随着天地一体通信的快速发展，面向泛在宽带通信需求，卫星与地面蜂窝通信产业生态系统逐步走向融合。为实现卫星与地面网络在覆盖、资源、调度等方面的高效协同，提升网络整体性能，星地协同组网将是未来天地一体发展的重要方向。面向天地融合网络的目标愿景，阐述了天地一体融合组网的发展现状及存在的技术挑战，创新性地提出基于星地协同部署的天地一体网络架构与技术体系，并深入分析星地波位级、业务级、规划级协同关键技术方案与优势，为后续业界星地网络协同技术研究提供方向指引。

构建空天地海一体化网络是6G的愿景之一，也是实现“万物智联”的重要手段。卫星通信具备全球覆盖、广域连接能力，是未来空天地海一体化网络的关键要素。首先，讨论空天地海一体化网络的基本架构和发展现状，介绍面向空天地海一体化网络的卫星通信技术；然后，分析空天地海一体化网络场景下卫星通信的若干关键技术，包括体系架构、空中接口、资源调度、网络切片和组网管理等技术；最后，讨论空天地海一体化发展趋势下，卫星通信面临的挑战及其发展前景。

面向不断涌现的新型应用和业务需求，空天地海一体化网络具有全域覆盖、高效灵活、弹性可靠等优势，为众多领域的多样化业务场景提供智能、协同、高效的泛在信息服务，是未来移动通信系统的重要组成部分。首先，分析了空天地海一体化的国内外发展现状、网络架构及其面临的需求挑战；然后，以海量差异化业务的承载需求为驱动力，研究了网络切片、移动边缘计算、通感算一体化关键网络技术；最后，从智能化、融合化、安全化角度探讨了未来空天地海一体化发展方向。

卫星在覆盖范围、可靠性和灵活性等方面与地面5G网络具有融合互补的优势，尤其是低轨卫星和5G网络的融合已成为业界研究热点之一。重点面向星地融合领域介绍了5G网络增强架构及融合关键技术。首先，分析了星地融合领域发展趋势并列举重点应用场景；其次，介绍了5G网络增强架构，涉及基于透明转发卫星和基于可再生卫星的两种组网架构；最后，重点围绕星地融合通信业务需求分析了相关关键技术并进行了简要总结，为5G星地融合的应用落地提供有益参考。

面向未来网络泛在覆盖的愿景，卫星互联网与地面移动通信网络深度融合协同组网是构建空天地一体化通信系统，实现用户随时随地接入的必经技术道路。首先介绍了空天地一体化网络的现状和发展趋势，然后介绍了星地协同组网架构及天基极简核心网设计方案，并讨论了星地协同组网关键技术。最后，针对所提组网架构方案进行了相关试验验证，并探讨了后续研究计划和未来发展。

随着低轨巨型星座的快速部署和卫星互联网的快速发展，由大规模低地球轨道卫星组成的分布式卫星系统是空天地一体化的重要特点。在卫星网络中，低成本、高精度的时间同步技术是其中的核心技术之一。针对低轨卫星高动态、拓扑结构时变特性因素影响下的低轨通信星座的分布式时间同步问题，考虑低轨卫星场景下的通信时延特性，同时为解决现有方法在动态网络拓扑下同步精度和收敛速度方面的不足，提出了一种基于最大似然估计的低轨卫星时间同步方法，能有效解决分布式动态网络中的通信时延随机不可预测以及星间距离不对称的问题。仿真结果表明，低轨卫星动态场景和拓扑结构变化下，本文提出的基于最大似然估计的时间同步方法同步误差均小于5 ns。

给出了一种基于优化循环码移键控（cyclic code shift keying，CCSK）方式的通信导航一体化信号设计方法，使通信信号的互相关函数的正值与导航信号自相关函数的峰值一致，从而克服互相关干扰，提高通信速率。通过频分复用的方式划分通信信号和导航信号的频带，基于正交频分复用（orthogonal frequency division multiplexing，OFDM）技术提出连续分配、交替分配和随机分配3种子载波分配方案。对优化CCSK调制和CCSK调制的一体化信号的自相关峰值性能进行仿真和分析，结果表明，在3种子载波分配方案下，采用优化CCSK调制的一体化信号的自相关峰值性能均优于CCSK调制的一体化信号，且采用优化CCSK调制的通信信号的互相关特性对相应的导航信号的自相关峰值有增强作用，可提升通信导航一体化信号体制下导航信号的码相位同步性能。

主要探讨了天地一体化网络在6G时代面临的安全挑战，提出了一种基于量子安全的创新方案。首先，介绍了天地一体化网络的发展背景和组网架构演进趋势，包括透明转发架构和星上再生架构的特点和应用场景。接着，分析了天地一体化网络面临的安全挑战，特别是数据传输安全风险和接入认证风险。针对这些挑战，提出了一种基于量子技术保障天地一体化网络安全的创新方案，利用量子通信的无条件安全性和后量子密码算法的优势，为天地一体化网络提供端到端的安全通信保障。最后，验证了采用量子技术保障天地一体化网络安全创新方案的可行性。

当前的网络流量识别方法一般针对特定网络环境或数据集进行设计和测试，难以推广应用于复杂多变的实际网络环境。提出了一种基于图神经网络的鲁棒流量识别算法，用于在实际网络场景中实现准确的流量识别。首先，当前算法忽视网络环境波动，导致流行为模式发生改变，准确率下降，通过选择网络流中的高层协议特征对网络流进行聚类和筛选，以减小网络带宽波动对网站访问流量行为的影响。其次，由于当前算法大多只进行单流识别，忽视流间的相互关系，考虑网络流的多种类型特征信息及其相关性，并通过图神经网络提取网络流之间的时空相关特征，充分学习网络流量特征，通过多个流和多种特征的互补关系以提高算法的鲁棒性。最后，使用可以捕获数据全局信息的Transformer模型作为分类器对网络数据流的多类型特征进行分析，实现鲁棒网络流量识别。在不同网络环境下分别采集了对21个目标网站的共大约1 500次和1 400次的访问数据作为数据集进行训练测试，实现了90.7%的准确率，对比最新的ProGraph算法，准确率提高了7.3%，实验结果验证了所提方法的有效性。

协作频谱感知是认知无线电网络的基础和关键阶段，频谱检测过程中的节点分配策略将直接决定联合频谱感知的结果。介绍了多种分配认知终端的方法，旨在提高频谱感知的效率和公平性。针对不同子频带的感知效率，提出了一种称为由频点占用导致的无效传输参数（inefficient transport parameter，ITP）指标来评估通信性能，给出了感知效率优化问题的闭式表达解，设计的场景包括终端对相同频带有不同的感知性能和相同的感知性能。针对不同子频带间的感知公平性，提出了两种分配算法：弓形分配算法和类划分分配算法。子频带间的公平性通过评估子带中最差的感知性能进行衡量。为了适用于实际场景，加入了频段属性参数来增强公平性，该参数考虑了主用户使用不同频段的优先级及抗干扰能力。仿真结果表明，所提出的策略显著改善了认知无线电网络中的ITP，特别是在子频带利用率不同的情况下，提出的弓形分配算法在公平性不明显降低的情况下，复杂度有明显改善。

针对第三代音频视频标准（the third generation audio video coding standard，AVS3）中的率失真优化量化（rate-distortion optimization quantization，RDOQ）过程的编码效率问题，提出一种基于单指令多数据（single instruction multiple data，SIMD）的并行RDOQ算法。首先，在最优系数决策（optimal coefficient decision，OCD）阶段，通过优化，仅保留扫描线内的依赖关系。然后，在最后一个非零位置决策（last non-zero position decision，LNPD）阶段，基于分治策略，通过将Zig-Zag扫描线分解成多个独立扫描线，实现每条扫描线上最优系数位置的并行计算。最后，采用SIMD指令进行并行加速，以提高整个率失真优化量化的计算效率。实验结果表明，该算法在AI配置下，可以降低29.46%的编码时间，而BD-Rate仅损失0.25%。

行人重识别（person re-identification，re-ID）在多摄像机之间进行跨镜检索以匹配目标行人图像，可以在人脸、指纹等生物特征失效的情况下实现行人关联，已成为智能视频监控系统的关键技术，对智能安防、智慧城市等领域的产业落地进行了有效赋能。传统的行人重识别算法通常采用表征学习或度量学习方法。基于多任务学习的机器学习模式，结合表征学习与度量学习方法，综合利用特征表示和距离度量两方面的优势，采用分类损失和三元组损失共同训练模型，使模型在特征提取和相似性度量上都得到充分的训练。实验结果表明，该方法在行人重识别任务中取得了更好的性能，验证了鲁棒性和在泛化能力方面的优越性。

近年来，全球进入智能计算的蓬勃发展期，作为具有巨量参数和复杂结构的深度学习模型，大模型训练需要在多卡、多服务器间实现训练参数的快速同步，所以对算力中心网络的带宽、时延、可靠性、可扩展性和安全性等提出更高要求。研究了面向大模型训练的智算网络的需求和相关关键技术，对智算网络的研究成果、标准规范和案例实践进行了分析，以期进一步促进智算网络的发展。

AI大模型正引领下一个十年的信息与通信技术（information and communications technology，ICT）产业发展热点。智算中心网络是支撑AI大模型分布式训练的通信底座，是决定AI集群效能的关键要素之一。AI大模型的数据量和参数量不断扩张，给智算中心网络带来了严峻的挑战，同时给关键网络技术进行代际性创新带来了机遇。在AI大模型训练和推理过程中，提供数据的高性能和高安全传输是AI业务对智算中心网络的两大核心需求。高效的负载均衡、拥塞控制技术和网络安全协议是其中的关键网络技术。为应对大规模AI业务带来的严峻挑战，提出全调度以太网（global scheduled Ethernet，GSE）作为对应的解决方案，并搭建真实的测试环境对GSE和RoCE（remote direct memory access over converged Ethernet）网络进行性能对比测试。测试结果证明，GSE相较RoCE网络显著改善了任务完成时间（job completion time，JCT）。

随着人工智能的发展，大规模预训练模型在自然语言处理和计算机视觉等领域都取得了显著成果，促进了智算中心的建设。针对面向大模型预训练的智算网络关键技术展开研究，系统梳理了智算网络国内外最新的标准化进展，提出了一种面向智算网络的目标架构，探讨了智算网络关键技术的原理，包括远程直接内存访问（RDMA）、IB（InfiniBand）、基于以太网的RDMA（RoCE）、集合通信等，同时也分析了智算网络目前存在的问题以及未来的发展趋势，在推动智算网络技术发展、指导智算中心建设等方面具有重要意义。

随着人工智能技术的飞速发展，大语言模型已在众多领域得到了广泛应用。然而，大语言模型可能会生成不准确、有误导性甚至有害的内容，这引发了人们对大语言模型可靠性的担忧，采用对齐技术来确保大语言模型的行为与人类价值观一致已经成为一个亟待解决的问题。对近年来大语言模型对齐技术的研究进展进行综述。介绍了常用的指令数据收集方法和人类偏好数据集，概述了监督调整和对齐调整的相关研究，讨论了模型评估常用的数据集和方法，总结并展望了未来的研究方向。