低轨卫星通信技术能够为地面用户提供广覆盖、大容量、高可靠的服务，是未来网络的关键支撑技术之一。手机直连低轨卫星技术具有便携、低成本和用户规模大等优势，具有广阔的市场和应用前景，同时其对低轨卫星的服务资源也有了相应的需求。面向低轨卫星资源受限的场景，提出了一种综合考虑通信、感知、计算和存储的资源模型，并据此提出一种用户分配策略，仿真结果表明，该策略相比于其他3种方法，能够达到更高的资源利用率，服务更多手机用户，也为手机直连卫星技术的发展提供了理论支撑。

针对计算机网络中节点故障对正常业务运行的影响，提出了一种以日志信息为驱动的故障预测方法，通过构建高效的深度学习模型，并引入校正机制，对计算机网络中的节点故障进行预测和诊断，支持网络运维的需求。首先收集计算机网络中各节点产生的日志信息，获得各节点的状态向量和所有节点的状态矩阵，然后通过状态填补原则补充数据集，最后将故障预测问题转换成时间序列预测问题。在公开的小规模运维数据集GAIA中进行性能评估。实验结果表明，与其他算法相比，所提模型在局部网络场景下预测效果良好，预测有效性得到了验证，为计算机网络故障预测研究提供了一定的参考价值。

相比于高效视频编码（high efficiency video coding，HEVC）标准，新一代编码标准多功能视频编码（versatile video coding，VVC）引入了很多新的技术，其中包括四叉树（quadtree，QT）和多类型树（multi-type tree，MTT）划分，MTT划分由HEVC中的QT划分延伸而来。新划分方法提高了压缩效率，但导致编码时间急剧增加。为了降低编码复杂度，提出了一种结合深度学习方法和MTT方向早期判决的快速帧内编码算法。首先使用轻量级的卷积神经网络（convolutional neural network，CNN）对QT和部分MTT进行预测划分，其余MTT则采用提前预测MTT划分方向的方法作进一步的优化。实验结果表明，所提方法能够大幅降低编码复杂度，相比于原始编码器的编码时间减少了74.3%，且只有3.3%的码率损失，性能优于对比的方法。

针对太赫兹频段高速移动场景，提出了一种参考信号方案——增强型离散傅里叶变换扩展正交频分复用（E DFT-s-OFDM）DMRS：将具有循环前缀（CP）和循环后缀（CS）的参考信号序列分割为首部和尾部参考信号序列，然后分别嵌入每个OFDM符号的尾部和首部。这种方案的优点在于，前一个OFDM符号的尾部和后一个OFDM符号的首部构成一个完整的参考信号序列，从而允许接收端在每个OFDM符号间隔内都能进行信道估计，提高了信道估计的精度和实时性。此外，相邻OFDM符号的首部和尾部参考信号序列相同，从而省去了每个OFDM符号的传统循环前缀（CP），提高了频谱效率。仿真结果表明，在太赫兹频段高速移动场景下，与5G NR DFT-s-OFDM波形的DMRS方案相比，该方案的信道估计更精确，通信系统的频谱效率更高。

针对当前遮挡的人脸图像修复中修复图像质量差和模型参数量大的问题，提出了一种基于多尺度特征融合的改进U-Net的轻量化人脸图像修复模型——LM-UNET。首先，使用深度可分离卷积替换原有卷积，增强模型对不同通道和上下文信息的特征表达能力，实现模型轻量化；其次，在跳跃连接中设计了多尺度特征注意力融合模块，充分融合不同尺度特征的信息，内嵌残差块减少特征间语义差距，提高模型修复准确率；最后，引入了位置注意力模块，增强人脸图像的显著信息，提升模型对人脸位置像素信息的有效提取能力。在基于CK+数据集生成的遮挡人脸数据集MFD上对该算法进行训练、验证和测试，修复后的图像的峰值信噪比（PSNR）达到30.49 dB，结构相似性（SSIM）达到96.85%，与其他模型的对比实验结果表明，该模型对存在遮挡的人脸修复图像质量和视觉效果更好。

针对多元可控负荷资源进行可控负荷管理时需要占用大量计算资源，且无法实现自动功率精准控制的问题，提出了一种面向多元可控负荷调控的云边协同负荷资源分配策略。首先，设计了云边协同调控架构，整合处理各种多元可控负荷资源数据；其次，考虑不同边缘节点计算任务的相似度，以所有计算任务的时间开销最小为优化目标，给出云端计算资源分配策略，合理分配计算资源；最后，通过基于自适应交叉—变异概率的遗传算法进行计算资源分配的求解。实验结果表明，所提算法在任务完成时间和执行成本上具有较为明显的优势，并且任务数量越多，计算资源越小时优势越明显，可以显著提升计算效率，降低计算耗时。

以经济有效的方式满足不同行业客户差异化的确定性服务质量体验，有利于推进垂直行业确定性专网建设。面对多种细分行业不同维度的确定性服务质量需求，服务等级协议（service level agreement, SLA）指标的分类分级十分重要。首先总结了垂直行业中多种类型确定性服务的应用场景，并对各类型业务进行了指标需求分析。然后，提出了确定性SLA指标体系并总结了各指标的分级设计方案，解决当前网络SLA指标对于确定性属性体现不足的问题，帮助降低行业客户和服务提供商之间的指标理解对齐难度，使得网络能契合不同行业的确定性服务需求。最后，对未来的工作进行了展望。

现有的异质网络表征学习方法主要关注静态网络，忽略了时间属性对节点表示的重要影响。然而，真实的异质信息网络极具动态性，节点和边的微小变化都可能影响整个结构和语义。鉴于此，提出了基于霍克斯过程的动态异质网络表征学习方法。首先，利用关系旋转编码方式和注意力机制，学习相邻节点的注意力系数，获得节点的向量表示。其次，学习不同元路径的最优加权组合以更好捕获网络的结构和语义信息。最后，基于时间衰减效应，通过邻域形成序列将时间特征引入节点表示中，得到节点的最终嵌入表示。在多种基准数据集上的实验结果表明，所提方法在性能上显著优于对比模型。在节点分类任务中，Macro-F1平均提高了0.15%～3.45%，在节点聚类任务中，归一化互信息（normalized mutual information，NMI）值提高了1.08%～3.57%。

协同通感一体化（cooperative integrated sensing and communication，CoISAC）技术作为6G通感一体化的重要发展方向，能够利用网络中多类型设备的附加通感信息，克服现有通感一体化系统感知精度低、非视距路径失能和感知范围小的问题。对CoISAC技术的现状进行总结和分析，提出了一种新的感知性能评估指标和两种协同技术方案，分析了CoISAC技术所面临的挑战，并对未来技术发展趋势进行了展望。

针对风电、光伏等新能源分布式发电系统（distributed generator，DG）受环境因素变化导致出力不确定、现有碳交易模型交易价格固定导致减碳成本增多的问题，提出基于DG不确定仿射模型的综合能源系统低碳优化规划方法。首先，根据环境条件建立基于矩阵形式仿射算法的DG出力模型，降低DG出力不确定性对综合能源系统优化规划的影响。其次，将碳排放量作为惩罚措施引入综合能源系统优化规划中，改进传统碳交易模型，降低综合能源系统碳排放量。然后，基于差分进化粒子群优化算法，对建立的综合能源系统低碳规划模型求解，避免算法在寻优过程陷入局部最优。最后，在IEEE 33节点系统上的仿真结果表明，所提规划方法比传统随机优化和区间优化规划方法分别降低了8.68%和2.93%的总投资成本，比传统固定碳交易价格模型降低了6.28%的碳排放量。

发光二极管的调制带宽较窄，导致可见光通信系统的容量受限，通过多址接入技术可提高频谱效率和终端用户数量。然而，可见光通信系统多址接入的用户间存在较强的干扰。针对此问题，利用可见光通信系统接收信号间的相关性，提出一种基于深度神经网络的多址接入多用户检测与信号还原方法。基于稀疏码多址接入给出了可见光通信系统的发送端模型与接收端模型，采用时域卷积网络学习长序列的信号间时域相关性，再传入密集层学习信号序列的空间域映射关系，最终在可见光通信系统的接收端还原所有用户的信号。实验结果表明，该方法有效提高了可见光通信系统多址接入的通信性能，在不同通信距离、信噪比、发送速率下均能发挥积极作用。

随着人工智能（artificial intelligence，AI）的兴起，大模型（large language model，LLM）日益成为知识推介和多轮对话的核心技术。伴随而来，AI大模型在数据处理、模型训练和部署过程中的高能耗问题亟须有效评估，以便在模型优化后进行前后量化对比。提出一种AI大模型能耗的评估方法，旨在量化评估AI模型的服务效率（efficiency，E）。该模型使用训练收敛时间（time，T）、模型参数规模（parameter，P）和浮点运算量（floating-point operations，F）等多维度因素，通过构建能源消耗函数C（T，P，F）实现量化分析；同时，运用非线性最小二乘法，得出模型参数。该分析方法不仅适用于电信运营商客服AI模型的运行效率分析，也可泛化于其他行业的AI模型能耗评估。

标准数字化正日益成为国际与国内发展的核心趋势。为实现转型升级，企业需要科学分析和评估其标准数字化能力。现有研究多聚焦企业数字化转型成熟度模型和标准数字化能力等级通用模型两个领域，针对特定行业或公司实际业务层面的标准数字化能力成熟度评估模型研究尚显不足。借鉴能力成熟度模型（capability maturity model，CMM）思想，结合标准全生命周期管理和电网企业技术标准实施情况，开展专家访谈，构建了一个结构清晰的标准数字化能力成熟度模型，该模型包括5个标准数字化能力域和7个标准数字化过程域这两大维度。以国家电网某公司业扩报装场景为例，采用二维表评估方法，得到该公司在这一业务场景下的标准数字化能力达到L2探索级，验证了模型的实际应用效果。

算网大脑是算力网络的智能中枢，是实现算网多要素融合编排调度的关键系统，智能化是算网大脑实现和提升业务灵活、敏捷、高效编排管理与运营能力的核心。通信产业界各方在前期算网大脑产品实现的基础上，聚焦算网大脑的智能化技术引入，并对算网大脑未来智能化演进提出了较高期望。然而，当前尚未形成体系化的算网大脑智能化水平评估方法，无法较好地评估当前算网大脑产品所处智能化水平等级、可提升环节及待优化关键指标等内容。基于业界已有工作和需求分析，研究算网大脑智能化演进目标和阶段能力，提出了一种算网大脑智能化水平分级方法，包含评估对象选择、评估流程分解、约束指标考量等细化步骤，以及一套完整适配算网大脑智能化级别评估的规则，并在最后给出了具体应用示例。该方法可有效量化算网大脑系统所处的具体级别以及向下一级演进的方向与指标，为业界分级评估和系统建设提供参考。

随着科技的飞速发展，机器学习已经成为推动企业进步的关键因素。然而，对于中小企业而言，数据量和算力的限制常常成为其应用机器学习的障碍。算力网络的兴起则为企业带来了新的机遇，但也伴随着数据安全等新的挑战。提出一种面向算力网络的多用户安全协同计算线性回归方案，该方案允许多个用户使用敏感数据在算力网络中实现安全的联合训练，从而构建线性回归模型。该方案采用低成本盲化手段与同态加密技术对用户敏感数据进行加密处理，从而保护了敏感数据的安全性。

5G 确定性网络是支撑5G+工业互联网建设的重要一环，研究5G确定性网络的关键技术和落地方案具有重要意义。首先研究5G超高可靠低时延通信技术以及帧复制和消除技术，以降低传输时延并提高可靠性，其次在5G网络中探索循环队列转发技术，以消除端到端抖动，最后提出一种5G确定性网络落地方案，并在实际工业生产实验室中进行试验。试验结果表明，所提网络方案的综合性能优于现有网络方案，可以满足众多工业场景对5G确定性网络的需求。