利用到达角（Angel Of Arrival，AOA）进行目标定位是被动监测领域广泛采用的技术之一.然而，在多基站多目标环境中，通常难以直接获得AOA量测数据间的关联关系，因此需要在目标定位前进行有效的量测数据关联.本文针对AOA量测数据的关联问题，提出了一种基于多向次序关联的AOA量测数据关联方法.该方法首先构建了一种用于描述数据间关联程度的代价函数，并利用雅克比方法估计误差分量的方差.其次结合分配算法和寻优思想，分别计算局部关联方向和基站的关联次序，最终得到关联结果.实验验证了本文方法对密集目标和随机目标量测数据关联的有效性.
为充分利用数据中心网络的多路径带宽，现有研究多采用基于链路感知的负载均衡算法，在动态获取全局链路拥塞信息后选取最优路径对流量进行转发.然而这些研究未考虑数据中心网络流量大小分布不均匀的特性，难以在选路成本和转发效率上取得平衡.为此，设计一种基于流分类的数据中心网络负载均衡机制（ULFC，Utilization-aware Load balancing based on Flow Classification），在实现拥塞感知的基础上进行流量特征分析，采用不同的策略为大、小流分配路径，实现网络流量特征与选路方法优势的最佳匹配.实验结果表明，相比于现有方案，ULFC的平均流处理效率提高了1.3倍至1.6倍，路由成本降低了50%以上.
传统的勒索软件动态检测方法需要收集较长时间的软件行为，难以满足勒索软件及时检测的需求.本文从勒索软件及时检测的角度出发，提出了"勒索软件检测关键时间段（Critical Time Periods for Ransomware Detection，CTP）"的概念，并基于CTP的要求提出了一种基于应用程序编程接口（Application Programming Interface，API）短序列的勒索软件早期检测方法（Ransomware Early Detection Method based on short API Sequence，REDMS）.REDMS以软件在CTP内执行时所调用的API短序列为分析对象，通过n-gram模型和词频-逆文档频率算法对采集到的API短序列进行计算以生成特征向量，然后运用机器学习算法建立检测模型对勒索软件进行早期检测.实验结果显示，REDMS在API采集时段为前7s且使用随机森林算法时，分别能以98.2%、96.7%的准确率检测出已知和未知的勒索软件样本.
