恶意代码已经成为威胁网络安全的重要因素。基于机器学习的恶意代码检测方法已经取得较好的效果，但面对相似的恶意代码家族，往往效果不佳。对此，提出了一种基于挤压激励网络的检测算法，由卷积神经网络(Convolutional Neural Network，CNN)与挤压和激励(Squeeze-and-Excitation，SE)模块构成。CNN先快速提取恶意代码的图像特征，SE模块对多通道特征图进行全局平均池化，将全局信息压缩，然后通过全连接层自适应学习，并将每个通道特征图赋予不同的权重来表示不同的重要程度，指导激励或抑制特征信息。实验结果表明，该方法相对于传统机器学习方法有更好的检测效果，与深度学习算法相比检测效果也有一定的提升且参数量大大减少。

为了更精确地提取工控入侵数据集特征和更精准地分类恶意数据，使得入侵检测方法满足当前工业控制网络的安全需求，提出了基于变分自编码器(Variational Autoencoder，VAE)和三支决策理论(Three-way Decisions，TWD)的新型工业控制网络入侵检测算法(VAE-TWD)。该算法利用变分自编码器强大的感知能力对高维数据进行降维映射和特征提取，再对正常和恶意数据利用三支决策理论进行即刻决策，划分入正向决策域和负向决策域。而对于边界域内不确定的数据，将通过不同粒度的特征，选择适当数据构成新的训练集并扩充到原有数据集中。然后重复决策过程，直至决策域中数据为空，规避盲目决策的风险。实验结果表明VAE-TWD算法提升了对工控入侵检测的特征提取能力和分类能力，且在准确率、检出率、误报率、F1得分等指标上均优于对比算法，有效提高了工控入侵检测的性能。

随着卫星通信技术的不断发展，卫星通信组网技术受到越来越多的关注，其相关的安全问题也更加突出。针对卫星通信认证技术进行研究，分析了卫星网络的特点和安全认证需求，提出了一种基于身份的密码体制认证方案，实现了身份认证和密钥协商，以及对合法用户的身份信息的保护功能。并进行仿真实验对协议的安全可行性进行了验证，结果表明，该方案达到了安全、高效的认证效果。

在通常的分组密码ECB或CBC工作模式下，当数据分组的分组长度较小时，可能会因为密文组重复导致明文信息泄露。为此，给出了一种适用于保留格式加密算法的创新工作模式。以加密初始向量为起点，用一种密钥参与运算的非线性递归方法产生不可预测序列，并以加扰形式将该序列作用到分组迭代变换的输入和输出数据组中。即明文组变换到密文组的过程由明文加扰、分组加密和密文加扰三步构成。这样的工作模式将使得攻击者难以获得和积累明密对，以及实施已知明文攻击。这将在一定程度上消除某些密码算法因为明文组空间较小而存在的安全缺陷。因此，该工作模式适用于某些保留格式加密算法或分组较小的轻量级分组算法。

大数据技术广泛应用的同时也带来了诸多问题，对用户隐私和数据安全造成了严重侵害。由于大数据发展速度快和法律属性界定复杂等原因，现行法律法规存在一定的滞后，对此类问题适用性不佳，需要随着大数据技术的发展进行及时的改进，从而适应日新月异的网络环境。

无人机技术是当今工业互联网发展的助力之一，尤其是5G技术与无人机技术的结合成为推动工业向数字化转型升级的重要力量。但是，在无人机大规模应用的同时，也不能忽视其给行业带来的风险与挑战。主要讨论民用无人机存在的隐私侵权问题及其造成的数据安全问题和“黑飞”问题，并对比中外法律法规提出有关法律体系建设的建议。

MATLAB被广泛应用于算法设计及验证，但由于平台限制及性能因素影响，实际工作中通常使用C语言及高性能库来重写和优化代码。人工转换MATLAB到C工作繁琐，而大部分已有的自动转换方法又难以解决MATLAB的高性能矢量运算和库函数与C的对接问题。为此，设计了一个MATLAB到高性能C的自动转换系统，通过将MATLAB代码转换为中间表示，进一步转换为C代码。同时，将MATLAB的高性能矢量运算和库函数对接到高性能C函数库Math Kernel Library(MKL)上。在相同MATLAB代码上的实验结果表明，该系统转换生成的C代码性能与人工编写的C代码相当，优于已有的转换方法生成的C代码。

路径分配问题是交通数字孪生系统的重要研究方向之一，其重点是综合考量行驶需求的动态变化以及路网信息的实时改变，实现高效合理的路径规划。现阶段一些经典的分配算法如粒子群、Dijkstra等算法及其优化模型仅能达到全局静态最优，忽略了现实交通中的复杂变化。而逐渐推出的各种深度学习算法虽能进行全面的时空预测，但受限于海量历史数据的归纳分析以及较高的运算成本，难以大规模应用。鉴于此，提出了一种静态分配算法与深度强化学习算法结合的感知型路径分配算法,在行驶中依据实时路网信息和车辆当前状态，实现全局路径动态再分配及更新，相关算法的精度和效率在仿真实验中得到验证。

为提升目标跟踪精度，设计一种基于注意力机制的无监督单目标跟踪算法。该算法使用DCFNet网络作为基本网络，通过前向跟踪和后向验证实现无监督跟踪。为结合上下文信息，引入特征融合方法，且将DCFNet网络每一层所提取的特征通过双线性池化调整分辨率以便进行特征融合；为关注不同特征通道上的关系，引入通道注意力机制SENet模块；设计一个反向逐帧验证方法，在反向验证中间帧的基础上再预测第一帧，进而减少判别位置的误差。在公共数据集OTB-2015上的测试结果显示，本算法AUC分数达60.6%，速度达61FPS。与无监督单目标跟踪UDT算法相比，所设计算法取得了更优的目标跟踪性能。

目前，轻量型车道线检测网络存在弯道检测效果差、网络感受野不够与实时性受限等问题，故提出了一种改进的轻量型车道线检测网络模型。首先，为提高弯道检测效果，设计了一种方向一致损失，以使模型适用于弯道场景。其次，为在增强网络实时性的同时提高其感受野，提出将自注意力机制与RepVGG相融合的网络作为模型的主干网络。该模型在CULane测试集上测试的总F1-measure达到了70.7%，在Tusimple测试集上测试的准确率达到95.92%，其平均推断速度达到了408 FPS。实验结果表明，该模型相较于目前轻量型模型在性能上有一定的提升，尤其对弯道场景下的车道线检测效果提升明显。

图神经网络中的注意力机制在处理图结构化数据方面表现出优异的性能。传统的图注意力计算直接连接的节点之间的注意力，并通过堆叠层数隐式获取高阶信息。尽管在图注意力机制方面目前已有广泛的研究，但用于注意力计算的堆叠范式在建模远程依赖方面效果较差。为了提高表达能力，设计了一种新颖的直接注意力机制，这一机制通过K阶邻接矩阵直接计算高阶邻居之间的注意力。通过自适应路由聚合过程进一步传播高阶信息，这使得聚合过程更灵活地适应不同图的特性。在引文网络上的节点分类任务上进行了大量的实验。实验表明，该方法优于最先进的基线模型。

地铁交通运营是一种整体性活动，离不开各部门间的协调配合,地铁运营岗位应急处置培训系统应用于多个岗位的联合培训。该系统通过语音识别来实现模拟岗位间语音交互及对培训过程智能评价的功能。提出的语音识别方法可实现离线网络下对地铁培训专业术语的高识别精度，利用深度全序列卷积神经网络（DFCNN）和链接时序分类（CTC）构建声学模型，对应急处置培训用语进行整理并构建专业术语库，基于统计学构建语言模型。实验结果表明，该语音识别方法能够有效识别地铁应急处置培训用语，为地铁运营岗位人员的培训和考核提供更全面的评价指标。

针对FSO/RF混合链路的高效可靠数据传输问题,研究系统在二进制相移键控（BPSK）调制与ARQ差错控制模式下双链路重传协作的优化设计方法。基于FSO信道双伽马（Gamma-Gamma）分布的湍流模型和RF信道Nakagami-m分布的衰落模型,推导得出混合链路平均包错误率与吞吐量的解析表达式,并运用凸优化求解方法得出吞吐量最优解时的数据重传协作比例系数。在不同大气湍流强度与衰落因子条件下,计算分析了FSO/RF混合链路ARQ数传方案的平均包错误率与吞吐量性能。数值结果表明,采用优化后的ARQ双链路重传比例策略,可有效提高混合链路传输的可靠性与数据吞吐量性能。

在分布式车载自组织网络中，动态变化的双向车流会严重影响基于slot分组的TDMA-MAC协议降低冲突的效果以及整体协议的安全性与可靠性，对此设计一种车流自适应的低冲突TDMA-MAC协议TALC-MAC。采用slot占用率作为分组调整的判断依据，设计详细的分组扩展与收缩策略以适应车流实际分布。同时优化帧内slot分组方案与节点预约slot的策略，进一步降低网络中发生冲突的概率。仿真实验结果表明TALC-MAC能有效适应双向车流的动态变化，保持协议整体低冲突的特性。

Hyperledger Fabric(Fabric)是一个受关注度较高的许可链平台，具有高度模块化、可定制化和可插拔的特点。针对Fabric在高并发的场景下会出现并发冲突导致交易无效的问题，提出一种冲突检测与处理的方法,即利用缓存交易写集的方式在执行阶段检测交易是否冲突，最大程度减小冲突交易在Fabric系统的资源消耗。实验结果表明，在具有冲突交易的场景下，提出的方法能降低平均交易时延，提高系统有效交易吞吐量；并且在没有冲突交易的情况下，不会明显降低性能。

交叉口运行状态的准确评估能够为交通管理系统提供可量化的交叉口信息，为优化交叉口信号控制提供依据。针对当前交叉口运行状态评估侧重行车感受，客观性不强，确定了结合机动车和行人需求的多维评估指标体系，利用AHP-变异系数双层集成赋权模型确定各指标权重，得到交叉口运行评估模型。基于评估模型采用含噪声的深度Q学习（NoisyNet DQN）算法进行信号配时优化研究。以合肥市某交叉口为例，基于交通仿真软件证明了该方法能有效减缓交通拥堵，提高行人感受，具备较高的应用拓展性。