网络空间安全急需解决的3个技术问题是：网络攻击检测的及时性和准确性、安全态势的可信评估和预测以及安全防御策略优化的有效性。人工智能算法已成为网络安全应用增加安全机会和提高对抗能力的核心手段。近年来，人工智能技术的突破和应用为提高网络防御能力提供了先进的技术支持。本综述对2017至2022年间人工智能技术在网络空间安全领域的最新应用进行了全面回顾。参考文献来源于各种期刊和会议，其中52.68%的论文来自Elsevier、Springer和IEEE期刊，25%来自国际学术会议。本综述重点介绍了机器学习、深度学习和一些流行的优化算法在该领域的最新应用进展，对算法模型的特点、性能结果、数据集、以及潜在的优点和局限性进行了分析，强调了现存的挑战。本工作旨在为想进一步挖掘人工智能技术在网络空间安全领域应用的潜力、解决特定网络空间安全问题的研究人员提供技术指导，掌握当前技术和应用的发展趋势以及网络安全领域的热点问题。同时，本综述对当前面临的挑战提供了有效应对策略和方向。

在多用户系统中，系统资源应分配给不同用户。在传统通信系统中，系统资源通常包括时间、频率、空间和功率，因此广泛使用诸如时分多址（TDMA）、频分多址（FDMA）、空分多址（SDMA）、码分多址（CDMA）、非正交多址（NOMA）之类多址技术。在被认为是下一代通信系统新范式的语义通信中，我们从语义角度，以基于模型的人工智能方法，从信源中提取高维语义域特征，并针对信源和信道特征联合构建模型信息空间。从模型信息空间中挖掘语义信息的共性化和个性化信息，提出一种新的基于语义域资源的多址技术，称为模分多址（MDMA）。从信息论角度，证明模分多址比传统多址技术获得更多性能提升。仿真结果表明，模分多址比传统多址技术节省更多带宽资源，并且在低信噪比条件下，在加性高斯白噪声（AWGN）信道中，相比非正交多址具有至少5 dB的性能优势。

对于人工系统中涌现出的复杂功能，理解自然界中生物群体行为的内在机制至关重要。本文对生物集群中的一个关键问题—追逃围捕问题进行了全面的综述。首先，从博弈论、控制论与人工智能、生物启发3个不同视角对追逃围捕问题进行了回顾。然后，概述了生物系统和人工系统中追逃围捕问题研究进展，其中捕食者的追捕行为和猎物的逃避行为被概括为捕食者—猎物行为。之后，分别从强追捕者组vs.弱逃避者组、弱追捕者组vs.强逃避者组、相同能力组3个角度分析追逃围捕问题在人工系统中的应用。最后，讨论了未来追逃围捕问题面临的挑战和发展展望。本文为多智能体系统和多机器人系统在不确定动态场景下完成复杂狩猎任务的设计提供了新的见解。

为提高密文域可逆信息隐藏（reversible data hiding in encrypted images，RDH-EI）算法的嵌入容量，提出一种基于自适应四叉树分块和最高有效位（most significant bit，MSB）预测的大容量RDH-EI方案。首先根据图像的平滑程度进行自适应四叉树分块，然后将不同大小的块进行块级加密和置乱，以抵抗对于加密图像的分析。在嵌入数据阶段，对于文献Wang&He（2022）提出的自适应MSB预测方法进行改进，以块中左上角像素为目标像素，用于预测其它像素，从而腾出更多嵌入空间。首次将四叉树分块方法应用于密文域图像的可逆信息隐藏。模拟结果表明，所提方法具有可逆性与可分离性，并且在自适应MSB预测方法基础上进一步提高了平均嵌入容量。对于512×512大小的灰度图像，平均嵌入容量提高约25 565比特，对于所有嵌入容量有所提高的较平滑图像，平均嵌入容量提高约35 530比特。

随着低轨卫星制造和发射成本的降低，以及其覆盖范围大、数据传输速率高等优点，低轨卫星已成为空地网络数据传输的重要组成部分。但受地理位置及人们生活习惯等因素影响，用户对数据需求差异会造成网络流量不均衡，可能导致网络拥塞进而影响数据传输。传统卫星网络获取网络信息收敛慢，无法细粒度收集全局网络信息，不利于计算最优路由。多业务请求无法满足服务质量要求。本文将人工智能技术应用于低轨卫星网络，利用软件定义网络获取全局网络信息，感知网络流量，通过强化学习在线制定综合决策，实时更新最优路由策略。仿真结果表明，所提强化学习算法有良好收敛性和较强泛化能力。与传统路由相比，本文算法吞吐量提高了8%，且具有负载均衡性。

定位在移动机器人导航系统中起着至关重要的作用，是自主移动的基本能力。在室内环境中，当前主流的定位方案使用2D激光雷达，利用即时定位和建图（SLAM）技术来构建占据栅格地图；然后，基于已知的地图来定位。然而，此类方案仅在具有显著几何特征的区域有效。对于重复、对称或类似结构的区域，例如长走廊，常规粒子过滤方法将失效。为解决这一问题，本文提出一种从粗到细的模式，该模式使用视觉特征辅助长走廊中的移动机器人定位。首先，移动机器人被远程控制，沿着中线从起始位置移动到终点。在移动过程中，使用基于激光的SLAM方法建图。同时，根据关键帧选择策略创建关键帧图像组成的视觉地图。关键帧通过时间戳与机器人的姿势相关联。其次，基于提取的激光扫描距离特征，提出一种移动策略，确定初始粗略位置。这对于移动机器人来说至关重要，因为它给出了机器人需要移动到哪里才能调整姿势的指令。然后，移动机器人根据移动策略以适当的视角捕捉图像，并将其与图像地图进行匹配，以获得粗略的定位。最后，提出一种改进的粒子滤波方法来实现精细定位。实验结果表明，该方法对全局定位是有效和鲁棒的。定位成功率达98.8%，平均移动距离仅0.31米。此外，当移动机器人被绑架到走廊中的另一个位置时，该方法依然有效。

本文研究了带N个非一致闭凸集约束的分布式优化问题，目的是在固定的不平衡图上设计一个相应的分布式优化算法解决该问题。为此，在改进的push-sum框架下，本文设计了新的分布式优化算法，并在强连通图的假设下给出了其严格的收敛分析。最后，仿真结果证明了所提算法的良好性能。

卫星物联网是一种有潜力的技术，为分布在全球各地的大规模设备提供无缝覆盖，特别是在没有蜂窝网络覆盖的偏远地区，例如森林、海洋、山区和沙漠。一般而言，卫星物联网采用近地轨道卫星作为无线接入点，可以解决广覆盖问题，但也带来许多挑战。本文首先概述了卫星物联网的基本情况，重点介绍物联网的业务特点。然后，详细分析卫星物联网面临的海量连接、广覆盖、高移动、低功耗和小时延等挑战。进而对这些挑战给出可行的解决方案。具体而言，针对卫星物联网的特点和需求，设计了新的大规模接入协议和技术。最后，本文探讨了卫星物联网的发展趋势，以鼓励广大学者对这一领域开展进一步研究。

随着图像传输技术日益发展，人们对图像安全的需求也在大幅提升。由传统图像加密方案获得的类噪声图像虽然可以保证内容安全，但无法直接用于预览和检索。一些学者基于排序后加密方法，设计了一种三像素缩略图保留加密方案（TPE2），用于平衡图像安全性和可用性，然而该方案的加密效率较低。为此，本文提出一种有效的精确缩略图保留加密方案。首先对明文图像进行分块和位平面置乱，然后采用Z字形置乱模型改变最低的4个位平面中比特的位置，随后介绍了用于改变最高的4个位平面中比特位置的操作（这是隐马尔科夫模型的一个扩展应用）。最后，根据每个位平面中比特的权重不同，设计了一种比特级分权扩散规则。至此生成的加密图像能保证块内像素和不变。仿真结果表明，该方案在平衡图像隐私性和可用性的同时，提高了加密效率。

在可逆信息隐藏（RDH）领域中，设计高精度预测器以减少嵌入失真和开发有效的嵌入策略以最小化由嵌入信息引起的失真是提高RDH性能的两个关键方面。本文提出一种新的RDH方法，包括基于transformer的预测器和具有多个嵌入规则的新嵌入策略。在预测器部分，我们首先设计了一个基于transformer的预测器。然后，提出一种图像分割方法，将图像分成4部分，可以使用更多的像素作为上下文。与其他预测器相比，我们的预测器可以将用于预测的像素范围从相邻像素扩展到全局像素，从而使其在减少嵌入失真方面更为准确。在嵌入策略部分，我们首先提出了能够利用目标块中像素的复杂性度量。然后，开发了一种改进的预测误差排序规则。最后，我们首次提出一种包含多个嵌入规则的嵌入策略。本文中的RDH方法可以有效减少失真，同时在提高隐藏图像的视觉质量方面提供令人满意的结果。实验结果表明，本文中提出的RDH算法的性能处于领先地位。

为利用分布式边缘设备上大量未标记数据，我们在联邦学习中提出一个称为联邦无监督表示学习（FURL）的新问题，以在没有监督的情况下学习通用表示模型，同时保护数据隐私。FURL提出了两个新挑战：（1）客户端之间的数据分布转移（非独立同分布）会使本地模型专注于不同的类别，从而导致表示空间的不一致；（2）如果FURL中客户端之间没有统一的信息，客户端之间的表示就会错位。为了应对这些挑战，我们提出带字典和对齐的联合对比平均（FedCA）算法。FedCA由两个关键模块组成：字典模块，用于聚合来自每个客户端的样本表示并与所有客户端共享，以实现表示空间的一致性；对齐模块，用于将每个客户端的表示与基于公共数据训练的基础模型对齐。我们采用对比方法进行局部模型训练，通过在3个数据集上独立同分布和非独立同分布设定下的大量实验，我们证明FedCA以显著的优势优于所有基线方法。

由于电动汽车的普及性和家用电器的灵活性，在动态电价下对家庭能源系统进行能源调度优化电力成本和保障居民舒适度是可行的。本文提出一种基于数据驱动的深度强化学习家庭能源管理方法。首先，为揭示影响电动汽车充电行为的多种不确定因素，引入一种结合驾驶员经验、突发事件和交通状况的改进数学模型描述电动汽车在家庭能源系统中的动态能量需求。其次，提出一种解耦优势演员-评论家(DA2C)算法，通过缓解策略和价值共享网络导致的过拟合问题提升能源优化性能。此外，策略函数和价值函数的解耦网络确保了所提方法在不可见场景中的泛化性。最后，将所提方法与现有方法进行综合实验比较。结果表明，该方法能在不同场景下优化用电成本并兼顾居住舒适度。

人工智能（AI）已经成为各领域创新和社会进步的驱动力。然而，其大多数工业应用集中在信号处理领域，这依赖于不同传感器产生和收集的数据。最近，一些研究人员提出将数字人工智能和物理人工智能结合，这可能带来人工智能理论基础的重大进步。在本文中，我们探讨了物理人工智能的概念并提出两个子领域：集成式物理人工智能和分布式物理人工智能。我们还讨论了物理人工智能可持续发展和治理所面临的挑战和机遇。由于物理人工智能需要连续处理来自边缘、雾和物联网的分布式信号，它可以被看作分布式计算连续系统在人工智能领域的延伸。

本文研究状态和控制均具有多时滞的布尔控制网络可控性问题。首先，考虑控制具有多时滞的布尔控制网络可控性问题。对于该问题，本文通过定义一个新的矩阵乘积构建系统的可控性矩阵，基于该矩阵，得到一个系统可控的充分必要条件。其次，研究状态具有多时滞的布尔控制网络可控性问题，提出一个状态具有多时滞的布尔控制网络可控的充分必要条件。然后，提出一个状态和控制均具有多时滞的布尔控制网络可控性矩阵，利用该矩阵，提供一个简洁的可控性条件。最后，给出2个例子说明得到的理论结果。

近几十年来，开创性的光无线能量传输（OWPT）技术在学术界和业内专家中都得到广泛关注。通过激光二极管（LDs）对操作设备或电池远程供电有很多优点。远程LDs可以消除额外携带电池的负担，同时可以通过减少电池更换与充电的时间来节省任务时间。然而激光能量传输（LPT）除了具有吸引人的优点外，因其传输效率低，仍然是一项具有挑战性的任务。此篇综述讨论了OWPT的必要性和可行性，并讨论了其工作原理、系统设计和组件等。此外，还表明了OWPT是为物联网（IoT）终端供电的必要部分，强调了动态OWPT的影响。本文概述了几种OWPT技术，包括光波束赋形、分布式激光充电（DLC）、自适应分布式激光充电（ADLC）、同步无线信息与功率传输（SLIPT）、物对物（T2T）OWPT和高强度激光能量束（HILPB），还论述了OWPT系统的激光选择、危害分析和接收器太阳能电池的选择。最后，讨论了一系列公开挑战和应对措施。我们相信，此篇综述将有助于整合研究和消除技术不确定性，从而促进OWPT技术发展的进步和创新。

由于城市化和工业化的快速建设所带来的气体污染，气体传感器受到广泛关注。基于半导体金属氧化物（SMO）的气体传感器具有响应高、重复性好、稳定性好、性价比高等优点，已成为气体传感器领域极其重要的元器件。通常，具有规则结构和可控形态的材料表现出更稳定且可重复的性能。然而，由于微观世界的不可控性，在材料合成过程中纳米材料往往表现出不规则、不均匀等缺点。因此，具有规整结构的一维（1D）结构、二维（2D）结构和三维（3D）结构的气敏材料的合成受到广泛关注。为了定向获得具有理想形貌和尺寸的结构规整的纳米材料，低成本且操作简洁可控的模板辅助合成法是一种非常有效的策略。本文介绍了一维、二维和三维结构的SMO传感器的形貌和性能，讨论了各种形貌对气体传感器性能（响应和稳定性）的影响，为结构稳定、性能优异的气敏材料的合成提供了新的思路。

准确的长期电力预测对电网决策运行和用户用电管理非常重要，可保证电力系统的可靠供电和电网经济的可靠运行。然而，大多数时间序列预测模型在数据量大、预测精度高的长时间序列预测任务中表现不佳。为了应对这一挑战，提出名为LDformer的并行时间序列预测模型。首先，将Informer与长短期记忆网络相结合，以获得时间序列的深度表达能力。其次，提出并行编码器模块提高模型鲁棒性，并将卷积层与注意力机制相结合，以避免注意力机制中的值冗余。最后，提出结合UniDrop的概率稀疏注意力机制，以减少计算开销并减轻序列中一些关键连接丢失的风险。在5个真实数据集上的实验结果显示，在不同的长时间序列预测任务中，LDformer大部分结果都优于最先进的基线结果。

数据确权问题是数据共享中长期存在的瓶颈。现有数据确权方法由于缺乏有效监管手段可信度低，且由于技术限制只能用于特定数据类型。随着区块链的出现，一些新的数据共享模型有望提供更可靠的数据安全性。然而，因为数据访问不能完全处于区块链设施的控制下，这些模型在数据确权方面的能力不足。提出一种名为RCDS以符号映射编码（SMC）和区块链为特征的可确权数据共享模型。通过SMC，数据共享各方通过生成符号映射表将其数字身份嵌入被共享数据字节序列中，从而使数据权利的声明与数据类型和数据量无关。通过区块链，所有数据共享方共同监督数据的交付和访问，从而可公开验证数据权利的授予。评价结果表明，RCDS在强调确权要求的数据共享应用中是有效且实用的。

以玻璃封装材料和玻璃通孔技术为基础，提出一种新的Ka波段（33 GHz）滤波封装天线（FPA），该天线具有宽频带和高滤波响应特点。与传统封装材料（印刷电路板、低温共烧陶瓷、硅等）相比，玻璃通孔更适合小型化技术（毫米波三维封装器件），具有优越的微波性能。玻璃基板通过键合技术可实现三维高密度互联，其热膨胀系数与硅相当。此外，玻璃基板的堆叠实现了高密度互连，并与微电子技术兼容。该天线辐射贴片由贴片天线和反射系数几乎互补的带通滤波器（BPF）组成。BPF单元有3对λg/4槽（缺陷微带结构）和两对λg/2 U形缝隙（缺陷地结构）。该天线实现了大带宽和高辐射效率，这可能与玻璃基板的叠加和玻璃通孔馈电有关。此外，引入4个辐射零值可有效提高阻带内的抑制水平。为验证所提设计性能，对33 GHz宽带滤波天线进行优化、调试和测量。天线的工作带宽为29.4-36.4 GHz （|S11|<-10 dB），阻抗匹配带宽高达21.2%，阻带抑制水平大于16.5 dB。该天线实际增益为~6.5 dBi，辐射效率为~89%。

本文展现了一种基于洛伦兹力驱动器和柔顺导向的精密厘米级定位器。通过使用一个额外的数模转换器（DAC）和运算放大器（op amp）电路，以及合适的控制器将定位精度提高到纳米级。首先，基于柔顺导向模型的刚度为驱动器设计了恰当的线圈。然后通过有限元分析（FEA）验证了柔顺机构和驱动器的性能。基于此，提出一种通过电子方式提升定位性能的方法及控制方案。最后，构建了原理样机并对其性能进行评估。该定位器的特色在于其在10 mm行程内实现10 nm分辨率。所提出的方案可以拓展适用于其他同类型系统。

本文提出一款在Ka波段产生高纯度涡旋波束的宽带圆极化透射阵。为简化设计，所提出的透射单元由两个相同的组合构成，并用空气层将其隔开。亚波长结构以及双谐振特性确保了透射单元在28.4%的1-dB透射带宽内具有稳定的相移能力。基于此，加工测试了一款由喇叭天线馈电的方形口径透射阵。得益于蜂窝状布阵方式，所设计的透射阵可在28.5 GHz到38 GHz的宽带范围中辐射l=–1且模态纯度高于0.93的涡旋波束。测试的峰值增益为22.3 dBic，3-dB轴比带宽为27.6%。测试结果表明，本文提出的透射阵有潜力应用于高容量无线通信和高质量雷达成像方面。

联邦学习（FL）是深度学习中的一种新技术，可以让客户端在保留各自隐私数据的情况下协同训练模型。然而，由于每个客户端的数据分布、算力和场景都不同，联邦学习面临客户端异构环境的挑战。现有方法（如FedAvg）无法有效满足每个客户的定制化需求。为解决联邦学习中的异构挑战，本文首先详述了数据、模型和目标（DMO）这3个主要异构来源，然后提出一种新的联邦相互学习（FML）框架。该框架使得每个客户端都能训练一个考虑到数据异构（DH）的个性化模型。在模型异构（MH）问题上，引入一种“模因模型”作为个性化模型与全局模型之间的中介，并且采用深度相互学习（DML）的知识蒸馏技术在两个异构模型之间传递知识。针对目标异构（OH）问题，通过共享部分模型参数，设计针对特定任务的个性化模型，同时，利用模因模型进行相互学习。本研究通过实验评估了FML在应对DMO异构性方面的表现，并与其他常见FL方法在相似场景下进行对比。实验结果表明，FML在处理FL环境中的DMO问题的表现卓越，优于其他方法。

以ChatGPT为代表的大语言模型技术对包括软件工程在内的很多领域都带来巨大冲击，也引发广泛焦虑。为在迷雾中看清一点方向，近期我们基于各种技术文献和实践分享以及我们自身的初步探索不断讨论和思考“大模型时代的软件工程”或者“大模型的软件开发能力”这一命题。同时我也参加了几次线上访谈，触发了更多认识和思考，在此基础上撰写了此篇文章，希望与大家分享一些观点并激发相关讨论。由于到目前为止大模型在很大程度上仍然是一个黑盒，并且大模型技术还在快速迭代和发展之中，同时目前看到的以及我们自己实践的基于大模型的软件开发案例还比较初步，因此本文的很多认识和思考不一定准确，未来还可能会随着技术和实践的发展而不断刷新。

在雷达系统中，目标跟踪误差主要来自运动模型和非线性量测。在评估跟踪算法时，其跟踪精度是主要衡量准则。为提高跟踪精度，本文将跟踪问题表述为从量测到目标状态的回归模型，提出一种基于改进深度前馈神经网络（MDFNN）的跟踪算法。所提MDFNN跟踪算法引入一种滤波层来描述输入量测序列的时序关系，并分析了最优量测序列长度。仿真和实测的外辐射源雷达数据测试表明，在所考虑的场景下，所提算法跟踪精度优于基于扩展卡尔曼滤波器（EKF）、无迹卡尔曼滤波器（UKF）和递归神经网络（RNN）的跟踪方法。

下一个兴趣点（POI）推荐是基于位置的社交网络（LBSN）的一项重要任务，其目标是使用历史签到数据在特定情境下为用户推荐下一个兴趣点。现有研究将用户时空信息线性离散化，然后使用基于循环神经网络（RNN）的方法进行建模。但是这些研究忽略了时空信息对用户偏好的非线性影响以及用户轨迹和候选兴趣点之间的时空相关性。为解决这些问题，本文提出一种时空轨迹（STT）模型。该模型使用具有注意力机制的长短期记忆网络（LSTM）作为基本框架，并将时空信息以编码形式引入模型。在编码信息过程中，使用指数型衰减因子刻画用户兴趣随时间和距离的非线性漂移特性。此外，本文在目标召回过程中设计一个时空匹配模块，该模块通过测量用户历史轨迹与候选集之间的相关性来为用户筛选最有可能的下一个兴趣点。本文使用4个真实数据集评估STT模型性能。实验结果表明，本文所提方法的推荐效果比主流的推荐模型有显著提升。

扩散模型，一类基于深度学习的生成模型家族，在前沿机器学习研究中变得日益重要。扩散模型以在生成与观察数据相似样本方面的卓越性能而著称，如今广泛用于图像、视频和文本合成。近年来，扩散的概念已扩展到时间序列应用领域，涌现出许多强大的模型。鉴于这些模型缺乏系统性总结和讨论，我们提供此综述作为此领域新研究人员的基础资源，并为激发未来研究提供灵感。为更好理解，引入了有关扩散模型基础知识的介绍。除此之外，主要关注基于扩散的时间序列预测、插补和生成方法，并将它们分别在三个独立章节中呈现。还比较了同一应用的不同方法，并强调它们之间的关联（若适用）。最后，总结了扩散方法的共同局限性，并突出强调潜在的未来研究方向。

本文研究了共享出行背景下一类受限车辆路径问题，该问题以用户订单为核心，每个订单具有预约时间限制以及起始点、目的地两个位置点转换，是典型的具有时间、空间双重约束的扩展车辆路径问题。根据该问题特征，我们建立了以运营成本最低和用户体验度最高为目标的路径规划模型。为更精确地求解模型，根据用户的时间和空间属性定义了时空距离表示函数，进而提出一种嵌入时空距离的混合蚁群算法。该算法可分为两个阶段，首先通过时空聚类，以用户之间时空距离为主要衡量指标对用户进行分类，为问题求解提供启发式信息；其次结合劳动分工策略和时空距离函数，提出一种改进蚁群算法进行优化求解，以得到最终调度路线。基于现有数据集和实际城市环境的仿真案例进行数值实验。与其他启发式算法相比，该算法将基准实例中求得的最短路径长度降低2%–14%；与其他现存路径规划算法相比，该算法在测试实例上求得的综合成本更有竞争力。最后，利用两个实际的城市环境仿真案例进一步验证了所提算法的有效性。

现有水下目标检测方法多基于物体的几何形状从声呐数据中识别物体，这些方法几乎忽略数据采集和数据表征过程所产生的形状畸变问题。为此，本文对声呐数据的不同表示形式进行了对比分析，在此基础上，提出了一个特征融合框架，以充分利用从极坐标图像中提取的强度特征和从点云表示形式中学习的几何特征。该框架中设计了三种特征融合策略，以分析特征融合对检测器不同模块的影响。同时，这些融合策略可以直接集成到其他检测器中，如YOLO系列。通过公开水下实景声呐数据集上的一系列对比实验，验证了所提框架和特征融合策略的有效性。实验结果表明，所提特征融合方法对检测器中候选区域模块和分类模块的结果都有所增益。

本文提出一种基于混合线性-非线性耦合逻辑映像格子（NMLNCML）系统和DNA运算的有效图像加密方案。所提出的NMLNCML系统增强了系统的混沌特性，适用于图像加密。该加密系统具有大量的密钥空间；对密钥的敏感性高；对选择明文攻击、统计学攻击和差分攻击具有很强的抵抗能力；并且对一定程度的噪声和数据丢失有很好的鲁棒性。提出的图像密码系统采用置乱—压缩—扩散的架构。首先，通过离散小波变换将普通图像变换为稀疏系数矩阵，并对系数矩阵执行与明文相关的Arnold置乱。然后，采用半张量积（STP）压缩感知对系数矩阵进行压缩和加密。最后，通过DNA随机编码、DNA加法，和位XOR运算来扩散压缩系数矩阵。NMLNCML系统用于在压缩传感的STP测量矩阵和DNA操作中的伪随机序列中生成混沌元素。SHA-384函数用于产生明文密钥，从而使所提出的加密算法对原始图像高度敏感。仿真结果和性能分析验证了该方案的安全性和有效性。