系统性阐述了服务定制网络（SCN）新型网络架构，可为互联网应用提供一种全新的网络底层能力与使用方式。在TCP/IP网络架构中，网络为应用提供“尽力而为”的服务质量，而SCN架构转换了应用与网络两者之间的主客体关系，允许应用“按需定制”网络的服务质量。以应用视角出发，挖掘了“可声明”“细粒度”“端到端”三大能力内涵，由此推演了SCN的总体设计思路，并给出了一种具象的SCN体系架构和一种可行的SCN系统实现。SCN未来可应用于远程工控、增强现实等人机物全场景，为网络即服务（NaaS）的实现提供一种新颖、实用、理想的手段。

在基于上行非正交多址接入（NOMA）的无人机（UAV）辅助移动边缘计算（MEC）系统中，NOMA的连续干扰消除（SIC）顺序已成为限制上行任务卸载链路传输性能的瓶颈，为降低系统能耗，对 SIC 顺序进行了讨论，提出了联合信道增益与任务时延约束的最优SIC顺序。在满足设备给定任务时延、设备最大发射功率约束以及UAV轨迹的约束下，基于最优SIC顺序提出了最小化系统能耗的问题。由于该问题是个复杂的非凸问题，采取交替优化的方法求解该优化问题，以实现功率分配和 UAV 轨迹的优化；利用匹配理论，提出了低复杂度算法来得到不同时隙的最优设备分组。仿真结果表明，与其他SIC顺序相比，最优SIC顺序能够在相同的任务时延约束下实现更小的系统能耗；所提的低复杂度设备分组算法能够得到最优设备分组。

为了解决室内定位中用户和服务器双方的隐私保护问题，提出了一种在使用 Paillier 加密的过程中将部分计算外包给云服务器的方案，这不仅保护了用户和定位服务器的隐私，而且避免了产生过大的计算和通信开销。该方案的主要思想是服务器先在离线阶段建立指纹数据库，在线阶段用户将k匿名算法和Paillier加密结合，将加密后的Wi-Fi指纹发送给定位服务器，服务器对接收到的Wi-Fi指纹和数据库指纹进行聚合处理，然后外包给云服务器进行解密和距离计算，最终得到定位结果。理论分析和实验结果表明了所提方案的安全性、有效性和实用性。

针对泛在共享环境下信息频繁跨节点、跨系统交换时有意或无意留存而导致的隐私信息泄露问题，提出了一种基于双重存证的跨域流转多副本发现机制，可实现对流转信息的传播路径、传播方式进行溯源，并构造信息的多副本传播图。根据存证时机和方式的不同，双重存证包括流转主动存证和操作被动存证，信息在被分享前，由信息分享者主动记录传播路径和传播方式，生成流转主动存证记录；信息在被操作前，由系统自动记录传播路径，生成操作被动存证记录；相比单一存证，双重存证能够提高构造的信息多副本传播图的完整性和真实性，能够发现存证行为异常的节点并进行处置；基于社会惩戒理论，证明了存证行为异常发现与处置的有效性。实验开发了针对OFD的双重存证多副本发现原型系统，验证了所提机制对信息传播图构造完整性的提升。

针对传统入侵检测方法受限于数据集类不平衡以及所选特征代表性不强等问题，提出一种基于VAE-CWGAN 和特征统计重要性融合的检测方法。首先，为提升数据质量对数据集进行预处理；其次，搭建VAE-CWGAN模型生成新样本以解决数据集类不平衡问题，使分类模型不再偏向于多数类；再次，使用标准差、中值均值差对特征进行排序，并融合其统计重要性来进行特征选择旨在获得代表性更强的特征，从而使模型更好地学习数据信息；最后，通过一维卷积神经网络对特征选择后的混合数据集进行分类。实验结果表明，所提方法在NSL-KDD、UNSW-NB15和CIC-IDS-2017数据集上都表现出较好的性能优势，准确率分别为98.95%、96.24%和99.92%，有效提升了入侵检测性能。

针对在城市道路场景下视觉检测车辆时，车辆密集和远处车辆呈现小尺度，导致出现检测精度低或者漏检的问题，提出了一种基于改进的YOLOv3-SPP算法，对激活函数进行优化，以DIOU-NMS Loss作为边界框损失函数，增强网络的表达能力。为提高所提算法对小目标和遮挡目标的特征提取能力，引入空洞卷积模块，增大目标的感受野。实验结果表明，所提算法在检测车辆目标时 mAP 提高了 1.79%，也有效减少了在检测紧密车辆目标时出现的漏检现象。

针对软硬件差异化容易导致拟态裁决结果不一致所造成的假阳现象被误认为网络攻击的问题，提出了一种基于深度学习的拟态裁决方法。通过构建无监督的自编码-解码深度学习模型，挖掘不同执行体输出多样化正常响应数据的深度语义特征，分析归纳其统计规律，并通过设计基于离线学习-在线裁决联动的训练机制和基于反馈优化机制来解决假阳现象，从而准确检测网络攻击，提高目标系统的安全弹性。鉴于软硬件差异导致正常响应数据间的统计规律已被深度学习模型理解掌握，因此不同执行体间拟态裁决结果将保持一致，即目标系统处于安全状态。一旦目标系统受到网络攻击，执行体的响应数据将偏离深度学习模型的统计规律，致使拟态裁决结果不一致，即目标系统存在潜在安全威胁。实验结果表明，所提方法的检测性能显著优于主流的拟态裁决方法，且平均预测准确度提升了14.89%，有利于将该方法集成到真实应用的拟态化改造来增强系统的防护能力。

针对低成本和小型化低轨卫星的监测角度和方向分辨率相对较低、处理能力和峰值功率受限等因素造成单颗低轨卫星频谱认知能力弱的问题，提出了融合Stackelberg博弈和联邦学习的多星协作频谱认知方法。首先，结合各频谱认知卫星的可用算力、认知性能、处理与传输时延等特性，建立面向多频谱认知任务的协作卫星选择与算力资源分配算法；其次，基于所选择的节点和所分配的算力，设计低复杂度的多星协作频谱认知策略，其可自动辨识频谱空洞、检测干扰和识别调制模式。仿真实验结果表明，相比于单节点认知方法，所设计多星协作频谱认知策略能显著提升认知性能，且相比于对比模型，所设计策略中的模型可在不损失性能时，模型的参数量和浮点运算量降低分别可达96.69%和93.32%。

针对物联网环境中高级持续性威胁（APT）具有隐蔽性强、持续时间长、更新迭代快等特点，传统被动检测模型难以对其进行有效搜寻的问题，提出了一种基于超图Transformer的APT攻击威胁狩猎（HTTN）模型，能够在时间跨度长、信息隐蔽复杂的物联网系统中快速定位和发现APT攻击痕迹。该模型首先将输入的网络威胁情报（CTI）日志图和物联网系统内核审计日志图编码为超图，经超图神经网络（HGNN）层计算日志图的全局信息和节点特征；然后由Transformer编码器提取超边位置特征；最后对超边进行匹配计算相似度分数，从而实现物联网系统网络环境下APT攻击的威胁狩猎。在物联网仿真环境下的实验结果表明，提出的HTTN模型与目前主流的图匹配神经网络相比均方误差降低约20%，Spearman等级相关系数提升约0.8%，匹配精度提升约1.2%。

针对被动窃听下的无人机辅助 D2D 通信网络中能量受限、频谱短缺、同频干扰严重等问题，考虑每个用户的保密速率和发射功率约束，引入网络保密能效的概念。基于物理层安全传输理论，以最大化网络保密能效为目标，研究频谱复用和功率控制策略的联合优化问题。该问题是非线性非凸优化问题，提出了一种结合Dinkelbach 算法和凸近似算法的资源分配算法，通过凸近似算法将非凸优化问题转化为几何规划问题，并结合Dinkelbach算法保证原问题收敛到全局最优解。仿真结果表明，所提算法可有效缓和同频干扰，提高网络保密能效，平衡网络安全通信性能和功耗之间的关系。

面对无蜂窝网络中超密集基站部署产生的高功耗问题，提出了一种基于子连接有源可重构智能表面辅助的宽带无蜂窝网络系统。考虑有源智能超表面最大功率约束、放大因子约束和基站端最大功率约束，构建了一个联合基站和可重构智能表面波束优化的能效最大化问题。由于所形成的优化问题非凸，提出了一种交替优化方案将原问题转化为多个子问题，进而利用块坐标下降、拉格朗日对偶变换、多维复二次变换等方法将每个子问题转化为凸优化问题，通过交替求解每个子问题最终获得原问题的解。仿真结果验证了所提方案的有效性。

针对现有无人机集群路由协议拓扑适变能力弱，易产生包重传、能量空洞和高时延，严重恶化了数据路由性能的问题，针对无人机集群中集群拓扑与路由的耦合特性，提出了一种联合拓扑控制的智能路由规划（IRPJTC）方法。该方法由基于虚拟力的自适应拓扑控制（VFATC）和基于近端策略优化的地理路由规划（PPO-GRP）组成。其中，VFATC 使各无人机根据邻居运动状态信息自适应调整与邻居的距离，保证集群中链路的稳定连接；进一步，PPO-GRP引入VFATC中的链路稳定性指标，并结合端到端时延与能耗指标，设计多目标奖励函数，采用深度强化学习中的近端策略优化算法训练路由策略。仿真实验结果表明，IRPJTC 相比于现有路由方法，能在保证分组传输成功率的同时，使端到端时延降低12.11%，无人机集群能耗降低4.56%，且具备更强的能耗均衡能力。

支持单指令多数据操作的同态加密方案能有效提高密文计算的均摊效率，但密文结构导致矩阵运算复杂度高。在许多应用中，采用明文-密文矩阵操作可以在确保安全的同时实现隐私计算。基于此，提出一个适用于任意维数的明文-密文矩阵乘法方案。该方案通过明文矩阵编码和密文矩阵维数变换等步骤计算得到密文结果。与已知最好的 Jiang 等所提的密文方阵乘法算法相比，所提方案支持任意维数的矩阵乘法，并支持矩阵连乘；理论分析和实验结果均表明，所提方案具有更低的密文旋转复杂度和更高的计算效率。将所提方案应用在隐私保护的贝叶斯分类器中，能以更高安全参数和更少计算时间完成分类任务。

针对非平行语料库下任意说话人之间的语音转换存在语言内容信息和说话人个性特征难以分离，从而导致语音转换的性能不佳的问题，提出了一种采用表示分离自编码器的语音转换方法 RSAE-VC。该方法将语音信号的说话人个性特征视为时不变，而将内容信息视为时变，利用编码器中的实例归一化和激活引导层将两者进行分离，再由解码器将源语音的内容信息与目标语音的个性特征进行合成，从而生成转换后的语音。实验结果表明， RSAE-VC在梅尔倒谱距离上比现有的AGAIN-VC转换方法平均降低了3.11%，在基音频率均方根误差上降低了2.41%，MOS分和ABX值分别提升了5.22%和8.45%。RSAE-VC方法通过自内容损失进行约束使语音更好地保留内容信息，通过自说话人损失将说话人个性特征更好地从语音中分离，可以确保说话人个性特征尽少地遗留在内容信息中，从而提高语音转换性能。

为了解决6G天地一体化网络的资源高效利用问题，提出了一种面向高密度低地球轨道卫星-无线接入网（LEO-RAN）切片场景的联合用户关联和动态资源分配算法。考虑不同切片的最小速率、最大时延及资源比例等约束，以频谱效率（SE）和不同切片服务水平协议（SLA）满意率（SSR）的加权和作为优化目标，建立用户关联和资源分配的联合优化问题。首先设计基于多智能体深度确定性策略梯度（MADDPG）的网络切片算法确定切片资源比例，然后采用基于拉格朗日对偶的用户关联算法确定最优的用户关联策略，最后通过轮询调度机制将资源分配给用户。仿真结果表明，所提算法在满足不同切片差异化 SLA 的同时能够有效提高 SE。与基于MADDPG-RA、MATD3-LG、MATD3-RA、MASAC-LG和MASAC-RA算法相比，所提算法系统效用分别提升了2.0%、2.3%、5.7%、8.7%和9.4%。

针对流式计算框架在最初设计时缺乏能效方面的考虑，导致其存在高能耗与低效率的问题，提出一种流式大数据平台下的弹性数据迁移节能优化策略。首先，建立负载预测模型与资源判定模型，并进一步设计负载预测算法，通过预测负载变化趋势确定节点资源占用，找到资源过载与过剩节点；其次，建立资源约束模型与最优数据迁移模型，由此提出最优数据迁移算法，以提高节点资源利用率为目的进行数据迁移；最后，建立能耗模型，计算集群进行数据迁移后节约的能耗。实验结果表明，数据迁移节能优化策略能够对集群内节点资源变化做出及时响应，并在提高节点资源利用率的基础上，有效提高集群数据处理的能效。

针对移动边缘计算中新兴网络媒体流业务面临的高时延、高能耗、高带宽、低用户体验质量（QoE）等问题，提出一种基于QoE反馈配置卸载（QFCO）算法。首先，联合考虑预处理和优先级划分，从而最大化网络资源利用率，并为计算任务赋予不同的权重建立资源分配关系；然后，综合考虑截止时间、计算资源、功率和带宽等约束，以任务时延、能耗和精确度加权和为优化目标建立QoE模型，利用拉格朗日乘数法求解。仿真结果表明，相比深度增强学习在线卸载（DROO）算法，所提算法可有效实现资源的整体优化配置，更好地提升用户体验质量。

针对已有自然语言数字水印方法可替换词数量有限以及水印提取效率低的问题，提出了一种基于上下文词预测和窗口压缩编码的数字水印方法。该方法通过神经网络语言模型自动学习原始文本中每个词的上下文语义特征，预测每个词的候选词列表，从而扩充可用于嵌入水印信息的可替换词数量。同时，考虑到不同位置的候选词的替换对句子语义的影响存在差异，该方法以由多个词组成的窗口为单位来嵌入水印信息，并通过词替换前后句子间的相似度来优化水印嵌入时候选词的选择。在此基础上，提出了一种语义无关的窗口压缩编码方法，其根据窗口中词的字符信息对窗口进行水印编码，解决了提取水印信息时对词替换位置的原始上下文的依赖。实验结果表明，所提方法在具有较高嵌入容量和文本质量的前提下，大大提高了水印的提取效率。

为进一步提高语音增强模型的自学习及降噪能力，提出基于多域融合及神经架构搜索的语音增强方法。该方法设计了语音信号多空间域映射及融合机制，实现信号实复数关联关系的挖掘；围绕模型卷积池化运算特点，提出了复数神经架构搜索机制，通过设计的搜索空间、搜索策略及评估策略，高效自动地构建出语音增强模型。实验搜索到的最优语音增强模型与基线模型的对比泛化实验中，语音质量客观评价（PESQ）、短时客观可懂度（STOI）两大指标较最优基线模型均最大提升5.6%，且模型参数量最低。

不可预测环境变化使Wi-Fi信号存在较大的波动，很难对子载波中的静态分量和行为感知的动态分量进行量化，导致无法准确刻画出动态呼吸特征的波动形式。基于此，提出了一种基于子载波互信息的呼吸感知（SMIBP）系统。首先，提出了动态分量信息（DCI）的刻画形式，利用互信息理论提取子载波中代表呼吸的动态分量信息。然后，利用层次分析法组合各子载波以最大化呼吸信号的动态特征，得到重构的DCI感知基信号，最后联合小波变换和峰值检测法得到呼吸速率，揭示了代表人体呼吸动态分量的理论途径。仿真结果表明，所提系统能较好地刻画每个子载波中动态呼吸分量，且在不同场景下可显著提高Wi-Fi对于小尺度动作的感知精度与范围。