车辆群智感知旨在利用智能车辆配备的车载传感器和计算资源,收集一系列区域的感知数据. 目前,根据车辆轨迹是否可更改,通常可将感知车辆分为机会型车辆和参与型车辆. 其中,机会型车辆轨迹路线固定,不可随意更改. 而参与型车辆轨迹路线可根据现实需求进行更改. 因此,如何选择合适的机会型车辆完成感知任务,以及如何规划参与型车辆的轨迹是一项挑战性研究问题. 这里,以2种类型感知车辆的不同移动特性为出发点,通过群智感知平台（CSP）管理2种类型的车辆,并分别针对机会型车辆和参与型车辆解决不同的问题. 首先,针对机会型车辆,需选择特定的车辆集合,以完成感知任务并最小化CSP开销. 为解决此问题,提出一项基于反向拍卖的激励机制以选择开销最小的车辆集合完成感知任务,主要包括获胜车辆选择和报酬支付2个阶段,同时验证了所提方法可保证机会型车辆的个体合理性和真实性;其次,针对参与型车辆,需通过CSP调度以规划每个参与型车辆的轨迹,执行感知任务并最小化CSP的开销. 为解决此问题,提出一项基于深度强化学习的方法以调度车辆行驶轨迹,为车辆分配不同的感知任务. 此外,在最小化CSP开销的同时,还考虑感知任务执行的公平性问题,引入感知公平指数以确保不同子区域感知任务完成的均衡性. 最后,基于真实世界数据集的广泛评估表明,所提方法效果良好,并优于其他基准方案.

随着近年IPv6网络的迅猛发展,针对IPv6的网络测量和安全分析逐步成为热门的研究课题,这其中一项最基础、最关键的工作是通过网络扫描获取大量的IPv6活跃地址. 然而IPv6庞大的地址空间和稀疏的活跃主机分布使得传统的暴力扫描工具（如ZMap和MASSCAN等）无法直接使用. 例如在万兆带宽条件下,可5 min内扫描IPv4全网的ZMap扫描器若对IPv6进行全网扫描,仍需要花费上亿年的时间. 针对大规模IPv6网络扫描所面临的效率低下问题,研究人员提出了一系列针对IPv6网络的扫描方法,提升了当前IPv6网络资产发现、识别和风控的能力. 对这些基于目标生成的IPv6网络扫描方法进行了分类、梳理和总结,分析了各扫描方法的优缺点及适用场景. 通过实网扫描实验,对比了多种扫描策略的命中率、边际效益和时间花销等性能情况. 最后给出了对IPv6网络扫描研究的思考并对未来的研究方向进行了展望.