随着物联网的快速发展和4G/5G无线网络的普及，万物互联的时代已经到来，网络边缘设备数量的迅速增加，使得该类设备所产生的数据已达到泽字节(ZB)级别.以云计算模型为核心的集中式大数据处理时代，其关键技术已经不能高效处理边缘设备所产生的数据，主要表现在：1)线性增长的集中式云计算能力无法匹配爆炸式增长的海量边缘数据；2)从网络边缘设备传输海量数据到云中心致使网络传输带宽的负载量急剧增加，造成较长的网络延迟；3)网络边缘数据涉及个人隐私，使得隐私安全问题变得尤为突出；4)有限电能的网络边缘设备传输数据到云中心消耗较大电能.为此，以边缘计算模型为核心的面向网络边缘设备所产生海量数据计算的边缘式大数据处理应运而生，其与现有以云计算模型为核心的集中式大数据处理相结合，即二者相辅相成，应用于云中心和网络边缘端的大数据处理，较好地解决了万物互联时代大数据处理中所存在的上述问题.边缘计算中的“边缘”是个相对的概念，指从数据源到云计算中心数据路径之间的任意计算资源和网络资源.边缘计算的基本理念是将计算任务在接近数据源的计算资源上运行.首先系统地介绍边缘计算的概念和原理；其次，通过现有研究工作为案例(即云计算任务迁移、视频分析、智能家居、智慧城市、智能交通以及协同边缘)，实例化边缘计算的概念；最后，提出边缘计算领域所存在的挑战.该文希望能让学界和产业界了解和关注边缘计算，并能够启发更多的学者开展边缘式大数据处理时代边缘计算模型的研究.

无线传感器网络(wireless sensor network, WSN)扩展了人们收集外界信息的能力，实现了信息世界与物理世界的融合.近年来云计算技术的快速发展，给传感器网络注入了新的活力，催生了新的应用和服务，也拓展了传感器网络在数据处理和存储方面的能力，在此基础上产生了传感云系统.传感云可以利用云端处理底层传感器网络产生的数据，并为上层用户提供远程服务，使用户能按需收集、处理、分析、存储和分享传感数据.在充分调研了目前的传感云系统的基础上，主要介绍了传感云的产生背景、体系结构和应用领域，归纳了传感云系统的特点，揭示了现有的传感云系统存在通信带宽不足、实时性差、故障率高和隐私数据易泄露等一系列问题，给出了基于雾计算的传感云框架，设计了解决问题的基本思路，探讨了未来的研究方向.

地址机制作为互联网体系结构中的核心组成部分，其演进性决定了对上层网络创新应用的承载能力.传统IP地址的缺陷导致当前互联网陷入僵化，大量新型地址机制的异构性使研究者很难以统一方法论解释和把握未来互联网地址体系的演进发展.针对上述问题，通过对互联网地址机制的演化进行深入研究，抽象最小化核心特征，提出一种能够容纳异构地址策略构建乃至并存的通用框架，包括：1) 完备的形式化概念模型，赋予地址常量的精确定义，并形成相关设计原则及约束规范的一致性理论基础；2) 抽象多维度、可扩展的接口原语以构建3种核心交互模式，并结合通信公理化性质以及语义，构造一个地址交互过程的正确性证明框架；3) 推导出通用地址引擎原型，允许灵活构建地址策略，支持异构地址机制的评估、演进以及共存，以更好地支撑互联网顶层生态的不断演化.

软件定义网络(software defined network， SDN)提出了控制与转发分离的设计结构，实现了开放的可编程网络接口，为网络提供了更细粒度的管理.然而，SDN在为网络应用带来创新与便利的同时，也面临着一些新的问题.针对SDN网络中控制层的可靠性问题，提出了一种容忍拜占庭错误的方法.首先，结合SDN网络的特性，具体阐述了在应用拜占庭容错算法时的网络结构、工作流程和异常处理等，并对其中的多控制器位置部署问题建立分析模型;然后，针对该多控制器部署问题，设计了启发式求解算法;最后，通过仿真实验对该容错方法和部署算法进行验证.实验结果表明:该容错方法能够有效处理控制器中的错误，提高控制层的可靠性，但对系统的性能会造成一定程度的影响.同时，该部署算法能够有效降低处理OpenFlow请求的传输延迟.

针对TDD系统中多个D2D用户复用一个蜂窝用户下行信道资源，在最大化系统吞吐量的目标下，提出一种D2D对分组资源分配算法,该算法由3部分组成:1)根据信道数确定D2D对分组数，按D2D对间距确定分组中心，并将余下D2D对按其对组内D2D用户通信中断概率影响程度划分到对应分组;2)通过比较D2D对分组与蜂窝用户干扰影响强度，利用匹配算法为D2D对分组寻找相应蜂窝用户资源并复用;3)进一步根据蜂窝用户和D2D用户QOS要求，去掉组内干扰较大D2D对，从而得到最终复用蜂窝用户资源的D2D对.仿真分析表明:所提出算法既能允许系统接入较多D2D对，还能提高系统吞吐量.

K-栅栏覆盖是有向传感器网络的研究热点之一.概率感知模型要比0-1模型更贴近实际.而基于概率感知模型的栅栏覆盖还鲜有研究.根据感知概率阈值和感知距离要求，确定节点的虚拟半径.提出一种二元概率栅栏覆盖模型.在这个模型中，相邻2个节点的虚拟感知圆两两相切.在此基础上提出了最少节点的概率栅栏构建算法(construction of probabilistic barrier of minimum node, CPBMN).首先根据二元概率栅栏模型确定节点的目标位置，再通过匈牙利算法选用移动距离之和最少的移动节点移动到目标位置形成栅栏覆盖，缺少移动节点的子区域，选择附近区域的剩余移动节点修补形成1-栅栏覆盖.水平相邻的2个子区域之间构建竖直栅栏，这些子区域的概率1-栅栏合起来构成整个区域的概率K-栅栏覆盖.仿真结果证明：该方法能够有效形成概率栅栏，最多比其他栅栏构建算法节省70%能耗.

针对接收信号强度(received signal strength, RSS)的时变性降低WLAN室内定位精度的问题，提出了一种基于核直接判别分析(kernel direct discriminant analysis, KDDA)和混洗蛙跳最小二乘支持向量回归机(SFLA-LSSVR)的定位算法,该算法通过核函数策略将采集的各接入点(access point, AP)的RSS信号映射到非线性领域，有效提取了非线性定位特征，重组定位信息，去除冗余定位特征和噪声；然后采用LSSVR算法构建指纹点定位特征数据与物理位置的映射关系模型，采用SFLA算法优化该关系模型的参数，并用该关系模型对测试点的位置进行回归预测.实验结果表明:提出算法在相同的采样次数下的定位精度明显优于WKNN,ANN,LSSVR算法，并且在相同的定位精度下，采样次数较大减少，是一种性能良好的WLAN室内定位算法.

传感器网络可以看成是一个资源受限的无线分布式数据库系统，如何设计低功耗高可靠的数据处理方法，从分布式的感知数据中获取用户感兴趣的信息是一个挑战性工作.现有的事件(区域)检测方法大都基于原始的感知数据，处理大规模的原始感知数据的通信和时间开销很大，然而这些原始数据由于本身的不精确性和不确定性，难以保证得到精确的处理结果.大多数情况，用户并不关心这些原始感知数据或者网内过滤/融合时的数据形态，而是想得到类似自然语言的“有多严重？” 、“可信吗？”等语义事件信息.此外，现有的事件区域检测方法主要是利用邻居协作来提高检测的准确性，而邻居协作需要大规模的网内数据交换，非常耗时耗能.鉴于上述问题，提出一种新的基于模糊方法的语义事件区域查询处理方法，语义事件信息代替原始的感知数据用于网内过滤和融合，并设计了基于模糊方法的分布式语义事件信息表示、过滤和融合算法.基于真实数据集的仿真实验表明了该方法在兼顾节能和可靠性方面有良好的表现.

模糊系统的独特优势在于其高度的可解释性,然而传统的基于聚类的模糊系统往往需要使用输入空间的全部特征且常出现模糊集交叉的现象,系统的可解释性不高;此外,此类模糊系统对高维数据处理时还会因使用大量的特征而使规则过于复杂.针对此问题,探讨了一种知识嵌入的贝叶斯MA型模糊系统(knowledge embedded Bayesian Mamdan-Assilan type fuzzy system, KE-B-MA).首先,KE-B-MA使用DC(dont care)方法进行知识嵌入的模糊集划分,对模糊隶属度函数中心和输入空间特征的选择进行有效指导,其获得的规则可对应于不同的特征空间.其次,KE-B-MA基于贝叶斯推理使用马尔可夫蒙特卡洛(Markov chain Monte Carlo, MCMC)方法对模糊规则的前后件参数同时学习,所得结果为全局最优解.实验结果表明:与一些经典模糊系统相比,KE-B-MA具有令人满意的分类性能且具有更强的可解释性和清晰性.

在多目标进化算法中，近年的研究倾向于基于Pareto支配的最优化方法.针对传统的基于Pareto支配在排序效率上过低的问题，提出了一种基于网格排序的框架，利用网格同时表征收敛性与分布性的特性，结合粒子群算法，提出了一种基于网格排序的多目标粒子群优化算法.与个体两两进行比较的基于Pareto支配的策略不同，基于网格排序的机制融合了整个解空间中个体的占优信息，并利用占优信息进行排序，从而高效地得到个体在种群中的优劣关系；结合粒子到近似最优边界的距离，进一步加强了粒子在解空间中优劣关系的判别.对比实验分析表明：所提算法不论是在收敛性还是分布性上都具有较好的优势.在此基础上，讨论了网格划分数对算法效率的影响，从另一方面验证了算法的效率.

传统基于k近邻的多标签学习算法，在寻找近邻度量样本间的距离时，对所有特征给予同等的重要度.这些算法大多采用分解策略，对单个标签独立预测，忽略了标签间的相关性.多标签学习算法的分类效果跟输入的特征有很大的关系，不同的特征含有的标签分类信息不同，故不同特征的重要度也不同.互信息是常用的度量2个变量间关联度的重要方法之一，能够有效度量特征含有标签分类的知识量.因此，根据特征含有标签分类知识量的大小，赋予相应的权重系数，提出一种基于互信息的粒化特征加权多标签学习k近邻算法(granular feature weighted k-nearest neighbors algorithm for multi-label learning, GFWML-kNN),该算法将标签空间粒化成多个标签粒，对每个标签粒计算特征的权重系数,以解决上述问题和标签组合爆炸问题.在计算特征权重时，考虑到了标签间可能的组合，把标签间的相关性融合进特征的权重系数.实验表明：相较于若干经典的多标签学习算法，所提算法GFWML-kNN整体上能取得较好的效果.

针对不同声学特征之间的信息互补性以及声学建模中各任务间的关联性，提出了一种多特征关联的深层神经网络声学建模方法,该方法首先借鉴深层神经网络(deep neural network, DNN)多模态以及多任务学习思想，通过共享DNN部分隐含层为不同特征声学模型间建立关联，从而挖掘不同学习任务间隐含的共同解释性因素，实现知识迁移以及性能的相互促进；其次利用低秩矩阵分解方法减少模型估计参数的数量，加快模型训练速度，并对不同特征的识别结果采用ROVER(recognizer output voting error reduction)融合算法进行融合，进一步提高系统识别性能.基于TIMIT的连续语音识别实验表明，采用关联声学建模方法，不同特征的识别性能均要优于独立建模时的识别性能.在音素错误率(phone error rates, PER)指标上，关联声学建模下的ROVER融合结果要比独立建模下的ROVER融合结果相对降低约4.6%.

区域可调拟合(region scalable fitting, RSF)活动轮廓模型在分割弱纹理、弱边缘图像时，优化易陷入局部极小导致曲线演化速度缓慢；同时该模型中的局部拟合项为高斯核函数，导致目标的边界模糊，影响分割精度.针对该问题，提出了一种基于自适应分数阶的活动轮廓模型，用于图像的分割.首先将全局G-L(Grünwald-Letnikov)分数阶梯度融合到RSF模型中，以增强灰度不均匀和弱纹理区域的梯度信息,从而提高对曲线初始位置选择的鲁棒性，并提高了图像分割的精度和速度；然后用双边滤波函数替换局部拟合项中的高斯核函数，解决了高斯核函数在演化过程中造成的边界模糊问题;最后根据图像的梯度模值和信息熵构建自适应分数阶阶次的数学模型，并计算出最佳分数阶阶次.理论分析和实验结果均表明:提出的算法可以用于灰度不均匀和弱纹理、弱边缘区域的图像分割，并能根据图像的特征自适应计算最佳分数阶阶次，避免曲线演化陷入局部最优.用多幅图像进行实验，得出该方法的分割精度和分割效率都有较大提高.

图像具有固有的二维空间结构，空间上邻近的像素点通常具有相近的灰度值，意味着图像具有局部光滑性.为对其特征抽取，传统方法常将原始图像拉成向量，造成空间结构的破坏，由此直接基于图像的2D特征抽取法应运而生.典型的如2DLDA，2DPCA，相比向量方法，计算复杂度显著降低，但其操作针对的是图像整行(或整列)，导致空间光滑度过粗.为此，空间正则化通过在向量化空间中显式地施加局部空间光滑弥补这一不足，由此获得了比2D抽取法更优的分类性能，但其遗传了向量法的高计算代价.最近，隐性空间正则化方法(implicit spatial regularization, ISR)提出利用图像划分与重组隐性地体现图像局部光滑性，而后再利用现有2D方法抽取特征，使典型双边2DLDA性能优于SSSL(一种典型的显性空间正则化方法)，但是，仅隐性地光滑缺乏显式的强制约束力，其特征空间依然欠光滑，同时双边2DLDA由非凸问题获得，计算耗时却不能保证解的全局最优性.鉴于此，提出一种结合显性与隐性空间光滑的高效二维图像判别特征抽取框架(2D-CISSE).其关键步骤是预先对图像显性地全局光滑，紧接着进行ISR，既继承了ISR的隐性光滑又强化了图像局部光滑的显式约束力，不仅可直接获得全局最优投影，同时该框架具有一般性，即现有大部分图像光滑方法与2D特征抽取法均可嵌入其中.最后，通过在人脸数据集Yale，ORL，CMU PIE，AR以及手写数字数据集MNIST和USPS上的对比实验验证了2D-CISSE框架性能的优越性与计算的高效性.

在图像检索中，多特征图融合方法大多仅对最近邻域进行融合.当每个特征的近邻图排序结果较差时，融合后的新图难以得到理想的检索效果.为了解决该问题，提出一种新的多特征图融合图像检索方法——分组排序融合(group ranking fusion， GRF),该方法将数据集合中的相似图片划分为图片组，利用相似图片组对近邻图的检索结果进行改进，在保持精度的前提下扩充了融合范围.最后，在3个标准数据集上的实验结果表明：多特征融合方法能够有效地利用多特征图提高图像检索效果.

高动态范围(high dynamic range，HDR)视频算法计算复杂度高，硬件实现需要大量逻辑和存储资源，且现有的算法难以满足高分辨率下的实时性要求.针对上述问题，提出一种优化的HDR视频流水线算法，同时利用FPGA的并行可重构特性，完成该算法的硬件实现.算法首先将相机响应函数内置于FPGA的查找表(look-up table, LUT)中，对3帧低动态范围(low dynamic range， LDR)图像进行合并，转换后的数据通过多路并行流水缓存在FPGA的BRAM中; 然后使用快速的全局色调映射算法将结果实时显示输出.最终算法在Xilinx Kintex-7开发板上实验通过，在120 MHz系统时钟频率下，对于1 920×1 080分辨率的视频流，处理速度达到65 f/s，满足了实时性要求.

流处理是一种重要的大数据应用模式，在金融、广告、物联网、社交网络等众多领域得到了广泛应用.在流处理场景中，流数据的产生速度往往变化剧烈且不容易预测.这时，如果数据流量峰值超过处理系统的承载能力，可能使得系统运行缓慢甚至崩溃，导致处理作业失效；如果为了应对数据流量峰值而过度配置资源，则可能在系统轻载时产生不必要的浪费.为了解决流处理中负载和资源的匹配问题，流处理系统应该具有弹性可伸缩的能力，一方面以高效的方式组织运算资源；另一方面能根据数据流量的实时变化自动地调整资源使用量.然而，现有的流处理框架对于弹性可伸缩的支持尚很初步.介绍了一种基于Actor模型的弹性可伸缩的流处理框架eSault.eSault首先基于Actor模型将批量的处理单元进行分层管理，通过2层路由机制实现了对伸缩性的支持；在此基础上，设计一个基于数据处理延迟的过载判断算法和基于数据处理速度的轻载判断算法来指导系统对资源的有效使用，进而实现弹性可伸缩的流处理.实验结果表明：eSault具有较好的性能，而且能够很好地实现弹性可伸缩.

MapReduce等计算框架的出现开启了大数据处理新纪元，以Hadoop，Spark为代表的大数据处理系统具有大吞吐率、跨平台、高可扩展的优势，并得到广泛应用.然而，为避免与具体的操作系统、硬件平台绑定，这些系统的设计与优化集中在计算模型、调度算法等方面，无法充分利用底层平台的优势.提出了一种基于正交分解的大数据处理系统设计与优化方法，将系统分解为松耦合的多个功能正交的模块，使存储、处理功能分离出来，交给能够利用底层平台操作系统甚至硬件资源的存储、执行引擎，原大数据系统退化为调度平台；进而，提出基于锁无关机制的存储底层优化策略和基于指令超级优化的执行引擎底层优化策略.以此为指导，以Hadoop作为兼容和改进的对象，实现了原型大数据处理系统Arion.Arion既能保持Hadoop的跨平台、高可扩展的优势，又能消除任务执行的瓶颈，其本地化的设计与优化手段对非Hadoop平台同样有效.通过在原型系统上的实验证明，Arion能够提升大数据处理任务的执行效率，最高达7.7%.

片上网络中链路是路由器之间连接的关键通路，其发生故障将严重影响网络性能.针对这一问题，提出了一种针对瞬时和间歇性故障的高可靠链路容错方法,该方法可以在网络中实时检测数据是否发生错误，并以此定义瞬时故障和间歇性故障，从而进行容错.在减轻网络拥塞和延时的同时，保证了数据的正确传输，有效保障了系统的高可靠性.当链路中发生瞬时故障导致数据出错且不能正确纠正时，通过设置的重传缓冲区内备份的数据重新进行传输.当链路中发生间歇性故障导致数据出错且不能正确纠正时，数据包传输被截断，对被截断的数据重新添加头微片或尾微片，从而进行重新路由或资源释放.实验结果表明:该容错方法在不同故障情况下较对比对象，均较大地降低了延时，提高了吞吐率，该方法能有效地提高网络的可靠性，保证了系统性能.

配置信息的生成效率与质量直接影响着粗粒度可重构SoC结构的运行效果.传统的方法将配置信息作为一个整体存储器,每个处理单元在需要配置信息时都要从该存储器读取配置信息,运行效率低下且功耗较大.为降低配置信息生成方法的功耗,设计了一种低功耗层次式的配置信息存储器结构,将配置信息分为相互独立的操作配置信息和互连配置信息存储器两部分,实现了不同层次上的重构,最后根据上下文优化配置信息生成.实验结果表明:在运行性能不变的情况下,提出的配置信息生成方法功耗可以减少23.7%~32.6%.同时,由于操作和互连配置信息相分离,使得每次需要配置的存储器容量较小,在配置速度和性能上也有很大的优势.