信息物理系统(Cyber Physical System,CPS)作为融合了计算、通信和控制的智能系统,在诸多领域,如智能交通、智能健康等方面发挥着越来越重要的作用。传感器在CPS中扮演着重要角色,但也常成为攻击者的目标。首先,明确了传感器攻击抵御的研究范围,按照攻击发生时间点,将传感器攻击的相关研究分为了攻击防御、攻击抵御和攻击恢复。然后,回顾了常见传感器攻击的类型和影响,包括拒绝服务攻击、重放攻击、欺骗攻击等。接着,总结了基于多源一致性、历史一致性和响应一致性的传感器攻击检测方法。随后,论述了攻击检测后的数据融合方法,包括基于卡尔曼滤波和基于间隔的数据融合方法。最后,探讨了未来可能的研究方向,以进一步加强CPS中传感器攻击的防御能力。

近年来随着互联网、大数据、人工智能等技术的广泛普及与迅猛发展,科研管理正逐步从传统模式转向数据驱动、信息化、智能化的新范式。这一变革使得传统信息系统架构越来越难以满足海量数据交换、数据共享、数据安全等方面的需求。文中以国家自然科学基金委员会(以下简称“自然科学基金委”)的信息系统架构为例,探讨其发展演进方向。面对新时期科学基金改革的推进,自然科学基金委现有信息系统在网络和数据安全保障、智能化服务水平提升以及系统开发与管理效能优化等方面面临诸多挑战。首先介绍了两种传统信息系统架构在自然科学基金委的应用现状,接着,分别从业务量和业务系统数量增长、信创替代、智能服务和数据管理4个方面对现有信息系统面临的挑战进行了深入分析。最后,从数据管理和微服务两个维度给出了对信息系统架构后续发展的思考。

多智体寻路(MAPF)是为多个智能体寻找无冲突路径的问题,灵活显式估计的基于冲突搜索算法是目前解决MAPF问题最有效的有界次优算法之一,但该算法仍存在调用底层算法次数多、迭代中冲突数量减少速度慢等问题。为此,提出基于动态冲突预测的多智体寻路算法(DCPB-MAPF)。该算法分为两层,在底层提出基于关键区间的动态避障方法与基于路径成本预测的迭代方法,用以提升底层算法的运算效率;以此为基础,在顶层提出基于冲突预测的搜索算法,通过快速预测冲突数量以优化冲突选择技术,进一步提出冲突数量优先的启发式函数以加速减少冲突数量。实验结果表明,相比现有算法,所提算法能显著提升多智体寻路问题的运算效率及成功率。

针对当前嵌入式系统的混合部署需求和功能安全需求,提出了一种动态异构冗余的操作系统架构DHR-OS。面向混合部署需求,该架构设计了异构操作系统的混合部署模式,即在多核CPU上以Linux为主操作系统,动态部署RTOS从操作系统镜像。同时,为了操作系统间的协同工作,利用OpenAMP(Open Asymmetric Multi-Processing)实现了主从操作系统间的通信,并基于OpenAMP进一步实现了设备驱动的时分复用、远程过程调用(Remote Procedure Call,RPC)、中断转发路由机制。面向功能安全需求,该架构设计了一套调度、分发、裁决为一体的关键任务安全执行机制。具体地,Linux操作系统事先对RTOS核心做池化处理,当执行关键任务时,从RTOS内核池中调度若干RTOS核心作为任务执行环境,在Linux侧的裁决器基于加权投票的分布式共识算法,处理RTOS核心任务返回的结果。通过上述设计增强了系统的灵活性和抗攻击能力。该工作为嵌入式系统的混合部署和功能安全需求提供了一种新的系统架构解决方案,具有一定创新性和实用价值。

无人艇自主避障已成为其拓展应用场景的一项关键挑战。传统方法下无人艇避障主要依赖于对环境的精细建模,然而,复杂海洋环境下无人艇难以获取完整的感知状态,导致模型精度不足。针对上述问题,提出了一种改进近端策略优化的无人艇自主避障方法。首先,构建了基于马尔可夫决策过程的无人艇自主避障决策框架;然后,在近端策略优化算法中融合了循环神经网络的感知表征增强模块,提高无人艇对时序环境感知的记忆能力;最后,结合奖励重塑机制设计一套自主避障奖励函数,提升无人艇避障策略的优化速度。为了验证算法的有效性,在三维仿真平台下构建了典型无人艇自主避障算法的验证场景。实验结果表明,基于改进近端策略优化方法能够实现无人艇无碰撞自主航行,在模型收敛速度、碰撞率与超时率上均优于传统近端策略算法。

Petri网被广泛应用于信息物理系统(Cyber-Physical Systems,CPS) 的建模与分析,这些系统通常包含多个并发任务。为了简化CPS的实现过程,可将其分解成为若干独立组件。现有的CPS分解方法,如基于整数线性代数的算法,面临高时间复杂度问题;而依赖监控器的分解方法则存在较大的通信开销。为解决这些问题,综合现有分解方法的优势,提出了一种基于解释Petri网的CPS分解方法。该方法通过约束条件逐步分解网络,生成独立的状态机组件,有效缩小了模型规模。同时,提出了一种新的信号同步机制替代传统的监控器方案,显著降低了同步开销。实验结果表明,所提方法在大多数测试案例中的分解时间为 O(n²),远优于传统方法的指数级复杂度O(2ⁿ),且生成的组件集合也更加简洁。

随着信息技术和制造技术的深度融合,云制造工业生产已成为制造业的关键部分。云制造环境的动态性和服务资源间的相互依赖关系,使得选择最佳工业资源服务变得困难。现有的选择优化方法大多基于启发式算法,但这些算法往往缺乏对云制造环境的自适应能力。因此,文中构建了一种云制造环境下的服务选择模型,提出了一种基于深度学习和生成对抗网络思想的服务选择算法,该模型能够灵活适应环境变化,利用图表示学习方法构建任务服务约束图,根据任务、服务和工业生产约束之间的内在联系学习资源服务特征,在算法改进阶段引入梯度优化和损失函数策略,选择最佳工业资源服务。实验结果表明,所提算法相较于其他对比算法表现出了更强的性能优势。

针对视觉安防系统在边缘计算平台部署火焰检测模型时面临的精度与实时性难以平衡的问题,提出一种渐进自适应特征融合的轻量化火焰检测算法。首先,设计轻量级稀疏卷积算子降低模型计算复杂度与内存访问开销。其次,针对分组卷积的通道间信息交互缺陷,基于残差思想构建长距离上下文特征增强的轻量级特征提取组件。为解决深度骨干网络中特征丢失及背景干扰问题,创新性地提出基于高频增强的轻量级特征强化机制,优化空间域和通道域参数,缓解背景干扰问题。在此基础上,建立特征增强-渐进自适应特征融合框架,促进不同尺度特征图充分融合,提高特征图利用率,增强对多尺度目标的识别效果。实验结果表明,所提方法在实时推理速度最高达到27.1 FPS的同时,参数量降低至2.1×10⁶,较基准模型减少69.5%,并达到83.4%的mAP@0.5检测精度,显著优于现有主流方法。

空天地一体化网络作为一种新兴的网络架构,近年来引起了广大研究者的关注,它能够很好地提高网络整体的服务质量。针对偏远地区的网络覆盖不全面,缺乏基本的网络基础设施的问题,提出了一种无人机和卫星共同收集任务的偏远地区空天地一体化网络框架,其中无人机与卫星为地面传感器提供边缘计算服务,云服务器为地面传感器提供云服务。由于无人机覆盖率、任务完成率和任务延迟都是影响系统性能的关键因素,因此对无人机轨迹和计算卸载进行联合优化,最大化无人机覆盖率和任务完成率,并且降低延迟。由于所提出的联合优化问题是一个混合非线性规划问题,因此设计了基于白鲸优化算法和沙猫群优化算法的双层优化算法,两层分别对无人机轨迹和计算卸载进行优化。实验结果表明,所提算法显著提高了多个无人机的覆盖率,且在计算卸载中有效提高了任务完成率,降低了任务的平均延迟。

边缘智能作为一种新型的智能计算范式,能够有效提升智能推理任务在嵌入式边缘设备中的响应速度。而信息年龄(AoI)作为衡量数据时效性的重要指标,对于边缘智能应用的计算资源开销和实时响应至关重要。针对多出口深度神经网络(DNN)的资源配置优化问题,考虑出口退出概率造成的AoI随机不确定性,引入系统AoI的概率约束,基于随机优化理论对出口设置进行决策,以最小化多出口DNN的资源开销。文中提出了一种基于布谷鸟搜索的元启发式算法对所构建的具有概率约束的随机优化问题进行求解,基于各出口的退出概率预测系统AoI的统计分布,根据给定的AoI阈值计算相应的资源消耗量并将其作为布谷鸟个体的适应度值,迭代更新布谷鸟种群并搜索得到最小计算资源开销的出口设置方案。针对多种DNN模型的实验结果表明,与确定性的优化方法相比,随机优化方法能够获得更佳的出口设置决策,在满足AoI概率约束的前提下显著降低了DNN的计算开销。

文中提出了一种面向非GPU类低资源芯片的自适应卷积神经网络加速器(Adaptive Convolutional Neural Network Accelerator,ACNNA),其可根据硬件平台资源约束和卷积神经网络结构自适应生成对应的硬件加速器。通过可重构特性,ACNNA可有效加速包括卷积层、池化层、激活层和全连接层在内的各种网络层组合。首先,设计了一种资源折叠式多通道处理引擎(Processing Engine,PE)阵列,将理想化卷积结构进行折叠以节省资源,在输出通道上展开以支持并行计算。其次,采用多级存储与乒乓缓存机制对流水线进行优化,有效提升数据处理效率。然后,提出了一种多级存储下的资源复用策略,结合设计空间探索算法,针对网络参数调度硬件资源分配,使低资源芯片可部署层次更深且参数更多的网络模型。以LeNet5和VGG16网络模型为例,在Ultra96 V2开发板上对ACNNA进行了验证。结果显示,采用ACNNA部署的VGG16最低仅消耗了原网络4%的资源量。在100MHz主频下,LeNet5加速器在2.05W的功耗下计算速率达0.37 GFLOPS;VGG16加速器在2.13W的功耗下计算速率达1.55 GFLOPS。与现有工作相比,所提方法的FPS提升超过83%。

弱硬实时(Weakly-Hard Real-Time,WHRT)系统由于能够有效地利用计算资源,并且可以同时容忍部分作业的超时来保证系统的稳定性,因此在过去二十年中得到了极大的发展。然而,目前关于多核环境下弱硬实时任务调度的研究却较少,现有的基于全局调度的方案因任务迁移带来的高运行时开销,实际可行性受到了极大的限制;而作业级分区算法则通常忽略了弱硬约束下任务利用率的影响,因此任务集的可调度性性能不高。为了解决这些问题,基于单处理器的全局紧急调度(Global Emergency-Based Scheduling,GEBS),提出了一种弱硬约束启发的任务划分算法(Weakly-Hard-Constraint Aware Task Partition Algorithm,WHCA-TPA)和另一种优先级距离启发的任务划分算法(Priority-Distance-Aware Task Partition Algorithm,PDA-TPA)。WHCA-TPA考虑不同任务之间的干扰,对系统的利用率进行更合理的估计,并以此作为启发对任务进行更合理的分配。PDA-TPA通过减少同一核上不同优先级任务之间的抢占次数,来减少系统上下文切换的次数。将所提算法与现有的传统分区算法进行对比,大量的实验结果表明,WHCA-TPA在不同系统参数下都可以获得更高的可调度比例,并且和PDA-TPA在绝大部分情况下都能有效地降低运行时开销。