首页 网络安全与数据治理（原《信息技术与网络安全》）

網絡空間逐漸成為人類生產活動的第二空間，網絡空間測繪對人們了解認識網絡空間資源分布、網絡關系和威脅情況等具有重要意義。當前對域名這一網絡空間重要資產的測繪研究相對較少，因此針對域名資產進行探測分析，結合多源域名數據對域名的基礎屬性、譜系關系、規模狀況和時空變化等情況進行分析，形成域名畫像。該研究有助于用戶掌握互聯網域名整體發展情況，可對網絡流量過濾和惡意域名檢測、網絡空間資產屬性識別等提供支撐。

如果對抗樣本的遷移性越強，則其攻擊結構未知的深度神經網絡模型的效果越好，所以設計對抗樣本生成方法的一個關鍵在于提升對抗樣本的遷移性。然而現有方法所生成的對抗樣本，與模型的結構和參數高度耦合，從而難以對結構未知的模型進行有效攻擊。類別顯著性映射能夠提取出樣本的關鍵特征信息，而且在不同網絡模型中有較高的相似度。基于顯著性映射的這一特點，在樣本生成過程中，引入類別顯著性映射進行約束，實驗結果表明，該方法生成的對抗樣本具有較好的遷移性。

工業現場控制作為邊緣網關的典型應用場景，是物聯網與人工智能交叉學科的研究熱點。在場景中，傳感器的數據經過高速無線網絡匯集至邊緣網關，算法模塊根據傳感器數據向設備發送控制指令，完成控制閉環。與傳統網關僅僅收集和轉發數據相比，邊緣計算網關還承擔了數據加工和控制生成的重要功能，所以其安全與性能顯得尤為重要。針對邊緣網關中的安全與性能要求，提出了一種工業邊緣網關架構，該架構在基于X86的Linux平臺上進行了模擬仿真和實機測試，結果表明該邊緣網關可以滿足工業現場控制的典型應用場景，并滿足了傳統網關的基準性能。

軟件開發中對開源代碼的復用會帶來開源代碼漏洞和違反開源許可等問題。傳統復用代碼檢測方法常常檢出較多偶然克隆代碼，影響了復用代碼的檢測準確性。為此，提出了一種基于復用度量指標的函數級別復用開源代碼檢測方法。該方法對被測代碼和開源代碼庫，先使用克隆檢測工具獲取克隆函數，然后使用依據克隆代碼行和共用標識符在開源代碼庫中的出現頻率的復用度量指標，判定每對克隆函數是否為復用。在公開有標注數據集和真實數據集上的實驗結果均表明所提方法優于基于逆文檔頻率的方法。

針對目前車輛實時檢測中存在定位不準確、檢測精度低等問題，采用了一種以Darknet-53為骨架網絡的YOLOv3車輛檢測算法，將該算法模型在標準數據集Pascal-VOC2012上進行訓練，以拍攝的西安南二環路的圖片作為測試集進行測試。實驗結果表明，YOLOv3算法的檢測精度達到84.9%，相比于SSD算法，其檢測精度提高了11.3%，檢測速度提高了3.8 f/s。因此YOLOv3算法檢測精度更好，檢測速度更快，能準確地檢測出圖像中的車輛信息，滿足車輛實時檢測的要求。

針對行人重識別中由于姿勢變化、視角改變、遮擋等引起的識別率不高的問題，提出了融合外觀特征的行人重識別方法。該方法通過兩個網絡分支的設計，分別提取行人的全局特征和局部特征，二者融合后得到行人的外觀特征。同時結合分類損失和度量學習損失，通過多任務學習策略對兩個網絡分支進行模型優化。此外，該模型設計了隨機擦除算法，在數據集中加入噪聲，增強模型的魯棒性。實驗結果表明：融合外觀特征的行人重識別方法大大提高了行人重識別的準確率，在Market-1501數據集上rank1達到了92.82%、mAP 達到了80.51%，在DukeMTMC-reID數據集上rank1達到了85.06%、mAP達到了72.72%。

浮柵器件(Flash)能夠將存儲和計算的特性相結合，實現存算一體化，但是單個浮柵單元最多只能存儲位寬為4 bit的數據。面向Nor Flash，研究了卷積神經網絡參數的低位寬量化，對經典的AlexNet、VGGNet以及ResNet通過量化感知訓練。采用非對稱量化，將模型參數從32位浮點數量化至4位定點數，模型大小變為原來的1/8，針對Cifar10數據集，4位量化模型的準確率相對于全精度網絡僅下降不到2%。最后將量化完成的卷積神經網絡模型使用Nor Flash陣列加速。Hspice仿真結果表明，相對于全精度模型，部署在Nor Flash陣列中的量化模型精度僅下降2.25%，驗證了卷積神經網絡部署在Nor Flash上的可行性。

目前深度強化學習算法已經可以解決許多復雜的任務，然而如何平衡探索和利用的關系仍然是強化學習領域的一個基本的難題，為此提出一種聯合隨機性策略的深度強化學習探索方法。該方法利用隨機性策略具有探索能力的特點，用隨機性策略生成的經驗樣本訓練確定性策略，鼓勵確定性策略在保持自身優勢的前提下學會探索。通過結合確定性策略算法DDPG和提出的探索方法，得到基于隨機性策略指導的確定性策略梯度算法(SGDPG)。在多個復雜環境下的實驗表明，面對探索問題，SGDPG的探索效率和樣本利用率要優于DDPG算法。

針對目前生成以文本為條件的圖像通常會遇到生成質量差、訓練不穩定的問題，提出了通過單階段生成對抗網絡(GANs)生成高質量圖像的模型。具體而言，在GANs的生成器中引入注意力機制生成細粒度的圖像，同時通過在判別器中添加局部-全局語言表示，來精準地鑒別生成圖像和真實圖像；通過生成器和判別器之間的相互博弈，最終生成高質量圖像。在基準數據集上的實驗結果表明，與具有多階段框架的最新模型相比，該模型生成的圖像更加真實且取得了當前最高的IS值，能夠較好地應用于通過文本描述生成圖像的場景。

本文提出一種基于Mask R-CNN實例分割網絡和Super4PCS點云配準算法來估計物體六維姿態的方法。通過目標點云與已知位姿的參考點云進行配準，可以獲取目標的六維姿態。但實際中往往采用三維設備掃描目標的整體環境，生成的點云數量龐大，直接作為源點云與參考點云配準時，會由于候選集較多從而導致運算時間太長，因此本文先對目標實例分割處理后再配準：首先，利用深度相機獲取整體環境的RGB-D圖，其次利用Mask R-CNN模型將把目標分割出來，并將分割的目標RGB-D圖轉化為點云圖，利用Super4PCS點云配準算法與參考點云進行配準，最終得到目標的六維位姿。在自制作的數據集上進行了驗證，對比分割前后的四組實驗，時間降低率約為60%-80%，有效證明了本方法的可行性。

提出一種基于NOR Flash的存算一體模擬乘加電路以及相應的偏置電路，運用NOR Flash工作于深線性區的I-V特性，實現模擬乘累加運算。通過將同一位線、不同字線的兩個浮柵管上電流相減，實現其閾值電壓差值與漏源電壓的乘法運算。同時將同一字線、不同位線的浮柵管電流相加，實現乘法結果的加法運算。給出電路使NOR Flash位線電流相加、字線電流相減，將運算結果以偽差分的形式輸出，仿真結果表明電路可以實現存算一體的模擬乘累加運算。

在尚未研發出有效疫苗前，對潛在感染者和易感者的隔離對于流行病控制而言具有十分重要的意義。研究采用潛伏者具有傳染性的SEIR(Susceptible-Exposed-Infected-Recovered)模型，并提出兩種動態隔離方法：一是在掌握網絡全局信息時，計算候選隔離對象一階鄰居的有效度、介數、距離確診者節點的路徑長度之和，把三者乘積作為其權重；二是在僅有節點局域信息時，將候選隔離對象的有效邊數和相鄰感染節點數的同趨化之和作為其權重。仿真實驗表明，隔離容量為1%～10%時，優先隔離借助全局信息識別出的高權重節點可使90%以上節點免受感染，優先隔離借助局域信息識別出的高權重節點可使70%以上節點免受感染，從而達到抑制疾病傳播的目的。