中文对抗样本生成作为自然语言处理领域的重要研究内容,一直受到众多学者的广泛关注。先前的中文对抗样本生成方法主要有替换字词、改变词序等,生成的对抗样本攻击效果差且容易被检测模型识别。该文提出基于攻击引导扩散的中文对抗样本生成方法DiffuAdv。将扩散模型引入中文对抗样本生成中,通过模拟文本对抗样本攻击时的数据分布来增强其扩散机制,利用对抗样本与原始样本之间的变化梯度作为引导条件,在预训练阶段指导模型的逆扩散过程,进而生成更自然且攻击成功率更高的对抗样本。在多个数据集上对自然语言处理领域的不同任务与多种方法进行了对比实验验证。结果表明,本文方法所生成的对抗样本具有高攻击成功率。此外,消融实验也验证了攻击梯度引导在提高对抗样本生成质量的有效性。经过困惑度(PPL)度量实验,本文方法所生成的对抗样本平均PPL仅为0.518,验证了其具有强鲁棒性。DiffuAdv的提出丰富了文本对抗样本生成的研究视角,也拓宽了文本情感分类、因果关系抽取及情感原因对抽取等任务的研究思路。

最近的许多工作已经表明图神经网络在面对图结构扰动以及节点特征扰动的对抗攻击时表现出非鲁棒性，其预测结果可能是不可靠的，图对比学习方法中也存在这一问题。然而已有的鲁棒性测度方法通常与攻击算法、数据标签以及下游任务相关，这些在自监督设置下图对比学习的鲁棒性测度中是应当尽量避免的。该文提出了基于节点特征对抗性攻击的图对比学习鲁棒性验证算法，来验证节点特征扰动下的图卷积网络的鲁棒性。考虑到图对比学习模型中正负例对的特性，将图对比学习鲁棒性验证问题定义为对抗样本与目标节点及其负例之间相似度比较的问题，并将该问题形式化建模为一个动态规划问题，从而解决了对攻击算法、数据标签以及下游任务的依赖问题。为了求解该动态规划问题，针对图数据通常采用的二元特征，设计了相应的扰动空间；考虑到图对比学习中负例样本空间过大的挑战，设计了负例样本采样策略来提升求解问题的效率；由于二元离散特征和非线性激活函数使得动态规划问题难于求解，对它们分别采用放松到连续数据域和非线性激活放松的方式，并采用寻找对偶问题的方式进一步提高求解效率。通过充分的实验说明了所提出的图对比学习鲁棒性验证算法的有效性；同时验证了针对特定攻击算法设计的图对比学习模型的鲁棒性不具有可泛化性，面对其他的攻击算法可能表现得更加脆弱；还通过参数实验说明了设计的负例样本采样策略是合理的。

入侵物种空间分布建模是深化对生物入侵理解、预测和管理的关键，为有效应对这一挑战提供科学基础。在此过程中，提供可靠的虚拟负样本成为入侵物种空间分布建模的核心内容之一。基于长江经济带内124个加拿大一枝黄花(Solidago canadensis L.)入侵样本和11个气候变量数据集，采用余弦相似度计算候选负样本与入侵物种的关联，结合Getis-Ord Gi*统计方法生成z-得分变量衡量空间相关性。构建了顾及气候相似性和空间相关性的入侵物种虚拟负样本识别框架，揭示了入侵物种的潜在适生区。研究结果表明：(1)相比于先前研究，该研究的虚拟负样本生成方法在模型预测上表现更卓越，验证了其可行性和有效性。(2)考虑气候和空间的虚拟负样本抽样策略有助于解决随机采样导致的潜在入侵点被误采样的难题，并能识别不同等级的入侵物种适生区。(3)除了四川省西北部，长江经济带大多数地区都适合加拿大一枝黄花的生长，尤其是上海、江苏、浙江、安徽等省市，因此需要重点关注，采取联防联控措施，并积极分享防治经验。

跨站脚本(XSS)攻击是最严重的网络攻击之一.传统的XSS检测方法主要从漏洞本身入手,多依赖于静态分析和动态分析,在多样化的攻击载荷(payload)面前显得力不从心.为此提出一种基于贝叶斯网络的XSS攻击检测方法,通过领域知识获取该网络中的节点.利用领域知识构建的本体为贝叶斯网络的构建提供良好的特征选择基础,并从中提取了17个特征,同时从公开渠道搜集的恶意IP和恶意域名为该模型及时检测新型攻击补充有力规则.为验证所提方法的有效性,在实际收集的XSS攻击数据集上进行实验,结果表明,在面对多样化的攻击时,该方法可以保持90%以上的检测准确率.

为了有效地防御多步跨域类攻击对电力信息物理系统(cyber physical system,CPS)造成危害,该文提出一种基于路径分析的电力CPS攻击预测方法。在常用攻击图定义的基础上结合概率知识建立攻击图模型,用跨域攻击概率(cross-origin-attack probability,CO-AP)和跨域平均攻破时间(cross-origin-mean time to compromise,CO-MTTC)分别量化电力基础设施中的漏洞利用难度和攻防实战中攻击者熟练程度。在检测到实时攻击行为的基础上采用

在商业竞争环境下,推荐系统容易受到托攻击的危害。基于信任关系的社会化推荐算法被证明是解决托攻击问题的有效途径。然而,现有研究仅考虑显式信任关系,隐式信任关系没有被真正挖掘利用。为此,提出了一种基于多元隐式信任关系挖掘的抗攻击社会化推荐算法。首先,借鉴社会学和组织行为科学领域的信任前因框架模型,从全局信任和局部信任两个视角深入研究各信任要素的提取和量化方法。然后,通过信任调节因子集成局部信任度和全局信任度获得用户总体信任度。最后,以用户总体信任度为依据将攻击用户隔离在可信近邻之外,实现基于信任关系的个性化推荐。大量对比实验表明,本文算法在改善推荐准确率的同时有效抑制了托攻击对推荐算法的影响。

在我国区域交通基础设施规划引导性明显增强的新形势下,研究区域多经济体在路网规划引导下的扩散过程,建立基于经济体自由组合、动态速度的扩散模型,并采用粒子群算法对模型进行求解,算例证明模型和算法适用于经济扩散效应的测度。可对经济体规模、路网节点城市容量、交通条件表征以及扩散速度和密度关系方面进一步进行研究,以拓展该扩散模型的应用。

【目的】利用卷积神经网络模型进行图像自动识别时，为防止模型过拟合通常需要大量训练样本。本研究为提高树种识别准确率，在原有叶片图像基础上进行图像样本扩充来保证训练质量，提出一种融合生成对抗网络与卷积神经网络的树种识别方法。【方法】在Pytorch框架下，采集10种常见树种（山杨、梣叶槭、榆、刺槐、紫丁香、杜仲、火炬树、山荆子、水曲柳、红端木）叶片图像作为研究对象。首先，采用均值滤波去噪和尺寸归一化对图像进行预处理。其次，以生成对抗网络生成的图像扩充数据集，其中，以深度卷积生成对抗网络（DCGAN）模型为基础并对其进行改进，建立残差条件深度卷积生成对抗网络（RC-DCGAN）模型，将随机噪声和类别标签作为生成器的输入，以控制样本生成过程；在生成器中嵌入残差结构，使生成模型学习更多特征信息，以提高生成图像质量。然后，将原始图像和扩充图像作为卷积神经网络（CNN）的训练集，一方面，使用RC-DCGAN模型和旋转、镜像、改变对比度等传统图像扩充方法，扩充图像11 400幅；另一方面，将原始图像与生成图像、原始图像与传统扩充图像，分别输入至CNN中进行训练，并在原始图像的每个类别中随机挑选50幅对模型进行测试，以验证生成对抗网络对提升识别准确率的可行性。最后，确定适合试验要求的CNN分类模型，并与AlexNet模型、VGG-16模型、VGG-19模型、 ResNet18模型的识别效果进行对比，以检验本研究方法的可行性。【结果】RC-DCGAN模型比DCGAN模型生成的图像质量更高，贴合真实图像；利用生成对抗网络扩充图像的方法与ResNet30树种识别模型，训练准确率为99.03%，平均验证识别准确率为97.20%；而在相同树种识别模型下，传统图像扩充方法的识别率为95.50%；在相同数据集下，AlexNet模型、VGG-16模型、VGG-19模型、ResNet18模型所获得的识别率分别为86.52%、87.57%、91.43%、93.25%，均低于本研究模型的识别率。【结论】联合生成对抗网络和卷积神经网络的方法对本研究10种树种叶片图像的识别准确率最高，且克服了使用传统图像处理扩充方法使模型泛化能力下降的问题，说明利用生成对抗网络对图像扩充的方法具有可行性和有效性，可为相关研究工作提供借鉴。

在车辆辐射成像过程中,受到射线源的几何尺寸、探测器及信号放大电路响应时间、统计涨落等降质因素的影响,图像产生退化,表现为模糊与噪声增加.针对车辆辐射图像的退化问题,该文研究了辐射成像系统的退化模型,提出了利用生成对抗网络Deblur GAN的辐射图像复原方法.通过辐射图像的退化机制构造了辐射图像的特定数据集,用于训练Deblur GAN模型,利用训练好的模型去复原系统实际采集的车辆辐射图像.实验结果表明:该方法能够有效去除辐射图像的模糊与噪声,改善系统的成像质量.

动态目标防御技术作为"改变游戏规则"的防御技术,在对抗高级持续威胁中提供了一种主动变换的防御方法。虽然已有部分动态防御技术成功应用,但针对其有效性评估的研究还停留在小范围、单层次的技术上,从而阻碍了多层次融合的动态防御技术应用于实际部署。该文针对以上问题,首先以系统角度扩展了攻击面定义,建立了系统攻击面及其变化的参数模型;在此基础上,提出了基于系统攻击面变化参数序列的评估模型,构建了攻击状态与系统攻击面变化参数之间的联系,解决了在较大规模网络拓扑下对多层次动态防御技术的有效性评估问题;最后以典型信息系统为案例,利用该模型评估了不同防御环境下动态目标防御技术的有效性,得到了直观且准确的结果,可以进一步指导动态目标防御技术效能优化问题和最优部署问题的研究。

受推荐系统在电子商务领域重大经济利益的驱动,恶意用户以非法牟利为目的实施托攻击,操纵改变推荐结果,使推荐系统面临严峻的信息安全威胁,如何识别和检测托攻击成为保障推荐系统信息安全的关键。传统支持向量机(SVM)方法同时受到小样本和数据不均衡两个问题的制约。为此,提出一种半监督SVM和非对称集成策略相结合的托攻击检测方法。首先训练初始SVM,然后引入K最近邻法优化分类面附近样本的标记质量,利用标记数据和未标记数据的混合样本集减少对标记数据的需求。最后,设计一种非对称加权集成策略,重点关注攻击样本的分类准确率,降低集成分类器对数据不均衡的敏感性。实验结果表明,本文方法有效地解决了小样本问题和数据不均衡分布问题,获得了较好的检测效果。

为了提高物流防伪标签数字水印抵抗几何攻击性能,设计了一种基于形殊点和非下采样Contourlet变换的的鲁棒数字水印算法。首先利用Canny算子提取图像边缘信息,其次将物流标签图像边缘分块并计算分块子图的形殊点坐标,最后水印信息自适应量化嵌入特征区域的非下采样Contourlet变换的低频变换系数中。检测水印时利用随机抽样一致性算法估计几何攻击前后图像的仿射变换参数。大量仿真实验结果证明,本文算法不仅具有良好的不可见性,同时对常见物流标签图像处理攻击和几何攻击均具有较强的鲁棒性。

高级持续性威胁(advanced persistent threat,APT)逐渐演化为各种社会工程学攻击与零日漏洞利用的综合体,已成为最严重的网络空间安全威胁之一。APT以攻击基础设施、窃取敏感情报为目的,且具有强烈的国家战略意图,从而使网络安全威胁由散兵游勇式的随机攻击演化为有目的、有组织、有预谋的群体式定向攻击。近年来,APT攻击与防御已受到网络空间安全社区的持续关注,获得了长足发展与广泛应用。该文首先回顾了APT起源与发展演化过程;其次讨论了APT攻击机理与生命周期;然后探讨了APT防御体系与检测

本文运用深度学习模型研究中国股票市场的收益预测与因子投资。我们使用148个微观企业特征变量构建因子大数据集，并采用生成式对抗网络（GAN）方法构建深度学习模型。研究发现，相较于线性模型，深度学习模型在收益预测精度和因子投资绩效上均有很大提升。本文还分析了不同类型因子在中国股市的重要性，探索了金融深度学习预测的经济理论机制解释。本文对中国金融市场高质量发展和金融科技应用探索均有重要意义。

[目的/意义]AIGC背景产物之一的集群式深度伪造信息由于主观恶性及难发现、难识别与难控制特点而易引发剧烈现实危害，其攻击情报感知尤为重要。[方法/过程]以GJK算法为基座设计深度伪造信息识别方案、以曼哈顿距离为依据建立集群式特征分析模型、以画像技术为框架提供情报结构化体系，实现攻击意图判定下的感知方法设计。为检验方法有效性，将其纳入以兵棋推演为支撑、以CMO软件为工具的仿真过程，在环境配置、交互式想定单元给定与应用匹配基础上予以执行。[结果/结论]仿真结果表明，方法设计能够有效实现深度伪造信息识别、集群式特征分析与情报画像提取功能。为使研究发挥更大效益，结合仿真结果探讨情报感知能力建设策略。[创新/局限] 创新在于提供一套完整的集群式深度伪造信息攻击情报感知方法；不足在于，内容侧重于方法研究，未对理论问题进行过多论述。