5G协议的安全性相比4G有了较大的提升，其中鉴权算法也做了许多改进，然而5G USIM卡中的加密算法依旧受到侧信道分析技术的威胁.文章研究了5G AKA鉴权协议的流程和架构，分析了该协议在密钥生成阶段的脆弱性，针对商用5G USIM卡实施了相关性功耗分析，恢复出秘密参数，并据此实现了对5G USIM卡的复制、入网和鉴权测试，验证了其对☆侧信道分析技术的脆弱性.

SEM IP(Soft Error Mitigation软错误缓解核)是对SRAM FPGA设计进行单粒子故障注入的一种有效方法.然而由于目标设计与SEM IP部分随机布局布线在▅一块芯片上，导致进行故障注入时很有可能会打翻SEM IP所使用的配置寄存器而导致故障注入〓停止工作，同时对于目标设计失效率统计不准确.为解决这一问题，基于SEM IP和部分重配置技术开发了一套单粒子故障注入原型系统用于单粒子故障注入实验.该方法将SEM IP和目标设计布局布线到芯片的不同区域，能够只对目标设计所在区域进行故障注入并且不中断目标设计运行，并且在发生不可纠正错误后对目标设计所在区域进行部分重新配置，配置数据更少，用时更短，系统故障的注入效率大大提高，提高对于目标设计软错误失效率估计的准确性.

目标检测任务对于检测㊣　任务精度和实时性都有很高要求，YOLOv3-tiny网络在这两点有很好的表现.但是其复杂的网络结构，使得实际应用需要从软件和硬件方面都进行针对性的优化.为了达到实时要求，综合使用三种优化技术：在软●件层面，通过融合批归一层降低计算量，低位宽增大资源利用率；设计多维度并行FPGA计算核心匹配多个卷积层，提高整体吞吐率；细粒度层间流水和pingpong缓存设计，降低数据传输时间.在ZCU104型号的FPGA上，实现了418ⅹ418图片的21ms检测延时，超过同类加速器设计，并在DSP效率上有2.86倍或者8.81倍的提升.

当前基于忆阻器的神经网络加速器存在的资源需求高、系统功耗大等问题，提出了一种包含剪枝及量化算法在内的神经网络模型压缩框架.根据忆阻器阵列紧密耦合的特点，设计了一种忆阻器阵列感知的规则化增量剪枝算法，在保证模型准确度的条件下实现了硬件资源的节省；针对忆阻器加速器系统中ADC单元和忆阻器阵列功耗占比过大等问题，设计了一种二的幂次量化算法以降低加速器系统中ADC的精度需求以及计算阵列中低阻值忆阻器器件个数，实现系统功耗的降低.实验结果表明：提出的神经网络模型压缩框架在忆阻器加速器部署网络时可取得17.2~30.7倍的能效提升以及4.3~9.3倍的加速比，模型的精度损失维持在1%左右.

可重构阵列依靠数据流驱动带来的能效优势被作为加速器广泛运用在特定领域之中.随着应用范围的增大，当应用中存在不同执行速率的区域时，采用传统的空间映射方案将整个数据流图进行直接映射会造成严重的性能损失.提出了一种基于数据流解耦的映射方法，通过在执行速率不同的区域之间加入解耦单元以解决执行速率失配的问题.同时利用一种分布式多阶段的布局算法，将解耦后的数据流※图映射在分簇式的互连结构中.与传统映射方案相比，对数据流进行解耦后的映射方案在保持较高的互连布通率的基础上可以平均提升57.68%的执行性能，同时降低32%~43%的互连开销.

传统的卷积神经网络需要大量的运算单元和繁琐的数据存取，导致计算速度较慢，效率不高.本文设计了全新的数据块结构以充分利用数据复用，大大减少数据读取次数，并且全面调用FPGA的并行运算资源，同时①进行多个乘加操作，实现了高效并行卷积计算电路.将权重和偏置参数分别融合、最优化量化，减少了内存占用.通过以VGG16作为测试网络，在识别Imagenet数据集时，精度仅损失了0.02%，在200 MHz的情况下，吞吐率达到了129.6 GOPS，功耗仅为5.26 W.

提出了一种SATA固态硬盘Power Cycle功能自动化测试方法，用于验证SATA固态硬盘在上下电过程中数据完整性与安全性，保证SATA固态硬盘在多种应用场景中都可以保持正常且高效的运行状态.通过分析标准SATA协议与ATA命令集协议，针对SATA固态硬盘Power Cycle工作流程，在DriveMaster和ULink Power Hub软硬件平台基础上进行脚本编程，对SATA固态硬盘Power Cycle功能进行自动化测试.测试方法包含基于标准协议提炼出的测试流程图，软件平台DriveMaster脚本编程和DriveMaster平台与ULink Power Hub硬件组件联动设置，待测硬盘运行状况记录，发生异常时运行环境记录，测试结果汇总等内容.为满足用户对SATA固态硬盘使用需求，测试过程在经典用例"写入数据-下电-上电-读回比较"基础上，为SATA固态硬盘制造多种不同写入压力，模拟SATA固态硬盘真实使用场景，从厂商角度保证SATA固态硬盘中数据完整性以及正确性.

非均衡数据(分类不均匀分布)和冗余特征的出现极大增加了数据准确分类的难度.以最优化学习算法的预测准确率为目标，结合合成少数过采样技术SMOTE，设计了一种针对非均衡数据的二进制排队搜索方法的包装式特征选择算法BQSA.利用PROMISE知识库中十四种软件故障预测数据集进行实验分析.测试了数据集过采样比例的影响，证实合成少数过采样对高度非均衡数据的分类预测具有正面影响，并得到了最佳过采样率；比较了BQSA与同类算法的性能，证实结合合成少数过△采样技术的BQSA算法拥有更优的预测准确性，在分类敏感度、专一性以及曲线下面积AUC等指标上表╳现更佳.

针对当前神经网络加速器难以高效实现目标跟踪边框后处理的问题，提出一种高效的目标跟踪专用加速器.引入神№经网络架构，用于提取输入视图特征并生成边框置信度与偏移量集合.随后针对目标跟踪的边框处理设计了专用于边框的回归、惩罚以及提取操作的加速模块，通过同步神经网络加速器与专用加速模块间的数据，以流水结【构并行执行特征提取与边框操作，实现基于深度学习目标跟踪的端到端处理.该加速器在40 nm工艺下消耗面积3.64 mm²，获得了5.71 Tops/W能效比.实验结果表明：与现有加速方案相比，该目标跟踪加速器获得了1.53倍加速，可实现实时的视频处理(31 fps).其中仅针对跟踪过程的后处理任务，专用加速模块相对RISC处理器可实现3.2倍的加速比.

设计了一种低成本的64倍降采样数字抽取滤波器，对∑△ ADC的输出码流进行滤波和抽取.为节省面积和保证稳定性，首先选用2抽取级联的滤波器实现方式; 其次对单级滤波器进行结构优化，采用更省面积的折叠转置结构; 在此基础上对系数相乘与加法部分进行了系数优化和公共项提取; 最后采用Modelsim进行了电路仿真，验证了功能.通过优化，可降低寄存器和加法器的使用至优化前的59%和35%，资源优化率达到了41%和65%.数字抽取滤波器采用SMIC 0.18 μm CMOS工艺实现，工作电压3.3 V，芯片面积为1.13 mm*0.36 mm，功耗为5.3 mW.芯片功能测试结果表明：∑△ ADC数字抽取滤波器工作正常，是一种兼顾面积和功耗的设计电路.

传统二维重构Toeplitz类算法在进行二维相干信源DOA估计时，利用构造两个相关矩阵或协方差矩阵的部分信息构造Toeplitz矩阵，使得信息利用不完整且需要额外的去噪处理.针对上述问题，提出一种基于□二维重构Toeplitz类算法改进的Toeplitz矩阵集重构算法.利用完整阵元接受信号矢量构造两个包含完整信息的Toeplitz矩阵集，再与其共轭转置相乘求和来对矩阵修正而得到满秩矩阵，从而达到去相干的目的; 结合传统ESPRIT算法通过旋转不变性进行两次∩一维重构处理再进行角度匹配来实现二维的相干信号角度估计，同时避免额外的去噪处理.通过十字阵列和L型阵列的仿真验证了本文算法的有效性.

基于事件的社交网络为用户提供线上线下互动模式的社交服务，用户在线上组织事件，线下参与事件.以往的研究基于因素或基于图实现社交事件推荐，难以充分挖掘社交网络中的语义信息.为解决该问题，提出了基于元路径的社交事件推荐方法，元路径包含丰富的语义信息，是异质信息网络的重要特征.首先构建了一个异质社交网络，接下来利用元路径计算用户与事件之间的相关性矩阵，在此基础上，通过最优化问题求解元路径权重，最后将相关性矩阵和元路径权重线性组合实现面向用户的社交事件推荐.该算法在应用最为广泛的基于事件的社交网络平台--Meetup网站真实数据集上进行了实验，采用不同度量指标与其它推荐方法进行了对比，实验结果表明本算法优于其它对比方法.

针对航天领域VPX架构服务器对高可靠性和自主可控的特殊需求，设计并实现了一种基于国产嵌入式ARM控制芯片的BMC控制器.该设计满足VITA46.11标准和IPMI协议，采用主备冗余机制提高可靠性保证系统正常提供服务; 与功能板卡上的IPMC通过双冗余IPMB总线通信; 与远程主机的IPMI LAN通信采用RMCP+协议结合HMAC-SHA1算法和AES-CBC-128加密算法进行身份认证、密钥交换、加密传输实现数据完整性，保证通信安全性，以实现对硬件健康信息的采集与监控及上下电控制等功能.经测试验证，该设计方案有效可行，在满足功能需求的基础上能够保证可靠性和安全性.

针对传统CycleGAN在图像去雾后出现模糊和颜色失真等问题，给出了一种改进CycleGAN的图像去雾网络.所提CycleGAN的生成器包括特征提取、特征融合和图像复原三个子网络.图像特征提取子网络用于提取图像的内容特征和风格特征，特征融合子网络利用两种不同的注意力机制分别对提取到的内容特征和风格特征进行◥融合，图像复原子网络将融合后的图像特征还原成无雾图像.与传统的CycleGAN和已有的去雾网络相比，所提网络对合成图像和真实图像均可取得理想的去雾结果，有效解决了传统CycleGAN在图像去雾后出现的模糊和颜色失真的问题.

优化了简单生成对抗网络结构，用于更有效的通过对抗性实例训练得到视觉显着性图，减少假阳性产生和提高显著性.网络模型仍遵循传统生成对抗网络结构，第一阶段是由一个使用残差结构建的生成器组成，该模型的权值由显著图的下采样版本的二分类交叉熵损失(BCE)的反向传播计算得到的，训练得到更有效的显著图.预测结果由受训练的判别器网络进行生成阶段生成的显著图与真值图之间的二值分类处理.实验展示了改进生成对抗网络中的生成器的预测显著图的能力对整个网络性能提升，相较于其他显著图预测模型也有一定领先.