为了满足多样化场景下的通信需求，5G采用了以正交频分复用（orthogonal frequency division multiplexing，OFDM）技术为基础的混合参数集系统。该系统将具有不同子载波间隔和循环前缀长度的OFDM符号在频域进行复用，同时服务不同场景下的用户。混合参数集系统中峰均比（peak-to-average power ratio，PAPR）过高的问题仍然存在，并且不同参数子信号叠加生成混合信号这一设计结构使得传统OFDM的PAPR抑制方法难以直接应用。基于预留子载波技术建立了混合参数集系统最小化 PAPR 的优化模型。利用时域核脉冲的单峰特性，根据混合信号的峰值位置同时在不同参数集中产生多个副本，之后叠加生成混合时域核脉冲进行峰值抵消。所提算法不需要在迭代中进行快速傅里叶逆变换（inverse fast Fourier transform，IFFT）/快速傅里叶变换（fast Fourier transform，FFT）操作，具有较低的计算复杂度。仿真结果表明，该算法有效降低了混合信号的PAPR。

针对雷达复合干扰信号种类越来越多以及训练样本过少难以令深度学习模型达到最优状态的问题，提出一种在小样本下雷达复合干扰半监督迁移学习识别的方法，通过未带标签样本来解决标签样本难以获取而导致网络训练精度不高的问题，将在单一干扰数据集预训练后得到的特征提取器和分类器迁移到小规模复合干扰数据集上，并利用权重印记和半监督学习对模型进行微调，通过所提出的最近邻相关性损失（nearest neighbor correlation loss，NNCL）来优化模型参数。实验结果表明，在干噪比为10 dB、新类复合干扰信号带标签样本仅有5个时，模型可达93.20%的识别准确率。

车联网环境下面向车辆的应用普遍具有计算密集和时延敏感等特性，引入移动车辆闲置计算资源作为网络算力的补充，可有效缓解边缘服务器的计算负载压力。针对车联网环境中边缘计算卸载的任务分配问题，充分利用RSU、用户车辆和RSU服务范围内移动车辆的计算资源组合，提出一种基于麻雀搜索算法的计算卸载方案（sparrow search based computation offloading scheme，S²COS），用以优化整体系统能耗。此外，该方案充分考虑了车辆移动性带来的服务时间限制以及计算节点出现故障的可能性等现实问题。仿真结果表明， S²COS在处理计算密集和时延敏感型任务时可以满足任务时延要求，并且能够显著降低系统能耗。

在对网络终端功率进行控制时，由于网络状态动态波动，通信网络终端功率的适应性调节能力较差，为此，提出了基于自适应哈希函数的电力线载波通信网络终端功率控制方法。考虑电力线载波通信网络的实际运行状态是动态波动的，为哈希函数设置了自适应机制，构建了自适应哈希函数，利用自适应函数对原始的电力线载波通信网络运行状态数据进行计算后，在可变的多混沌映射系统次迭代得到最终的哈希值。在电力线载波通信网络终端功率控制阶段，计算了处于蜂窝模式时和处于设备到设备（device-to-device，D2D）通信模式时，通信网络终端受到其他通信网络终端的干扰，并将其作为自适应哈希函数的输入值，将最终的哈希值一致作为参数调整基准，实现了对各通信网络终端功率的控制。在测试结果中，所提控制方法不仅有效降低了恒定通信条件下的网络终端功率上升幅度，同时有效降低了动态通信条件下的网络终端功率输出，具有较高的适应性调节能力。

协作频谱感知是认知无线电中的关键技术。针对协作频谱感知中存在的安全性、隐私性、激励性和隐藏终端等问题，提出了一种运行在智能合约上的数据驱动的智能化空间分集的协作频谱感知系统。具体地，利用区块链的去中心化、数据难以篡改等特性，设计了一种激励性的协作频谱感知系统，并采用深度学习的方法来识别系统中的恶意用户。此外，针对如何更为高效地在该系统中招募感知节点以达到较高的感知准确率，设计了基于性能权重和空间分集的硬判决协作频谱感知融合算法。实验结果表明，所提算法在安全性、隐私性、激励性、感知准确率方面优于传统的协作频谱感知算法。

多极化距离高分辨雷达是地面静止目标检测的重要手段，其回波中目标占据多个距离单元，成为扩展目标。传统基于回波能量的扩展目标检测方法的性能随信杂比的降低而下降。提出一种基于极化分解特征的扩展目标检测算法，利用目标和杂波之间的极化散射特性差异提升低信杂比下的检测性能。所提方法提取16 种极化分解特征组成特征向量作为检测统计量，再使用支持向量数据描述（SVDD）算法估计判别门限。在判别门限的训练阶段，杂波数据的极化分解特征被提取用作训练数据。并且为保证虚警概率，在SVDD的目标函数中引入了两个惩罚参数。使用实测数据进行了实验验证，所提方法在戈壁背景、虚警概率为 10^-4、检测概率为90%的情况下，所需信杂比约为12.6 dB，相较于基于能量的对比方法降低约1.7 dB。

针对超短波频段中存在的5 kHz信道、25 kHz信道、宽带干扰信道、窄带干扰信道和单音干扰信道的分类识别问题，提出了一种基于镜像填充谱与局部二值模式的注意力机制残差网络（LBP attention ResNet50， LA-ResNet50）的超短波信道分类识别方法，有效解决了低信噪比下卫星信道与底噪难以区分，信号信道与特征相近的干扰信道识别困难的问题。首先，所提方法对超短波的频谱进行镜像对称并填充，同时对频谱边缘进行描黑处理，构成镜像填充谱，提高不同类型信道频谱图的区分度；然后，在ResNet50中引入通道注意力机制，使网络模型关注度集中在信道上；最后，提出了基于交叉熵和局部二值模式（local binary pattern，LBP）的损失函数，提高对信号信道和干扰信道图像边缘细微纹理特征的提取效果。所提基于镜像填充谱和LA-ResNet50 的方法，对比利用快速傅里叶变换（fast Fourier transform，FFT）频谱门限阈值分类的传统方法与基于镜像填充谱的YOLOv5s目标检测分类法，以及基于镜像填充谱的注意力机制残差网络（Attention-ResNet50）、Transformer网络方法，在10 dB信噪比下对超短波信道的分类识别率分别提高了19.8%、8.2%、1.8%、0.8%。

现有的网络入侵检测技术多数需要大量恶意样本用于模型训练，但在现网实战时，往往只能获取少量的入侵流量样本，属于小样本条件。对此，提出了一种适用于小样本条件的网络入侵检测方法。该方法由数据包采样模块和元学习模块两部分组成，数据包采样模块用于对网络原始数据进行筛选、剪切与重组，元学习模块则用于特征提取、结果分类。在基于真实网络流量数据源构建的 3 个小样本数据集上的实验结果表明，该方法适用性好、收敛快，能有效减少异常点的出现，在 10 个训练样本下的检测率最高可达 99.29%，准确率最高可达97.93%，相比目前已有的算法，分别提升了0.12%和0.37%。

针对道路场景图像中不同距离目标车辆特征存在识别效果弱、精度低的问题，提出一种基于优化卷积神经网络的车辆特征识别算法。首先，采用基于PAN模型的多尺度输入获取不同距离的目标车辆特征；其次，在卷积神经网络结构中加入多池化、BN层和Leaky ReLU激活函数改进网络模型的性能，通过引入混合注意力机制，集中关注车辆图像中的重要特征和区域，从而增强了网络模型的泛化能力；最后，通过构建多层次卷积神经网络结构完成对车辆的特征效果识别。仿真实验结果表明，在单一场景的BIT-Vehicle数据库中，本文算法相比CNN、R-CNN、ABC-CNN、Faster R-CNN、AlexNet、VGG16和YOLOV8在单一目标和多目标识别率方面分别提高了 16.75%、10.9%、4%、3.7%、2.46%、1.3%、1%和 17.8%、10.5%、2.5%、3.8%、2.7%、1.1%、1.3%，在复杂场景的UA-DETRAC数据库中，本文算法相比其他算法在不同距离目标车辆识别中获得了更加精确的效果。

5G流量驻留比是目前通信运营商普遍采用的评估5G网络覆盖能力的重要指标，也是牵引网络规划优化、维护运营工作的重要抓手。基于网络侧、用户侧大数据分析，综合考虑实际无线传播影响因素、现有网络结构、网络协同策略、用户行为等因素，对 3.5 GHz 频段 5G 网络驻留能力进行评估、分析，计算得出5G流量驻留比的极限值，诠释了用户感知与驻留比的正向关系，为5G流量驻留比目标值的合理设定提供了理论依据。

为解决5G网络基站选址未考虑建筑物的空间分布规律，使得基站选址效果不理想，导致基站覆盖范围较小的问题，提出了基于果蝇优化算法的5G网络基站选址研究方法。计算前线基站到圆形覆盖中心的距离，利用卫星通信设备对回传信号定位，得到后方基站的可选位置区域。计算数据接收、发送和聚合能耗，在蜂窝单元均衡分配的前提下，保证基站数据负载平衡。构建基站选址双层位置模型，设定约束条件，确定基站最佳位置。利用果蝇优化算法更新位置，经过个体更新迭代处理，避免陷入局部最优，获取精细的基站选址位置。由实验结果可知，该方法前线、后方基站损耗最小分别为50 dB、70 dB，基站覆盖范围半径为6 km，与理想基站覆盖范围一致。

新型计算类应用对通信网络提出新的挑战，传统的网络无法满足新型业务灵活部署、定制化服务、安全可信等需求。多模态网络作为一种网络技术与支撑环境分离的发展范式，为支撑各类新型应用的差异化需求提供了新的解决思路。针对多模态网络中面向计算的业务需求，结合算力网络发展态势，探讨了一种面向计算的网络模态，即算力网络模态。首先探讨了算力网络模态的设计，然后对算力网络模态的关键技术进行了分析，最后对算力网络模态的应用场景进行了展望。希望本文的探索能为面向计算的多模态网络应用的未来研究和发展提供借鉴。

近年来，人工智能生成内容（artificial intelligence generated content，AIGC）技术取得了颠覆性成果，成为AI领域研究和应用的新趋势，推动着人工智能进入新时代。首先，分析了AIGC技术的发展现状，重点介绍了生成对抗网络、扩散模型等生成模型和多模态技术，并对现有的文本、语音、图像和视频生成的技术能力进行调查阐述；然后，对AIGC技术在内容安全治理领域带来的风险进行重点分析，包括虚假信息、内容侵权、网络与软件供应链安全、数据泄露等方面；最后，针对上述安全风险，分别从技术、应用和监管层面，提出应对策略。

随着信息化和云化技术的发展，光传送网络（optical transport network，OTN）承载业务动态性逐步增强。光业务单元（optical service unit，OSU）作为下一代的OTN交换技术，要为高品质的企业专线和精品家庭宽带业务提供组网专线和入云专线服务。基于OSU的OTN需要能够通过端到端的管控能力，提供一体化服务及自动化快速业务开通，支持业务一跳入云。首先介绍了OSU技术产生背景、技术特征及标准化进展情况；然后提出了面向 OSU-OTN 的业务感知控制框架，满足政企专线高效承载的需求；最后对接入型OSU-OTN控制器系统端到端管控能力进行了实验验证。

泛视频是指以视频为信息展现和交互形式的业务，主要分为传统视频业务、新兴视频业务和衍生视频业务三类，然而如何准确地进行视频播放质量评估却一直是一个难题。提出了一种泛视频播放质量评价模型及参数，主要包括视频切换时延、视频起播时延以及视频播放卡顿次数和时长等，其已在现网的IPTV天翼高清质量监测系统中得到了应用，实践表明应用效果良好。所提研究成果可进一步应用于视联网产品领域等所有泛视频应用场景中。

首先，介绍了几种软件定义网络（software defined network，SDN）架构及其关键技术；然后，就网络分层和网络抽象、南向接口协议选择、路径计算单元（path computation element，PCE）功能集成等几个关键方面对这几种SDN架构在光传送网络（optical transport network，OTN）中的适用性进行了技术性研究和分析；最后，对现有OTN向SDN技术架构迁移给出了指导性意见和建议。