传学研究中全基因组关联研究的补充方法。多基因风险评分可以对患者进行风险分层以进行个性化管理,从而有助于卒中等复杂疾病的精准预测和防控。基于此,本篇综述阐述了多基因风险评分的构建及其在卒中研究中的应用情况,以期为国内相关研究提供思路。

基于时空信息转换方程的药品销量预测模型

针对药品销售中高维短时间序列预测问题,利用时空信息转换方程及储备池计算方法构建了一种基于时空信息(STI)转换方程的药品销售量预测模型。首先针对药品销售时间序列数据样本量较小的特点,引入储备池计算方法拓展数据样本信息维度,将多个不同药品销售量时序数据中的动力学信息引入储备池。使用时空信息转换方程对时间信息与空间信息进行转化,最后在储备池运算的基础上对时空信息转化方程求解,对目标药品的销售量进行有效的时间序列预测。通过将提出的基于时空信息转换方程的时序预测模型与神经网络预测模型在特定药品销售数据集进行时序预测验证并进行横向对比,相较于GRU(Gated Recurrent Unit),所提模型在测试时间节点上的均方根误差(MSE)及运算时间分别减小了13.27%和95.60%、皮尔逊相关系数提高了34个百分点;相较于长短期记忆模型(LSTM),所提模型在测试时间节点上的均方根误差及运算时间分别减小了69.85%和98.00%,而皮尔逊相关系数提高了44个百分点;相较于卷积神经网络模型(CNN),在测试节点的均方根误差及运算时间分别减少了48.96%和88.53%,皮尔逊相关系数提高了33个百分点。证明了基于时空信息转换方程的药品销售预测模型在测试集时间节点上的预测效果要优于GRU、LSTM、CNN时序预测模型,同时也说明模型具有更高的运算效率。

悬空区域侧损失双层次智能改善方法

形状复杂的零件采用3D打印时通常存在悬空区域,悬空区域侧面成型后几何误差,即侧损失,往往非常明显,严重影响悬空区域及其零件的成型精度。为此,提出一种悬空区域侧损失双层次智能改善方法。首先,基于田口法设计了取不同关键设计参数和打印参数的一系列实验,并用所设计的测量方法测取打印的倒“L”形零件的侧损失样本数据。其次,针对倒“L”形零件悬空区域支撑结构迥异的两侧(即悬空侧和非悬空侧)构造了两类侧损失预测网络,可准确预测各尺寸下倒“L”形零件悬空区域两侧成型后的几何误差。再次,以悬空区域两侧的侧损失最小为目标,构造了单目标多变量非线性规划问题,得到优化的侧损失预测值及对应的工艺参数值。最后,依据侧损失预测值对悬空区域两侧实施反向几何偏移补偿,并用优化的工艺参数值进行打印,实现了对悬空区域侧损失的双层次智能改善。基于熔融沉积技术,用训练集以外的倒“L”形零件进行实验,验证了所提方法的有效性。结果表明,所提方法适用于悬空区域且具有显著改善悬空区域侧损失的巨大潜力。

面向加密流量分类的深度可解释方法

目前的深度学习模型在加密流量分类任务上相较于传统机器学习方法的性能优势显著,然而由于它固有的黑盒特性,用户无法获知深度学习模型作出分类决策的机理。为了在保证分类准确率的同时提高深度学习模型的可信度,提出一种面向加密流量分类深度学习模型的可解释方法,包括基于原型的流量层级主动解释和基于特征相似显著图的数据包层级被动解释。首先,利用基于原型的流量原型网络(FlowProtoNet),在训练时自动提取各类流量的典型片段,即流量原型;其次,在测试时计算出待测流量与各类原型的相似度,从而在分类的同时实现训练集的溯源解释;然后,为进一步提升可视化解释能力,提出梯度加权的特征相似度显著图(Grad-SSM)方法。Grad-SSM首先通过梯度对特征图加权,过滤分类决策无关区域;接着,计算待测流量与FlowProtoNet提取的原型之间的推土机距离(EMD)得到相似矩阵,从而通过比较测试流量与该类原型,实现注意力热图的进一步聚焦。在ISCX VPN-nonVPN数据集上,所提方法的准确率达到96.86%,与不可解释的人工智能方法持平,而FlowProtoNet能通过给出与原型的相似度,进一步提供分类依据;同时,所提方法的可视化解释能力更强,注意力更聚焦于流量中的关键数据包。