使用有安全保障的闪存存储构建安全的汽车系统

最新设计资源

短视频沉迷中的智能推荐算法反思与规制[其他][其他]

短视频沉迷现象的蔓延与智能推荐算法的深度应用密切相关，已成为影响个体发展与社会治理的重要议题。智能推荐算法通过“数据画像—强化推送—即时反馈”的技术闭环持续捕获用户注意力，由此诱发系统性公共健康风险。现行治理框架在算法层面存在显著滞后性，突出表现为算法责任认定标准模糊、立法供给不足以及监管机制的碎片化。因此，短视频沉迷中智能推荐算法的治理应以技术特性为基础、社会影响为导向、法律回应为保障的阶梯式治理路径：在法律层面，明确沉迷认定标准，构建算法风险分级与三元责任体系；在监管层面，建立算法动态监测机制，推行监管沙盒与阶梯式干预；在多元共治层面，完善行业自律，畅通公众参与渠道，推进国际规则对接。希冀为破解算法驱动型沉迷提供实操路径，也为数字时代技术风险的法律规制提供范式参考。

发表于：11/25/2025

公共数据授权运营收费的正当性审视[其他][其他]

公共数据作为兼具治理要素与生产要素双重属性的战略资源，授权运营中的收益分配问题逐渐掣肘其开发利用，收费正当性受到质疑。作为制度设计的关键一环，公共数据授权运营收费源于宪法精神与政策法规的双重授权，契合公物理论与公私协力的治理逻辑，满足要素配置效率与受益者负担原则，其存在具有补偿制度运行成本、激励相关制度完善、保障制度安全和可持续的充分正当性。基于目的正义、程序正当与结果正义质疑提出的“公共属性背离说”“政府逐利倾向说”“开放空间侵蚀说”均存在不够周延之处，不足以对收费正当性形成有力反驳。

发表于：11/25/2025

权属视域下数据安全治理“效率-公平”的平衡逆转机制研究[其他][其他]

探讨了数据安全治理中“效率-公平”平衡机制的动态演变，聚焦数据权属视角下多主体协同治理的安全风险与制度梗阻问题及其逆转路径的探索。通过阐释数据治理中“效率-公平”平衡机制的具体含义，以权属视域从市场、政府以及个人三个主要的不同治理主体探究平衡机制面临安全风险所带来的机制性梗阻，并对逆转路径进行探索。围绕市场、政府、个人三大主体构建“全链贯通-动态调适”的治理体系，通过权属重构、技术赋能与制度创新打通数据流通堵点，在安全可控前提下释放数据要素价值，最终服务于新质生产力的培育与数字生态的可持续发展。

发表于：11/25/2025

检验检测机构认可业务数据分类分级研究[其他][其他]

随着认可业务数字化、智能化进程不断推进，认可业务数据的重要性不断增强，数据分类分级安全保护需求日益紧迫。首先研究国外数据分类分级现状和分析我国数据分类分级战略规划，接着分析数据分类分级方法，然后在分析检验检测机构认可业务数据特点基础上，提出检验检测机构认可业务数据分类分级流程和规则，以及数据分级安全保护措施，为实现认可业务数据分类分级安全保护提供支撑。

发表于：11/25/2025

面向国产数据库的Text-to-SQL数据集设计[其他][其他]

随着智能技术的发展，数据库数量和规模激增，传统数据存取技术在应对海量数据处理需求时存在耗时长、效率低等问题，Text-to-SQL技术成为衔接用户需求和数据库存取的重要桥梁。然而，现有技术通常在开源非国产数据集上训练，在实际应用中存在数据库操作语言不一致、领域知识欠缺和可靠性差等问题。为此，结合数据库领域软硬件国产化趋势，设计面向国产数据库的Text-to-SQL数据集，采用基于合成数据方法的大语言模型两阶段训练技术，提出一种基于大语言模型的国产数据库Text-to-SQL方法，通过实验对方法的有效性进行了充分验证。

发表于：11/25/2025

基于保形加密的民航旅客信息脱敏方法[其他][信息安全]

针对民航旅客数据量大、涉及个人敏感信息多、在特殊情况下需要用到原值的问题，研究了一种基于保形加密的民航旅客信息脱敏方法。首先，按照应用场景和敏感程度的不同，结合数据特点，筛选出合理字段并据此确定调整因子的值，然后利用保形加密框架加密敏感信息，从而避免脱敏结果单一。该方法在保证数据不失真的前提下，能有效减少各字段之间的关联性，增加密文破解难度，降低个人信息泄露风险；同时，在需要获取原值时可以高效还原数据，以满足各类业务场景需求。以民航电子客票数据为例，模拟相应数据进行实验，结果验证了所提算法的有效性和实用性。

发表于：11/25/2025

基于大模型上下文学习的未知意图识别方法[其他][其他]

面对现代化战争的复杂态势，精准的意图识别技术可实现对指挥人员需求的高效理解与精准捕捉，提升决策准确率和敏捷性。现有意图识别方法通常需要大量人工标注的数据进行训练，带来了高昂的成本，并且对于新意图的识别效果较差。为此，提出了基于大语言模型(Large Language Models，LLMs)上下文学习的创新解决办法，充分利用大模型的通用语言能力和指令遵循能力，仅需使用少量样本并无需训练，便可完成已知意图识别与新意图发现任务，为意图识别提供了一种新型高效的解决方案。

发表于：11/25/2025

基于改进U-Net的多尺度层级融合去雾网络[其他][其他]

计算机视觉任务中，雾霾的存在会导致图像出现质量下降问题，现有的去雾方法因全局与局部特征协同建模不足及多尺度雾浓度自适应处理欠缺，常出现去雾残留和色彩失真。基于改进UNet的多尺度层级融合去雾网络以多尺度输入捕获层级特征，结合分层次特征融合优化信息传递。相邻层嵌入特征增强块自适应聚焦关键区域，跨层交叉融合实现多尺度互补，促使网络内部信息充分流动。实验表明，该方法在合成与真实数据集上均优于对比方法，尤其在细节恢复、色彩保真和真实场景泛化性方面表现突出。

发表于：11/25/2025

AI大语言模型的数据安全风险与治理措施[人工智能][信息安全]

随着AI大语言模型的迅猛发展，其在为各领域带来创新机遇的同时，也引发了诸多数据安全风险。深入剖析AI大语言模型所面临的数据安全风险，包括数据泄露、数据滥用、数据偏见等方面，并针对性地提出一系列治理措施，旨在为构建安全可靠的AI大语言模型应用环境提供全面的理论依据与实践指导，促进该技术在合法合规且安全的轨道上持续发展。

发表于：11/25/2025

一种针对垂类模型的综合成效评测框架[人工智能][信息安全]

针对垂类模型在评测实践中存在的评价维度单一、缺乏领域适配性以及方法碎片化等问题，提出了一套综合成效评测框架。该研究旨在通过标准化方案解决技术研发与产业应用之间的“评价断层”，为垂类模型的开发、部署和监管提供科学依据。研究方法包括构建以安全合规、技术性能和应用价值为核心的多维指标体系，并配套设计评测数据集构建策略与混合评测方法，后者融合了自动化测试、人工评估和大模型作为裁判的评估手段。研究结果形成了一套结构化的评测体系，涵盖评价对象分类、指标定义和方法实施，能够实现对不同类型垂类模型的全面、可比较评估。结论表明，该框架有助于提升评测的客观性和可操作性，推动垂类模型在关键领域的可信赖应用，未来需通过实践验证和动态优化以适应技术发展。

发表于：11/25/2025

英文语言大模型特定文化改造方法研究[人工智能][信息安全]

大语言模型的迅猛发展已成为人工智能领域的显著趋势。然而，目前领先的大语言模型多基于英文，直接将其应用于特定文化领域下的任务时存在局限，如特定领域知识不足和文化价值观差异导致的误解。为应对这一挑战，提出了一种针对特定文化背景下大模型的快速改造方法，该方法基于特定文化知识能力和安全价值观数据进行指令微调。以中文为特定文化背景，选用LLaMA38B英文大模型作为实验对象，评估结果显示，改造后的大模型在保持原有领域知识优势的同时，显著增强了在特定领域下的知识能力和安全价值观适应能力。

发表于：11/25/2025

基于同态加密的AI模型参数安全计算与防泄露方法[人工智能][信息安全]

随着人工智能在医疗、金融等敏感领域的广泛应用，模型参数与训练数据的隐私保护成为关键问题。提出一种基于同态加密（HE）的AI模型参数安全计算与防泄露方法，采用CKKS方案在密文空间中实现参数加密、前向推理与梯度更新，避免了训练过程中明文暴露的风险。结果表明，HESGD在MNIST上最高准确率达99.1%；在计算开销上，实现了效率与安全性的平衡，信息泄露风险指数接近0.0。研究表明，该方法在保持模型精度的同时，实现了高效安全计算与近乎零泄露风险，具有较强的应用价值。

发表于：11/25/2025

领域大语言模型的内容安全控制研究[人工智能][信息安全]

随着大语言模型在非通用领域中的广泛应用，其在知识管理、决策支持和安全信息交流等方面展现出巨大潜力。然而，这些领域具有高度的专业性和敏感性，在特定场景下确保输出内容的安全性与合规性是主要挑战。现有方法主要依赖模型的重新训练或微调，成本高且灵活性不足。提出了一种无需重新训练模型的精细化输出控制方法，将输出控制抽象为分类问题，利用分类算法对生成内容进行判断，决定是否输出。该机制结合数学建模与特征工程，力求在满足业务需求的同时，最大限度地减少潜在风险，提升输出的安全性与合规性。

发表于：11/25/2025

基于多域特征的雷达有源干扰信号智能识别[通信与网络][通信网络]

现代雷达系统面临的干扰信号呈现出多样化、动态化的特点，传统干扰信号识别方法在复杂场景下性能严重受限。据此，提出一种基于多域特征的雷达有源干扰信号智能识别方法。首先，设计出雷达有源干扰在时域、频域、变换域的多维特征，作为信号差异性表征的基础；然后，利用主成分分析方法在降维上的优势，提取出最具代表性和区分度的特征子集；最后，结合随机森林模型，自动挖掘数据特征，实现有源干扰的分类识别。仿真结果表明，所提方法具有较高的识别准确率和较低的计算复杂度，适应于实际复杂场景下的雷达有源干扰识别。

发表于：11/14/2025

基于自注意力1dCNN的雷达目标识别方法及教研系统设计[人工智能][通信网络]

雷达目标识别是实现对环境态势感知的重要技术手段，随着人工智能的快速发展，深度学习已成为雷达目标感知领域的主流研究方法。首先介绍了基于编码-解码网络的信号增强方法，该方法结合雷达目标物理模型可实现对含噪信号的准确特征保持和信号恢复。进一步，提出了一种基于自注意力一维CNN（Self-attention 1dCNN， S-1dCNN）的雷达目标识别方法，该方法利用一维卷积神经网络对雷达目标回波信号进行特征学习，有效挖掘距离维的目标支撑区结构信息，所提方法结合自注意力机制，关注与目标结构信息相关的特征，提升所学特征的表征能力，进而提升模型的目标识别性能。基于五类实测民航飞机目标回波数据的实验结果表明，信号增强模型可以准确地去除噪声且保持目标结构特性，将信号增强后的信号输入所提S-1dCNN模型中，具有较高的识别准确率。同时，基于MATLAB工具设计了基于雷达目标识别可视化界面的教研系统，包括数据预处理和识别算法等模块，实现多功能操作交互。该软件将抽象算法转为可视化流程，可以提升雷达目标识别课程教学的效果。

发表于：11/14/2025