量子计算的快速发展对当前普遍应用的公钥密码造成了严重威胁，抗量子计算的密码研究成为当前密码学术研究和标准化的热点问题。多变量密码作为抗量子密码的优秀候选方案受到了广泛的关注。介绍了当前多变量密码的基本原理，综述了其国内外研究进展，分析对比了几种典型的陷门构造技术和攻击技术，最后指出了当前研究存在的问题。

针对属性加密方案中的运行效率和属性更新问题，提出了一种基于环上误差学习问题(Learning With Error over Ring，RLWE)的可撤销分层属性加密方案。方案通过多等级的门限秘密共享矩阵将属性进行分层，权限等级高的属性恢复秘密的能力大于权限等级低的属性，且高权限等级不可被替代；另外，方案实现了属性级的用户撤销，基于第三方机构通过控制用户对属性陷门的获取降低了系统的计算开销。该方案能抵抗用户合谋攻击且满足随机预言机模型下的选择明文安全，与现有方案对比，在实现了属性分层的同时增加了属性撤销的功能，并在多项式环上进行运算，提高了加解密效率，对实际应用场景有更好的适应性。

量子货币问题是量子密码学中认证问题的代表。Aaronson和Christiano提出了一种基于公钥的量子货币方案,并在隐藏子空间上证明了它的计算安全性。通过分析子空间的结构，对该方案提出有效的攻击,证明了一般子空间都有漏洞，只有具有复杂结构的子空间才具有出色的安全性，并改进了隐藏子空间方案的定义，严格要求由子空间形成的量子货币的任何量子位相互纠缠。最后从信息论的角度，证明了纠缠带来的新安全性。

人脸识别技术是计算机视觉研究的重要课题，在生物认证领域有着广泛的应用前景。然而人脸图像的易获取性使其被滥用，造成隐私的泄露，因此各界对用户人脸图像隐私问题的关注度日益提高。提出了一种基于全同态加密的安全人脸识别算法，可以有效地保护用户人脸图像的隐私，保证服务器在提供人脸识别服务时，不会学习到用户图像的任何信息。实验结果表明，该算法安全性较高，计算效率也有所提高。

针对现有恶意PDF文档检测方法存在特征维度高、数据集样本少导致模型欠拟合等问题，提出了一种基于特征集聚和卷积神经网络的恶意PDF文档检测方法。该方法以词袋模型为基础，从PDF文档中提取常规特征和结构特征。然后以合并后特征簇最小方差为目标，使用Ward最小方差聚类方法实现特征集聚。最后，将聚合特征送入卷积神经网络分类模型进行训练。根据不同聚合特征数下模型性能的好坏，确定最优的聚合特征数。实验结果表明，该方法降低了特征维度，提升了模型的召回率，缓解了模型的欠拟合问题。纵向比较来看，在不同的良性样本和恶意样本比例下，遍历得到最优的聚合特征数，召回率平均提升了53%，F-score平均提升了0.44，运行时间平均缩短了27%；与PJScan、PDFrate、Luxor 3种检测工具横向相比，检测的综合性能平均提升了5%。

随着人类对海洋的探索与开发，水下网络特别是水下通信技术逐渐成熟。水下通常使用声呐进行通信，而水下声呐通信信道具有传输速率低、误码率高、延时高和信道窄等缺陷，特别容易遭受恶意攻击。因此，必须重视水下声呐通信的安全问题。针对水下声呐通信系统安全防护等级较弱的现状，考虑水声通信的独特特性，概述了水下密码装备的未来发展趋势。进而，从保护数据机密性角度出发，设计了一型密码样机和一种轻量级密码算法，用于水下声呐通信加密技术的演示验证。测试结果表明：采用轻量级密码算法的密码样机非常适合水下通信安全防护，能够满足通信速率要求，这为未来水下声呐通信系统搭载密码系统奠定了一定研究基础。

FFT作为雷达信号处理的关键计算步骤之一，本质上是一个基于数据流的处理过程。以往的FFT计算大多集中在通用计算平台上进行并行计算实现，计算系统存在扩展性和鲁棒性问题。随着科学计算应用在Flink上的逐渐兴起，将FFT在Flink上进行并行和优化，不仅可以很好地利用框架自身良好的系统扩展性和鲁棒性，同时也能使其具备高吞吐的实时性能。基于Flink对FFT流处理算法流程进行了设计和优化，同时针对Flink对适用于FFT计算的缓存窗口机制进行了设计，实验结果表明，改进后FFT并行算法在多个大规模点数下计算速度均有所提高。

为了对水体含氧量进行更好的监测，提高溶解氧含量预测精度，采用“先分解再集成”的结构，提出了CEEMDAN-LSTM组合预测模型。首先利用CEEMDAN得到分解后的各个分量，然后对每个分量进行LSTM建模预测，最后对所有的预测结果进行集成，得到最终预测结果。该模型解决了单个LSTM模型预测的延迟性，与单个LSTM预测模型相比，其拟合优度(R2)提高了3.3%，其余误差指标也均有所降低，预测精度得到了有效的提升；与其他模型相比，也更具优越性。

传统的矩阵分解算法为用户和项目分别独立设置了偏置项，而没有深入挖掘特定用户对于特定项目的隐性偏好；同时，传统的排序预测推荐算法将用户所有打分过的项目都统一地设置为该用户的正例项目(无论用户给出了好评还是差评)，这导致训练完成的系统在实际应用中很可能会为用户继续推荐其厌恶的项目。因此提出了一种基于深度网络的推荐系统偏置项改良方案，该改良方案考虑了用户为特定项目所作的评分背后所蕴含的好恶态度，并学习出一个用户-项目联合偏置项加入到推荐过程中以提升推荐性能。在三个公开数据集上进行的对比实验结果表明，该改良方案可以有效地提升推荐的性能表现。

图像超分辨率重建旨在从低分辨率图像中恢复其对应的高分辨率图像，是计算机视觉中的经典问题。为改进传统超分辨图像质量评价方法与人眼感知不一致的问题，提出一种基于多任务学习的超分辨图像质量评估网络。网络采用多任务学习的方式，分别学习图像的局部频率特征与质量分数，其中局部频率特征用来辅助网络进行图像质量分数的回归，提高分数预测的准确性和泛化能力。另外，在网络中加入协调注意力模块，进一步增强了模型的预测能力。实验结果表明，所提出的算法在QADS数据集上的SROCC、PLCC等指标优于目前先进的无参考超分辨图像质量评价方法。

随着机器学习渗透到日常生活中的各个方面，其数据隐私问题受到越来越多的关注。成员推断攻击是机器学习算法面临的安全威胁之一，用于推断特定数据是否存在于机器学习模型的训练集中，给用户带来极大的安全隐患，对机器学习模型的安全性提出挑战。为此，研究成员推断攻击不仅能发现隐私数据面临的威胁，而且还能为防御技术的提出提供思路。对近年来有关成员推断攻击的研究进行详细的分析，按照应用场景的不同将攻击分为判别模型攻击、生成模型攻击以及联邦学习攻击三类。同时根据成员推断攻击和防御的发展现状，阐述了影响攻击的因素以及经典的防御策略。最后指出成员推断攻击中仍需解决的问题以及未来的发展方向。

由于无人机基站在不同应用场景下，所处的地理环境、用户分布、用户需求和所希望提升的性能需求不同，需要根据不同应用场景的特征对无人机基站进行部署。基于无人机基站的典型应用场景，构建两个具有代表性的无人机基站应用场景模型，并对应用场景模型特征进行抽象描述。分别构建了两个应用场景的空地通信传输模型。在此基础上，给出了最大化传输速率以及最大化无人机覆盖范围的无人机基站最优飞行高度的数学计算模型。最后，对不同场景下无人机基站最优飞行高度的影响因素和变化趋势进行了分析。

针对建筑检测行业中检测报告多、人工归档效率低下的问题，利用模板匹配算法与LeNet框架建立了一套强鲁棒性用于报告文件数字符号的OCR识别系统。针对报告中感兴趣区域(ROI)位置和大小不固定的问题，采用了机器视觉领域中的模板匹配定位算法来定位报告文件的ROI区域。结合LeNet网络与模板匹配定位算法，实现了传统机器视觉方法与人工智能方法的结合，构建了一套检测报告自动归档系统。所构建的自动归档系统的正确归档率达到了95.8%，有效节约了人工成本与时间成本。