物联网让万物互联互通，为了避免恶意设备对网络系统的破坏，必须采取有效的访问控制。通过提取网络流量特征作为设备指纹进行设备识别，只需耗费较少网络资源，成为了当前最有效的设备识别方法。然而，现有的设备识别算法准确率不高，尤其对于相似的两种设备，往往会出现分类重叠问题。该文提出了一种基于流量特征的二阶段多分类设备识别算法。当出现分类重叠问题时，即采用最大相似度比较算法进行二次分类。实验结果表明，该算法的平均识别准确率达到了93.2%。

无线局域网（wireless local area network，WLAN）接入设备是网络拓扑的关键部分，需要进行全面的安全性能分析。目前针对无线局域网的安全评估方法会受到网络环境因素影响，不适用于接入设备的安全性能评估。该文设计实现了一个针对WLAN接入设备的安全等级评估系统，融合安全功能评估和漏洞评估，基于半定量和定量相结合的分析方法实现了与应用环境安全性无关的设备安全等级评估。通过对多个主流品牌设备的评估实验，结果表明该评估系统可有效实现WLAN接入设备的安全等级自动评估，有一定实用价值。

针对网络安全的度量缺乏有效的衡量动态网络中攻防的风险的问题和存在指标较多时维度高难以计算的问题，该文提出一种网络攻防效用的度量方法，通过聚类和主成分分析对指标降维、分配权重，将指标随时间的变化嵌入到微分流形中，结合攻防效用评估网络的风险值，达到衡量网络安全的效果。以CIC2017数据集为例进行实验，结果表明：该方法可衡量动态攻防过程中产生的风险从而评估网络安全，可为网络安全度量提供一种动态的衡量方式。

网络空间面临的恶意代码威胁日益严峻，传统恶意代码检测方法在恶意代码攻防对抗中逐渐暴露弊端。针对此现状，该文提出了基于代码灰度化图像增强的恶意代码检测方法，使用恶意代码ASCII字符信息和PE结构信息对传统恶意代码灰度化图像方法进行改进，构建RGB三维图像作为原始数据输入到检测算法，并使用一种带有空间金字塔池化结构的VGG16神经网络模型对恶意代码图像进行训练和预测。该文还提出了一种基于多标注归一化表示的方法来提高样本标签的可靠性，实验结果表明：该方案可以有效应对加壳、混淆等对抗手段，对新型恶意代码具有良好的检测效果。

针对现有信息系统安全态势评估方法准确性受专家评价偏好影响的问题，该文提出一种基于矩阵修正方法（matrix correction method，MCM）的信息系统安全态势评估模型（information system security situation assessment model，ISSSAM）。首先，在建立系统安全态势评估指标体系的基础上，修正反映指标间相对重要程度的区间判断矩阵，以提高指标层权重向量的客观性。其次，通过熵权隶属云量化计算准则层与目标层安全态势指标，并对系统的安全态势等级定级。最后，通过对国内某离港控制系统（departure control system，DCS）的评估实验，验证了本模型的有效性。实验结果表明：本模型的评估稳定性优于熵权系数法和传统层次分析法（analytic hierarchy process，AHP）。

针对隐遁勒索病毒攻击威胁性极大以及传统方法对其防御不力的问题，该文提出了一种基于数字疫苗的隐遁勒索病毒攻击动态防御模型。借鉴生物免疫机理，给出了数字疫苗、抗原、抗体及抗体浓度等免疫概念的形式化定义。首先，通过接种数字疫苗（创建诱饵文件和文件夹），使系统生成抵御隐遁勒索病毒攻击的未成熟抗体；其次，通过免疫抗体动态演化机制，生成能抵御隐遁勒索病毒抗原的成熟抗体与记忆抗体；最后，通过在内核层和应用层实施双重动态监控抗体浓度变化，并借助交叉视图法来实时感知隐遁勒索病毒攻击。理论分析与实验结果表明：该模型有效解决了隐遁勒索病毒攻击难以实时检测的问题，且较传统方法性能更高。

由于图形处理器（GPU）内存容量有限，其所能承载的深度学习网络模型规模受到很大限制。该文提出了一种深度学习混合运算策略，借助于Intel新的单指令多数据AVX2指令集，充分挖掘CPU对GPU的辅助支撑潜力。为节省GPU内存，将中间数据规模较大的网络层放在CPU端计算，并通过AVX2指令集提高CPU端的计算效率。核心技术点包括网络模型的切分与协调、基于AVX2指令的应用代码矢量化等。上述策略最终在Caffe上实现。在包括CIFAR-10、ImageNet在内的典型数据集上的实验结果表明：采用混合运算策略后，Caffe能够正常运行更大型神经网络模型，并保持较高的执行效率。

文本序列中各单词的重要程度及其之间的依赖关系对于识别文本类别有重要影响。胶囊网络不能选择性关注文本中重要单词，并且由于不能编码远距离依赖关系，在识别具有语义转折的文本时有很大局限性。为解决上述问题，该文提出了一种基于多头注意力的胶囊网络模型，该模型能编码单词间的依赖关系、捕获文本中重要单词，并对文本语义编码，从而有效提高了文本分类任务的效果。结果表明：该文模型在文本分类任务中效果明显优于卷积神经网络和胶囊网络，在多标签文本分类任务上效果更优，能更好地从注意力中获益。

现有基于深度学习的情感原因发现方法往往缺乏对文本子句之间关系的建模，且存在学习过程不易控制、可解释性差和对高质量标注数据依赖过大的不足。为此，该文提出了一种结合规则蒸馏和层级注意力网络的情感原因发现方法。该方法使用结合位置编码和残差结构的层级注意力网络捕获子句内部以及子句和情感表达句之间的潜层语义关系。进而，采用基于对抗学习的知识蒸馏框架将情感原因表达相关的语言学规则引入模型，最终实现结合深度神经网络和语言学规则的情感原因发现。在中文情感原因发现数据集上的实验结果显示，该方法F1值比现有最优方法提升约0.02，达到了已知的最佳性能。

在主题深度表示学习的基础上，该文提出了一种融合双语词嵌入的主题对齐模型（topic alignment model，TAM），通过双语词嵌入扩充语义对齐词汇词典，在传统双语主题模型基础上设计辅助分布用于改进不同词分布的语义共享，以此改善跨语言和跨领域情境下的主题对齐效果；提出了2种新的指标，即双语主题相似度（bilingual topic similarity，BTS）和双语对齐相似度（bilingual alignment similarity，BAS），用于评价辅助分布对齐的效果。相比传统的对齐模型MCTA，TAM在跨语言主题对齐任务中双语对齐相似度提升了约1.5%，在跨领域主题对齐任务中F1值提升了约10%。研究结果对于改进跨语言和跨领域信息处理具有重要意义。

黄河中游是黄河流域的主要产沙区，准确表达不同时间尺度的水沙输移规律是预测未来流域产沙的关键之一。该文旨在研究黄河中游不同地貌类型区日和年时间尺度输沙率与流量之间的关系及影响因素。结果表明：黄河中游72个水文站点日尺度和其中58个水文站点年尺度的输沙率与流量之间呈显著的幂函数关系；黄土区日和年尺度幂函数关系中系数和指数偏大，土石山区较小；年尺度的系数大于日尺度，年尺度的指数总体小于日尺度；相关性分析及逐步多元回归分析结果显示，各类型区水沙关系的控制因子有所差异。砒砂岩和风沙区在年尺度下指数的控制因子为流量历时和气温，系数的控制因子为流量峰度；黄土区日和年尺度系数的主控因子为控制面积，指数受流量历时和地形的显著影响；土石山区日和年尺度系数受植被覆盖的显著影响；黄河中游植被覆盖对日和年尺度系数的影响存在阈值。