面向政府、军事、金融等各行业开展跨领域、跨系统联合信息共享、业务协同的迫切需要，从国内外数据体系战略性演进发展路径、架构变化以及存算技术发展入手，借鉴数据网格、数据管道等理念，提出具有“自治透明、虚拟集成”特点的现代化数据体系框架，并从数据统筹、平台建设、数据治理三个方面提出工程化实施落地方法，包括5维统一话语体系基准、8大平台创新功能、“8+8”治理框架、“五阶十二步”治理流程、2个典型计算治理策略设置场景等，为建立以“数据”为内生驱动力的领域网络信息体系提供顶层框架与建设实施参考，支持网络空间测绘数据的有序融合、价值涌现。

提出了一种两阶段的物联网资产识别模型。首先，对异构协议进行分析，解决多样化协议流量特征提取困难问题。其次，利用轻量级模型SqueezeNet过滤非物联网设备，提高识别效率并降低计算负担。为进一步解决数据不均衡问题，引入生成对抗网络（GAN）生成合成样本数据，平衡数据分布。最后，采用 XLNet与注意力机制结合的模型来识别物联网设备的类型，有效提升了模型在大规模物联网网络环境中的识别精度和效率。实验结果表明，模型在公开数据集上的准确率达到99.48%，召回率提升2.02%，F1分数提高1.85%，并在真实环境中保持99.01%的准确率。该模型为物联网资产管理和安全管理提供了有效的解决方案。

基于统一可扩展固件接口(Unified Extensible Firmware Interface, UEFI)标准实现的固件已广泛应用于个人计算机、云服务器以及网络设备, UEFI固件服务漏洞会引发严重安全威胁，模糊测试是检测漏洞的主要手段。然而，受限于传统内存类漏洞机理，当前UEFI固件模糊测试方法无法检测诸如UEFI固件Double-fetch条件竞争漏洞等特殊类型漏洞。提出了Double-fetch信息引导的UEFI固件服务模糊测试方法,并实现了原型系统UEFIDFFuzzer，通过对来自英特尔厂商的114个UEFI固件服务驱动进行测试, UEFIDFFuzzer发现了两个现有UEFI模糊测试工具RSFuzzer以及静态分析工具efiXplorer没有发现的UEFI固件Double-fetch零日漏洞。

针对联邦学习中隐私泄露、数据投毒和模型篡改等安全威胁，构建了一种融合不可篡改秘密共享与低秩适应技术的防御架构。该方案采用三服务器门限验证机制与零知识证明技术，确保参数分片在传输和恢复过程中的安全性；同时，利用低秩约束与动态权重聚合算法，有效限制恶意攻击干扰并降低通信开销。在CIFAR-10和mini-ImageNet等数据集上的实验充分验证了该方法在提高防御准确率、降低模型误差和提升系统鲁棒性方面的显著优势，证明了方案在大规模场景下的实用性和可扩展性。结论表明，该架构为联邦学习环境下安全防护提供了一种高效、可行的技术路径。

系统迁移上云、海量数据积累、智能技术应用等发展趋势给网络安全，特别是智能检测领域带来了诸多机遇和挑战。基于网络安全智能检测和隐蔽通信技术研究现状，从海量数据下的网络安全智能检测视角，提出了从数据采集到数据应用的五层框架和特征统计度量、分类模型算法等关键技术。在对网络隐蔽通信检测技术进行研究论述和讨论分析后，提出通过特征统计指标来评估数据流间的规律性、拟合度及相关性，设计了基于支持向量机（Support Vector Machine，SVM）的分类模型，并以分类特征向量为输入训练SVM分类器，实现对隐蔽通信的智能检测。

生成式人工智能驱动了人工智能生成内容时代的到来，变革了信息生成和传播的机制。在变革过程中，信息生态秩序的失衡风险也随之产生。受到语料库、模型目标设定、模型微调中相关主体价值观念等内外因素影响，生成式人工智能存在输出和传播虚构信息、错误信息、误导性信息的问题，会对现有信息生态的有序性、真实性、可信性产生影响。为应对失衡风险，应在包容审慎、动态敏捷的柔性治理理念指引下，调动政府部门、运营管理主体、产品使用者等多元主体共同参与风险治理；针对模型训练、服务嵌入、内容生成、内容发布、信息传播等具体阶段和场景展开分层分类精细治理；综合采取法律规制、伦理规制、行业自律、技术规制等多种治理方案展开立体化治理。

在相机标定过程中，棋盘角点检测精度对于确保标定结果的准确性至关重要。针对当前棋盘角点检测方法在精度方面的不足，提出一种新型的亚像素级棋盘角点检测技术。首先，采用U-Net卷积神经网络作为主干网络，根据相机捕获的棋盘图像构建角点热图。此外，为了缩小编码器特征和解码器特征之间的语义差距，创新性地引入了通道和空间双交叉注意模块。接着，通过高斯曲面拟合方法，计算出精确的亚像素棋盘角点坐标。实验结果表明，该方法能够有效提高角点检测的精度，并在相机标定任务中实现了更低的重投影误差。

随着技术的发展，测绘地理信息已经从传统的数据资源转变为数据要素，其在各类数据之间发挥着“纽带”作用，对于数据治理尤为重要。面向地理信息要素，分析其特点与问题，针对其难以汇聚管理且应用质效低的情况，基于数据中台的理念与思想，设计地理信息要素面向数据中台融合治理的体系架构，提出全流程的实践方法，并针对其中的数据融合、要素实体化两个关键步骤的流程与方法进行阐述。地理信息要素的有效融合与治理，对于构建数字中国、推动经济社会高质量发展具有重要作用。

国家数据整体授权下数据确权的困境包括规范主义、价值主义和实证主义的困境。公共治理是解决这一问题的理论源泉。可以在数据产权连接冲突中找到平衡，也可以在数据法律行为连接冲突中找到平衡。通过空间治理，可以实现数据资源的合理利用，保护个人数据权益，创新治理形态在数据领域的新发展。在国家数据可信空间治理实践中，提出一种数据公共治理之道：包括从私益到公益层面的定价机制，数据分类清单、数据分级标准和安全控制措施的创建，以及规范行为准则的建立和公主体利他行为规范的扩展。

在元宇宙数字生态系统中，作品版权与数据权利确认呈现出“数据—数据段落—作品”的基本权利框架。元宇宙环境中数字内容极易复制和传播，用户对其版权作品的控制能力显著削弱，导致传统版权法中以权利限制为核心的利益平衡保护模式已然部分失灵。有鉴于此，元宇宙环境中的版权保护进路应当转向基于算法控制和算法反垄断而生的“新利益平衡”格局。这将意味着从权利产生逻辑、权利归属逻辑、权利流转逻辑三个维度颠覆版权的权利逻辑，并能够以算法救济、分布式自治组织救济等新型方式突破原有救济逻辑的局限，为权利人提供高效而有力的保护和激励机制。元宇宙的版权保护模式应当适应不同技术发展阶段的特征，首先在现有法律规范内部进行调和，其次制定元宇宙环境的创新性规则，服务于技术不断弥合虚实相生的两重世界的目标。

随着人工智能的发展，个人信息保护与个人数据运用之间的矛盾凸显。个人医疗信息保护是管窥人工智能时代同意规则困境与解困之路的最佳范例，人工智能医疗领域具有广阔的研究价值，但其前提都依赖海量个人医疗数据之处理。然而，当前以同意规则为核心构建起来的个人信息保护制度却难以应对医疗人工智能时代对个人医疗信息保护的挑战。传统的同意规则作为个人信息处理的正当性依据陷入重重困境之中。革新而非放弃同意规则是人工智能时代个人信息保护的解困之道。在坚守同意规则的核心价值基础上，引入场景理论，并在特定目的下结合比例原则，差异化重构同意规则，实现同意规则的分场景分层次的动态化适用，以期平衡个人信息保护与个人数据的利用。

随着互联网的普及，藏文网络空间也面临着日益增多的敏感信息传播风险，给社会稳定和国家安全带来挑战。传统的敏感信息检测方法难以有效应对藏文语言的特殊性和网络信息的复杂性。为了解决这一问题，提出了一种基于CINO-DPCNN的混合神经网络模型。该模型结合了CINO模型对藏文语义的深层次理解和DPCNN模型对文本特征的高效提取能力，能够更准确地识别藏文网络敏感信息。实验结果表明，CINO-DPCNN模型在准确率、F1值等指标方面取得了良好的结果，相较于现有模型有显著提高。这为构建安全、健康的藏文网络环境提供了新的技术支撑，也为其他少数民族语言的敏感信息检测提供了借鉴。

当前,司法自动化决策可以满足司法预防目的、提高案件信息整合进程，故具有一定的正当性和可行性。然而，司法自动化决策的适用仍面临诸多阻碍：在程序层面，算法黑箱导致决策逻辑无法被公众所理解；在实体层面，算法过度参与则易诱发责任不当偏移风险。鉴于此，应基于欧盟GDPR以及我国《个人信息保护法》中的算法解释权，以满足司法问责的理论要求，实现事前、事中、事后的全过程救济，破除黑箱型司法决策的固有不足。具体而言，需完善司法算法解释权的主、客体以及行为要件，规范司法自动化决策的程序机制，并形塑司法自动化决策的责任机制。通过明确司法自动化决策中算法解释权的权属与运作方式，为司法权力向算法的部分转移提供制度保障。

目前犯罪态势深刻变化，必须技术赋能侦查讯问来提质增效，生成式人工智能的强大功能和巨大潜力为赋能侦查讯问、实现智慧审讯提供了可能路径。从生成式人工智能运用于侦查讯问的优势基础、模拟尝试、风险及其纾解对策与发展建议展开研究，以期为未来生成式人工智能在侦查讯问中的应用提供一定的参考。

数字经济时代下，高净值人士往往采取跨境的方式进行避税，我国《个人所得税法》尚没有系统的反避税条款设置，与应对高净值人士反避税的实践需求并不匹配。我国反避税规则存在着核心认定标准模糊、税收征管体系不健全纳税人自觉纳税程度较低以及国际协作缺乏等问题。因此，通过分析我国高净值人士征管困境，借鉴其他国家的先进经验，可以从如下方面进行完善；第一，提升高净值人士纳税的自觉遵从度；第二，完善高净值人群税收征管体系；第三，加强国际信息交换机制。