在车载网络(VANETs)中，联邦学习(FL)通过协同训练机器学习模型，实现了车辆间的数据隐私保护，并提高了整体模型的性能。然而，FL在VANETs中的应用仍面临诸多挑战，如模型泄露风险、训练结果验证困难以及高计算和通信成本等问题。针对这些问题，该文提出一种面向联邦学习的可验证隐私保护批量聚合方案。首先，该方案基于Boneh-Lynn-Shacham (BLS)动态短群聚合签名技术，保护了客户端与路边单元(RSU)交互过程中的数据完整性，确保全局梯度模型更新与共享过程的不可篡改性。当出现异常结果时，方案利用群签名的特性实现车辆的可追溯性。其次，结合改进的Cheon-Kim-Kim-Song (CKKS)线性同态哈希算法，对梯度聚合结果进行验证，确保在联邦学习的聚合过程中保持客户端梯度的机密性，并验证聚合结果的准确性，防止服务器篡改数据导致模型训练无效的问题。此外，该方案还支持车辆在部分掉线的情况下继续更新模型，保障系统的稳定性。实验结果表明，与现有方案相比，该方案在提升数据隐私安全性和结果的可验证性的同时，保证了较高效率。

为了寻求一种供等离子体显示板用的发蓝绿光的混合气体,本文对Ar+He、Kr+He、He+Ne、He+Xe、Kr+Ar和Ar+Hg混合气体的发光光谱和电特性进行了研究。发现混合气体Ar+Hg较为满意,发光颜色为蓝绿色、亮度较高、着火电压较低。

金属蒸气激光器利用He、Ne、N2和Ar作缓冲气体,在高功率电平下的直流放电特性被首次测得。实验表明,He气是用于直流预热的最佳缓冲气体。在200mmHg的He气压和1A的放电电流下,有多于5kW的电功率被注入到等离子体管中去。等离子体管温度在短于1h的时间内达到1400℃的高温。

该文分析了He等人(2014)提出的无证书签名方案和Ming等人(2014)提出的无证书聚合签名方案的安全性，指出Ming方案存在密钥生成中心(KGC)被动攻击，He方案存在KGC被动攻击和KGC主动攻击。该文描述了KGC对两个方案的攻击过程，分析了两个方案存在KGC攻击的原因，最后对Ming方案提出了两类改进。改进方案不仅克服了原方案的安全性问题，同时也保持了原方案聚合签名长度固定的优势。

通过对Zhang-Liu-He (2006)，Gan-Chen (2004)和Wang-Zhang-Ma (2007)提出的可转换环签名方案进行分析，指出了这几个可转换环签名方案存在可转换性攻击或不可否认性攻击，即，环中的任何成员都能宣称自己是实际签名者或冒充别的成员进行环签名。为防范这两种攻击，对这几个可转换环签名方案进行了改进，改进后的方案满足可转换环签名的安全性要求。

Hilbert曲线是高维降到1维的重要方法，具有较好的空间聚集和空间连续性，在地理信息系统、空间数据库、信息检索等方面有广泛的应用。现有Hilbert编码或解码算法未考虑输入数据对编码或解码效率的影响，因此将不同输入数据同等对待。为此，该文通过设计高效的状态视图并结合快速置位检测算法提出高效的免计前0的Hilbert编码算法(FZF-HE)和免计前0的Hilbert解码算法(FZF-HD)，可快速识别输入数据前部为0而无需迭代计算的部分，从而降低迭代查询次数及算法复杂度，提高编解码效率。实验结果表明，FZF-HE算法和FZF-HD算法在数据均匀分布时效率稍高于现有算法，而在数据偏斜分布时效率远高于现有算法。

介绍了便于推广使用具有小型化结构特色的卷筒式氟化氙(XeF)准分子激光器。在Xe、NF3和He的混合气体中,得到了XeF的3531、3510和3488埃的三条激光谱线振荡。在改变XeF体系的工作气压时,首先发现了氟原子的6346埃这条新激光谱线。给出了不同的工作气体组份、工作气压对激光波形和激光强度影响的实验曲线。拍摄了激光脉冲波形。激光脉冲宽度约为20毫微秒。还对实验结果作了初步的分析讨论。

3维Hilbert空间填充曲线(3D HSFC)的编码和解码效率对空间查询处理、图像处理等领域的应用举足轻重。现有的3维编解码算法独立编解码每一个点，忽略了Hilbert曲线的局部保持特性。为了提高编解码效率，该文设计了高效的3D状态视图，并提出一种新的前缀约简的3D HSFC编码算法(PR-3HE)和前缀约简3D HSFC解码算法(PR-3HD)，这两个算法通过公共前缀的定义和识别、公共前缀约简及多种优化技术来最小化需要编码的阶数，从而提高3D HSFC的编解码效率。理论上证明：当编码或解码一个$k$阶的窗体(窗体内总共含有${2^k} \times {2^k} \times {2^k}$个点)时，PR-3HE平均每个点的编码阶数不超过2，PR-3HD平均解码阶数不超过8/7。相对于传统的基于迭代的方法，编解码时间复杂度从$O(k)$降低到了$O(1)$。实验结果表明，该文算法在模拟数据集和真实数据集上的表现显著优于现有算法。

新一代人工智能技术的特征，表现为借助GPU计算、云计算等高性能分布式计算能力，使用以深度学习算法为代表的机器学习算法，在大数据上进行学习训练，来模拟、延伸和扩展人的智能。不同数据来源、不同的计算物理位置，使得目前的机器学习面临严重的隐私泄露问题，因此隐私保护机器学习(PPM)成为目前广受关注的研究领域。采用密码学工具来解决机器学习中的隐私问题，是隐私保护机器学习重要的技术。该文介绍隐私保护机器学习中常用的密码学工具，包括通用安全多方计算(SMPC)、隐私保护集合运算、同态加密(HE)等，以及应用它们来解决机器学习中数据整理、模型训练、模型测试、数据预测等各个阶段中存在的隐私保护问题的研究方法与研究现状。