123,123

AI大語言模型的數(shù)據(jù)安全風險與治理措施[人工智能][信息安全]

隨著AI大語言模型的迅猛發(fā)展，其在為各領域帶來創(chuàng)新機遇的同時，也引發(fā)了諸多數(shù)據(jù)安全風險。深入剖析AI大語言模型所面臨的數(shù)據(jù)安全風險，包括數(shù)據(jù)泄露、數(shù)據(jù)濫用、數(shù)據(jù)偏見等方面，并針對性地提出一系列治理措施，旨在為構建安全可靠的AI大語言模型應用環(huán)境提供全面的理論依據(jù)與實踐指導，促進該技術在合法合規(guī)且安全的軌道上持續(xù)發(fā)展。

發(fā)表于：11/25/2025 3:50:12 PM

一種針對垂類模型的綜合成效評測框架[人工智能][信息安全]

針對垂類模型在評測實踐中存在的評價維度單一、缺乏領域適配性以及方法碎片化等問題，提出了一套綜合成效評測框架。該研究旨在通過標準化方案解決技術研發(fā)與產(chǎn)業(yè)應用之間的“評價斷層”，為垂類模型的開發(fā)、部署和監(jiān)管提供科學依據(jù)。研究方法包括構建以安全合規(guī)、技術性能和應用價值為核心的多維指標體系，并配套設計評測數(shù)據(jù)集構建策略與混合評測方法，后者融合了自動化測試、人工評估和大模型作為裁判的評估手段。研究結果形成了一套結構化的評測體系，涵蓋評價對象分類、指標定義和方法實施，能夠?qū)崿F(xiàn)對不同類型垂類模型的全面、可比較評估。結論表明，該框架有助于提升評測的客觀性和可操作性，推動垂類模型在關鍵領域的可信賴應用，未來需通過實踐驗證和動態(tài)優(yōu)化以適應技術發(fā)展。

發(fā)表于：11/25/2025 3:39:13 PM

英文語言大模型特定文化改造方法研究[人工智能][信息安全]

大語言模型的迅猛發(fā)展已成為人工智能領域的顯著趨勢。然而，目前領先的大語言模型多基于英文，直接將其應用于特定文化領域下的任務時存在局限，如特定領域知識不足和文化價值觀差異導致的誤解。為應對這一挑戰(zhàn)，提出了一種針對特定文化背景下大模型的快速改造方法，該方法基于特定文化知識能力和安全價值觀數(shù)據(jù)進行指令微調(diào)。以中文為特定文化背景，選用LLaMA38B英文大模型作為實驗對象，評估結果顯示，改造后的大模型在保持原有領域知識優(yōu)勢的同時，顯著增強了在特定領域下的知識能力和安全價值觀適應能力。

發(fā)表于：11/25/2025 3:32:13 PM

基于同態(tài)加密的AI模型參數(shù)安全計算與防泄露方法[人工智能][信息安全]

隨著人工智能在醫(yī)療、金融等敏感領域的廣泛應用，模型參數(shù)與訓練數(shù)據(jù)的隱私保護成為關鍵問題。提出一種基于同態(tài)加密（HE）的AI模型參數(shù)安全計算與防泄露方法，采用CKKS方案在密文空間中實現(xiàn)參數(shù)加密、前向推理與梯度更新，避免了訓練過程中明文暴露的風險。結果表明，HESGD在MNIST上最高準確率達99.1%；在計算開銷上，實現(xiàn)了效率與安全性的平衡，信息泄露風險指數(shù)接近0.0。研究表明，該方法在保持模型精度的同時，實現(xiàn)了高效安全計算與近乎零泄露風險，具有較強的應用價值。

發(fā)表于：11/25/2025 3:13:00 PM

領域大語言模型的內(nèi)容安全控制研究[人工智能][信息安全]

隨著大語言模型在非通用領域中的廣泛應用，其在知識管理、決策支持和安全信息交流等方面展現(xiàn)出巨大潛力。然而，這些領域具有高度的專業(yè)性和敏感性，在特定場景下確保輸出內(nèi)容的安全性與合規(guī)性是主要挑戰(zhàn)。現(xiàn)有方法主要依賴模型的重新訓練或微調(diào)，成本高且靈活性不足。提出了一種無需重新訓練模型的精細化輸出控制方法，將輸出控制抽象為分類問題，利用分類算法對生成內(nèi)容進行判斷，決定是否輸出。該機制結合數(shù)學建模與特征工程，力求在滿足業(yè)務需求的同時，最大限度地減少潛在風險，提升輸出的安全性與合規(guī)性。

發(fā)表于：11/25/2025 3:05:16 PM

基于多域特征的雷達有源干擾信號智能識別[通信與網(wǎng)絡][通信網(wǎng)絡]

現(xiàn)代雷達系統(tǒng)面臨的干擾信號呈現(xiàn)出多樣化、動態(tài)化的特點，傳統(tǒng)干擾信號識別方法在復雜場景下性能嚴重受限。據(jù)此，提出一種基于多域特征的雷達有源干擾信號智能識別方法。首先，設計出雷達有源干擾在時域、頻域、變換域的多維特征，作為信號差異性表征的基礎；然后，利用主成分分析方法在降維上的優(yōu)勢，提取出最具代表性和區(qū)分度的特征子集；最后，結合隨機森林模型，自動挖掘數(shù)據(jù)特征，實現(xiàn)有源干擾的分類識別。仿真結果表明，所提方法具有較高的識別準確率和較低的計算復雜度，適應于實際復雜場景下的雷達有源干擾識別。

發(fā)表于：11/14/2025 3:59:22 PM

基于自注意力1dCNN的雷達目標識別方法及教研系統(tǒng)設計[人工智能][通信網(wǎng)絡]

雷達目標識別是實現(xiàn)對環(huán)境態(tài)勢感知的重要技術手段，隨著人工智能的快速發(fā)展，深度學習已成為雷達目標感知領域的主流研究方法。首先介紹了基于編碼-解碼網(wǎng)絡的信號增強方法，該方法結合雷達目標物理模型可實現(xiàn)對含噪信號的準確特征保持和信號恢復。進一步，提出了一種基于自注意力一維CNN（Self-attention 1dCNN， S-1dCNN）的雷達目標識別方法，該方法利用一維卷積神經(jīng)網(wǎng)絡對雷達目標回波信號進行特征學習，有效挖掘距離維的目標支撐區(qū)結構信息，所提方法結合自注意力機制，關注與目標結構信息相關的特征，提升所學特征的表征能力，進而提升模型的目標識別性能?；谖孱悓崪y民航飛機目標回波數(shù)據(jù)的實驗結果表明，信號增強模型可以準確地去除噪聲且保持目標結構特性，將信號增強后的信號輸入所提S-1dCNN模型中，具有較高的識別準確率。同時，基于MATLAB工具設計了基于雷達目標識別可視化界面的教研系統(tǒng)，包括數(shù)據(jù)預處理和識別算法等模塊，實現(xiàn)多功能操作交互。該軟件將抽象算法轉為可視化流程，可以提升雷達目標識別課程教學的效果。

發(fā)表于：11/14/2025 3:52:05 PM

航向信標輻射場中障礙物影響分析與布局優(yōu)化[模擬設計][航空航天]

隨著機場擴建工程的持續(xù)推進，機場周邊障礙物對儀表著陸系統(tǒng)（ILS）電磁環(huán)境的干擾問題日益凸顯。其中，障礙物引起的反射和繞射信號對航向信標（LOC）輻射場的干擾尤為顯著，嚴重影響了航向信標系統(tǒng)的導航穩(wěn)定性和精度。針對這一問題，基于射線追蹤算法，系統(tǒng)分析了障礙物引起的反射信號和繞射信號對LOC輻射場的影響機理。通過建立雙頻12單元LOC陣列模型，并結合機場跑道周邊存在障礙物的典型場景，構建了信號傳播模型，重點研究了反射信號與繞射信號對調(diào)制度差（DDM）的干擾特性。研究結果表明，在特定位置必須建設專用障礙物的工程場景下，通過優(yōu)化障礙物反射面與跑道之間的空間幾何關系，可有效抑制對LOC輻射場產(chǎn)生顯著干擾的信號分量。該研究成果為解決實際工程中特定區(qū)域LOC輻射場的多徑干擾問題提供了新的技術途徑。

發(fā)表于：11/14/2025 3:44:01 PM

一種Ku頻段高性能低成本低噪聲放大器[微波|射頻][通信網(wǎng)絡]

設計了一種低成本Ku頻段兩級低噪聲放大器，基于GaAs未匹配塑封管芯，采用表貼組裝工藝，在單層雙面高頻印制板上實現(xiàn)了高性能低噪聲放大功能。放大器在設計中采用了全局優(yōu)化方法，包括波導探針過渡結構、最佳噪聲和共軛匹配網(wǎng)絡、偏置電路以及穩(wěn)定性改善單元等多個設計維度相互之間的迭代優(yōu)化。通過加工測試，該放大器工作頻率覆蓋10.7 GHz~12.7 GHz，帶內(nèi)噪聲系數(shù)優(yōu)于0.82 dB（含波導過渡），帶內(nèi)小信號增益大于17 dB，帶內(nèi)增益平坦度優(yōu)于+/-0.45 dB，輸入輸出端口駐波比優(yōu)于1.7。全套電路尺寸為24 mm×17 mm，生產(chǎn)成本低于60元，適用于Ku頻段衛(wèi)星通信地面設備的射頻前端中。

發(fā)表于：11/14/2025 2:59:01 PM

12~30 GHz高精度低附加相移數(shù)控衰減器設計[微波|射頻][通信網(wǎng)絡]

為了滿足寬帶微波無線通信系統(tǒng)高精度的設計要求，采用砷化鎵（GaAs）0.15 μm PHEMT工藝設計了一款12~30 GHz高精度低附加相移的五位數(shù)控衰減器。該衰減器通過級聯(lián)五個不同衰減位，可實現(xiàn)最小步進為0.5 dB的0~15.5 dB衰減范圍，其中0.5 dB衰減位采用簡化T型衰減結構，1 dB、2 dB、4 dB和8 dB衰減位采用Lange耦合器式反射型結構。在反射型衰減拓撲結構中提出并采用了層疊開關晶體管技術和電容補償技術，有效降低了超寬頻帶內(nèi)的附加相移，提高了衰減精度。電磁仿真顯示，在12~30 GHz頻帶范圍內(nèi)，參考態(tài)插入損耗≤3.8 dB，衰減器的32態(tài)衰減均方根誤差（Root Mean Square， RMS）小于0.5 dB，典型值僅為0.3 dB，衰減器的32態(tài)附加相移不超過±3°，32態(tài)端口輸入回波損耗與輸出回波損耗均大于12 dB。電路尺寸僅為2.95 mm×1.2 mm。

發(fā)表于：11/14/2025 2:50:01 PM