随着传感器和无线通信等技术的发展，车联网作为物联网和移动互联网发展的代表性产物，成为现代智能交通的重要组成部分。车联网在提高交通运行效率和减少环境污染的同时，还能够提供辅助安全驾驶和紧急消息广播等措施来保障生命财产安全。尽管我国的车联网研究起步稍晚，但近年来得到了政府、企业和研究机构的大力支持和高度重视。2013年，工信部电信研究院和中国移动研究院联合发布《车联网产业发展白皮书》；2014年，国务院出台《关于促进智慧城市健康发展的指导意见》，将智慧交通上升到国家战略；2016年，工信部批准国家智能网联汽车（上海）试点示范区封闭测试区在上海国际汽车城正式开园，同时国家重大专项LTE-V车联网专用通信标准化项目启动。在学术界，车联网已经成为一个备受关注的新兴研究领域，对其关键技术的研究有利于推动智慧交通建设。为碰撞学术思想，促进技术交流，分享研究经验，《计算机研究与发展》推出了车联网关键技术与应用研究专辑，分别在多个研究方向上阐述了车联网领域中的研究成果，展示该领域近期的研究热点及发展现状。本期专题共计收录6篇论文，分别涵盖轨迹预测算法、联合路由调度方法、车联网数据安全、用户轨迹隐私保护和紧急消息广播等研究内容，在一定程度上反映了当前国内研究单位在车联网领域的主要研究方向。

在车载自组织网络(vehicular ad hoc network, VANET)(也称车联网)中，基于地理位置的路由协议能够较好地适应网络拓扑的动态性变化和链路质量的不稳定性.由于位置信息需要在邻居节点间采用信标分组进行交互，信标分组间隔内的转发决策可能因车辆节点位置的移动而不准确，需要进行位置预测来修正车辆节点的位置.已有的位置预测算法存在普适性差或预测误差大的问题.针对上述问题，提出了一种新的预测算法，首次通过测量得到车辆加速度服从正态分布的结论，利用线性回归进行预测，并采用反馈机制进行结果修正.利用真实车辆轨迹进行测试，新的预测算法的预测精度大为提高.然后，提出了一种新的基于位置的即时路由协议.在该协议中，发送节点利用邻居节点位置和目的节点位置计算出转发下一跳.将新的位置预测算法加入到即时路由协议中，实时预测和更新车辆的位置.利用SUMO软件生成了基于真实地图道路轨迹的车辆运动模型，结合NS3网络仿真平台进行了仿真实验.实验结果表明：采用新的预测算法后，相比传统的GPSR协议和不带预测的即时路由协议，新方法的收包率提高、延迟下降，并且协议开销显著降低.

已有的轨迹预测方法难以对移动对象运动轨迹进行准确地描述,尤其在复杂且不确定的车载自组织网络(vehicular ad hoc network)(也称车联网)环境中.为了解决这一问题，提出基于变分高斯混合模型(variational Gaussian mixture model, VGMM)的环境自适应轨迹预测方法ESATP(environment self-adaptive prediction method based on VGMM).首先，在传统高斯混合模型的基础上使用变分贝叶斯推理近似方法处理混合高斯分布;其次设计变分贝叶斯期望最大化算法学习计算高斯混合模型参数，有效运用参数先验信息得到更高精度预测模型；最后,针对输入轨迹数据特征，使用参数自适应选择算法自动调节参数组合，灵活调整混合高斯分量的个数和轨迹段大小.实验结果表明：所提方法在实验中表现出较高的预测准确性，可应用于车辆移动定位产品中.

通过将认知无线电(cognitive radio, CR)技术应用到车载自组织网络(vehicular ad hoc networks, VANETs)(也称车联网)中，认知无线车载自组织网络(CR-VANETs)可以缓解频谱资源稀缺问题，有效提高车对车通信的频谱资源利用率.由于车辆的高速移动性以及认知无线电频谱资源的动态特性，使得传统的认知无线电网络或车载自组织网络中的路由协议无法直接应用到CR-VANETs中.目前，针对CR-VANETs的路由研究相对较少，如何最大效率地利用有限的频谱资源，同时降低跳数过多带来的频谱资源浪费，仍然是一个有待解决的问题.为此，提出了一种CR-VANETs中联合路由调度方案，结合了有限频谱资源调度研究与最小化路由跳数的优化目标.首先，建立了CR-VANETs中的网络模型和基于车对车通信的频谱感知模型，预测车辆间有效接触时间和频谱可用概率.其次，通过这些参数定义出通信链路消耗，并由此得出权衡链路质量的权重因子.通过分析优化目标，将其转化为有限频谱资源约束下的最小化路由跳数问题，并证明该问题为NP难问题.然后，针对这个联合路由调度问题提出一种混合启发式算法，结合了粒子群优化算法的快速收敛性和遗传算法的种群多样性，对有限频谱资源进行调度，同时优化路由跳数.最后仿真实验结果表明，与现有的CR-VANETs路由研究比较，有着更优的路由跳数并使其保持在一个相对稳定的值.

车载自组织网络(vehicular ad hoc network, VANET) (也称车联网)数据安全共享通常采用群加密方式，高速移动的车载终端给群组构建和群密钥管理带来困难.密文策略属性基加密(ciphertext-policy attribute-based encryption, CP-ABE)为车联网通信安全带来了新的解决方案，但是传统的CP-ABE方案解密计算复杂度高，属性撤销需要整个密文进行全部更新，策略树的构建不够灵活，导致在车联网中的应用受限.为了解决上述问题，围绕车联网云存储数据安全分享，设计可撤销动静态属性的属性基加密方案.将动态属性和静态属性分开管理，构建组合策略树，引入解密代理将高复杂度的属性基解密过程的主要部分外包到服务端，车辆终端通过中央和本地认证中心进行属性撤销和动态属性更新.可撤销动静态属性的车联网属性基加密方案是安全的，在空间和加解密时间复杂度上较传统CP-ABE算法具有优势，实验还分析了车载终端解密、属性撤销和系统并发等性能.

车载自组织网络(vehicular ad hoc networks, VANETs)(也称车联网)数据收集与应用为智能交通、城市规划、降低车辆污染等问题提供有效的技术和数据保障. 在车联网数据收集中通常需要车载用户上报连续路段位置信息，这给车载用户个人轨迹隐私带来严重的威胁. 然而现有用户轨迹保护算法主要基于单点位置保护，不能有效保护基于路径上报的用户轨迹隐私.针对车联网中用户移动轨迹易泄露问题，提出一种基于路径隐私保护的位置信息上报方案. 该方案给出用户轨迹隐私保护定义和路径隐私限制下的问题模型，同时证明了该问题是NP-hard问题. 此外，还给出该问题的具体近似算法的实现. 仿真实验结果表明：提出的算法具有良好的车载用户隐私保护功能和数据收集覆盖性能.

城市的发展为车载自组织网络(vehicular ad hoc network, VANET)(也称车联网)提供了广阔的应用空间，其中紧急消息广播方法则是应用的一个重点研究内容.紧急消息广播需要满足低延迟、高可靠和高可扩展性等服务质量方面的要求.现有的紧急消息广播方法在选择下一跳转发节点时，假定每一个位置均有大致相等的概率被选为中继区域，对所有位置的节点一视同仁，缺乏针对最优节点位置分布规律的研究，不能较好地适应最优转发节点的分布情况.而降低紧急消息传播延迟的关键是快速确定合适的中继转发节点.因此，为了进一步提高紧急消息广播的及时性，降低传播延迟，提出一种采用类哈夫曼编码的紧急消息广播方法.首先分析了城市道路中最优转发节点的概率分布情况，然后在此基础上利用哈夫曼编码的原理，设计了一种能够最小化最优节点选取时间的快速分区方法，最终达到快速确定最优中继节点，降低紧急消息广播延迟，提高紧急消息传播速度的目的.仿真实验证明：该方法在不同场景中能够降低5.3%~18.0%的紧急消息广播时延，提高89%~24.5%的紧急消息传播速度.

云存储作为云计算中最为广泛的应用之一，给用户带来了便利的接入和共享数据的同时，也产生了数据损坏和丢失等方面的数据完整性问题.现有的远程数据完整性验证中都是由可信任的第三方来公开执行数据完整性验证，这使得验证者有提供虚假伪造的验证结果的潜在威胁，从而使得数据完整性验证结果不可靠，尤其是当他与云存储提供者合谋时情况会更糟.提出一种数据验证结果的检测算法以抵御来自不可信验证结果的伪造欺骗攻击，算法中通过建立完整性验证证据和不可信检测证据的双证据模式来执行交叉验证，通过完整性验证证据来检测数据的完整性，利用不可信检测证据判定数据验证结果的正确性，此外，构建检测树来确保验证结果的可靠性.理论分析和模拟结果表明：该算法通过改善有效的验证结果来保证验证结果的可靠性和提高验证效率.

现代数据中心普遍使用网络存储系统提供共享存储服务.存储服务端通常使用独立冗余磁盘阵列(RAID)技术保障数据可靠性，如可以容单/双盘错的RAID5/6.相比于传统磁盘，固态盘具有更低的访问时延和更高的价格，因此将固态盘作为存储客户端缓存成为一种流行的方案.写回法可以充分发挥固态盘的优势加速存储读写性能，然而一旦固态盘发生故障，写回法无法保证数据的一致性和持久性.写直达法简化了一致性模型，但是无法减小写时延.设计并实现一种新的混合客户端缓存(hybrid host cache, HHC)，HHC通过使用廉价的日志磁盘镜像存放固态盘上的脏数据来提高可靠性，并且利用写屏障语义保证数据的可靠性和一致性.分析表明，HHC的平均无故障时间远远高于后端存储系统.最后实现了一个原型系统并使用Filebench进行性能评估，结果表明在不同负载下，HHC性能与传统的写回法接近，远远超过写直达法.

散列表(Hash table)由于其支持高效的记录更新与检索操作，在计算机相关的各个领域中有着广泛的应用.但散列表有2个明显的缺点：冲突和低效的内存利用.最小完美散列使用N个位置存储N条记录，解决了冲突和空间效率的问题，但该算法不支持增量的更新.目标是设计一种高效的散列表，能够支持高速查询、最坏情况可以保证的高速更新、高效的空间使用以及动态的容量改变.结合 Cuckoo 散列和 d-left 散列的实现，提出了一个新的散列表设计方案——DCuckoo.DCuckoo 使用多级子表并应用了 Cuckoo 散列中移动已有元素的机制以提高装载率，且只保留了最末级子表的指针以减少空间浪费.为了进一步优化查询性能，DCuckoo 在片内内存中使用指纹和位图作为摘要，在查询时先匹配指纹，以减少对片外内存的访问次数.对 DCuckoo 进行了一系列实验，与其他5种散列表进行比较，发现 DCuckoo 达到了设计目标，并且在各项指标上均好于已有的散列表设计.

云平台资源管理中存在资源供给与需求不匹配的问题，导致平台性能受到严重影响.针对此问题，基于相似任务建立运行时计算资源剩余能力评估模型，该模型利用云计算负载中相似任务执行逻辑相同的特点，使用相似任务代替测试程序量化资源剩余能力，避免了执行测试程序的计算资源代价；依据该模型提出了一种运行时云计算资源剩余能力分类评估方法RCE(resource capacity evaluation)，该方法综合各方面因素评估运行时资源剩余能力，具有运行时代价低、评估结果准确且有时效性的特点.将RCE评估结果应用在若干算法中，以提高云平台资源供给与需求的匹配程度并优化云平台各方面性能；在独享环境和真实云环境中验证了RCE方法和基于RCE的算法，实验结果表明:RCE评估结果及时反映了计算资源能力变化，为算法和平台的优化提供了有力支持，基于RCE优化的算法解决了云计算资源管理中资源供给与需求不匹配问题并大幅提高云计算平台性能.

在千万亿次规模的系统中，互连网络设计面临新的挑战.高性能节点和大规模是构建千万亿次系统的主要技术趋势，不断提高的节点计算能力要求互连网络提供更高的性能，而不断增大的规模又对互连网络扩展性提出了更高的要求.此外，随着系统规模的增大，集合通信的执行时间也在不断增长，制约了应用的扩展性，集合通信的性能需要得到进一步优化.除性能之外，可靠性问题也随着系统规模的扩大而日益严重.而随着计算节点性能的不断提高，互连网络逐渐成为限制大规模计算机系统性能的瓶颈.互连网络核心部件交换芯片可提供的聚合网络带宽受到工艺和封装技术的限制.从网络结构与交换机结构的协同设计思想出发，提出了一种在交换机聚合带宽限定的条件下多轨分割网络结构和设计方法.通过数学建模和网络模拟仿真，分析了该多轨分割网络的性能边界.评测结果表明:该网络可将短消息(长度小于128B)的平均延迟性能提高10倍以上，为以短消息占多数的数据中心网络的性能优化提供了新思路.

流形学习是为了寻找高维空间中观测数据的低维嵌入.作为一种有效的非线性维数约减方法，流形学习被广泛应用于数据挖掘、模式识别等机器学习领域.然而，对于样本外点学习、增量学习和在线学习等流形学习方法，面对流式大数据的学习算法时间效率较低.为此提出了一种新的基于增量切空间的自适应流式大数据学习算法(self-adaptive streaming big data learning algorithm based on incremental tangent space alignment, SLITSA)，该算法采用增量PCA的思想，增量地构造子空间，能在线或增量地检测数据流中的内在低维流形结构，在迭代过程中构建新的切空间进行调准，保证了算法的收敛性并降低了重构误差.通过人工数据集以及真实数据集上的实验表明:该算法分类精度和时间效率优于其他学习算法，可推广到在线或流式大数据的应用当中.

近年来，贝叶斯网络(Bayesian network, BN)在不确定性知识表示与概率推理方面发挥着越来越重要的作用.其中，BN结构学习是BN推理中的重要问题.然而，在当前BN结构的2阶段混合学习算法中，大多存在一些问题：第1阶段无向超结构学习中存在容易丢失弱关系的边的问题；第2阶段的爬山搜索算法存在易陷入局部最优的问题.针对这2个问题，首先采用Opt01ss算法学习超结构，尽可能地避免出现丢边现象;然后给出基于超结构的搜索算子，分析初始网络的随机选择规则和对初始网络随机优化策略，重点提出基于超结构的随机搜索的SSRandom结构学习算法，该算法一定程度上可以很好地跳出局部最优极值;最后在标准Survey， Asia，Sachs网络上，通过灵敏性、特效性、欧几里德距离和整体准确率4个评价指标，并与已有3种混合学习算法的实验对比分析，验证了该学习算法的良好性能.

长期以来，人们认为表示问题是机器学习领域的瓶颈问题之一.机器学习方法的性能在很大程度上依赖于数据表示的选择.数据表示领域的主要问题是如何更好地学习到有意义和有用的数据表示.宽泛来看数据表示领域有深度学习、特征学习、度量学习、成分建模、结构化预测和强化学习等.这些技术应用的范围也非常广泛，包括图像、语音识别和文字理解等.因此，研究机器学习表示方法是一件长期且具有探索意义的工作.基于此，利用范畴理论来研究机器学习方法的表示，提出了范畴表示机器学习方法的基本概念.对决策树、支持向量机、深度神经网络等方法进行研究分析，提出了范畴表示分类算法、范畴表示决策树算法、切片范畴表示主成分分析和支持向量机算法、范畴函子表示深度学习方法，给出相应的理论证明及可行性分析.并对这5种算法做了深入分析，找到了主成分分析和支持向量机之间的本质联系，最后通过仿真实验论证范畴表示方法的可行性.

人类知识总量不断增加，依靠人类产生的结构化大数据进行语义分析在推荐系统和信息检索等领域都有着重要的应用.在这些领域中，首要解决的问题是语义相似性计算，之前的研究通过运用以维基百科为代表的大规模知识库取得了一定突破，但是其中的路径并没有被充分利用.研究基于人类思考方式的双向最短路径算法进行单词和文本的相似性评估，以充分利用知识库中的路径信息.提出的算法通过在维基百科中抽取出颗粒度比词条更细密的节点之间的超链接关系，并首次验证了维基百科之间的普遍连通性，并对2个词条之间的平均最短路径长度进行评估.最后，在公开数据集上进行的实验结果显示，算法在单词相似度得分上明显优于现有算法，在文本相似度的得分上趋于先进水平.

社交网络空间的谣言传播行为具有极大的危害性，探索谣言传播规律与分析模型成为当前研究的热点之一.传统谣言传播分析模型大都基于SIR等传染病传播模型，能对在线社交网络空间的谣言传播过程进行粗粒度刻画，但并未充分考虑社交网络本身特征.鉴于此，结合引力学思想，提出了一种新的在线社交网络空间谣言传播分析模型GRPModel.该模型借鉴引力学思想，从用户和谣言信息2个角度出发，探索谣言在用户间的传播规律.以用户为核心，基于用户间的关系、信息在用户间的传播关系、谣言接触率、转发率等对用户影响力、谣言影响力进行建模，对谣言信息的传播进行量化，并充分考虑用户的个性化特征，构建相应的建模与分析函数.最后利用新浪微博真实社交网络空间信息，对GRPModel进行分析验证，验证结果证明了所做模型的正确性和有效性.

兴趣点推荐是在基于位置社会网络(location-based social network, LBSN)中流行起来的一种全新形式的推荐.利用LBSN所包含的丰富信息进行个性化推荐能有效增强用户体验和提高用户对LBSN的依赖度.针对无显示用户偏好、兴趣非一致性和数据稀疏性等挑战性问题，研究一种针对LBSN的双重细粒度POI推荐策略，即一方面将用户的全部历史签到信息以小时为单位细分为24个时间段，另一方面将每个POI细分为多个潜在主题及其分布，同时利用用户的历史签到信息和评论信息挖掘出用户在不同时间段的主题偏好，以实现POI的Top-N推荐.为实现该推荐思路，首先，根据用户的评论信息，运用LDA模型提取出每个POI的主题分布;然后，对于每个用户，将其签到信息划分到24个时间段中，通过连接相应的POI主题分布映射出用户在不同时间段对每个主题的兴趣偏好.为解决数据稀疏问题，运用高阶奇异值分解算法对用户-主题-时间三阶张量进行分解，获取用户在每个时间段对每个主题更为准确的兴趣评分.在真实数据集上进行了性能测试，结果表明所提出的推荐策略具有较好的推荐效果.

随着互联网的不断发展，大多数社会网络已逐渐显示出动态特性，动态社会网络社团分析对理解现实生活中社会网络结构和功能具有非常重要的意义.针对动态社会网络中的社团发现问题，提出一种基于隐Markov模型(hidden Markov model, HMM)的HMM_DC算法.该算法考虑到社会网络的动态特性，结合历史信息，将社团发现转化为求解隐马尔可夫模型中的最优状态序列问题，将网络中的社团结构和节点信息分别采用状态链和观察链表示，在无须指定额外参数的情况下实现动态网络的社团结构发现.最后，利用该算法和其他算法对VAST数据集、ENRON数据集和Facebook social network数据集进行实验仿真.仿真结果表明：该算法能够快速、准确地发现真实动态网络中的社团，其模块度Q值和互信息NMI值有很大提升.

网络编码是数据传输领域的一项新技术.在网络编码中，节点允许在数据转发的基础上对数据进行编码处理，从而提高网络的带宽利用率和吞吐量.然而当网络中某些节点存在自私性时，这些自私节点会延迟转发数据，从而造成网络编码时延的增加，降低通信的效率，严重时会造成网络编码中断，出现通信混乱.针对该问题，提出了基于探测-支付机制的网络编码自私节点激励方案.在方案中，首先对网络节点的时延进行探测，将网络节点的时延当作网络编码的成本，然后引入经济学中的支付机制，把网络编码看作是一种源节点消费、中继节点提供服务的交易行为.在支付机制运行的过程中，源节点作为消费者需要向提供网络编码服务的中继节点支付报酬.由于中继节点在提供服务时获得收益，因此支付机制会提高中继节点配合源节点进行网络编码的积极性.方案分析表明:该激励方案能够减小网络编码的时延，有效地抑制节点的自私性，最终提高了网络编码的有效性.

VANET可以提供各类安全和非安全相关的服务，但现有的VANET难以保障应用服务的QoS需求.软件定义网络(software defined networking, SDN)以系统化的灵活控制网络的方式出现，其分离的数据与控制平面为网络带来了可编程性.因此首先设计了一种面向异构多网接入的软件定义的VANET架构；接着提出一种流表用量感知的动态QoS保障框架，允许使用模块化的方式管理网络，并支持业务流的动态加入和退出；最后建立了多业务流多约束条件下流表用量感知的QoS路由模型，该模型不仅考虑了丢包、时延和吞吐量等链路参数，还考虑了业务需求和流表使用情况，从而为VANET应用服务提供并发的QoS路由.实验表明：流表用量感知的动态QoS路由机制不仅能够满足多业务对各自丢包、时延和吞吐量的要求，还能够感知流表用量，从而避免流表溢出对QoS路由机制的影响，进一步提高了网络QoS保障的性能.

近10年，随着传感器、无线网络技术的发展，无线传感器网络促进了一系列新型网络化应用的诞生.然而在这一系列应用中，无线传感器网络耗能过多成为了制约其发展的瓶颈.在实际的应用中，传输所消耗的能量占电池总消耗能量的90%，因此研究节点数据传输节能问题有着巨大的实际意义.基于事件驱动的线性离散时不变系统的输出反馈控制算法，所提出的事件驱动传输策略能决定传感器何时发送数据.首先，通过一类近似二次值函数来推导出这种传输策略，基于此类传输机制，该系统可以很好地平衡执行器性能和无线传输速率.其次，利用所给出的传输策略设计了相应的输出反馈控制器.最后，通过数值仿真验证了理论结果的可行性和有效性.