为了解决可重构智能表面（RIS）辅助无源物联网存在的半空间限制以及信息传输效率低问题，提出了一种同时透射和反射的RIS（STAR-RIS）辅助传输方案。在无源设备（BD）与访问接入点间部署STAR-RIS，以协助BD向访问接入点传输信息，实现BD的全空间分布。此外，在配置多天线的能量站构建波束成形以提高入射信号的强度。为了最大化系统和速率，分别基于空分多址接入（SDMA）和非正交多址接入（NOMA），考虑了BD反射系数、波束成形矢量和STAR-RIS元件系数联合优化问题。为求解SDMA方式下优化问题，提出了一种基于块坐标下降（BCD）框架的迭代算法。针对NOMA方式下优化问题的非凸性，将目标函数转化为易于求解的形式，并提出另一种基于BCD框架的迭代算法。仿真结果表明，在相同多址方式下，所提方案的性能优于参照方案；在相同方案下，NOMA系统的性能优于SDMA系统。

针对现有离线强化学习数据投毒攻击方法有效性及隐蔽性不足的问题，提出一种关键时间步动态投毒攻击方法，通过对重要性较高的样本进行动态扰动，实现高效隐蔽的攻击效果。具体来说，通过理论分析发现时序差分误差对于模型学习过程具有重要影响，将其作为投毒目标选择的依据；进一步提出基于双目标优化的投毒方法，在最小化扰动幅度的同时，最大化攻击对模型性能产生的负面影响，为每个投毒样本生成最优扰动幅度。在多种任务及算法中的实验结果表明，所提攻击方法仅在投毒比例为整体数据1%的情况下，就能使智能体的平均性能下降84%，揭示了无人系统中离线强化学习模型的敏感性及脆弱性。

为提升模型对视频动作的细粒度区分能力，提出一种基于对比学习的增强负例区分范式。通过为每个视频生成增强负例集合，以补充最难区分的视频-文本负例对。为了进一步区分正负例，基于该范式提出一种用于视频动作识别的多粒度区分模型。在该模型中，视频表征器通过引入文本正例特征引导视频特征提取，而正负语义区分器利用自注意力机制构建正负语义之间的自相关关系。该模型既能够实现模态间视频与增强负例集的粗粒度区分，还可以实现文本模态内正例与增强负例集的细粒度区分。实验结果表明，增强负例集能显著提升模型在细粒度类别标签上的识别能力，多粒度区分模型在Kinetics-400、HMDB51和UCF101数据集上的性能均优于当前较具代表性的方法。

自动驾驶场景下，大多数方法没有对行人群体进行建模，这样会对道路交通的安全造成影响。因此，提出了一种针对群组感知的行人轨迹预测网络（GPCNet）。具体来说，在组内，从个体层面学习行人之间的交互，考虑不同行人的偏好问题。在组间，从群体层面学习行人组间的交互，使用社会力模型考虑行人轨迹的碰撞问题。仿真结果表明，与常用的轨迹预测方法相比，GPCNet在ETH和UCY数据集上的性能提高了约75.4%。

去中心化区块链能实现医疗数据的存储，却因区块链对外部环境高度封闭导致医疗机构内部区块链上医疗数据只能在本机构内部共享。为了解决医疗数据在跨链共享中存在的请求者身份认证和共享数据安全等问题，提出基于椭圆曲线签密的跨链医疗数据共享方案。中继链用于实现医疗数据的交互共享。分层处理跨链医疗数据方法达到良好的共享效果。为了得到高执行效率，签密过程交由智能合约完成。针对医疗数据需要经常更改的问题，智能合约上部署了修改或删除医疗数据的操作。

针对相控阵雷达信号个体特征产生机理复杂、个体识别难的问题，基于相控阵雷达信号的无意调制特征，提出了融合相位特征和频率特征的个体识别方法。首先，基于波位编排及等相位面方法构建相控阵雷达无意调制信号物理模型，揭示无意调制特征的产生机理；然后，利用双谱方法获得信号双谱图并进行围线积分，提取信号无意调制相位特征，同时利用变分模态分解方法对感知信号进行分解获得本征模态分量，进一步计算模态分量集的能量比差，进而提取信号无意调制频率特征；最后，利用局部保持投影方法将所提取的相位及频率特征相融合，采用树形检索方式的K近邻分类方法完成个体识别。仿真实验结果表明，相比于基于单一个体特征的辐射源识别方法，所提方法具有更高的识别率及效率。

针对现有抗流量分析的匿名通信系统可以向攻击者隐藏通信双方的身份，但是通信双方之间无法彼此匿名，不适用于需保护举报者身份的匿名举报和回复场景这一问题，提出了一种高效的匿名举报者回复方案。通过分布式点函数和秘密共享技术将消息内容存储至两个互不勾结服务器的邮箱数据库中，向攻击者隐藏数据接收者身份。通过秘密共享和加密技术隐藏举报者邮箱地址，受理机构在不知道举报者身份信息的情况下可完成回复。安全性分析表明，所提方案能够同时保证数据接收者匿名性和举报者匿名性。实验结果表明，相比于Express方案，所提方案回复时受理机构计算复杂度从O（logN）降到O（1），减少60%计算开销，服务器减少50%计算开销。

针对强对抗高机动作战条件下战术通信网络中的节点连接关系时变、链路故障频发，导致路由收敛频繁、业务有效传输时间短的问题，提出了一种基于网络状态图模型的分簇式路由收敛方法（OSPF-CSG）。首先，依据Hello报文统计特征获取链路状态，基于链路状态聚合特征刻画节点状态，构建网络状态图模型。其次，改进邻居状态机状态转移触发条件，构建2种新型OSPF报文，并据此设计完全邻接关系主动/被动关联机制。最后，在此基础上，设计簇头自举算法、节点入簇算法和簇间连接算法实现基于簇的路由收敛。仿真结果表明，在8种不同规模的网络拓扑中，针对不同链路损毁程度，OSPF-CSG相较于传统OSPF协议的路由收敛算法，其路由收敛总次数平均减少82%，路由开销平均降低70%，分组投递率平均提升60%。

边缘计算环境中存在通信信道风险和边缘服务器故障等风险因素，会导致处理任务所需的计算资源与边缘联盟分配的资源产生失配问题，对此，提出了一种基于不确定联盟结构博弈的边缘联盟及其成员边缘基础设施供应商（EIP）的收益预估方法。首先通过混合整数线性规划方法构建资源调度模型以最大化边缘联盟收益。其次引入信念结构对联盟收益进行高、中、低和未知4种情况的概率进行表征。最后利用不确定Owen值提前一个时隙对联盟中EIP进行区间收益预估。仿真结果表明，所提预估方法在通信信道风险以及服务器故障2种风险下的准确率分别为91.25%、82.5%，平均准确率为86.88%，且在考虑周期性任务到达的情况下，实现了对EIP收益区间的准确预估。

针对传统数字取证存在场景适应性差、证据保全能力弱以及取证效率低的问题，分析将去中心化、不可篡改的区块链技术引入数字取证的可行性。首先，基于区块链取证技术的层次架构，提出了阶段化取证流程，并剖析了区块链技术在证据获取、保全和呈现阶段的研究进展。其次，通过分析现有研究的不足，结合区块链的分布式优势，设计了一套区块链全流程参与的数字取证架构，将证据信息融入链上数据结构并提出了配套的图分析算法，统一了各场景下的证据采集形式；利用链下分布式数据库实现了高效扩容存储；借助智能合约模板提升了同类型取证事务的合约复用性。最后，展望了区块链技术在未来取证应用中的研究方向。

针对混合信号码元序列的最佳检测问题，在同频混合接收基带信号模型的基础上，推导得到联合最大似然盲检测的充分统计量，并给出“混叠波形匹配滤波+符号速率双抽样”的最佳接收机设计。基于充分统计量模型，利用Forney方法推导出了同频混合信号单通道盲解调的性能下界。由于最佳接收机的复杂度随等效符号速率抽样信道长度呈指数增长，针对实际应用中的信道截短问题，进一步分析了截短误差对盲解调性能的影响。结果表明，最佳接收机仿真结果与理论性能分析结果吻合，验证了所推导性能界的合理性。

为了扩展增强型交叉Z互补集（E-CZCS）的存在空间，基于扩展广义布尔函数（EGBF），提出了一种增强型交叉Z互补集的直接构造方法。构造的q元增强型交叉Z互补集拥有灵活可变的尺寸大小，且长度不再受限于传统的2的幂次。同时，将得到的增强型交叉Z互补集作为训练序列应用于广义空间调制（GSM）系统的信道估计中。仿真结果表明，该增强型交叉Z互补集可以实现最优的信道估计，这可为广义空间调制系统中训练序列的选择提供更高的灵活性。

针对6G空天地一体化网络（SAGIN）中网络环境动态变化和用户终端移动性增强导致的终端切换频繁、网络负载不均衡问题，提出了一种基于终端位置预测模型的SAGIN切换算法。该算法构建了基于麻雀搜索策略优化的长短期记忆（LSTM）网络终端位置预测模型，提升了终端位置预测精度，解决了网络切换时机不合理问题。基于此模型，将SAGIN选择问题建模为马尔可夫决策过程，设计以服务质量（QoS）需求、切换代价和网络负载均衡表征的网络切换算法效用函数，采用分布式深度Q网络（D-DQN）选择能够实现长期目标最大化的网络节点执行切换。与基于Q学习（Q-Learning）、双深度Q网络（DDQN）和竞争双深度Q网络（D3QN）的网络切换算法相比，所提算法在降低切换时延与切换次数、提升网络吞吐量等方面性能较优，验证了所提算法的有效性。

程序相似性分析在代码缺陷检测、产权保护等领域有广泛的用途，但普遍存在计算开销过大等问题，为此提出了一种基于模糊匹配和统计推理的代码相似度分析方法。针对二进制程序，首先对其进行反汇编分析，然后进行函数边界识别操作，从而提取函数的执行边界信息。在此基础上，在基本块的粒度上使用动态规划的分析方法获得基本块之间的相似度结果，并在控制流图的基础上进行邻域搜索，从而将相似性分析从基本块级别扩展至函数级别。最后通过相似度函数的统计分析得出二进制文件的语义相似度。在该过程中对预训练模型进行优化分析，并对参数进行调优，从而可以对跨平台代码进行相似度分析。实验结果表明，相对于目前主流的分析工具，所提方法在分析精度方面较传统的分析工具有较大提高，其分析精度平均提高7.1%。

联邦学习作为新兴的分布式机器学习解决了数据孤岛问题。然而，由于大规模、分布式特性以及本地客户端的强自主性，使得联邦学习极易遭受拜占庭攻击且攻击不易发现，这严重破坏了模型的完整性和可用性等。首先，以拜占庭攻击为研究对象，对攻击原理进行细化分类与剖析。其次，以经典的网络安全防御模型为指导，从防御机制的角度针对联邦学习防御方法进行分类和分析。最后，提出了联邦学习抗拜占庭攻击需要解决的关键问题和研究挑战，为未来相关研究者提供了新的参考。

从依托单位分布、申请人职称、研究方向以及关键词词频等方面，统计分析了2024年度“信息与通信系统”领域国家自然科学基金面上项目、青年科学基金项目和地区科学基金项目的申请与资助情况；统计了2024年度重点项目指南建议与立项资助情况，分析了近五年领域重点项目布局；结合优秀青年科学基金和杰出青年科学基金的申请人年龄、职称等情况，分析了2024年度自然科学基金改革举措对人才项目申请与资助的影响；最后简要介绍了领域重大项目和青年学生项目申请与资助情况，以便为广大科研人员了解领域自然科学基金现状，做好2025年自然科学基金项目申请准备提供参考。

针对基于传统强化学习模型的多功能雷达（MFR）干扰决策算法决策效率及有效性低、策略不稳定的问题，提出基于先验知识嵌入长短期记忆（LSTM）网络-近端策略优化（PPO）模型的智能干扰决策算法。所提算法首先将MFR干扰决策问题定义为马尔可夫决策过程（MDP）。其次，基于收益塑造理论将干扰领域先验知识嵌入PPO模型的奖励函数，利用重塑所得奖励函数引导智能体快速收敛从而提升决策效率。而后，基于LSTM优异的时序特征抽取能力，捕捉回波数据的动态特征以有效刻画雷达工作状态。最后，将所抽取动态特征输入PPO模型，经由所嵌入先验知识的引导，从而可快速获得有效干扰决策。仿真实验表明，相较于传统深度干扰决策算法，所提算法具有较高的决策效率以及有效性，且可高效稳健地达成MFR干扰决策算法。

针对不同位置的车辆消耗的能效不同而导致行驶中出现编队解散，甚至无法形成车辆编队的问题，将车辆编队中的排序位置作为一种特殊商品，通过让领航车辆要价和跟随车辆出价的方式，为参与编队的各车辆确定其在编队中的位置；并通过设计激励相容的编队补偿机制，促使编队车辆在行驶中保持自己的编队位置。理论分析和大量实验表明，所提方案不仅能高效地形成车辆编队，还能确保形成编队的稳定性。