摘要：地下连续墙是一种常见的深基坑支护方式,具有刚度大、防渗性能好、适应范围广等优点,但其受力变形规律较为复杂。基于超弱光纤光栅感测技术,对某地铁车站基坑地下连续墙水平位移进行实时监测。将监测数据与数值模拟结果进行对比,验证了数值分析模型选取的合理性,并基于该数值分析模型研究了不同厚度软土层中,地下连续墙水平位移的变化规律,通过墙体位移梯度(D_(w))和软土位移梯度(D_(r))进行临界厚度比计算。研究结果显示:水平位移随软土厚度的变化呈“凸肚”状,沿深度方向划分为相对稳定区、线性增长区、最大变形区和线性下降区。利用D_(w)和D_(r)标定出临界厚度比为0.24;土压力变化在基坑前四步开挖过程中较为稳定,而在第五步开挖与施工后40 d变化显著。上述研究结果为类似工程的设计、施工和监测方案的制定提供了重要参考。

摘要：针对计算机网络课程实验教学中面临的实验环境搭建难度大、编程内容较少等问题,提出一种网络实验平台设计思路,介绍平台设计和实验实施过程,最后说明教学效果。

摘要：目的/意义探究智慧养老平台用户持续使用行为影响因素,丰富相关理论研究体系,促进智慧养老平台产品设计、优化和运营。方法/过程对智慧养老平台用户开展一对一深度访谈,采用扎根理论方法,对访谈资料进行质性分析,提炼影响智慧养老平台用户持续使用行为的相关因素。结果/结论智慧养老平台用户持续使用行为影响因素主要包括用户因素、平台因素和环境因素3个方面,提出智慧养老平台用户持续使用行为影响因素的关系框架。

摘要：中国是世界上地质灾害最严重的国家之一,其中滑坡常年位于各类地质灾害首位,因此对滑坡灾害进行深层次的研究至关重要。边坡工程常常会受到人类工程活动与自然地质作用叠加效应的影响,从而增加了对边坡变形失稳机理的科学认知难度。为精准掌握边坡状态信息与变形失稳过程,可通过建立全维度的监测体系以实现边坡状态信息的动态解译与表征,据此获得更加精准、可靠、直观的边坡稳定性评价依据。文章围绕边坡破坏模式及典型边坡监测技术,在厘清边坡变形演化过程的基础上,对边坡“天—空—地—体”一体化监测技术体系进行了全面分析;概述性总结了基于DFOS的边坡监测技术,重点阐述了基于DFOS的边坡多源多场监测研究思路与实施路径;系统性梳理了基于典型监测技术与DFOS技术的边坡物理模型试验研究过程与结果,以期为开展边坡加固方案设计与防灾减灾控灾提供重要的参考依据。

摘要：随着互联网人工智能技术的飞速发展,学习用户特征并精准投放广告能够显著提升广告的点击率(Click-Through-Rate,CTR)与转化率(Conversion Rate,CVR).人群智能定向是解决广告投放问题中极其重要的一环,其业界主流方法是使用转化用户和非转化用户训练基于用户特征的判断其是否会成为转化用户的分类模型.这个分类器的优劣依赖广告的实际转化人群规模,规模越大,越能准确判断.但在实际应用中通常面临某些广告转化人群不足的问题,本文利用在学术与工业场景占据重要研究地位的基于内容的检索技术来扩充相似广告集合,从而扩充对应转化人群.现有的单模态检索方案只关注于单个模态的特征(文本/图像),忽视了不同模态间的内在共有联系,使得挖掘出的广告特征不全且包含大量噪声,最终导致相似广告的检索结果质量不高,从而导致相似转化人群的扩充质量低下.而近年来兴起的跨模态检索方案主要关注以文搜图或以图搜文,并且没有考虑到通用目标检测器并不适用于特定领域图像数据这一事实.为解决这些问题,本文提出一种以广告分类为基本训练目标的多模态商品广告特征融合建模方法,以提升相似广告检索的效果.具体来说,本文使用Transformer模型提取文本语义特征,使用目标检测YOLO模型挖掘图像中细粒度的视觉特征,并结合文本注意力机制识别图像中与商品相关的目标,以降低无关目标给广告特征带来的噪声影响.同时,本文提出了一种多模态融合注意力机制,以高效融合广告文本和图像特征.该模型命名为ToTYEmb(Text oriented Transformer-Yolo fusion Embedding).另外,本文还提出了一种算法框架,将相似广告扩充、转化人群扩充加入到现有的人群智能定向工作流中.实验结果表明,较多个基线模型,本文方案有效提升了相似商品广告的检索质量,避免了很多由单模态信息带来的错误.同时离线人群定向更新实验表明本文提出的利用相似广告扩充转化人群确实能在很大程度上优化现有的人群智能定向算法.

摘要：领域驱动设计作为一种应对领域复杂性的软件开发方法,近年来得到了广泛应用.作为其中的关键步骤,领域建模仍然面临着领域模型与程序设计之间松散的逻辑关系带来的种种问题.为了应对此问题,基于模型驱动的逆向工程,提出了一种面向领域驱动设计的代码到模型的转换方法,以更好地支持领域建模,并实现了自动化工具原型.该方法能够实时抽象出程序设计对应的领域模型,一方面有助于通过对比程序设计与领域模型的分歧来避免设计偏离模型,另一方面减少了知识消化过程中对代码实现细节的依赖,从而促进了程序设计对建模过程的反馈.案例研究部分将该方法应用于实际软件项目,结果充分表明了其有效性.

摘要：为了保障数值程序的准确与高效,浮点程序自动优化成为了近年来学术界关注的一项新兴技术.该技术的核心思想是将经典的数值分析理论总结成程序转换规则,并利用规则将浮点程序以计算过程更为稳定的算法进行自动重写,从而使数值程序稳定高效且易于维护.然而,现有浮点程序自动优化方法的优化效率是其主要瓶颈.随着越来越多的数值程序转换规则被发现与总结,自动优化框架的规则库会越来越大,传统优化方法在规则库中遍历所有优化规则的过程也变得越来越困难.本文提出了一种经验库制导的浮点程序优化加速策略,该策略基于浮点误差成因的相似性原理,将已成功优化浮点程序对应的符号与结构特征抽取出来,并以散列的方式将优化该程序涉及到的规则序列保存在一个优化经验库中.当新的浮点数值程序需要进行自动优化时,本文算法首先计算其符号结构特征与经验库中各记录的相似度.符号结构相似度较高的记录所对应的规则序列会被优先用于浮点程序重写,从而得到优化程序.随着优化程序的增多,经验库的规模会逐渐增大,经验库的散列化分区存储设计保证了其检索与匹配效率.在浮点程序优化基准用例集FPBench和开源物理引擎OpenRelativity上的实验表明,在优化后浮点程序精度与传统方法类似的前提下,本文的加速策略能使平均优化速度相对于传统浮点程序优化方法提升6.04倍,显著提高了浮点数值程序自动优化技术的可用性.

摘要：因果效应定量描述变量间的影响作用,在许多现实任务中发挥着重要作用.辨识因果效应需要依赖已知的因果关系.一种确定因果关系的主流方法是引入干预信息,即通过人为干预某些因素而获取的信息.鉴于实际干预通常会带来巨大的成本,本文提出利用易于获取的专家知识替代干预,通过设计形如“在XX干预下,目标变量的值相较不干预时增大还是减小?”的问题并向专家咨询,确定因果关系,进而辨识因果效应.尽管每次专家返回的信息量少于干预信息,但通过一定次数的咨询,本文方法可以达到与使用干预信息方法相近的因果效应辨识效果.实验验证了上述结论.

摘要：以深度学习为代表的数据分析应用越来越多依赖分布式文件系统存储管理大规模数据集.为了增强数据访问的兼容性,现有分布式文件存储系统通常需提供标准POSIX接口,以支持深度学习等应用的无缝对接.然而,以内核模块形态开发提供POSIX接口的文件系统非常复杂耗时.近年来,用户态文件系统(Filesystem in Userspace,FUSE)框架大幅简化了文件系统的开发工作,已被Alluxio和Ceph等诸多知名分布式文件系统使用.目前常用的用户态FUSE库libfuse仅提供C语言编程接口,但现有大数据分布式文件系统基本都是基于Java语言开发的(例如HDFS和Alluxio等),为了使基于Java语言开发的分布式文件系统可以对接C语言开发的FUSE库,需采用跨语言FUSE框架作为中介.跨语言FUSE框架利用跨编程语言的函数回调机制,使操作系统FUSE库的C语言函数可以跨语言的调用分布式文件系统提供的Java语言编程接口,从而为大数据分布式文件系统提供标准POSIX接口的访问能力.但在数据密集型应用中,现有跨语言FUSE框架的执行效率低,导致数据密集型作业(深度学习、大数据分析等)中数据I/O耗时占据了显著的性能开销,成为新的潜在性能瓶颈.针对此问题,本文首先评估分析了重要且广为使用的跨语言FUSE框架JNR-FUSE的性能,发现并定位其在高并发和小文件场景下存在的性能瓶颈;接着从多方面剖析性能瓶颈根因,进而总结出高效跨语言FUSE框架的性能优化方向,并面向Java语言设计实现了跨语言FUSE框架***-FUSE利用延迟分离和元信息缓存等优化技术降低跨语言函数回调开销,从而提升跨语言FUSE框架的性能.实验结果表明,对比当前性能最好的Java FUSE框架JNR-FUSE,本文提出的JNI-FUSE带来了1.15~6.04倍的FUSE框架性能提升和1.90~2.71倍的文件系统端到端性能提升,并为上层深度学习训练任务带来了1.06~1.73倍的训练加速.本文设计提出的JNI-FUSE(Java Native Interface-Filesystem in User SpacE)因性能优势,已被知名开源分布式文件系统Alluxio官方接受集成.

摘要：神经网络后门攻击旨在将隐藏的后门植入到深度神经网络中,使被攻击的模型在良性测试样本上表现正常,而在带有后门触发器的有毒测试样本上表现异常,如将有毒测试样本的类别预测为攻击者的目标类。对现有攻击和防御方法进行全面的回顾,以攻击对象作为主要分类依据,将攻击方法分为数据中毒攻击、物理世界攻击、中毒模型攻击和其他攻击等类别。从攻防对抗的角度对现有后门攻击和防御的技术进行归纳总结,将防御方法分为识别有毒数据、识别中毒模型、过滤攻击数据等类别。从深度学习几何原理、可视化等角度探讨深度神经网络后门缺陷产生的原因,从软件工程、程序分析等角度探讨深度神经网络后门攻击和防御的困难以及未来发展方向。希望为研究者了解深度神经网络后门攻击与防御的研究进展提供帮助,为设计更健壮的深度神经网络提供更多启发。