首页 网络安全与数据治理（原《信息技术与网络安全》）

量子計算的快速發展對當前普遍應用的公鑰密碼造成了嚴重威脅，抗量子計算的密碼研究成為當前密碼學術研究和標準化的熱點問題。多變量密碼作為抗量子密碼的優秀候選方案受到了廣泛的關注。介紹了當前多變量密碼的基本原理，綜述了其國內外研究進展，分析對比了幾種典型的陷門構造技術和攻擊技術，最后指出了當前研究存在的問題。

針對屬性加密方案中的運行效率和屬性更新問題，提出了一種基于環上誤差學習問題(Learning With Error over Ring，RLWE)的可撤銷分層屬性加密方案。方案通過多等級的門限秘密共享矩陣將屬性進行分層，權限等級高的屬性恢復秘密的能力大于權限等級低的屬性，且高權限等級不可被替代；另外，方案實現了屬性級的用戶撤銷，基于第三方機構通過控制用戶對屬性陷門的獲取降低了系統的計算開銷。該方案能抵抗用戶合謀攻擊且滿足隨機預言機模型下的選擇明文安全，與現有方案對比，在實現了屬性分層的同時增加了屬性撤銷的功能，并在多項式環上進行運算，提高了加解密效率，對實際應用場景有更好的適應性。

量子貨幣問題是量子密碼學中認證問題的代表。Aaronson和Christiano提出了一種基于公鑰的量子貨幣方案,并在隱藏子空間上證明了它的計算安全性。通過分析子空間的結構，對該方案提出有效的攻擊,證明了一般子空間都有漏洞，只有具有復雜結構的子空間才具有出色的安全性，并改進了隱藏子空間方案的定義，嚴格要求由子空間形成的量子貨幣的任何量子位相互糾纏。最后從信息論的角度，證明了糾纏帶來的新安全性。

人臉識別技術是計算機視覺研究的重要課題，在生物認證領域有著廣泛的應用前景。然而人臉圖像的易獲取性使其被濫用，造成隱私的泄露，因此各界對用戶人臉圖像隱私問題的關注度日益提高。提出了一種基于全同態加密的安全人臉識別算法，可以有效地保護用戶人臉圖像的隱私，保證服務器在提供人臉識別服務時，不會學習到用戶圖像的任何信息。實驗結果表明，該算法安全性較高，計算效率也有所提高。

針對現有惡意PDF文檔檢測方法存在特征維度高、數據集樣本少導致模型欠擬合等問題，提出了一種基于特征集聚和卷積神經網絡的惡意PDF文檔檢測方法。該方法以詞袋模型為基礎，從PDF文檔中提取常規特征和結構特征。然后以合并后特征簇最小方差為目標，使用Ward最小方差聚類方法實現特征集聚。最后，將聚合特征送入卷積神經網絡分類模型進行訓練。根據不同聚合特征數下模型性能的好壞，確定最優的聚合特征數。實驗結果表明，該方法降低了特征維度，提升了模型的召回率，緩解了模型的欠擬合問題。縱向比較來看，在不同的良性樣本和惡意樣本比例下，遍歷得到最優的聚合特征數，召回率平均提升了53%，F-score平均提升了0.44，運行時間平均縮短了27%；與PJScan、PDFrate、Luxor 3種檢測工具橫向相比，檢測的綜合性能平均提升了5%。

隨著人類對海洋的探索與開發，水下網絡特別是水下通信技術逐漸成熟。水下通常使用聲吶進行通信，而水下聲吶通信信道具有傳輸速率低、誤碼率高、延時高和信道窄等缺陷，特別容易遭受惡意攻擊。因此，必須重視水下聲吶通信的安全問題。針對水下聲吶通信系統安全防護等級較弱的現狀，考慮水聲通信的獨特特性，概述了水下密碼裝備的未來發展趨勢。進而，從保護數據機密性角度出發，設計了一型密碼樣機和一種輕量級密碼算法，用于水下聲吶通信加密技術的演示驗證。測試結果表明：采用輕量級密碼算法的密碼樣機非常適合水下通信安全防護，能夠滿足通信速率要求，這為未來水下聲吶通信系統搭載密碼系統奠定了一定研究基礎。

FFT作為雷達信號處理的關鍵計算步驟之一，本質上是一個基于數據流的處理過程。以往的FFT計算大多集中在通用計算平臺上進行并行計算實現，計算系統存在擴展性和魯棒性問題。隨著科學計算應用在Flink上的逐漸興起，將FFT在Flink上進行并行和優化，不僅可以很好地利用框架自身良好的系統擴展性和魯棒性，同時也能使其具備高吞吐的實時性能。基于Flink對FFT流處理算法流程進行了設計和優化，同時針對Flink對適用于FFT計算的緩存窗口機制進行了設計，實驗結果表明，改進后FFT并行算法在多個大規模點數下計算速度均有所提高。

為了對水體含氧量進行更好的監測，提高溶解氧含量預測精度，采用“先分解再集成”的結構，提出了CEEMDAN-LSTM組合預測模型。首先利用CEEMDAN得到分解后的各個分量，然后對每個分量進行LSTM建模預測，最后對所有的預測結果進行集成，得到最終預測結果。該模型解決了單個LSTM模型預測的延遲性，與單個LSTM預測模型相比，其擬合優度(R2)提高了3.3%，其余誤差指標也均有所降低，預測精度得到了有效的提升；與其他模型相比，也更具優越性。

傳統的矩陣分解算法為用戶和項目分別獨立設置了偏置項，而沒有深入挖掘特定用戶對于特定項目的隱性偏好；同時，傳統的排序預測推薦算法將用戶所有打分過的項目都統一地設置為該用戶的正例項目(無論用戶給出了好評還是差評)，這導致訓練完成的系統在實際應用中很可能會為用戶繼續推薦其厭惡的項目。因此提出了一種基于深度網絡的推薦系統偏置項改良方案，該改良方案考慮了用戶為特定項目所作的評分背后所蘊含的好惡態度，并學習出一個用戶-項目聯合偏置項加入到推薦過程中以提升推薦性能。在三個公開數據集上進行的對比實驗結果表明，該改良方案可以有效地提升推薦的性能表現。

圖像超分辨率重建旨在從低分辨率圖像中恢復其對應的高分辨率圖像，是計算機視覺中的經典問題。為改進傳統超分辨圖像質量評價方法與人眼感知不一致的問題，提出一種基于多任務學習的超分辨圖像質量評估網絡。網絡采用多任務學習的方式，分別學習圖像的局部頻率特征與質量分數，其中局部頻率特征用來輔助網絡進行圖像質量分數的回歸，提高分數預測的準確性和泛化能力。另外，在網絡中加入協調注意力模塊，進一步增強了模型的預測能力。實驗結果表明，所提出的算法在QADS數據集上的SROCC、PLCC等指標優于目前先進的無參考超分辨圖像質量評價方法。

隨著機器學習滲透到日常生活中的各個方面，其數據隱私問題受到越來越多的關注。成員推斷攻擊是機器學習算法面臨的安全威脅之一，用于推斷特定數據是否存在于機器學習模型的訓練集中，給用戶帶來極大的安全隱患，對機器學習模型的安全性提出挑戰。為此，研究成員推斷攻擊不僅能發現隱私數據面臨的威脅，而且還能為防御技術的提出提供思路。對近年來有關成員推斷攻擊的研究進行詳細的分析，按照應用場景的不同將攻擊分為判別模型攻擊、生成模型攻擊以及聯邦學習攻擊三類。同時根據成員推斷攻擊和防御的發展現狀，闡述了影響攻擊的因素以及經典的防御策略。最后指出成員推斷攻擊中仍需解決的問題以及未來的發展方向。

由于無人機基站在不同應用場景下，所處的地理環境、用戶分布、用戶需求和所希望提升的性能需求不同，需要根據不同應用場景的特征對無人機基站進行部署。基于無人機基站的典型應用場景，構建兩個具有代表性的無人機基站應用場景模型，并對應用場景模型特征進行抽象描述。分別構建了兩個應用場景的空地通信傳輸模型。在此基礎上，給出了最大化傳輸速率以及最大化無人機覆蓋范圍的無人機基站最優飛行高度的數學計算模型。最后，對不同場景下無人機基站最優飛行高度的影響因素和變化趨勢進行了分析。

針對建筑檢測行業中檢測報告多、人工歸檔效率低下的問題，利用模板匹配算法與LeNet框架建立了一套強魯棒性用于報告文件數字符號的OCR識別系統。針對報告中感興趣區域(ROI)位置和大小不固定的問題，采用了機器視覺領域中的模板匹配定位算法來定位報告文件的ROI區域。結合LeNet網絡與模板匹配定位算法，實現了傳統機器視覺方法與人工智能方法的結合，構建了一套檢測報告自動歸檔系統。所構建的自動歸檔系統的正確歸檔率達到了95.8%，有效節約了人工成本與時間成本。