国家预印本平台

针对车联网边缘计算场景下，依赖型任务存在异构属性多样、依赖关系复杂且动态变化，现有划分算法适配性差、难以平衡分割粒度与通信开销的问题，开展依赖型任务划分算法研究。方法上，构建动态有向无环图建模任务及依赖关系，提出基于序列到序列（Seq2Seq）的异构依赖型任务划分框架HDT-Seg，通过多模态嵌入编码实现任务多维属性标准化，设计层次化依赖感知模块捕捉任务层级结构与动态依赖强度，搭配动态损失函数实现差异化优化。结果表明，该框架可精准完成依赖型任务的自适应划分，有效降低划分耗时与任务执行总时延，提升资源利用率与依赖适配度。提出的HDT-Seg框架能够有效适配车联网动态环境，解决依赖型任务划分难题，为车联网边缘计算中任务的高效处理提供可靠算法支撑，提升系统整体性能。

面向单片三维集成计算系统中计算层、末级缓存与内存控制器高度耦合所带来的互联复杂性与通信瓶颈问题，提出了一种三层核心单元的层次化互联拓扑设计。该设计以紧耦合的计算单元-末级缓存-内存控制器为基本构成单元，通过构建簇级局部全连接互联结构，实现核心单元内部的低延迟、高带宽通信；同时引入计算通信与存储访问分离的双路由节点机制，有效降低不同通信域之间的资源竞争。在全局层面，采用以单元簇为节点的二维环面互联网络，在保证可扩展性的同时降低平均通信跳数，并结合垂直互连通道优化跨层数据传输路径。结构分析表明，该互联拓扑在缩短访存路径、提升带宽利用率及增强系统并行通信能力方面具有显著优势，为单片三维集成体系结构中高效计算-存储协同提供了一种可扩展的互联设计方案。

连续测试时间域自适应（Continual Test-Time Adaptation, CTTA）旨在使预训练模型能够持续适应不断变化的测试域。动态变化的场景通常会导致错误积累和灾难性遗忘,现有的CTTA方法主要依赖单一的知识存储机制,难以同时利用域级和类别级的语义信息。针对这一问题,本文提出一种基于双Bank存储策略的两阶段Prompt自适应方法,通过同时建模域级与类级特异性特征,使冻结的预训练模型在原始特征空间上面对动态场景能够获得更稳健的分类能力。该方法维护了两个Bank：域Bank与类Bank,分别存储历史域的统计信息与各类别的高质量样本原型,并设计两阶段更新策略：阶段一用域Bank生成加权Prompt并进行域级优化,将目标域拉近源域空间；阶段二以第一阶段的Promt为起点实施类级细粒度更新并结合源域原型约束进行类别对齐。实验结果表明,本文方法在多种基准场景下均显著优于现有CTTA方法。

针对现有算力网络任务调度研究中忽视业务差异化需求及算网资源耦合导致调度效率低下的问题,本研究构建了一种面向应用感知的算力网络调度机制。首先,结合 APN6 技术设计应用感知的算力网络模型,并将计算卸载与路径选择联合建模为马尔可夫决策过程。为应对算网状态空间复杂及环境动态变化的挑战,提出了一种基于图强化学习（GNN+DQN）的调度算法,利用图神经网络提取全局拓扑特征,结合深度 Q 网络实现长期回报最优的智能决策。仿真实验表明,该算法将平均任务处理时延降低了约 35\%,实现了算网资源的长期负载均衡,并在异构网络拓扑中展现出优异的泛化性与鲁棒性,显著优于传统启发式与深度强化学习算法。

气候变暖加剧干旱胁迫，威胁森林生态系统的碳汇功能。气孔导度（gs）与光合速率（A）的耦合关系是预测碳循环的关键，但在增温与干旱协同作用下，这种耦合关系是否稳定尚不确定。本研究以两种亚热带优势树种-米槠（Castanopsis carlesii）和木荷（Schima superba）的幼苗为研究对象，采用开顶式气室（OTC）模拟增温（+1℃）并结合渐进干旱处理，以此探究叶片气体交换和叶绿素荧光参数对单一及复合环境因子的响应。结果表明，增温并未显著加剧各树种光合作用的干旱敏感性。尽管干旱引起光合速率显著降低，但gs与A始终保持紧密耦合。不同树种的气孔调节策略存在显著差异：米槠表现出"挥霍型"气孔行为（统一气孔优化模型中的斜率参数m1较高），而木荷则表现为"保守型"（m1较低）。本研究表明，在增温和渐进干旱条件下，亚热带树种维持碳-水耦合，但强调了在碳循环模型中整合树种特异性气孔参数，尤其对混交林具有重要意义。