P2559﹥《区块链恶意交易的层次化研究综述》

概述：区块链技术虽在去中心化与安全性上具有显著优势，但其分层架构中潜藏的恶意交易威胁日益复杂化，现有研究多聚焦单一层次的安全分析，缺乏对跨层攻击传导机制的系统性探索。提出包括基础协议层、基础链层、扩展解决方案层、应用层的层次化恶意交易分析框架，深入分析了区块链技术中恶意交易的层次化问题，完整地总结了现有恶意攻击的检测与抵御方法研究进展。对上述四层中的恶意攻击进行综述分析，概述了35种恶意攻击类型的定义及攻击形式，各层级攻击间存在显著的传导效应，协议层的密钥泄露可使应用层的DeFi协议损失扩大数倍；分别介绍了各类攻击的检测方法以及抵御方法，并总结了可以用于抵御该类攻击的相关技术；分析了区块链各层中现存的安全问题，后量子密码学算法在区块链设备中的高功耗问题、确认延迟和低区块出块速度、代理合约模式的复杂性与安全隐患问题和Rollups的状态增长隐患问题，据此提出未来研究的四个方向，后量子密码学的低功耗设计、动态块时间和自适应出块速度、增强代理合约模式的安全性与效率和Verkle树的无状态客户端恒定大小证明方案。

作者简介：李嘉乐，硕士,研究生，内蒙古工业大学数据科学与应用学院 / 内蒙古自治区北疆网络空间安全重点实验室，主要研究方向为区块链技术、智能合约等。

李雷孝，博士，教授，内蒙古工业大学数据科学与应用学院 / 内蒙古自治区北疆网络空间安全重点实验室 / 内蒙古自治区基于大数据的软件服务工程技术研究中心，主要研究方向为数据分析与数据挖掘、网络空间安全、区块链技术等； E-mail: llxhappy@126.com。

引用：李嘉乐, 李雷孝, 林浩, 等. 区块链恶意交易的层次化研究综述[J]. 计算机科学与探索 ,2025,10: 2559-2586.

全文：点击下载

P2587﹥《DNS安全增强及区块链技术的应用研究进展》

概述：因设计之初对安全性考虑的缺失，致使当今的DNS面临日益复杂和极具挑战性的安全问题，而区块链技术的应用，以其独有的去中心化、防篡改、可溯源、公开透明等特征，为解决当前DNS面临的安全威胁提供了一种崭新的思路。在系统分析DNS脆弱性和安全威胁的基础上，对DNS安全增强技术进行了系统梳理与剖析，强调了区块链在增强DNS系统安全性以及重构DNS安全体系中发挥的独特功能和技术优势。概述了DNS的工作机制，分析了DNS安全脆弱性的具体表现和产生根源，总结了典型DNS攻击方式与检测方法；围绕体系结构、协议和实现过程三个维度分别对传统DNS安全增强技术的研究成果进行了对比分析；将区块链在DNS安全防护中的应用界定为融入区块链的DNS安全增强技术和基于区块链的DNS安全方案两种类型，以代表性示例分别分析了各区块链安全方案的实现方法和技术路径，并进行了分析与比较；总结并提出了区块链DNS目前仍然存在的去中心化与效率、不可篡改与合规、安全与用户体验等悬而未决的问题，且对DNS安全增强未来可能的研究热点和方向进行了展望。

作者简介：倪雪莉，博士研究生，副教授，CCF 会员，江苏警官学院计算机信息与网络安全系 / 江苏省电子数据取证分析工程研究中心 / 南京信息工程大学计算机学院、网络空间安全学院，主要研究方向为区块链技术与应用、网络空间安全。

王群，博士，教授，CCF杰出会员，江苏警官学院计算机信息与网络安全系 / 江苏省电子数据取证分析工程研究中心，主要研究方向为信息安全、计算机网络体系结构与协议；E-mail：wqun@jspi.edu.cn。

引用：倪雪莉, 王群, 马卓. DNS安全增强及区块链技术的应用研究进展[J]. 计算机科学与探索 ,2025,10: 2587-2614.

全文：点击下载

P2615﹥《深度学习在黑色素瘤分类诊断中的研究进展》

概述： 黑色素瘤作为皮肤癌中最具致命性的类型，其早期准确诊断对提高患者生存率至关重要。近年来，深度学习技术在黑色素瘤分类诊断领域展现出巨大潜力，为临床诊断提供了新的技术支撑。系统回顾了深度学习在黑色素瘤分类中的研究进展，重点关注卷积神经网络、Transformer、生成对抗网络和循环神经网络等核心方法的技术演进及其临床应用。归纳了HAM10000、ISIC、PH2等权威数据集的特性及其在算法开发中的价值，详细分析了不同数据集的预处理方法和增强策略，为模型训练提供了高质量的数据基础；深入分析了不同深度学习模型的改进策略，包括网络架构优化、多模态特征融合及数据不平衡处理等；还探讨了迁移学习、集成学习等多元学习策略在提升模型性能中的作用。总结了当前技术的局限性，并对未来研究方向进行了展望，重点包括多模态大模型、联邦学习及轻量化技术的应用前景。

作者简介：蒋润泽，硕士研究生，CCF学生会员，山东中医药大学医学信息工程学院，主要研究方向为医疗健康大数据。

李明，硕士，教授，山东中医药大学研究生处，主要研究方向为中医药智能化；E-mail: 80500285@qq.com。

引用：蒋润泽, 刘静, 马金刚, 等. 深度学习在黑色素瘤分类诊断中的研究进展[J]. 计算机科学与探索 ,2025,10: 2615-2634.

全文：点击下载

P2648﹥《去中心化联邦学习综述》

概述：随着大规模异构数据的快速增长，集中式联邦学习面临数据处理和隐私保护的挑战。去中心化联邦学习通过消除对中心服务器的依赖，增强了系统容错性和适应性，同时分散通信负载，显著提升了隐私保护水平。系统性地阐述了集中式联邦学习与去中心化联邦学习的基本原理，并通过多维度对比分析体现两者差异。在此基础上，深入探讨了去中心化联邦学习在通信优化、隐私保护机制、模型聚合策略等方面的技术优势与创新方法。全面分析了去中心化联邦学习在医疗健康、智能制造、智慧城市等领域的应用前景与发展趋势。通过对比常见去中心化联邦学习框架在常用数据集上的性能，展示了不同框架的优势，并总结了当前主流的开源框架，对未来研究可能面临的技术挑战和发展机遇进行了展望。

作者简介：陈丽芳，博士，教授，CCF会员， 华北理工大学理学院 / 河北省数据科学与应用重点实验室，主要研究方向为数据挖掘与处理、神经网络建模、控制理论等。

代琪，博士，CCF 会员，华北理工大学理学院，主要研究方向为数据挖掘、机器学习；E-mail：dai18232576157@163.com。

引用：陈丽芳, 许恺龙, 赵人喆, 等. 去中心化联邦学习综述[J]. 计算机科学与探索 ,2025,10: 2648-2666.

全文：点击下载

P2815﹥《面向扩散大模型的多模态人脸生成方法》

概述： 人脸生成是计算机视觉的前沿课题，在刑事侦查、虚拟现实等领域有广泛的应用前景。近年来扩散模型展现出卓越的生成能力，能够根据限定条件生成高语义一致性的图片，应用于生成人脸方向上成为新趋势。然而，现有生成方法中基于常规扩散的方法对条件信息细节理解不足，未能充分利用条件信息精准生成人脸；基于扩散大模型的方法通常需耗费大量计算资源微调模型，抑或添加额外复杂网络且未能均衡融合多模态条件信息。针对上述挑战，提出面向扩散大模型的多模态生成人脸方法MA-adapter，添加小型精简网络提取视觉结构信息融合语义指导扩散大模型精准生成人脸，充分利用扩散大模型生成能力的同时避免耗费大量计算资源进行微调。该模型利用多头注意力模块（MAM）增强图片模态提示，使模型更加关注关键信息；通过多尺度特征模块（MFM）提取多尺度特征信息，为精准指导生成提供保障；设计自适应调节机制（AAM），自适应调节不同特征层的生成指导系数以实现更佳性能。实验结果表明，在MM-CelebA-HQ数据集上与当前主流方法 T2I-adapter相比，MA-adapter的感知相似指标LPIPS下降约18.4%，图文匹配指标CLIP-Score提高约13.6%，特征相似指标CLIP-I增长约14.8%。大量实验结果充分验证MA-adapter的有效性及优越性。

作者简介：黄万鑫，硕士研究生，中国人民公安大学信息网络安全学院 / 中国人民公安大学公安行业大模型研究与应用实验室，主要研究方向为网络安全、智能生成。

芦天亮，博士，教授，博士生导师，中国人民公安大学信息网络安全学院 / 中国人民公安大学公安行业大模型研究与应用实验室，主要研究方向为网络安全、人工智能安全等；E-mail: lutianliang@ppsuc.edu.cn。

引用：王,姚, 刘,等. 面向扩散大模型的多模态人脸生成方法[J]. 计算机科学与探索 ,2025,10: 2815-2830.

全文：点击下载