代码优化是软件工程中的关键任务，旨在自动重构代码以提高其执行效率。开发人员编写的代码常常存在效率问题和各种性能缺陷，这些低效之处使得代码优化的自动化方法研究变得尤为必要。传统的代码优化方法主要采用基于规则的策略，专注于特定的低效问题，但这些方法往往耗费人力且覆盖率有限。近年来，以大语言模型(LLM)为代表的深度学习技术为代码优化带来了新的可能性，但现有方法通常采用一步生成范式，难以捕捉复杂的优化方...
近年来，专注于代码智能化领域的大语言模型，如CodeQwen和DeepSeek-Coder展现出在理解和生成代码方面的巨大潜力。然而，将这些模型应用于实际环境仍面临诸多挑战。专用大模型虽然可通过API使用，但其高昂的使用成本，限制了个人和中小型组织的应用；开源大模型虽更易获取且具有较高灵活性，却也存在各自短板。超大规模模型（如70B级模型）在本地部署时对算力资源要求极高，而轻量级大模型（如7B级模型）虽资源占用较低，却常...
联邦学习（Federated Learning, FL）作为一种隐私保护的分布式学习范式，允许客户端在不共享本地数据的情况下协作训练全局模型，广泛应用于金融、物联网和医疗等领域。然而，传统联邦学习假设客户端数据的标签分布是静态的，而真实场景中客户端数据往往随时间持续出现新类别（如移动设备不断采集新数据），这催生了联邦类增量学习（Federated Class Incremental Learning, FCIL）的新需求。FCIL要求模型在客户端持续学习新类别...
网络空间安全研究院的“超大规模多领域融合联邦靶场关键技术及系统”项目荣获2023年国家科学进步二等奖。 网络空间安全研究院团队瞄准国家安全重大战略需求，成功研制了国内首个超大规模跨域融合的联邦靶场，由1个主靶场和93个分靶场组成，地域覆盖全国29个省市自治区，行业覆盖互联网、能源、交通、通信、国防等关键信息基础设施，形成了国家实验室和领域协同攻关的大型科学装置研制生态。该成果已在多个重要领域取得广泛...
网络空间安全研究院的“大规模网络安全态势分析关键技术及系统YHSAS”项目荣获国家科学技术进步二等奖。 项目组提出了融合内存计算、分布计算和流计算的大数据实时分析平台，率先实现了PB级网络安全数据在线复杂分析，提出了结合多维度、多层次威胁检测的全要素信息采集方法，实现了面向全网络深层攻击监测的全信息采集；提出了支持大规模网络安全知识表示和管理的超知识图谱技术，使系统的安全事件检测率达到了世界领先水...
网络空间安全研究院的“多维关联认知模型及其在XXX中的应用”项目荣获2022年国防技术发明奖一等奖。（审核 廖清
