随着以高性能计算系统、嵌入式系统为代表的复杂智能系统规模与复杂度的不断攀升, 日志作为核心运维数据, 其自动化异常检测已成为保障系统可靠运行的关键。传统机器学习与深度学习驱动的日志异常检测方法多侧重日志序列建模, 存在语义理解能力不足、泛化性能受限的问题。大语言模型(LLM)凭借卓越的语义理解与上下文推理能力, 有效突破了这一局限, 自大语言模型技术兴起以来相关研究快速涌现, 但成果分散于多条技术路径, 尚未形成系统性梳理。本文针对基于大语言模型的日志异常检测方法开展全面综述, 筛选纳入35篇核心文献, 构建统一的技术分类框架, 将现有方法归纳为提示工程、检索增强生成(RAG)、领域微调、强化学习(RL)与大小模型协作5类技术路线。研究分析发现: 监督微调(SFT)是当前应用最广泛的技术路线, 而大小模型协同架构作为新兴范式, 正推动研究重心从单纯追求检测精度向兼顾推理效率与工业可部署性转变; 现有评估体系高度集中于检测性能指标, 对效率开销与可解释性的关注存在不足。最后, 本文揭示了大语言模型在处理超长海量日志流时存在的推理延迟瓶颈与数据隐私挑战, 并针对轻量化部署与在线持续学习等前沿方向提出了见解。

交通流量预测是智能交通系统(ITS)的关键核心技术, 对提升城市交通管理效能具有重要价值。传统方法中, 时间序列预测和机器学习模型应用广泛, 但时空图神经网络(GNN)因在交通流表示学习中的突出优势已成为研究热点。然而, 现有方法存在显著局限性: 一是依赖静态图结构, 难以建模远距离空间依赖关系和区域差异; 二是未能捕捉路段间时滞效应, 导致时空依赖关系建模不足。针对这些问题, 提出基于时滞感知注意力(TLAA)机制的空间动态图卷积(SDGC)交通流预测模型, 采用编码器-解码器架构, 结合该机制与SDGC, 有效缓解了时滞效应对预测性能的负面影响。门控因果卷积融入注意力机制, 通过学习延迟参数显式建模空间节点的非同步时间依赖; 动态自适应空间相关矩阵实时感知交通状态变化, 精准刻画交通流在路网中的动态传播过程。同时, 时空嵌入的引入使模型能准确刻画交通流的短时波动、长期周期规律及网络拓扑约束下的时空异质性。在公开基准数据集上的实验结果表明, 该方法在应对时滞与动态性挑战上效果显著, 相较于现有最佳基线模型, 其关键预测误差指标平均绝对误差(MAE)和均方根误差(RMSE)实现了6.5%~11.9%的显著降低。

非结构化道路分割是自动驾驶技术环境感知的重要组成部分, 面临全局拓扑建模不完整、边界细节难以保持, 及模型效率与精度的权衡等挑战。针对这些挑战, 设计了一种轻量化轴向上下文网络AXON-Net。该网络采用编码器-解码器架构, 在编码器中引入通道-空间注意力模块(CASAB), 通过聚合多维统计信息自适应重标定特征权重, 有效抑制环境噪声, 以增强复杂背景下的特征区分度; 在瓶颈层设计轻量化部分上下文(LightPCT)模块, 利用部分通道交互策略降低计算冗余, 高效捕获长程依赖关系以修复道路拓扑连通性。在解码器中集成双路径通道融合(DPCF)与轴向细结构增强(TSE)模块, 旨在缩小特征语义鸿沟并显式强化轴向几何特征, 改善模糊道路边缘的精细化恢复效果。在基于印度驾驶数据集(IDD)与越野空间检测(ORFD) 数据集二次构建的非结构化道路数据集上的实验结果表明, AXON-Net在道路交并比(IoU_Road)分别达到95.3%、88.1%, 参数量仅为8.49×10³, 实现了分割精度与模型效率的较优平衡。消融实验验证了各模块协同作用的有效性, 展示了该网络在非结构化道路感知任务中的应用潜力。

视频分析通过从视频流中提取高价值信息, 在智能交通和公共安全等应用中发挥着重要作用。传统云端视频分析尽管具备强大的计算能力, 但海量视频数据的上传会带来高带宽占用和网络延迟。边缘计算通过将视频数据下沉至摄像头附近以降低网络延迟, 仍面临着两大挑战: 1)逐帧分析导致重复推理, 而现有帧重用方法无法充分利用历史帧的局部相似性; 2)核心负载不均, 任务在大小核间分配缺乏实时负载感知。为此, 提出一种面向大小核边缘设备的高效视频分析系统Vable。设计多历史帧块级帧重用机制, 将视频帧划分为细粒度块, 并通过树形存储结构与基于局部敏感哈希(LSH)的相似性匹配, 实现跨帧的高效计算结果复用, 从而显著降低冗余推理开销。同时, 提出核心负载感知的列表式有向无环图(DAG)分区算法, 通过实时监测大小核负载状态, 动态分配分析任务, 以平衡计算与通信开销, 避免负载失衡导致延迟增加, 实现Vable的系统原型, 在两个真实数据集上进行了实验评估。实验结果表明, 在UA_V₁中相较于延迟最高的WiseFuse, Vable可将端到端延迟降低59.23%, 在UA_V₂中相较于Faastlane, Vable可将端到端延迟降低45.83%, 在保持高吞吐量的同时有效降低端到端延迟。

图像去雨旨在从受雨迹干扰的退化图像中恢复高质量的无雨图像, 是提升户外视觉系统鲁棒性的关键技术。现有基于卷积神经网络(CNN)的方法受限于局部感受野, 难以有效建模长程依赖关系; 部分基于Transformer的方法虽增强了全局建模能力, 但对复杂雨迹的多尺度、方向性及局部高频细节恢复仍存在不足; 已有频域增强方法也多将频域作为辅助表示手段, 缺乏针对空间域与频域互补关系的细粒度协同建模。为此, 本文提出了一种频域与空间域协同建模的图像去雨网络(SynFSNet)。不同于现有方法主要将频域作为全局增强工具, 本文从雨迹在频域中的方向性、密度性和尺度变化出发, 通过多尺度傅里叶融合模块(MSFFM)实现由粗到细的渐进式雨迹抑制, 并通过傅里叶形状注意模块(FSAM)中的矩形滤波器注意力(RFA)和方形滤波器注意力(SFA)分别增强方向敏感与局部结构敏感的频域表示。进一步地, 网络通过双域损失函数同时约束空间域结构与频域一致性, 以提升复杂场景下的恢复质量。实验结果表明, SynFSNet在多个合成数据集和真实场景数据集上均取得了较优性能, 验证了频域与空间域协同建模在复杂图像去雨任务中的有效性。

海上多功能航标监控视频流具有静态海面背景占比高、动态船舶目标稀疏的鲜明场景特性, 同时受标载通信网络低带宽限制, 压缩后存在噪声叠加、块效应、振铃效应、帧模糊及帧间运动估计偏差等质量退化问题。现有通用视频质量增强方法难以兼顾单帧空域细节恢复与多帧时序信息利用, 无法满足上述场景需求。为此, 提出一种基于内容自适应融合的海上多功能航标监控视频流质量增强(CAF-VSMM)方法, 构建双分支融合增强模型。基于多尺度特征与时空网络的单帧增强分支, 通过虚拟帧挖掘单帧潜在时序信息, 结合像素重排与残差网络实现多尺度空域特征融合, 有效抑制压缩伪影与海上环境引发的空域质量退化; 基于动态移位窗口与帧间运动补偿的多帧增强分支, 高效建模长距离时空依赖, 利用分层偏移估计与可变形卷积实现多船场景帧间精准对齐, 缓解时域模糊与运动错位; 基于动态特征感知的内容自适应融合(DFP-CAF)模块, 依据监控视频流内容动态调整两分支特征权重, 实现静态背景重细节、动态目标重时序的自适应增强。实验结果表明: 在自建港口群航道监控视频数据集(PC-WMVD)上, 该方法的峰值信噪比(PSNR)、结构相似性(SSIM)、视频多方法评估融合(VMAF)指标分别达42.71 dB、99.33%、77.14%, 较次优对比方法提升3.90 dB、1.19百分点、6.50百分点; 在公开数据集JCT-VC上分别达28.66 dB、88.60%、55.40%, 较次优对比方法提升1.63 dB、5.42百分点、3.19百分点; 模型参数量为37.52×10⁶、浮点运算量(FLOPs)为51.74×10⁹, 处理帧率为41.52帧/s, 满足航道监控实时性要求。该方法已在某港口群航道智能监控系统中示范应用, 可显著提升船舶、航道标识等关键目标辨识度, 有效支撑船舶目标跟踪等下游任务, 验证了工程实用性与应用价值。