当期目录

2026年 第12卷 第7期    刊出日期：2026-07-24

上一期   

软件供应链安全检测评估技术综述

2026, 12(7):  586-597. 

摘要 ( )   PDF (1749KB) ( )  

参考文献 | 相关文章 | 计量指标

数字化浪潮下，软件供应链安全成为支撑数字经济安全稳定发展的必要环节.系统综述软件供应链安全检测评估技术体系，从软件成分分析(software component analysis, SCA)、软件物料清单(software bill of material, SBOM)、依赖关系追溯等核心技术出发，针对软件检测和评价中关键的技术——组件分析、漏洞扫描、代码审查等，分析当前面临的问题与解决思路，再通过国内外最新的研究成果和应用案例进行对比论述，结合兴业证券SCA治理平台、中国电信SBOM管理平台等典型实践，并就SLSA框架、GitHub依赖图谱等新兴前沿技术发展状况进行分析.在此基础上针对该领域的技术发展现状及产业需要展望技术融合与协同、智能化与自动化、全生命周期覆盖等未来10年发展10大趋势.

数据发布中的交互式动态隐私风险评估及适应性保护方法

2026, 12(7):  598-605. 

摘要 ( )   PDF (1785KB) ( )  

参考文献 | 相关文章 | 计量指标

数据发布是推动数据共享的重要方式.然而研究显示，数据发布中伴随着恶意需求方大量频繁访问获取数据导致敏感属性信息的隐私泄露风险.现有的评估方法虽然考虑了数据发布与需求双方的场景，但大多是非交互式的静态设定.因此在实际应用中不能准确评估数据发布方面临的持续变化的隐私风险，且加噪保护多造成隐私与效用不平衡.为此，提出了一种数据发布场景下交互式动态隐私风险评估及保护方法.该方法首先运用机器学习预测模型确定难以界定的属性的隐私等级；其次设定动态调整隐私等级机制，根据数据需求方的实际请求及时调整隐私等级并及时限制高频访问导致的敏感属性信息泄露；最后在获取评估反馈风险较高后对数据进行隐私保护时提出了适应性加噪机制，确保在数据发布时隐私风险效用平衡达到良好效果.实验结果显示，该方法隐私风险指数会随访问数量增加而逐步提高，且包含关联属性的访问导致隐私风险指数提高15%以上；而适应性加噪在噪声达到0.5时与整体加噪隐私保护水平相近，却比整体加噪对数据效用的提升超过30%.

生成式人工智能模型虚假信息的生成机理与治理路径

2026, 12(7):  606-612. 

摘要 ( )   PDF (1255KB) ( )  

参考文献 | 相关文章 | 计量指标

生成式人工智能模型在推动网络信息秩序变革的同时，亦衍生出“客观+主观”叠加的虚假信息内容风险，亟需根据其技术特性构建分析框架.基于生成式人工智能模型的混合专家架构、树状推理模式、本土化语义理解属性、开源生态机制，系统解构其虚假信息生产的技术逻辑.从数据输入、算法运作、内容呈现、认知传播4个环节切入，剖析虚假信息风险的传导机制.针对诸多风险，在数据端应建立覆盖采集、清洗、存储的全周期质量管控体系；在算法端需实施“准入审查—运行披露—事后核查”的过程性监管方案；在呈现端要强化场景化、可交互的“告知注意”标识机制；在认知端需培育用户数字素养与指令约束能力，以此实现人工智能时代信息安全治理.

基于深度学习的铁路网络靶场背景流量生成方法

2026, 12(7):  613-624. 

摘要 ( )   PDF (2995KB) ( )  

参考文献 | 相关文章 | 计量指标

网络安全威胁已经渗入铁路行业方方面面，铁路网络安全靶场应跟进最新的网络安全需求.背景流量则是构建网络靶场逼真仿真环境的核心要素，是支撑靶场运营的重要技术.然而，如何有效捕捉网络流量复杂的时空特征并生成高保真背景流量仍是一项重大挑战.提出了一种新颖的铁路网络靶场背景流量生成方法(B2Diff)，通过结合BERT，BiLSTM和扩散模型等深度学习技术，实现流量样本上下文语义、时空依赖关系和复杂流量分布等特征的捕捉，进而生成高度真实且多样化的背景流量.实验结果表明B2Diff在所生成的背景流量的质量和多样性方面显著优于现有方法，验证了其在增强网络靶场仿真效果方面的有效性.

基于提示学习和模糊标签的多领域虚假新闻检测模型

2026, 12(7):  625-633. 

摘要 ( )   PDF (1229KB) ( )  

参考文献 | 相关文章 | 计量指标

互联网和智能设备的广泛普及为公众获取新闻提供了便利性.然而也为虚假新闻的产生和传播提供了温床.虚假新闻跨越多个领域，而现有的检测模型通常忽略领域间语料的特异性，影响了模型的准确率.为此，提出了一种基于提示学习和模糊标签的多领域虚假新闻检测模型(PLFuFND).该模型利用RoBERTa提取文本特征，通过构造含领域特性的提示模板将检测任务转化为填空问题；同时利用神经网络生成的领域模糊隶属概率指导提示学习，有效提升了准确率和泛化能力.在公开数据集Weibo17,Weibo21上的实验结果表明，该模型在无领域标注和多领域条件下的表现均优于传统微调模型及现有的先进模型，F1分数平均提升了1.16个百分点，验证了其在多领域虚假新闻检测任务中的可行性和有效性.

基于多损失融合的深度伪造人脸检测方法

2026, 12(7):  634-643. 

摘要 ( )   PDF (2941KB) ( )  

参考文献 | 相关文章 | 计量指标

现有深度伪造人脸检测方法多依赖训练集中已有的伪造模式，如噪声或局部纹理，因此在应对复杂未知伪造样本时泛化能力不足.针对该问题，基于RECCE(reconstructionclassification learning)网络提出一种多损失融合的伪造人脸检测框架.该方法引入原型相似度机制，通过度量输入特征与类别原型的距离，提高对未知伪造的识别能力；并构建由原型损失、二元交叉熵损失、重建损失和度量学习损失组成的联合损失，以多角度增强伪造特征表达.对编码器多层级特征进行融合，引入重建差异引导的注意力机制，使模型聚焦伪造区域，提高检测准确率(Acc)与鲁棒性.实验在多个基准数据集上与6种方法比较表明，该方法训练效率提升显著，仅为RECCE的28%.在FaceForensics++(c40)上训练并在CelebDF上跨域测试时，曲线下面积(AUC)提升1.48%.较现有方法具有更优性能和泛化能力.

一种基于多策略数据增强的人体活动识别模型

2026, 12(7):  644-651. 

摘要 ( )   PDF (1990KB) ( )  

参考文献 | 相关文章 | 计量指标

可穿戴人体活动识别在实际应用中常因覆盖群体有限、标注数据不足等问题而导致模型泛化能力不足.为提升跨用户适应性，已有研究提出多源域适应方法，但此类方法需要直接访问多个源域数据，容易引发隐私泄露风险.针对上述问题，提出一种基于多策略数据增强的人体活动识别模型.该模型结合源域预训练模型与目标域数据，在无需访问源数据的前提下，实现了兼顾隐私保护与识别性能的域适应.具体而言，源域将多轴传感信号转化为活动图像，并通过GCNTransformer主干网络提取空间与时序特征完成活动识别预训练；目标域则采用多种数据增强策略生成多视角样本，在中间特征、Logits输出与伪标签置信度3层施加一致性约束，从而提升源模型的域适应能力与鲁棒性.实验结果表明，该模型在跨用户识别任务中显著提高了准确率与泛化性能，为可穿戴设备的个性化识别与隐私保护应用提供了有效支持.

基于改进生成对抗网络与自蒸馏的图像隐写模型

2026, 12(7):  652-661. 

摘要 ( )   PDF (2834KB) ( )  

参考文献 | 相关文章 | 计量指标

现有的图像隐写方法在隐蔽性与抗攻击性方面取得了一定进展，但仍存在生成图像质量较低、信息嵌入容量受限以及模型稳定性与泛化能力不足的问题.为此，提出一种基于改进GAN与自蒸馏的图像隐写模型(RCSDGAN).首先，设计了一种残差通道注意力机制，并将其集成到DenseNet架构中，实现了DenseNet结构的优化；其次，构建了一种基于改进DenseNet的编码网络与解码网络，并结合判别网络，形成了完整的图像隐写框架；最后，引入自蒸馏训练策略，通过计算教师模型与同一网络中学生模型输出之间的差异定义自蒸馏损失，并将其引入到总损失函数中，提升模型的稳定性与泛化能力.实验结果表明，当D=1bpp时，隐写图像的峰值信噪比(PSNR)达到50.4131dB，结构相似性(SSIM)达到0.9992，解码准确率(Accuracy)达到99.96%.

面向扩散模型的统一分布保持残差水印嵌入方法

2026, 12(7):  662-671. 

摘要 ( )   PDF (2732KB) ( )  

参考文献 | 相关文章 | 计量指标

针对扩散模型水印在“生成质量保持”与“抗失真鲁棒”之间难以兼顾的问题，提出一种统一分布保持残差嵌入方法(unified distributionpreserving residual embedding method, UDPRE).在不改变扩散主干网络参数的前提下，该方法采用两级策略：其一，在潜在空间采样阶段，通过高斯分布的累积分布函数将潜变量映射为均匀分布序列，并根据水印比特信息进行区间划分和反向映射，确保嵌入后潜在变量的整体分布保持不变；其二，在UNet中层插入轻量级残差模块，将水印比特投影后注入特征图，通过训练该模块实现以极小扰动的水印嵌入.训练阶段联合优化扩散重建损失与水印预测损失.基于Stable Diffusion 2.1的实验表明：该方法嵌入水印后图像视觉保真度高，扰动幅度远低于感知阈值；在JPEG压缩、裁剪、高斯噪声、亮度与对比度调整、颜色量化和Diffwa(diffusion models for watermark attack)重建等多种失真场景下，比特恢复准确率始终超过90%，尤其在无失真和Diffwa重建条件下表现出显著优势，有效兼顾了生成质量与鲁棒性.

基于生成子图对比自编码器的APT检测

2026, 12(7):  672-682. 

摘要 ( )   PDF (2019KB) ( )  

参考文献 | 相关文章 | 计量指标

随着网络攻击日益复杂与隐蔽，尤其是针对关键信息基础设施的高级持续性威胁(advanced persistent threats, APT)不断演化，其长期潜伏性与高度隐蔽性使得从正常行为中精准识别入侵成为关键挑战.基于溯源图的入侵检测系统可通过细粒度因果关系刻画系统实体交互，在区分良性与恶意行为、识别隐蔽攻击方面具有显著优势.然而，现有学习型方法仍存在节点权重缺失、边特征利用不足和局部子图学习不充分问题，并在大规模数据训练中面临高计算开销.为此，提出一种基于生成子图对比自编码器(generative subgraph contrastive autoencoder, GSCAE)的APT检测方法.首先构建结合边交互特征与局部聚类系数的节点特征，并利用熵权法量化节点重要性；然后设计生成子图对比学习算法，同时引入边损失与拓扑损失以更充分学习局部结构与交互模式；最后将图嵌入输入轻量级节点分类器实现异常检测，在保证检测精度的同时兼顾计算效率.基于DARPA公共数据集的实验表明，GSCAE在检测精度与效率上均优于现有多数学习方法，验证了其在复杂主机环境下的有效性与实用性.