针对深度学习模型在差分隐私保护下存在效用下降以及理论隐私保护效果与实际效果偏差的问题，提出基于自适应裁剪的深度学习差分隐私保护方案.方案通过4步机制实现优化：梯度自适应裁剪自适应调整梯度裁剪阈值控制训练时梯度大小，实现对后续添加噪声大小的控制；分组标签选择，通过选取梯度最小的组作为隐私保护对象，训练该分组能够得到更准确的隐私损失；优化的隐私损失计算通过结合基于子采样的高斯机制，减小模型隐私损失计算的开销；优化的梯度自适应下降，通过调整条件平滑参数实现梯度的自适应下降，提升模型的可用性.在VGG(visual geometry group)架构下训练MNIST，CIFAR10，MedicalMNIST数据集，结果表明采用该方案训练后模型准确率分别为81.08%，72.30%，67.91%，相比传统的差分隐私随机梯度下降(differential privacy stochastic gradient descent, DPSGD)方法分别提升15.60%，10.60%，9.71%，相比近年常用的Nadam算法分别提升0.63%，2.50%，4.40%，模型训练效率分别提升35.5%，39.4%.

针对智能合约漏洞检测方法中大多依赖单一模态进行特征提取时存在的关键特征提取不充分导致检测准确率较低的问题，提出了一种基于多模态特征融合的智能合约漏洞检测方法.首先，通过源代码层裁剪的抽象语法树(abstract syntax tree, AST)和操作码层依据的数据流关系分别构建控制流图(control flow graph, CFG)，将其导入图注意力网络(graph attention network, GAT)提取2类静态特征.其次，利用动态检测工具Echidna生成的模糊测试报告提取路径覆盖率、状态变化等信息构建图模型，通过图神经网络(graph neural network, GNN)提取动态特征.最后，对提取的静态和动态特征进行融合并输入CNNBiLSTMATT模型进行漏洞检测，并在47398个智能合约上进行相关实验.实验结果表明，相较于SmartCheck，Mythril，Oyente，BiGGNN，ASTNN，DRGCN，SVCB，CBGRU这8种主流检测方法，该方法对重入漏洞、时间戳漏洞、整数溢出漏洞、Tx.origin漏洞的准确率、召回率、F1值提升了50.26%，59.54%，58.40%.

由于深度神经网络在训练过程中具有不可解释性且高度依赖数据，因此极易受到后门攻击的威胁.当前主流后门攻击方法虽然普遍采用固定触发器设计以简化实现，但这些触发器往往与训练数据分布存在明显差异，导致易被检测识别.为此，提出一种基于频域注入的动态隐蔽后门攻击方法：利用生成网络根据输入样本生成特定触发模式，将该模式的高频信息注入样本的小波域，从而确保触发器的隐蔽性.此外，设计了一种公平筛选策略，通过余弦相似度和Kmeans聚类算法选取对后门模型更具影响力的样本.实验结果表明，该方法在攻击成功率和隐蔽性方面均优于现有方法(如BadNets,Blend,WaNet,WABA)，并能有效规避多种先进防御机制(如FP,NC,SentiNet,SCALEUP)，具有显著的鲁棒性和广泛的实用性.

针对现有图像加密技术在加密速度、安全性、灵敏度等方面存在的问题，提出了一种基于新型组合混沌系统和分数数论变换的图像加密方法.首先提出了一种新型混沌结构，将2种传统的1维映射结合得到新的全混沌映射，分岔图、Lyapunov指数和信息熵等指标表明新的混沌结构具有混沌性能优良、参数空间大、敏感性强、随机性强等优点.基于这种新型混沌映射和多参数分数数论变换提出了一种新的图像加密方法，将明文图像的哈希值与新型混沌系统的参数进行关联，得到混沌的初始密钥和置乱参数；通过构造数论变换特征向量定义1个多参数分数数论变换，对明文图像进行1轮数论变换，得到中间图像，再使用Arnold置乱打乱图像，最后进行1轮数论变换得到密文图像.实验结果表明，该方法加密性能良好，像素变化率NPCR和平均变化强度UACI非常接近理想值；密文图像平均相关系数为0.0018，趋近于0；密文图像的归一化熵为0.9994，非常接近1；平均加密时间为0.273s，解密时间为0.324s，效率优于其他对比方法；能够抵御选择明文攻击、差分攻击和穷举攻击等常见攻击，具有较高的安全性，在多媒体安全领域具有很好的应用前景.

随着网络攻击手段的日益复杂，传统集中式入侵检测面临前所未有的挑战.基于联邦学习的协同入侵检测在不共享原始数据的前提下实现多节点协同建模与知识共享，能够有效提升对跨域攻击和未知攻击的检测能力.系统综述了联邦学习协同入侵检测的研究进展，从架构感知型、模型适应与演化驱动型以及隐私与安全增强型等多个维度，对现有研究方法进行了分类与分析，并总结了常用数据集与评估指标.最后，探讨了基于联邦学习的网络协同入侵检测面临的主要挑战与未来发展方向.旨在为联邦学习协同入侵检测方法的系统化分类与深入研究提供参考.

提出一种面向边权重的图神经网络(edge weightaware graph neural network, EWGNN)模型，用于加密流量分类.该模型通过创新的边权重机制，精细化利用图结构信息，有效区分不同边对分类任务的重要性，从而增强对图结构特征的捕捉能力并减少噪声干扰.EWGNN模型主要由4个核心组件构成：双分支嵌入结构、图神经网络流量表征编码器、交叉门控特征交互机制和端到端分类模块.实验结果表明，EWGNN模型在ISCXVPN数据集上的准确率、精确率、召回率和F1分数分别达到94.75%,95.12%,94.83%,94.97%，AUC值为0.954，显著优于其他比较模型.消融实验进一步证实了边权重机制的有效性，启用该机制后模型的各项性能指标均得到超过1.5%的提升.未来工作将集中在拓展模型的应用场景、优化模型结构和训练方法，结合前沿技术提升模型性能，以应对加密流量分类领域的挑战.

差分隐私是一种广泛用于数据去隐私后发布的隐私保护主流技术，但现有方法通常对整个数据集进行统一加噪处理.实际场景中不同数据集中各属性值的敏感程度不同，统一加噪会导致隐私预算分配不合理，降低数据可用性.针对上述问题，提出了一种基于多层敏感分析的个性化差分隐私数据发布方法(multilayer sensitivity analysis for personalized differential privacy, MLSAPDP).首先设计了一种敏感程度评分策略，从属性和元组自身及其关联关系角度实现细粒度综合评估.其次根据敏感程度个性化分配隐私预算，并通过数据聚类分组降低全局敏感度，减少噪声注入，在提升隐私保护的同时保证数据效用.实验结果表明，相比传统差分隐私方法，该方法能更有效地保护敏感数据，实现了隐私保护强度与数据效用之间的优化平衡.

能源可信数据网络主要解决能源行业跨层级、跨区域、跨主体数据可信互联互通、互发现与互操作问题，在数字对象架构技术支持下实现跨主体数据统一接入登记、目录互联服务与可控分析应用，弹性支持面向行业组织架构、多领域主体条块分割、数据安全要求高的能源行业数据发展要求.借鉴传统的政治、经济、社会、技术、环境和法律(political, economic, social, technological, environmental, legal, PESTEL)环境分析模型及数据要素市场发展法律、技术、经济与商业系统模型，提出了能源可信数据网络机制的系统性研究框架，通过以数据特性为核心的政策制度、行业布局、创新技术与安全合规的系统维度，按照“成本效益、权责对等、融合协同和长效发展”的基本原则，建立分布式的总体架构，并通过协作机制、技术机制、激励机制、运营机制、安全机制与迭代机制等构建支撑能源行业发展、弹性支持技术升级、迭代优化发展的可信数据网络机制.通过构建能源可信数据网络，促进更多主体进行数据的安全统一接入与可信服务应用，将现有分散的企业数据优势转化为行业的总体互联协作优势，进一步促进行业数据深化应用与人工智能大模型发展，为能源行业数字化转型与高质量发展提供支撑与助力.

针对传统网络安全检测评估面临系统规模庞大、供应链风险动态变化、测评深度不足的挑战，研究AI技术赋能该领域的应用.从方法上，提出“数据准备—蒸馏标注—集群训练—量化部署”全流程大模型落地路径，构建基于检索增强生成(retrievalaugmented generation, RAG)技术的本地化合规测评大模型，部署支持文本与图像联合分析的多模态大模型.大模型将省级政务云等场景测评周期大幅压缩，合规知识匹配效率提升且计算量减少70%，内生缺陷检出率显著提高.结论表明，AI技术可有效突破传统测评局限，推动网络安全检测评估向智能化、自适应、全态化演进，为构建韧性网络安全防护体系及相关生态发展提供支撑.

随着网络攻击的日益增多，网络流量异常检测对于维护网络安全稳定也越来越重要.然而，现有方法在特征提取方面往往难以同时有效捕捉网络流量的静态统计特征和动态时序特征，导致在复杂多变的网络环境下检测性能受限.为解决这些问题，提出了一种基于半监督学习的双通道多尺度门控融合异常检测模型(MSAD).该模型首先通过多尺度卷积神经网络提取流量的静态统计特征，包括包数量、总字节数等.其次，通过双向GRU网络并结合多头注意力机制对网络流量数据的时序特征进行捕捉.最后通过门控融合机制对不同模态特征进行自适应融合.同时，针对半监督学习中伪标签生成可信度不足的问题，提出了一种双阶段对抗性伪标签生成策略，有效提升了伪标签的鲁棒性.实验结果表明，在标注数据有限的条件下，该模型在CICIDS2017数据集上准确率、精确率、召回率和F1分数分别达到99.63%，99.54%，99.9%和99.72%，显著优于传统机器学习和深度学习方法.

解决现有暗网情报分类研究粒度较粗且数据集多为英文的问题，提出针对中文暗网内容的细粒度分析方法.针对中文暗网数据稀缺及多模态数据不对齐问题，利用大语言模型提示词改写策略及差异化图像增强策略实现文本与图像数据增强，并通过混合明网某平台商品数据，构建包含14052条商品记录的数据集，设计特征选择优化模块建立任务间耦合机制，提出基于多模态数据增强的中文暗网商品检测与分类模型.实验结果表明，该模型在暗网商品检测和分类任务中，宏F1值分别达到0.992和0.941，在分类任务上较最佳基线模型提升约2%，显著优于现有单模态和多模态方法，有效提升了中文暗网情报细粒度分类任务的性能，为暗网情报分析提供了新思路和方法.