车联网在智慧城市建设中扮演着不可或缺的角色,汽车不仅仅是交通工具,更是大数据时代信息采集和传输的重要载体. 随着车辆采集的数据量飞速增长和人们隐私保护意识的增强,如何在车联网环境中确保用户数据安全,防止数据泄露,成为亟待解决的难题. 联邦学习采用“数据不动模型动”的方式,为保护用户隐私和实现良好性能提供了可行方案. 然而,受限于采集设备、地域环境、个人习惯的差异,多台车辆采集的数据通常表现为非独立同分布（non-independent and identically distributed,non-IID）数据,而传统的联邦学习算法在non-IID数据环境中,其模型收敛速度较慢. 针对这一挑战,提出了一种面向non-IID数据的车联网多阶段联邦学习机制,称为FedWO. 第1阶段采用联邦平均算法,使得全局模型快速达到一个基本的模型准确度;第2阶段采用联邦加权多方计算,依据各车辆的数据特性计算其在全局模型中的权重,聚合后得到性能更优的全局模型,同时采用传输控制策略,减少模型传输带来的通信开销;第3阶段为个性化计算阶段,车辆利用各自的数据进行个性化学习,微调本地模型获得与本地数据更匹配的模型. 实验采用了驾驶行为数据集进行实验评估,结果表明相较于传统方法,在non-IID数据场景下,FedWO机制保护了数据隐私,同时提高了算法的准确度.

高效安全的数据共享对于智能车联网的深度应用至关重要,在相互不信任的车辆之间实现可信的数据共享成为当前研究的热点. 区块链技术以其防篡改、可追溯等特点,成为支撑智能车联网数据共享流通的主要途径之一. 现有基于区块链的车联网数据共享方案,存在吞吐量小、安全性低等不足. 引入区块链分片方法,提出基于机器学习的分片算法,将地理位置相近的路侧单元（road side unit,RSU）划分到同一分片,并迭代单个分片的数据共享最优负载,降低了片内通信延迟进而提高了吞吐量,平衡了不同分片之间的数据共享负载. 为避免单个分片的贿赂攻击,提出了基于声誉的片内共识协议与监督人机制. 选举具有高声誉的RSU参与片内共识过程,并动态计算RSU的最新声誉. 设定声誉度高的RSU担任监督员,监督员可定期对不同分片产生的区块进行合法性验证. 通过性能评估和安全性分析,证明方案有助于提升智能车联网数据共享的高效性和安全性.

探究了从封闭环境到开放世界环境的转变及其对视觉感知（集中于物体识别和检测）与深度学习领域的影响. 在开放世界环境中,系统软件需适应不断变化的环境和需求,这为深度学习方法带来新挑战. 特别是,开放世界视觉感知要求系统理解和处理训练阶段未见的环境和物体,这超出了传统封闭系统的能力. 首先讨论了技术进步带来的动态、自适应系统需求,突出了开放系统相较封闭系统的优势. 接着,深入探讨了开放世界的定义和现有工作,涵盖开集学习、零样本学习、小样本学习、长尾学习、增量学习等5个开放维度. 在开放世界物体识别方面,分析了每个维度的核心挑战,并为每个任务数据集提供了量化的评价指标. 对于开放世界物体检测,讨论了检测相比识别的新增挑战,如遮挡、尺度、姿态、共生关系、背景干扰等,并强调了仿真环境在构建开放世界物体检测数据集中的重要性. 最后,强调开放世界概念为深度学习带来的新视角和机遇,是推动技术进步和深入理解世界的机会,为未来研究提供参考.

当前区块链生态飞速发展,面向公众的区块链应用服务不断增多,随着 Web3.0概念的升温,这一趋势将愈发明显. 这在给数字经济注入新活力的同时,也给区块链应用监管带来更大挑战. 区块链及其应用的技术特性以及自动化、多中心、多级多维的监管需求客观要求对Web2.0监管技术进行兼容与创新. 针对这些需求与挑战,提出了一套多链协同的“以链治链”监管框架,设计了一个由分层多级监管链和异构接入链构成的监管架构,并明确了该架构下区块链监管的基本流程;将该框架下的监管技术体系抽象成基础层、决策层、跨链层、接入层、执行层和数据层,并提出一系列对监管系统构建最为关键的监管骨干机制. 在监管框架和骨干机制的指导下开发了一套区块链应用监管系统,并通过实验和应用试点验证了系统的有效性和可行性.