算力和网络作为信息基础设施的两大核心要素，相互促进并深度融合推动算力网络持续演进，在云专网部署 L3VPN、SRv6/G-SRv6等技术，提供云组网业务统一承载，提供差异化的、更低时延、更高可靠性的新型云组网业务产品。通过 基于SRV6等新技术在云专网组网中的应用研究，提供面向不同租户、不同业务的差异化业务承载能力，支持低时延、大带宽、 高可靠性等新型云网业务能力，着重解决当前无法满足2B行业客户入云的低时延、数据备份等大带宽等业务需求。

随着科技的快速发展，人们对无线频谱的需求越来越高。然而，由于频谱资源有限，如何有效利用这些资源成为 了无线电领域的一大挑战。为了解决这个问题，建立了一个主次用户共享相同的频谱资源，并且都以非协作方式工作的认知 无线网络模型，以提高次用户的吞吐量，然后使用基于SumTree采样深度Q学习（SumTree Deep Q-Network，ST-DQN）算法 来进行功率控制，来确保样本选取的优先级与多样性。最后通过 Python 进行了一系列的仿真实验，与传统的 Q 学习（qlearning）和自由探索算法在奖励、损失函数和次用户吞吐量等性能指标进行了比较与分析，研究发现ST-DQN算法在功率控 制方面表现更优。

针对YOLOv8n模型在织物疵点检测任务中存在疵点种类识别错误和微小疵点识别率不高的问题，研究提出了 一种基于改进 YOLOv8n 的织物疵点检测算法。该研究在织物疵点检测模型中引入了动态蛇形卷积和 SE 注意力机制，将 YOLOv8n模型的主干网络中的部分 C2f模块与动态蛇形卷积相结合，并在主干网络中加入了 SE注意力机制，以提高模型的 检测效果。实验结果显示：与原始 YOLOv8n 相比，改进后的算法精确率提升了 7.2%，召回率提升了 2.1%，mAP50 值提高了 3.6%，mAP50-90值提高了1%。这表明，基于改进YOLOv8n的织物疵点检测模型在疵点检测能力方面得到了显著提升。

针对水稻图像中复杂背景带来的病斑难以识别、检测速度慢等问题，提出一种基于改进 YOLOv10的目标检测 算法，用于水稻病害的自动识别。首先对YOLOv10的骨干网络进行了改进，引入大可分离核注意力（LSKA）替换了原有的极 化注意力机制（PSA），提高了对特征的敏感度，增强了网络的泛化能力和效率。此外，将损失函数替换为 Normalized Wasserstein Distance (NWD)损失函数，在降低特征图的同时尽可能保留更多的信息，提高处理效率。在水稻数据集上进行实验，实验 结果表明，改进后的 YOLOv10算法在 mAP50这一指标上达到了 97.95%，与原始的 YOLOv10相比，提高了 1.08%；在 mAP50- 95这一指标上达到了78.74%，与原始的YOLOv10相比，提高了1.52%。