本文分析容器云资源动态配置决策问题，通过定义容器云资源的调度任务，求解得到容器云资源调度时间；利用容器云资源调度任务的最短时间矩阵，获取容器云资源调度所需的条件。在双层规划条件下，求解容器云资源调度的目标函数和约束函数；考虑到用户的任务情况和云数据中心的云资源状况，在虚拟机上构建一个到物理主机的矩阵，通过构建容器云资源动态配置结果在优化时的目标函数，结合约束条件，实现容器云资源的动态配置。实验结果表明，资源动态配置算法不仅可以提高容器云资源的利用率，还可以减少配置完成时间，具有更好的动态配置性能。

为了评估具备复杂相关性的风电、光伏出力对电力系统电压稳定的影响，提出一种基于混合藤Copula和继承拉丁超立方采样(Inherit Latin Hypercube Sampling, ILHS)的概率电压稳定评估(Probabilistic Voltage Stability Evaluation, PVSE)算法。基于模糊C均值聚类对实际电网中风速和光照数据进行场景划分，利用AD距离确定不同场景中的最优藤结构，建立基于混合藤Copula的概率输入模型。基于ILHS在概率输入模型上采样，根据收敛条件逐渐增加样本点直至PVSE收敛，在PVSE过程中不断重复使用之前生成的样本点及计算结果，进而大幅提升概率分析效率。基于IEEE118节点系统对所提算法的有效性进行验证，结果表明，所提算法能准确刻画风光数据的相关性，并大幅提升PVSE的计算精度和速度。

随着校园卡的应用场景越来越广泛，校园卡的资金安全问题日益突出，校园卡欺诈不但给师生和校内商家带来经济损失，还会危害校园的正常秩序。针对传统异常检测方法无法有效提取学生消费数据时序特征的问题，提出一种基于半监督学习的学生消费数据异常检测方法。首先，利用门控循环单元改进自编码器，使得模型可以更准确地进行消费数据的重构；然后，采用马氏距离计算重构误差，计算Fβ-分数确定误差阈值，进行异常数据的检测；最后，利用所提方法对某高校的学生消费数据进行异常检测实验。实验结果表明，所提方法具有更优越的检测性能。

随着用户对通信速率的要求日益增长，散射通信的通信容量亟待提升。大规模多输入多输出（MIMO）技术是提升容量的一种重要途径，本文研究基于大规模MIMO的对流层散射通信系统的信道估计问题。首先建立基于二维均匀方形天线阵列的大规模MIMO对流层散射信道模型，其次提出一种信道协方差矩阵估计算法对传统最小均方差（MMSE）信道估计算法进行改进，最后与最小二乘（LS）、传统MMSE算法和理想MMSE信道估计算法的准确度进行对比。仿真结果表明：在信噪比（SNR）为0~25 dB的情况下，传统的MMSE算法的准确度相较于LS算法的提升效果并不明显，与理想MMSE算法的准确度有一定差距；但改进MMSE信道估计算法的准确性优于传统MMSE算法，同等条件下NMSE相同时，其SNR可提升3~5 dB，并随着SNR的增大逐渐逼近理想MMSE算法。

VRPTW问题是带时间窗约束的车辆路径问题，该问题的求解通常被应用到物流的路径规划环节，现实意义突出，属于NP难题，计算量随问题规模增大呈指数增长。PGSA算法是模拟植物生长信息和分支模式的启发式算法，被用于求解组合优化问题。本文以配送总路程最短为目标构建VRPTW问题的约束模型，在原始PGSA算法的基础上，使用双阶段的搜索方案，提高初始解的质量，设计有向生长机制和局部解跳出机制更改原算法生长点的生长策略，提高了PGSA算法的搜索效率。通过在标准数据集上的实验分析，改进后的PGSA算法相比原始PGSA算法，能达到更好的收敛结果，求解效率更高，是一种有效的求解方法。

为解决边缘计算中边缘节点易于被攻击或俘获产生拜占庭错误，从而破坏边缘计算应用可用性的问题，设计一种面向边缘计算应用的拜占庭容错分布式一致性算法Edge-Raft。该算法在现有的经典Raft算法基础上，针对边缘环境中潜在的拜占庭错误进行重新设计，通过引入数字签名、同步日志检测、轮询选举、惰性投票、三阶段日志同步等机制，使其具有拜占庭容错特性的同时，将消息传递的复杂度限制至线性级，保证小于1/3的集群总数的边缘节点发生拜占庭错误时仍能为用户提供有效服务。基于不同节点规模的实验结果表明，与现有Raft算法相比，该算法在保留Raft算法可理解性的基础上，保证算法在边缘环境中的可用性与活性。相比于现有的实用拜占庭容错算法，所提算法将消息传递的时间复杂度限定在线性级，保证该算法在多节点边缘环境中的可拓展性。

CPU的可靠性对计算机系统至关重要。针对神经网络等方法在可靠性分析与评估中参数优化困难、模型评估精度不够准确等问题，提出一种基于粒子群优化BP神经网络的可靠性评估模型。该模型利用由正弦映射优化的PSO算法对BP神经网络的权值和阈值进行优化，提高BP神经网络的收敛速度以及评估精度。基于CPU中各功能模块的可靠度，根据改进的BP神经网络模型建立CPU的可靠性评估模型，通过模型训练与测试完成对CPU的可靠性评估。通过对比实验，验证该模型对辐射环境下CPU可靠性评估的有效性和准确性。

基于手工标记或传统机器学习方法实现睡眠分期过程复杂且效率低下，深度神经网络因其强大的提取复杂特征的能力改善了睡眠分期结果，但仍存在忽略片段内部信息相关性的问题。针对此问题，本文提出一种基于自注意力机制和单导联心电信号的自动睡眠分期算法，利用卷积模块、双向门控循环单元及自注意力机制实现特征自动提取与分类。在开源睡眠心脏健康研究数据库(SHHS1、SHHS2)、动脉粥样硬化的多民族研究数据库(MESA)和美国麻省理工的多导睡眠数据库(MITBPD)中分别选取1000、1000、1000和16名受试者的单导联心电信号数据进行训练和测试，得到模型睡眠四分类(觉醒、快速眼动期、浅睡眠和深睡眠)结果，分类准确率分别达到75.77%(kappa＝0.63)、81.01%(kappa＝066)、82.79%(kappa＝0.71)和76.22%(kappa＝0.58)，优于基于传统机器学习算法的睡眠分期结果，验证了提出模型的有效性。

检泵周期是反映抽油机井工作情况的重要指标，准确预测检泵周期对提高油井产能和经济效益具有重要意义。针对油田检泵周期预测准确率低等问题，提出一种基于特征融合抽油机井检泵周期预测方法。该方法引入SVR提取油田数据的静态特征，利用卷积神经网络学习油田数据的动态特征，引入多模态压缩双线性池化对静态特征和动态特征进行融合，利用判别模型训练融合特征实现检泵周期的准确预测。实验结果验证了该模型的有效性和可行性。

高质量的地物类别提取是大量地学应用的基础。现有的基于像素的分类方法没有充分挖掘多光谱遥感图像中的上下文关联信息，且分类后的标签图像容易产生破碎。为了提升高分辨率遥感图像的分类精度，本文提出一种基于上下文感知网络和超像素后处理的多光谱图像分类方法。该方法利用新设计的卷积神经网络模型来更好地学习多光谱图像中的空间上下文信息。超像素后处理使用小区域分割和投票的策略来合并结构上关联的区域，以避免破碎标签的产生。本文方法在高分一号卫星数据上进行测试，并与6个分类算法进行比较。实验结果表明本文方法在精度和视觉效果上都优于比对算法。另外，对基于新模型分类后的结果进行超像素后处理，不仅减少了分类结果的破碎度，也进一步提升了图像的分类精度。

遥感图像的复合目标相对单一目标而言，存在多个结构，结构之间存在一定差异。本文围绕复合目标多变性、复杂性，大宽幅遥感影像背景复杂，存在较多和待检复合目标特征相似的区域，检测准确率较低等问题，开展基于高分辨率遥感图像的复合目标检测研究。首先开展目标特性分析和样本数据标注；然后提出一种基于Coordinate Attention注意力机制和Focal Loss损失函数的改进YOLOv3检测算法；最后以篮球场这种复合目标为例进行实验。实验结果表明，改进后的算法与原YOLOv3算法相比，召回率和平均检测准确率分别提高了10.3个百分点和28.8个百分点。该结果验证了所提方案的可行性、合理性。

人脸聚类是人脸标注、人脸识别等工作的预处理过程。其主要对人脸图像进行分组，用来为人脸识别模型提供高质量的标注信息，从而有效降低人工标注的成本。人脸聚类的关键在于如何学习大规模人脸数据中整体及局部的结构关系，并把其迁移至待标注数据集。针对这一问题，本文提出一种基于近邻关系聚合的人脸聚类方法（Nearest Neighborhood Aggregation Clustering, NNAC）。该方法把局部结构的学习建模为一个近邻关系预测问题，通过堆叠多个改进的基于残差-全连接模块（Residual Fully-Connected Block, ResFCB）以提取多尺度的邻接关系特征。实验结果表明，相比主流人脸聚类方法，该方法在基准数据集上能够有效提升聚类精度。

卫星遥感图像的智能化处理存在着处理标注时标准不统一、数据分布不均匀的问题，导致有效样本不多、目标检测效果较差的现象。针对这种现象，提出一种基于MoCo无监督对比学习模型的目标检测算法，目标检测的框架采用以ResNet50为骨干网络的YOLOv5，使用对比学习得到的ResNet50的权重作为固定值不进行梯度迭代参与YOLOv5下游的检测任务训练。对比学习实验在AID数据集上进行，改进的MoCo v2的top-1精度最高达到95.888%。在下游的检测任务中，使用的是TGRS-HRRSD数据集，改进MoCo v2的预训练权重的mAP@.5:.95精度达到67.8%，较不使用预训练权重提高了5.6个百分点。结果证明改进的MoCo对比学习模型的有效性，在对比学习之后的下游检测任务中，检测精度也有所提高。

针对视差图像拼接时，拼接图像存在鬼影、亮度不均匀等问题，本文提出一种基于网格运动统计（Grid-based Motion Statistics, GMS）和改进最佳缝合线的视差图像拼接算法。算法首先利用快速特征点提取和描述（Oriented FAST and Rotated BRIEF, ORB）算法提取特征点，并采用GMS算法筛除误匹配点；然后引入HSV颜色空间和图像梯度差改进能量函数，避免缝合线穿过图像边缘；最后基于图切割法求取最佳缝合线，进行图像的梯度融合拼接。仿真实验结果表明，在图像存在较大视差的情况下，本文算法特征点匹配正确率较基于尺度特征不变（Scale Invariant Feature Transform, SIFT）算法和基于加速稳健性特征（Speeded Up Robust Features, SURF）算法最低和最高提高了2.01倍和4.73倍，图像自然度平均提高了22.6%，且拼接的图像亮度均匀、无透视畸变。

针对软件定义网络(SDN)中的转发设备存在不可避免的漏洞和后门、缺乏主动监测或被动检查网络行为的机制等问题，提出一种基于路径跟踪反馈的SDN网络可信传输方案，设计基于跟踪反馈的传输路径可信验证机制，依据反馈信息分析节点的可信性，以此评估路径的可信度；同时，提出一种基于路径跟踪反馈的不相交多路径可信路由算法DMTRA-PTF，能够通过路径跟踪反馈和可信评估引导新的路径及时规避恶意交换机节点，构造不相交多路径路由方案以增强SDN网络传输服务的可信性。对比实验结果表明，路径跟踪反馈机制能够以较小的性能代价准确识别恶意交换机，提出的可信路由算法能够以此为后续路由动态规划不相交多条可信路径，有效提升网络整体的可信性。

OpenID是一个以用户为中心的数字身份识别框架，同时又是一个去中心化的网上身份认证系统，它具有开放、分散、自由等特性。但是，当前已有的一些OpenID协议在有效保护用户隐私方面仍存在诸多不足，如身份提供商可以通过每次使用了解用户登录的依赖方信息。针对上述问题，本文提出一种基于盲签名的OpenID协议设计思路，将OpenID依赖方的网站标识符进行盲化。首先基于国密算法SM9设计一个身份基盲签名方案，并证明该方案的安全性依赖于SM9签名方案；随后基于上述盲签名方案，设计一个OpenID协议；最后通过仿真实验和理论分析论证所提出的OpenID协议的高效性和安全性。

针对工业互联网应用场景中的低时延、低功耗和安全性要求，提出一种雾计算架构的工业互联网数据安全访问方法，基于属性集生成对应的非对称密钥对进行加密消息并存储在云端服务器，由雾节点层来完成密文的部分加解密任务，消除对云服务层的信任依赖和降低设备层的计算开销负担。雾节点层和云服务层对密文数据来说是半信任状态，它们无法根据密文获取任何原始消息，只有授权的设备使用私钥才能完成完全解密获取原始消息，实现工业互联网中端到端的高效安全数据访问方式。通过性能分析验证，提出的方法相比其他方案计算开销和响应延迟更低，安全隐私性更可靠。