目前针对RSA-CRT的建模类攻击研究较少，本文以模约减操作为研究对象，提出了一种针对RSA-CRT实现的模板攻击方法.该方法的核心是解决了如何由模约减后中间值的汉明重量恢复RSA-CRT私钥的难题.该方法的特点是基于模约减后中间值的汉明重量模型建模，通过采集选择密文模约减的能量迹进行模板匹配获取模约减后中间值的汉明重量，由汉明重量变化值恢复中间值，进一步恢复RSA-CRT算法的私钥.另外，该方法的优点在于理想情况下，基于中间值汉明重量模型建立的模板之间可以共用，且对中间值以多少位大小建模没有限制，可以选择字节大小，64位大小，甚至私钥 相同大小，实际环境中可根据泄露信息情况进行选取.最后，本文选择对中间值的最低字节进行建模，验证了该方法的可行性，并给出了防护建议.
在自动驾驶感知系统中视觉传感器与激光雷达是关键的信息来源，但在目前的3D目标检测任务中大部分纯点云的网络检测能力都优于图像和激光点云融合的网络，现有的研究将其原因总结为图像与雷达信息的视角错位以及异构特征难以匹配，单阶段融合算法难以充分融合二者的特征.为此，本文提出一种新的多层多模态融合的3D目标检测方法：首先，前融合阶段通过在2D检测框形成的锥视区内对点云进行局部顺序的色彩信息（Red Green Blue， RGB）涂抹编码；然后将编码后点云输入融合了自注意力机制上下文感知的通道扩充PointPillars检测网络；后融合阶段将2D候选框与3D候选框在非极大抑制之前编码为两组稀疏张量，利用相机激光雷达对象候选融合网络得出最终的3D目标检测结果.在KITTI数据集上进行的实验表明，本融合检测方法相较于纯点云网络的基线上有了显著的性能提升，平均mAP提高了6.24%.
动态密码的设计与分析是当前密码学领域研究的热点.本文针对类CLEFIA动态密码结构和四分组CLEFIA变换簇抵抗不可能差分和零相关线性分析的能力进行评估.当两类动态密码结构的轮函数为双射时，通过研究密码组件的可交换性质，证明了这两类动态密码结构各自置换等价于标准静态密码结构.利用建立的置换等价关系，通过构造静态密码结构不可能差分和零相关线性区分器，证明了4n轮类CLEFIA动态密码结构所有结构均存在8轮的不可能差分和零相关线性区分器，证明了4n轮四分组CLEFIA变换簇所有结构均存在9轮的不可能差分和零相关线性区分器.
基于同步地球轨道（Geostationary Earth Orbit， GEO）卫星的机会源技术已被证明其在近岸海面高度测量中的应用潜力，但目前研究主要围绕可行性论证展开，极少开展全方位的测量性能评估.为此，从仿真和试验两个角度评估了信号带宽、非相干累加次数、信噪比及波形峰值跟踪算法对GEO卫星机会源海面测高性能的影响.评估结果表明当非相干累加次数和信噪比大于最优非相干累加次数和最优信噪比时，测高性能将不再显著提升.因此，通过选择最优非相干累加次数，以及设计合理的接收天线增益、射频增益及接收机带宽使信噪比大于最优信噪比对GEO卫星机会源海面测高至关重要.通过对比插值和拟合两种波形跟踪算法发现拟合法能提供比插值法更高的测量精度.利用北斗B3I信号和ASTRA 19.2 E卫星信号开展GEO卫星海面测高的试验评估.试验结果表明：在非相干累加次数大于10 000、信噪比大于7 dB时，北斗B3I信号和ASTRA 19.2 E卫星信号可分别提供精度约为0.20 m和0.10 m的海面高度.针对GEO卫星多频或多通道传输特点，提出了基于信号频谱合成提高海面测高精度的方法.当利用中卫1号卫星10个通道信号进行合成时，插值法和拟合法的仿真测距精度分别为3.50 cm和0.69 cm.
星基增强系统 （Satellite Based Augmentation System， SBAS） 的电文格式公开， 为防止SBAS服务遭受生成式欺骗攻击， 国际民航组织积极推进SBAS认证服务标准的制定. 本文面向北斗星基增强系统 （BeiDou Satellite-Based Augmentation System， BDSBAS） 阐述了基于中国商用密码算法的椭圆曲线数字签名 （Elliptic Curve Digital Signature Algorithm， ECDSA） 电文认证方案与时间效应流丢失容错 （Time Efficient Stream Loss-tolerant Authentication， TESLA） 电文认证方案， 设计了BDSBAS认证电文， 依据空中密钥管理OTAR（Over The Air Rekeying） 的策略制定了OTAR电文 （OTAR Message Type， OMT） 与播发方案. 通过蒙特卡洛OTAR仿真器开展仿真， 对不同OTAR电文接收时间进行分析， 本文设计的方案与国外方案对比结果有明显的提升， 有效的减少了接收机完成认证使用SBAS增强服务的时间， 对BDSBAS电文认证服务提供一定参考与建议.
聚类是一种典型且重要的数据挖掘方法，但现有聚类算法大多需要人为指定聚类的数量，并且聚类结果对参数敏感.针对上述不足，本文提出一种基于子博弈完美均衡的启发式聚类算法（Heuristic Clustering algorithm based on Sub-game Perfect Equilibrium，HCSPE）.该算法充分挖掘数据点自身的分布特征信息，通过启发式方法得到自适应的参数值，从而使数据点局部密度属性值的得出具有客观性和普适性，降低了聚类结果对参数的敏感性.基于博弈的思想，综合局部密度和相对距离两个属性形成数据点的竞争力，依靠竞争机制完成聚类数量的自动计算以及聚类中心的确定.在多个规模和类型均不相同的数据集上的实验结果表明，本文所提出算法的性能指标整体优于其他算法，并且聚类结果更符合客观所需.
集成方法是不平衡学习方法的重要分支，然而，现有不平衡集成方法均作用于原样本而没考虑样本的结构信息，因此其效能仍然有限.样本的结构信息包括局部和全局结构信息.为了解决上述问题，本文提出了一种基于深度样本包络网络（Deep Instance Envelope Network， DIEN）和分级结构一致性机制（Hierarchical Structure Consistency Mechanism， HSCM）的不平衡集成学习算法.该算法在考虑局部流形和全局结构信息的情况下，通过多层样本聚类，生成高质量的多层包络样本，从而实现类平衡化.首先，算法基于样本近邻拼接和模糊C均值聚类算法，设计DIEN来挖掘样本的结构信息，得到深度包络样本.然后，设计局部流形结构度量和全局结构分布度量来构建HSCM用于增强层间样本的分布一致性.接着，将DIEN和HSCM结合起来，构建出优化后的深度样本包络网络——DH （DIEN with HSCM）. 之后，将基分类器应用于包络样本.最后，设计bagging集成学习机制来融合基分类器的预测结果.文末组织了多组实验，采用了十多个公共数据集和有代表性的相关算法进行验证比较.实验结果表明，本文算法在AUC（Area Under Curve）， F-measure等四个性能指标上显著最优.本文完整实验结果与分析参见链接：https://pan.baidu.com/s/15lZ9GztB95ySrNwEmtrCfA，提取码：1111
轻量化目标检测模型SSD-MV3（Single Shot Detection-MobileNet V3）因输入图像尺寸限制无法直接检测高分辨率大尺寸合成孔径声纳（Synthetic Aperture Sonar， SAS）图像中感兴趣小目标.为此，本文提出了一种新的目标检测方法HRSSD（High Resolution Single Shot Detection），该方法通过冗余切割确保SSD-MV3输入图像尺寸的规范以及感兴趣小目标的完整，并利用二次非极大值抑制保证检测结果的唯一.此外，提出了一种尺度、空间和通道注意力机制联合的特征提取模块，并利用该模块重新设计了SSD-MV3的基础网络和附加特征提取网络，记作SSD-MV3P（Single Shot Detection-MobileNet V3 Pro），使得SSD-MV3P能更有效的感知感兴趣小目标特征信息.实验结果表明，在感兴趣小目标检测数据集SST（Sonar Small Targets）上，SSD-MV3P的平均检测精度（mean Average Precision， mAP）比SSD-MV3提升4.39%.HRSSD实现了高分辨率大尺寸SAS图像感兴趣小目标的检测，并且保证了同一位置上检测结果的完整性和唯一性.
随着车联网的迅猛发展，车对路基础设施（Vehicle to Infrastructure，V2I）通信对车联网的可靠性和时延提出了更高的要求，而信道估计是接收机高可靠低时延通信的重要保障.为解决传统信道插值算法不能有效拟合V2I信道快时变特性、自适应多普勒频移能力弱和传统神经网络可解释性不强的问题，本文提出基于图神经网络（Graph Neural Network，GNN）的单载波频分多址（Single Carrier-Frequency Division Multiple Access，SC-FDMA）智能信道估计算法.该算法将信道频率响应中的数据点作为图的节点、符号间时域相关性作为边，将图化后的数据送入GraphSAGE信道插值器（GraphSAGE Channel Interpolator，GCI）中，通过边更新、聚合操作、节点更新三大模块进行网络训练，同时采用多普勒频移矢量作为节点特征控制网络拟合不同多普勒条件的信道，使得网络具备可解释性.最后，系统仿真验证了在不同速度环境下算法的有效性和鲁棒性，较线性插值、样条插值以及全连接网络，本文所提GCI在低、中和高速移动环境下具有最优的误码率（Bit Error Rate，BER）和归一化均方误差（Normalized Mean Square Error，NMSE）性能，特别地，在200 km/h高速移动条件下GCI的优势更为明显.
针对工业互联网安全态势评估存在数据特征提取困难和安全态势评估准确率低等难题，提出一种基于改进随机森林的工业互联网安全态势评估方法. 基于随机采样技术平衡原始数据集以减小不平衡数据集对实验的影响；利用梯度提升决策树确定工业互联网流量数据中不同特征的权重系数，结合递归特征消除法提取其关键特征；构建基于改进随机森林的工业互联网多分类攻击检测模型，识别网络受到的攻击类别，并结合安全态势量化指标确定其风险程度. 实验结果表明，本文算法的检测准确率和F1值分别达到89.19%和89.68%，相较于传统随机森林算法、支持向量机和K最近邻算法，其准确率和F1值分别至少提高2.91%和1.7%，平均分别提高8.38%和9.33%.
随着非正交多址接入（Non-Orthogonal Multiple Access， NOMA）技术的不断发展，协作NOMA （Cooperative Non-Orthogonal Multiple Access， CNOMA）也受到广泛关注.该文研究了由一个基站（Base Station， BS）、一个远端用户和一个近端用户组成的全双工（Full-Duplex， FD）协作NOMA （FD-CNOMA）系统，其中近端用户作为一个FD解码转发中继以传输远端用户的信号.考虑实际情况中存在基站与远端用户有无直接链路两种情况，以及非理想连续干扰消除（Successive Interference Cancellation， SIC）对系统带来的残留干扰问题，该文提出并解决了在该模型下用户的功率分配问题.最后，该文基于此模型给出了中继用户和远端用户的中断概率闭式表达式和遍历速率的近似闭式表达式.理论分析与仿真结果表明，即便存在非理想SIC和自干扰，相对于半双工（Half-Duplex， HD）协作NOMA（HD-CNOMA）和NOMA系统而言，FD-CNOMA系统表现出更好的系统性能.同时，非理想SIC和中继用户自干扰都会对用户性能产生负面影响，且非理想SIC在遍历速率上对HD机制的影响较FD机制更为严重.最后，文中提出的功率分配方法较随机功率分配和固定功率分配分别获得了13%和10%的速率提升.
针对多链式区块链采用主链最终共识机制，导致主链负载大，制约从链性能等问题，论文提出一种基于超图和MuSig2聚合签名的联盟链主从多链共识机制.首先根据超图理论，构建以横贯超图为主链，子超图为从链的联盟链主从多链架构；然后借鉴分治思想，结合“背书-排序-验证”的共识方式，构建分层分类共识机制，通过分类处理交易降低主链负载压力；最后构建基于MuSig2聚合签名的联盟链多方背书签名方法，提升背书签名的验证效率.性能分析表明：基于MuSig2聚合签名的联盟链多方背书签名安全可靠，基于超图和MuSig2聚合签名的分层分类共识机制具有强一致性和线性时间复杂度.实验结果表明：基于MuSig2聚合签名的多方背书方法的总效率是椭圆曲线数字签名算法（Elliptic Curve Digital Signature Algorithm，ECDSA）的1.55倍，分层分类共识机制能够提升12.5%的共识效率.该机制具有较高性能，可满足企业多样化业务需求.
针对现有IEEE 802.1AS协议中单一主时钟无法保障多跳网络下高精度同步的问题，提出一种基于多属性决策的冗余时钟同步方法.首先，基于链路拥塞程度、节点拓扑属性和时钟源质量系数对时钟属性值进行建模；其次，采用多属性决策算法选取最佳主时钟并生成冗余时钟序列表；最后，利用FPGA（Field Programmable Gate Array）平台设计并实现冗余时钟同步系统，同时搭建真实网络环境对所提方法进行测试.结果表明，相较于现有方法，时钟同步精度提升了68%，主时钟失效后重新同步所需收敛时间减小了60%.
非小细胞肺癌严重损害人类健康，早期非小细胞肺癌CT（Computed Tomography）图像中的肿瘤结节体积小，不易发现，极易造成漏诊和误诊.为了精确分割非小细胞肺癌CT图像中的小体积肿瘤结节，本文提出SOSNet（Small Object Segmentation Networks）自动分割模型，利用ResNet（Residual Network）基础层和空洞卷积构造非对称编码器-解码器结构作为分割主网络，利用轴向取反注意力模块ARA（Axial Reverse Attention）逐步擦除背景中对分割有影响的结构，再使用结构细化模块SR（Structure Refinement）对主网络输出的粗略特征图进行结构细化，从而实现非小细胞肺癌肿瘤结节分割.在非小细胞肺癌公开数据集的实验测试表明，本文提出的小目标自动分割模型SOSNet可以有效分割出非小细胞肺癌CT图像中的小体积肿瘤结节，其mDice（mean- Dice）、mIoU（mean Intersection over Union）、Sensitivity、F1、Specificity、平均绝对误差MAE（Mean Absolute Error）均优于当前最先进的小目标分割模型CaraNet（Context Axial Reverse Attention Network）.
轮询是一种依次有序服务的系统资源动态调度机制.针对服务器在站点间查询、服务和转移过程中的流水线作业方式导致了系统整体服务效率较低的问题，本文提出了完全服务的并行优化轮询系统.首先，构建了系统的单服务器多队列排队模型和相应的系统状态方程，并精确解析出系统特性参数的完整数学解析表达式.此外，还提出了一种系统状态稳定性的判定方法，对不同负载状态下的系统稳定性进行了定量分析.计算机仿真的统计分析结果与理论计算值相一致.最后，系统性能分析表明，在保持周期性、无冲突服务的基础上，系统的队长、时延特性和稳定状态下负载能力均得到了较大的提高.
边缘计算安全的资源受限特征及各种新型密码技术的应用，对多核密码处理器的高能效、异构性提出需求，但当前尚缺乏相关的异构多核能效模型研究.本文基于扩展Amdahl定律，引入密码串并特征、异构多核结构、数据准备时间、动态电压频率调节等因素，将核划分空闲、活跃状态，建立异构多核密码处理器的能效模型.MATLAB仿真结果表明，数据准备时间占比小于10%时，对能效的负面影响大幅下降；固定电压，频率缩放会影响能效值大小；处理器核空闲/活跃能耗比例越小，能效值越大.架构上，固定异构核，同构核数量与密码任务最大并行度相等时能效值最大，最佳异构核数可由模型变化参数仿真得到；多任务调度执行上，流水与并发执行有利于能效值的进一步提升.多核密码处理器芯片板级测试结果表明，仿真结果与实测数据相关系数接近1，芯片实测的数据准备时间、电压频率缩放等因素的影响与仿真分析基本一致，验证了所提能效模型的有效性.该文重点从影响能效变化趋势因素上，为多核密码处理器异构、高能效设计提供一定的理论分析基础与建议.
深度学习模型对对抗样本表现出脆弱性.作为一种对现实世界深度系统更具威胁性的攻击形式，物理域对抗样本近年来受到了广泛的研究关注.现有方法大多利用局部对抗贴片噪声在物理域实现对图像分类模型的攻击，然而二维贴片在三维空间的攻击效果将由于视角变化而不可避免地下降.为了解决这一问题，所提Adv-Camou方法利用空间组合变换来实时生成任意视角及变换背景的训练样本，并最小化预测类与目标类交叉熵损失，使模型输出指定错误类别.此外，所建立的仿真三维场景能公平且可重复地评估不同的攻击.实验结果表明，Adv-Camou生成的一体式对抗伪装可在全视角欺骗智能图像分类器，在三维仿真场景比多贴片拼接纹理平均有目标攻击成功率高出25%以上，对Clarifai商用分类系统黑盒有目标攻击成功率达42%，此外3D打印模型实验在现实世界平均攻击成功率约为66%，展现出先进的攻击性能.
片上网络（Network-on-Chip，NoC）在多处理器系统中得到了广泛的应用.近年来，有研究提出了基于NoC的深度神经网络（Deep Neural Network，DNN）加速器.基于NoC的DNN加速器设计利用NoC连接神经元计算设备，能够极大地减少加速器对片外存储的访问从而减少加速器的分类延迟和功耗.但是，若采用传统的单播NoC，大量的一对多数据包会极大的提高加速器的通信延迟.并且，目前的深度神经网络规模往往非常庞大，而NoC的核心数量是有限的.因此，文中提出了一种针对资源受限的NoC的组播方案.该方案利用有限数量的处理单元（Processor Element，PE）来计算大型的DNN，并且利用特殊的树形组播加速网络来减少加速器的通信延迟.仿真结果表明，和基准情况相比，本文提出的组播机制使加速器的分类延迟最高降低了86.7%，通信延迟最高降低了88.8%，而它的路由器面积和功耗仅占基准路由器的9.5%和10.3%.
少样本学习是目前机器学习研究领域的热点和难点.针对现有的少样本学习模型不能有效捕捉数据特征与数据标签之间的联系，造成分类模型泛化能力弱的问题，提出一种基于元学习的原型空间图卷积网络少样本学习模型FSL-GCNPS（Few-Shot Learning of Graph Convolutional Network on Prototype Space）.首先，利用卷积神经网络提取多任务数据的特征向量；其次，为了将特征向量映射到原型空间中，根据元学习的训练策略得到特征向量的类原型表达；然后，通过类原型向量和类向量之间的嵌入表示，构建图结构数据，并进行图卷积网络训练、推理.实验结果表明，相较于经典少样本学习方法，FSL-GCNPS模型拥有更好的分类准确率和分类稳定性.同时，在医学图像领域数据集上实验表明，FSL-GCNPS具有很好的跨域适应性.
针对云环境下密文策略属性基加密方案中存在的密文检索分类困难与依赖可信第三方等问题，本文提出了一种基于区块链的多授权密文策略属性基等值测试加密方案．利用基于属性的等值测试技术，实现了支持属性级灵活授权的云端数据检索和分类机制，降低了数据用户对重复数据解密的计算开销．结合多授权属性基加密机制和区块链技术，实现了去中心化用户密钥生成．采用多属性授权机构联合分发密钥，有效抵抗用户和属性授权机构的合谋攻击．引入区块链和智能合约技术，消除了现有密文策略属性基密文等值测试方案中等值测试、数据存储与外包解密操作对可信云服务器的依赖．利用外包服务器执行部分解密计算，降低了用户本地的计算开销．将原始数据哈希和验证参数上传至区块链，保障外包服务器解密结果正确性和云端数据完整性．在随机预言模型下，基于判定性 -parallel Bilinear Diffie-Hellman Exponent困难问题证明了本文方案在选择密文攻击下的单向性．与同类方案相比较，本文方案支持更多的安全属性，并具有较低的计算开销．
本文针对一类广泛存在的分布式加工装配和车辆配送集成调度问题（Integrated Scheduling Problem of Distributed Production Assembly and Vehicle Delivery，ISP_DPAVD），以最小化运输和延迟惩罚总成本为优化目标，提出一种混合三维分布估计算法（Hybrid three-Dimensional Estimation of Distribution Algorithm，H3DEDA）进行求解.ISP_DPAVD包含两个耦合的子问题，即加工装配阶段子问题（子问题1）和车辆配送阶段子问题（子问题2）.由于每个子问题1的解（部分解1）均会确定1个具体的子问题2，故ISP_DPAVD的解空间非常庞大.根据这一特点，在H3DEDA中，先设计结合邻域变换的启发式规则来快速获取子问题2的优良解，以实现子问题间的部分解耦并明显缩减搜索空间，再设计三维EDA引导的全局搜索和变邻域驱动的局部搜索来获取ISP_DPAVD的高质量解.通过在不同规模测试问题上的仿真实验和算法比较，验证了H3DEDA求解ISP_DPAVD的有效性.
当前，生成对抗网络（Generative Adversarial Networks， GAN）合成的逼真图像难以识别，严重危害国家网络安全及社会稳定.与此同时，多数基于深度神经网络模型设计的检测器需要大规模训练样本，且存在模型可解释度不高、泛化性能差等问题.为了克服上述亟待解决的关键性难题，本文提出一种多色彩通道特征融合的GAN合成图像检测方法.首先，探索分析真实自然图像和GAN合成图像在不同色彩空间相邻像素之间的差异，并设计差异度量算法，完成色彩通道选择.其次，利用图像像素间的高度相关性，在八个方向上通过二阶马尔可夫链对相邻像素之间的差分数组进行建模，提取差分像素邻接矩阵特征.最后，利用上述特征，设计一种简单且高效的集成分类器完成GAN合成图像的检测任务.在基于StyleGAN模型合成的伪造人脸数据集中，所提出方法的检测准确率高达100.00%；在小样本训练约束条件下，正负样本对数仅仅为2时，检测准确率高达99.65%；在单类样本训练约束条件下，正样本数仅仅为50时，检测准确率高达92.84%.在基于更先进的StyleGAN2和PGGAN模型合成的伪造场景数据集中，所提出方法的检测准确率达到99.96%以上.以上大量实验表明，本文所提出的方法明显优于比较的GAN合成图像检测方法.本文方法已经开源：https：//github.com/cyxcyx559/ccss.
针对现有轻量级模型在嵌入式设备的人脸识别应用中存在识别精度难以提升的问题，提出一种融合人脸对齐关键特征点信息的轻量级新残差网络模型（Lightweight New Residual Network， LNRN）.LNRN利用深度残差网络结构能够解决网络退化且避免干扰因素影响的优势，结合人脸对齐环节产生的关键特征点信息，对深度残差网络结构进行简化和合理设计，实现对关键特征信息和全局信息的提取.为避免特征提取过程中丢失重要特征信息，该模型在新残差网络中加入结合空间和通道的注意力机制进行辅助.在公开的四个标准人脸数据集上的仿真实验表明，该模型识别速度在接近主流轻量级人脸识别方法的同时，平均识别精度比MobiFace提高了0.6%.
循环神经网络对于代码序列数据有着良好的处理能力，软件缺陷修复的补丁生成模型大多采用循环神经网络实现. 然而，基于循环神经网络的补丁生成模型在处理代码序列中长距离依赖问题时仍然具有局限性，其修复成功率和修复效率较低. 针对此问题，提出一种基于自注意力神经机器翻译的软件缺陷自动修复方法（Self-attention Neural machine translation based automatic software Repair，SNRepair）. 首先，为有效缓解源码中的未登录词问题，对数据集引入子词切分技术进行预处理；其次，为解决源代码中棘手的长距离依赖问题并更充分地利用局部信息，构建融合局部建模的Transformer程序补丁生成模型；然后，采用缺陷自动定位技术定位缺陷语句位置，利用参数优化后的Transformer补丁生成模型生成候选补丁；最后，运行测试用例验证候选补丁. 在具有395个真实Java软件缺陷的Defects4J缺陷库上实验评估，结果表明SNRepair方法与对比方法比较，修复成功率和修复效率更高.
局部修复码是一种通过局部修复提高存储节点修复效率的重要编码方法， 在分布式存储和云存储中有重要应用. 本文首先构造了几类维数为4或5的near MDS （near Maximum Distance Separable） 码， 精确计算出了它们的参数和重量分布. 特别地， 得到了一些参数相同但重量分布不同的near MDS码. 此外，通过确定near MDS码的局部度， 得到了几类距离最优和维数最优的局部修复码. 这些局部修复码的参数和文献中已知最优局部修复码的参数不同.
Android系统是目前主流的移动终端操作系统之一，其数据泄露问题日益受到学术界的广泛关注.恶意应用窃取用户敏感数据后通过互联网发送扩散，从而对用户实施进一步侵害.Android系统中网络权限属于常规权限，应用无需用户授权即可联网发送数据.针对上述问题，本文提出了一种基于Android内核驱动程序的网络白名单网络控制方案，用户可以监控所有应用程序的网络使用状态，选择信任的应用加入白名单中，对白名单中的应用程序实行内核级签名验证，防止程序代码被非法篡改，从而构建安全可控的网络使用环境.本方案为应用和内核的通信构建了专用通道，以确保网络白名单管理权限不会被其他应用窃取，随后通过进程识别针对性地管控网络权限，在不影响正常应用功能的情况下实现权限管理.经过实验验证，本方案可以有效防止恶意应用利用互联网泄露用户隐私，网络管控成功率达到了100%.系统运行稳定，被管控应用启动时间最大增加33.1%，最小增加3.6%.
针对传统近邻传播聚类算法以数据点对之间的相似度作为输入度量，由于需要预设偏向参数p和阻尼系数 ，算法精度无法精确控制的问题，提出了一种跳跃跟踪麻雀搜索算法优化的交叉迭代近邻传播聚类方法.首先，针对麻雀搜索算法中发现者和加入者位置更新不足的问题，设计了一种跳跃跟踪优化策略，通过考虑偏好阻尼因子的跳跃策略设计大步长更新发现者，增加麻雀搜索算法的全局勘探能力和寻优速度，加入者设计动态小步长跟踪领头雀更新位置，同时，利用自适应种群划分机制更新发现者和加入者的比重，增加算法的后期局部开发能力和寻优速度；其次，设计基于扰动因子的Tent映射，在此基础上增加3个参数，使映射分布范围增大，并避免了陷入小周期点和不稳周期点；最后，引入轮廓系数作为评价函数，跳跃跟踪麻雀搜索算法自动寻找较优的p和 ，代替手动输入参数，并融合基于扰动因子的Tent映射优化近邻传播算法，交叉迭代确定最优簇数.使用多种算法聚类University of California Irvine 数据集的10种公共数据集，仿真结果表明，本文提出的聚类算法与经典近邻传播算法、基于差分改进的仿射传播聚类算法、基于麻雀搜索算法优化的近邻传播聚类算法和进化近邻传播算法相比具有更优的搜索效率以及聚类精度.对国家信息数据进行了聚类分析，提出的方法更加准确有效合理，具有较好的应用价值.
图卷积由于其对图数据的强大表示能力被广泛应用于基于骨架的动作识别任务中.但是现有的图卷积方法在所有帧或通道上都使用共享的图拓扑进行特征聚合，这极大限制了图卷积网络的表示能力.为了解决这些问题，本文提出多维动态拓扑学习图卷积用于动态建模具有时序与通道特异性的拓扑结构. 多维动态拓扑学习图卷积主要包含三个组成部分：纯粹节点拓扑学习图卷积（pure Joint topology learning Graph Convolution， J-GC）、动态时序特异性拓扑学习图卷积（Dynamic Temporal-Wise topology learning Graph Convolution， DTW-GC）和通道特异性拓扑学习图卷积（Channel-Wise topology learning Graph Convolution， CW-GC）.特别地，在DTW-GC中使用了动态骨架拓扑建模方法（Dynamic Skeleton Topology Learning， DSTL），以高效地建模富含全局时空拓扑特征的动态骨架拓扑.将多维动态拓扑学习图卷积与多尺度时间卷积（Multi-Scale Temporal Convolution， MS-TC）相结合，本文构建了具有强大建模能力的图卷积网络.此外，为了对骨架数据的空间信息进行补充，本文额外引入了相对节点数据和相对骨骼数据进行多流网络的融合.本文所提出的方法在NTU-RGB+D与NTU-RGB+D 120数据集上分别取得了92.64%和89.29%的准确率，超过了当前最先进方法.
无线医疗传感器网络的出现为患者的治疗带来了极大的便利.但是，无线医疗传感器网络中往往都使用不可信的公共信道进行数据通信并且只有唯一的云服务器处理大量的医疗数据，这就导致了通信安全、隐私保护、密钥泄露、云服务器计算负担过大、延迟高等问题.此外，现有的大多数无证书聚合签名方案无法抵抗完全选择密钥攻击.针对上述问题，本文提出一种适用于无线医疗传感器网络基于边缘计算的无证书并行密钥隔离聚合签名方案.方案引入边缘计算的架构使得签名的验证和聚合过程在更靠近终端用户的边缘层进行，在降低中心云服务器计算负担的同时还能有效的保护患者的隐私.本文方案继承了无证书和密钥隔离技术的优点，同时避免了复杂的证书管理、密钥托管以及密钥暴露等问题.在随机预言模型下证明了本文方案可以抵抗完全选择密钥攻击、Type I攻击以及Type II攻击.性能分析表明，与相关无证书签名方案相比，本文方案的计算开销至少可降低74.03%，通信开销至少可降低25%.
小目标检测是计算机视觉中极具挑战性的任务.它被广泛应用于遥感、交通、国防军事和日常生活等领域.相比其他视觉任务，小目标检测的研究进展相对缓慢.制约因素除了学习小目标特征的内在困难，还有小目标检测基准，即小目标检测数据集的稀缺以及建立小目标检测评估指标的挑战.为了更深入地理解小目标检测，本文首次对基于深度学习的小目标检测基准进行了全新彻底的调查.系统介绍了现存的35个小目标数据集，并从相对尺度和绝对尺度（目标边界框的宽度或高度、目标边界框宽高的乘积、目标边界框面积的平方根）对小目标的定义进行全面总结.重点从基于交并比及其变体、基于平均精度及其变体以及其他评估指标这3方面详细探讨了小目标检测评估指标.此外，从锚框机制、尺度感知与融合、上下文信息、超分辨率技术以及其他改进思路这5个角度对代表性小目标检测算法进行了全面阐述.与此同时，在6个数据集上对典型评估指标（评估指标+目标定义、评估指标+单目标类别）下的代表性小目标检测算法进行性能的深入分析与比较，并从小目标检测新基准、小目标定义的统一、小目标检测新框架、多模态小目标检测算法、旋转小目标检测以及高精度且实时的小目标检测这6个方面指出未来可能的发展趋势.希望该综述可以启发相关研究人员，进一步促进小目标检测的发展.
