面对算法价格歧视可能产生的负面效果，可以通过类型化分析的方式提出针对性的规制路径。以经营者是否滥用定价算法为标准，可以将其分为理性式算法价格歧视与垄断式算法价格歧视，其中后者产生了一定的负面效果，有必要予以规制。根据实施垄断式算法价格歧视行为的主体多寡，可以细分为单独垄断式算法价格歧视与共谋垄断式算法价格歧视。前者的规制困境主要在于经营者“市场支配地位”的认定，对此可将经营者的数据优势作为推定其具有市场支配地位的重要依据；后者的规制困境主要在于竞争者“合意”的认定，对此可通过“本身违法原则”或“合理推定原则”予以解决。此外，自主类算法不存在竞争者之间的合意，只能通过“滥用市场支配地位”的规制路径予以规制。

数据信托作为全球突破性技术备受关注，“信息受托人”和“数据信任”概念分别从义务和权利角度调整数据主体和数据控制者间的不平等地位。探究数据信托对解决数据保护和利用的现存问题的启发，可以为整体引入数据信托构想和填补现有制度两种路径均提供原则性指引。在数据保护方面，数据信托提示在现有法定义务上为数据控制者增加义务，通过举证责任倒置等程序设计降低救济难度。在数据利用方面，数据信托支持以“所有权-用益权”的二元结构确定产权归属，同时蕴含收益权能的单独配置。双层信托结构界分了数据流通利用的不同阶段，通过集体治理为数据利用提供了灵活性。信托理论同时强调数据主体参与甚至主导数据收益分配，启示在现有收益分配问题上提升数据主体的地位。

为应对侵犯数据隐私权的情况，欧洲人权法院在“不干涉原则”的基础上，创设了“无支配原则”。“无支配原则”的形成原因有二：一是干涉行为本质发生变化，二是“无支配自由”理论更具说服力。借鉴欧洲人权法院数据隐私权的保护机制，我国数据隐私权的保护机制可以从两个方面完善：一是调整侵权行为和损害结果的证明标准，二是强化法官对合目的性和正当性的说理能力。

日趋严格的个人信息保护相关法律法规，在保护个人隐私的同时，增加了企业数据流通合规的难度和成本。在联邦学习框架中，数据不动模型动的隐私保护设计以技术促进法律的遵守，是打破数据孤岛壁垒、促进隐私保护前提下数据融合协作创新的可能解。将合法原则、数据最小化原则与目的限制原则嵌入到系统开发的技术中，联邦学习分布式协作框架以局部模型更新参数代替本地原始个人数据上传，实现数据本地训练存储，达到可用不可见的个人信息保护效果。由于潜在的网络安全攻击以及机器学习算法黑箱的固有缺陷，联邦学习仍然面临着质量原则、公正原则与透明原则的挑战。联邦学习不是规避合规义务的手段，而是减少个人信息合规风险的可行技术措施，使用时仍然存在需要履行的个人信息保护义务，数据权属与责任分配的确定需要综合考量各参与方角色和个人信息处理者类型。

告知同意规则虽然是国际通行的个人信息保护规则，但在实践中面临着多重困境。《个人信息保护法》在坚持采纳告知同意规则的同时也对其采取了一系列修正措施。但从《个人信息保护法》的适用现状来看，告知同意规则面临的实践困境并没有得到改善，信息处理者与信息主体之间仍然处于利益失衡的状态。检视《个人信息保护法》所采取的扩张合法性基础、实施信息分类与差异化保护、细化完善同意规则等修正措施，虽然一定程度上纾解了同意规则难以落地的窘况，但仍存在诸多疏漏。应采取引入合法利益豁免机制、构建行政监管机制、发扬个人信息保护设计理念等手段作为告知同意规则改进完善的对症之策。

数据“三权分置”的法律表达过程中，确权主义与行为主义的对立与竞争应逐渐消退，二者主辅关系的认识也应逐渐扬弃。为确保重大改革于法有据，应基于《民法典》第187条建立确权主义与行为主义的位阶关系。在此位阶关系的认识下，“数据资源持有权”的解释应侧重范围限缩与客体特定，“数据加工使用权”的解释应侧重基于交换关系的场景限定，“数据产品经营权”的解释应侧重“向公法义务接轨”的功能限定。

数据增列为生产要素，已成为城市新型资源。亟需培育数据要素市场，释放数据要素价值，推动数据资产化、要素化、价值化。依托铜仁市公共数据综合服务平台，以铜仁实践为例，创新地提出了“1+1+N”城市数据运营模式。首先需建立良好的数据治理体系，明确提出数据源于场景并用于场景;其次需构建完善的数据供应链机制，高效管理城市数据资产，建立数据授权通道，搭建数据追溯、结算和安全防护系统，创新应用场景迭代升级模式和多元主体利益分配机制。“1+1+N”城市数据运营模式可有效推动数据整合共享和开发利用。

在数字经济时代，数据是数字经济的核心生产要素。个人隐私数据事关消费者的切身利益，算法在提升互联网平台智能化服务水平的同时，也提高了个人隐私数据保护的难度。大数据的发展加速了隐私保护与反垄断法的交融，将隐私数据等非价格因素纳入反垄断法保护的价值目标之中，越来越受到理论界和实务界专家学者的认同，但反垄断法介入消费者隐私保护存在制度短板限制了其本身具有的保护优势。鉴于此，从法律制度出发，在价值层面、分析方法和基本制度方面对反垄断法进行适当调整，来扩大消费者福利指标范围、发展替代性分析工具、引入均衡性原则衡量利益冲突以适应数字市场经济的发展。

通过对虚实互联平台的现状研究，针对现有平台在安全性、实用性、灵活性等方面的不足，提出了一种轻量级安全隔离的虚实互联平台设计方法。首先对轻量级安全隔离的虚实互联平台进行理论性的实现研究，提出实现方法；然后在现有实验环境基础上，结合理论实现途径给出实际的平台搭建及部署设计，进行了平台的实现；最后针对搭建完成的平台进行了能力验证与应用。实验结果表明所提出的轻量级安全隔离的虚实互联平台具有良好的实用性，与现有方法相比具有一定的优势。

DevOps模式的应用强化了金融行业数字化转型中支撑业务高速发展的能力，解决该模式下引申出的各类安全风险问题已成为行业共识。针对传统安全模式工具及能力和DevOps割裂使得安全赋能受限无法发挥其最大效力的问题，提出从模式架构和流程出发，以IAST为契机探索将整体安全能力运用其中的方式，构建安全能力一体化的解决思路，试验结果表明新的融合模式能够帮助提升开发安全能力，达到安全左移目标，体现安全整体能力价值，实现通过融入DevOps贴近业务的目标。

运维安全管理设备中的“命令过滤”功能只能过滤黑名单中的恶意代码，而无法有效识别并阻止使用特殊方法绕过该功能的行为。针对这一问题，提出了一种基于随机森林的算法，可以准确识别含有恶意代码的命令执行语句。首先，介绍了四种命令混淆绕过方法，它们用来规避黑名单中的关键词并进行命令执行。然后，为了解决这些风险，在模型的特征选择阶段将命令混淆代码纳入考虑范围，利用多种特征对模型进行训练并调整特征权重，以提高模型检测中对使用命令混淆攻击的识别率和准确度。实验结果表明，该方法能够及时识别并应对命令混淆攻击，从而更好地保证服务器安全运行。

针对雷达频谱图空间信息较少，且通过单一机器学习算法进行毫米波雷达人体跌倒行为识别精度低、稳定性差的问题，使用人体空间雷达点云时序数据，提出了融合TsFresh特征提取和Stacking堆叠集成学习的跌倒识别方法。首先，采用TIIWR6843毫米波雷达采集人体动作对应的人体运动跟踪时序数据，构建包含不同年龄、身高、体重信息、跌倒方式的数据集。其次，结合TsFresh时序特征提取工具和基于随机森林模型的特征重要性提取人体跌倒关键时序特征。最后，提出了融合随机森林、支持向量机、K最邻近算法、XGBoost和CatBoost 5种单元机器学习模型的Stacking堆叠式集成学习方法。结果表明，与典型单一机器学习算法相比，Stacking集成学习算法具有明显的性能提升，能够有效提升人体跌倒行为识别准确性和泛化性。

基于生成对抗网络（GANs）的图像数据增强方法在近年来展现出了巨大的潜力。然而生成高分辨率、高保真图像通常需要大量训练数据，这和缺乏训练数据的现状背道而驰。为解决这一问题，提出了一种能够在小样本、高分辨率图像数据集上稳定训练的条件生成对抗网络模型,并且将该模型用于数据增强。实验结果表明，在基准数据集上，该模型与当前最新模型相比能够生成更加逼真的图像并取得了最低的FID值；在图像分类任务中使用其进行数据增强能够有效缓解分类器的过拟合问题。

自由空间光在提供快速稳定的数据传输、抵御外界干扰以及极强的安全保障等方面都表现出色。激光在大气信道的传输过程中，通信性能普遍会受到大气状况的影响，大气湍流引起的光强闪烁效应将导致系统链路性能恶化。研究了弱大气湍流信道下自由空间光通信中通断键调制信号的判决方法，首先依据对数正态模型对真实弱湍流信道进行数值仿真，然后针对实际使用场景下信道条件未知、模型训练数据与实际情形不匹配等难点，使用数据增广方法训练提升支持向量机模型的判决效果，进而提高跨湍流信道的判决能力。实验结果初步验证了数据增广方法会提高信道不匹配情况下的支持向量机判决模型的效果。

北斗卫星导航系统是我国自主建设运行的卫星系统，向全球用户提供高精度定位服务是其重要功能之一。为提高北斗系统的定位精度，一类可行的方法是伪距定位算法。针对常见的伪距算法存在依赖模型、计算复杂等问题，提出一种基于粒子群优化的北斗卫星定位方法。首先筛选出大气折射误差大、对定位贡献小的冗余卫星，由此获取多颗可利用的北斗卫星；在此基础上，研究粒子群的初始群体和适应度函数，通过粒子群算法得到优化后的接收机位置。实验结果表明，该方法可以快速搜索出优化的位置；与常用的最大四面体法解算出的接收机位置相比较，定位精度可提高大约1.5 m。

针对门诊量波动幅度较大的时间序列预测问题，先采用经验模态分解(EMD)将非线性较强的原始数据进行分解，然后通过极限学习机(ELM)将分解后的各个序列分量进行建模，最后将各个分量的预测值相加得出最终结果。将BP神经网络、ELM两个单一模型与EMDELM组合模型进行对比验证，实验结果表明组合模型的精准度明显好于两个单一模型。