介绍了统筹考虑先进性和兼容性要求的龙芯指令系统架构——龙架构(LoongArch). LoongArch吸纳了近年来指令系统设计领域诸多先进的技术发展成果，易于高性能低功耗的实现和编译优化;融合了各种国际主流指令系统的主要功能特性，不仅能够确保现有龙芯电脑上应用二进制的无损迁移，而且能够实现多种国际主流指令系统的高效二进制翻译.LoongArch已经被实现于龙芯中科技术股份有限公司研制的3A5000四核CPU.SPEC CPU2006的实验结果表明，在相同微结构下，LoongArch性能比龙芯CPU原指令系统MIPS平均提升超过7%.在硬件辅助支持下，SPEC CPU2000程序从MIPS翻译到LoongArch可以实现无损翻译，其定点程序子集和浮点程序子集从x86翻译到LoongArch的效率分布达QEMU二进制翻译器的3.6倍和47.0倍.LoongArch有望消除指令系统之间的壁垒，使得不同指令集的软件能够融合到统一的LoongArch平台上，不加区别地高效运行.

类脑处理器较深度学习处理器具有能效优势.类脑处理器的片上互连一般采用具有可扩展性高、吞吐量高和通用性高等特点的片上网络.为了解决采用同步片上网络面临的全局时钟树时序难以收敛的问题以及采用异步片上网络面临的链路延迟匹配、缺乏电子设计自动化工具实现和验证的问题，提出了一种异步片上网络架构——NosralC，用于构建全局异步局部同步（global asynchronous local synchronous， GALS）的多核类脑处理器. NosralC采用异步链路和同步路由器实现.实验表明，NosralC较同步基线，在4个类脑应用数据集下展现出37.5%~38.9%的功耗降低、5.5%~8.0%的平均延迟降低和36.7%~47.6%的能效提升，同时增加不多于6%的额外资源以及带来较小的性能开销（吞吐量降低0.8%~2.4%）. NosralC在现场可编程门阵列（FPGA）上得到了验证，证明了该架构的可实现性.

由于多核处理器优越的计算性能，多核处理器现已广泛应用在嵌入式实时系统中. 相对于单核处理器，多核处理器存在资源共享竞争、并行任务干扰等因素，尤其是缓存（Cache）一致性问题，导致任务最坏情况执行时间（worst-case execution time，WCET）的预测更加困难.基于以上因素，提出基于多级一致性协议的多核处理器WCET分析方法.该方法针对多级一致性协议体系架构，提出多级一致性域的概念，将多核处理器的数据访问分为域内访问和跨域访问2个层次，根据Cache读写策略和MESI（modify exclusive shared invalid）一致性协议，得出一致性域内部和跨一致性域的Cache状态更新函数，从而实现多级一致性协议嵌套情况下的WCET分析.实验结果表明，在改变Cache配置参数的情况下，该方法分析结果与GEM5仿真结果的变化趋势一致，经过相关性分析，GEM5仿真结果与该方法分析结果相关性系数不低于0.98；在分析精度方面，该方法的平均过估计率为1.30，相比现有方法降低了0.78.

数据流架构的执行方式与神经网络算法具有高度匹配性，能充分挖掘数据的并行性. 然而，随着神经网络向更低精度的发展，数据流架构的研究并未面向低精度神经网络展开，在传统数据流架构部署低精度（INT8，INT4或者更低）神经网络时,会面临3个问题：1）传统数据流架构的计算部件数据通路与低精度数据不匹配，无法体现低精度神经网络的性能和能效优势；2）向量化并行计算的低精度数据在片上存储中要求顺序排列，然而它在片外存储层次中是分散排列的，使得数据的加载和写回操作变得复杂，传统数据流架构的访存部件无法高效支持这种复杂的访存模式；3）传统数据流架构中使用双缓冲机制掩盖数据的传输延迟，但是，当传输低精度数据时，传输带宽的利用率显著降低，导致计算延迟无法掩盖数据传输延迟，双缓冲机制面临失效风险，进而影响数据流架构的性能和能效.为解决这3个问题，设计了面向低精度神经网络的数据流加速器DPU_Q.首先，设计了灵活可重构的计算单元，根据指令的精度标志位动态重构数据通路，一方面能高效灵活地支持多种低精度数据运算，另一方面能进一步提高计算并行性和吞吐量. 另外，为解决低精度神经网络复杂的访存模式，设计了Scatter引擎，该引擎将在低层次或者片外存储中地址空间离散分布的低精度数据进行拼接、预处理，以满足高层次或者片上存储对数据排列的格式要求.同时，Scatter引擎能有效解决传输低精度数据时带宽利用率低的问题，解决了双缓冲机制失效的问题.最后，从软件方面提出了基于数据流执行模式的低精度神经网络映射算法，兼顾负载均衡的同时能对权重、激活值数据进行充分复用，减少了访存和数据流图节点间的数据传输开销.实验表明，相比于同精度的GPU（Titan Xp）、数据流架构（Eyeriss）和低精度神经网络加速器（BitFusion），DPU_Q分别获得3. 18倍、6.05倍、1.52倍的性能提升和4.49倍、1.6倍、1.13倍的能效提升.

机器学习是实现人工智能的重要技术手段之一，在计算机视觉、自然语言处理、搜索引擎与推荐系统等领域有着重要应用.现有的机器学习方法往往注重数据中的相关关系而忽视其中的因果关系，而随着应用需求的提高，其弊端也逐渐开始显现，在可解释性、可迁移性、鲁棒性和公平性等方面面临一系列亟待解决的问题.为了解决这些问题，研究者们开始重新审视因果关系建模的必要性，相关方法也成为近期的研究热点之一.在此对近年来在机器学习领域中应用因果技术和思想解决实际问题的工作进行整理和总结，梳理出这一新兴研究方向的发展脉络．首先对与机器学习紧密相关的因果理论做简要介绍；然后以机器学习中的不同问题需求为划分依据对各工作进行分类介绍，从求解思路和技术手段的视角阐释其区别与联系；最后对因果机器学习的现状进行总结，并对未来发展趋势做出预测和展望．

用户搜索时产生的点击数据分布，在不同的搜索场景下存在较大差异. 现有算法如融合上下文的位置模型（contextual position based model, CPBM）往往只通过单个模型预测多种场景下的位置倾向性得分，不可避免地降低了模型在不同场景下的预测准确性，影响去除位置偏置的效果.基于上述问题提出一种基于多任务学习的多门专家混合位置倾向性得分预测模型（multi-gate contextual position based model, MCPBM），在CPBM模型的基础上加入信息筛选结构，解决了多场景数据联合训练时预测准确性不佳的问题. 同时，为了缓解不同任务收敛速度不一致的问题，提出了指数加权平均权重动态调整算法，在加速模型训练的同时提升了模型整体预测性能. 实验结果表明提出的MCPBM模型在多场景数据联合训练时，预测准确性优于传统的CPBM；在使用MCPBM模型去除位置偏置后，基于生成的无偏数据训练得到的排序模型，在AvgRank排序指标上有1%~5%的提升.

基于模型诊断（model-based diagnosis，MBD）是人工智能诊断领域中著名的诊断求解方法之一，旨在识别诊断问题的根本原因.由于求解诊断解在计算上具有挑战性，一些MBD算法提出通过修改模型的编码来提高诊断效率，如面向统治者的编码（dominator-oriented encoding, DOE）方法.面向观察的编码（observation-oriented encoding，OOE）方法使用2种方法对MBD模型进行约简. 首先，利用系统观测和统治组件输出的一些过滤边来约简系统描述和观测.其次，通过查找基于观测的过滤节点来过滤更多的组件, 进而有效约简组件的编码规模. 此外，在ISCAS85和ITC99基准测试用例上的实验结果表明，与目前最新的MBD编码方法DOE和传统的基础编码（basic encoding , BE）相比，上述2种约简方法有效减少了MBD实例的编码子句数量比，降低MaxSAT求解器求解诊断的难度，进而能在更短的时间内返回一个诊断解.

近年来，基于图的半监督分类是机器学习与模式识别领域的研究热点之一. 该类方法一般通过构造图来挖掘数据中隐含的信息，并利用图的结构信息来对无标签样本进行分类，因此半监督分类的效果严重依赖于图的质量，尤其是图的构建方法和数据的质量. 为解决上述问题，提出了一种基于转换学习的半监督分类（semi-supervised classification based on transformed learning， TLSSC）算法.不同于已有的大多数半监督分类算法，此算法试图学习到一个转换空间，并在该空间上构建图，进行标签传播. 具体来说，此算法建立了一个统一的联合优化框架，其由3个部分组成：1）使用转换学习将原始数据映射到转换空间中；2）借鉴数据自表示思想，在转换空间上学习一个图；3）在图上进行标签传播. 这3个步骤交替进行、互相促进，避免低质量图导致的次优解. 对人脸和物品数据集进行实验，结果表明所提出的TLSSC算法在大部分情况下优于现有的其他算法.

跨域序列推荐旨在从给定的某用户在不同领域中的历史交互序列中挖掘其偏好，预测其在多个领域中最可能与之交互的下一个项目，以缓解数据稀疏对用户意图捕捉和预测的影响. 受协同过滤思想启发，提出一种基于时间和关系感知的图协同过滤跨域序列推荐（time and relation-aware graph collaborative filtering for cross-domain sequential recommendation, TRaGCF）算法，充分挖掘用户高阶行为模式同时利用跨域用户行为模式双向迁移，解决序列推荐中的数据稀疏问题. 首先，为获得用户行为序列中项目间复杂的时序依赖关系，提出时间感知图注意力（time-aware graph attention, Ta-GAT）学习项目的域间序列级表示；其次，通过域内用户-项目交互二部图挖掘用户的行为偏好，提出关系感知图注意力（relation-aware graph attention, Ra-GAT）学习项目协同表示和用户协同偏好表示，为用户偏好特征的跨域迁移提供基础；最后为同步提高2个领域中的推荐效果，提出用户偏好特征双向迁移模块（user preference feature bi-directional transfer module, PBT），实现迁移用户域间共有偏好，保留用户域内特有偏好. 在Amazon Movie-Book和Food-Kitchen数据集上验证了算法的正确性和有效性. 实验结果表明，在跨域序列推荐场景下考虑项目间深层复杂的关联关系对挖掘用户意图十分必要；实验还验证了在跨域迁移用户偏好过程中保留域内用户特有偏好对全面用户画像的重要性.

时间序列作为数据的典型代表，被广泛应用于许多研究领域. 时间序列异常模式代表了一种特殊情况的出现，在许多领域都具有重要意义. 现有的时间序列异常模式识别算法大多只是单纯检测异常子序列，忽略了异常子序列的类别区分问题，且许多参数都需要人为设置.为此提出了一种基于自适应k近邻的异常模式识别算法(anomaly pattern recognition algorithm based on adaptive k nearest neighbor, APAKN). 首先，确定各子序列的自适应k近邻值，引入自适应距离比计算子序列的相对密度,确定异常分数；然后提出一种基于最小方差的自适应阈值方法确定异常阈值，检测出所有异常子序列；最后，对异常子序列进行聚类，所得聚类中心即为具有不同变化趋势的异常模式. 整个算法过程在无需设置任何参数的情况下，不仅解决了密度不平衡问题，还精简了传统基于密度异常子序列检测算法的步骤，实现良好的异常模式识别效果. 在时间序列数据集合UCR的10个数据集上的实验结果表明, 提出算法在无需设置参数的情况下，在异常子序列检测和异常子序列聚类问题中都表现良好.

隐喻识别是自然语言处理中语义理解的重要任务之一，目标为识别某一概念在使用时是否借用了其他概念的属性和特点. 由于单纯的神经网络方法受到数据集规模和标注稀疏性问题的制约，近年来，隐喻识别研究者开始探索如何利用其他任务中的知识和粗粒度句法知识结合神经网络模型，获得更有效的特征向量进行文本序列编码和建模.然而，现有方法忽略了词义项知识和细粒度句法知识，造成了外部知识利用率低的问题，难以建模复杂语境.针对上述问题，提出一种基于知识增强的图编码方法（knowledge-enhanced graph encoding method，KEG）来进行文本中的隐喻识别. 该方法分为3个部分：在文本编码层，利用词义项知识训练语义向量，与预训练模型产生的上下文向量结合，增强语义表示；在图网络层，利用细粒度句法知识构建信息图，进而计算细粒度上下文，结合图循环神经网络进行迭代式状态传递，获得表示词的节点向量和表示句子的全局向量，实现对复杂语境的高效建模；在解码层，按照序列标注架构，采用条件随机场对序列标签进行解码.实验结果表明，该方法的性能在4个国际公开数据集上均获得有效提升.

从无结构化自然语言文本中抽取实体关系三元组是构建大型知识图谱中最为关键的一步，但现有研究仍存在3方面问题：1）忽略文本中因多个三元组共享同一实体而产生的实体关系重叠问题；2）当前以编码器−解码器为基础的联合抽取模型未充分考虑文本语句词之间的依赖关系；3）部分三元组序列过长导致误差累积与传播，影响实体关系抽取的精度和效率.基于此，提出基于图卷积增强多路解码的实体关系联合抽取模型 (graph convolution-enhanced multi-channel decoding joint entity and relation extraction model, GMCD-JERE).首先，基于BiLSTM作为模型编码器，强化文本中词的双向特征融合；其次，通过图卷积多跳特征融合句中词之间的依赖关系，提高关系抽取准确性；此外，改进传统模型按三元组先后顺序的解码机制，通过多路解码三元组机制，解决实体关系重叠问题，同时缓解三元组序列过长造成误差累积、传播的影响；最后，实验选用当前3个主流模型进行性能验证，在NYT (New York times)数据集上结果表明在精确率、召回率和F1这3个指标上分别提升了4.3%，5.1%，4.8%，同时在WebNLG (Web natural language generation)数据集上验证以关系为开始的抽取顺序.

协议逆向技术是分析私有协议的重要途径，基于少量或零先验知识推断私有协议的约束与规范.在恶意应用监管、协议模糊测试、脆弱性检测、通信行为理解等方面均具有较高的实用价值.网络流量表征协议规范，承载协议固有特征，因此基于网络流量的私有协议逆向技术更适用于发现、分析并监管网络上的私有协议.在梳理现有的基于网络流量的私有协议逆向技术基础上，首先提出包括预推理、协议格式推断、语义分析以及协议状态机推理4步骤的基于网络流量的私有协议逆向技术框架，并阐述各个步骤的主要任务，提出面向研究方法本质的分类结构；其次，详细阐述各个私有协议逆向技术的方法流程，从适用协议类型、方法内核、推断算法等多个角度进行对比分析，提供现有基于网络流量的私有协议逆向技术系统概述；最后，归纳总结现有技术存在的问题以及主要影响因素，并对私有协议逆向技术的未来研究方向与应用场景进行展望.

随着物联网应用的广泛普及，同一区域尤其是室内环境中，各种各样无线网络协议共存的情况越来越普遍，从而导致信道竞争、信号冲突、吞吐下降等严重的干扰问题.相比于传统被动式的干扰避让、容忍和并发机制，不同无线技术之间主动进行数据共享和融合协调才是解决共存问题的关键.跨技术通信方法由此成为近年来学术界和工业界的研究热点，它能够实现异构设备之间直接的数据传输和信息交换.目前大部分的研究成果是针对具体的2种异构无线设备之间跨技术通信的使能技术，但缺少对跨技术通信方法的思考和总结.因此，在重新梳理相关研究的基础上，分析了跨技术通信方法产生的背景和研究意义，总结了现有工作提出的跨技术通信方法，包括基于数据包级别的跨技术通信方法和基于物理层级别的跨技术通信方法，并介绍了跨技术通信的相关应用场景.最后，展望了物联网技术的发展趋势，实现跨网络、跨频率、跨介质的互联互通.

近年来，随着信息技术的发展，信息系统中的缓存侧信道攻击层出不穷.从最早利用缓存计时分析推测密钥的想法提出至今，缓存侧信道攻击已经历了10余年的发展和演进.研究中梳理了信息系统中缓存侧信道攻击风险，并对缓存侧信道攻击的攻击场景、实现层次、攻击目标和攻击原理进行了总结．系统分析了针对缓存侧信道攻击的防御技术，从缓存侧信道攻击防御的不同阶段出发，分析了攻击检测和防御实施2部分研究工作，并基于不同防御原理对防御方法进行分类和分析.最后，总结并讨论了互联网生态体系下缓存侧信道攻击与防御的研究热点，指出缓存侧信道攻击与防御未来的研究方向，为想要在这一领域开始研究工作的研究者提供参考.