【摘 要】
：
传统的控制流混淆方案是通过引入一些特殊结构来混淆或隐藏原程序的控制流信息,但这会导致大量的额外开销,此外针对控制流中其他敏感信息,常用的混淆技术并没有完善的保护方案。针对这些问题,提出了基于隐式跳转的控制流混淆技术。分析建立程序的控制流图,获取每个基本块的依赖关系,建立状态转移模型,为每个基本块分配一个运行时状态,并根据该状态生成的密钥来对控制流的跳转、函数的调用及变量的引用等敏感信息进行加密保护,使之转换为需要在运行时解密才能使用的隐式形式,从而实现反静态分析。此外,针对相同对象的密文重复问题,提出了基
论文部分内容阅读
传统的控制流混淆方案是通过引入一些特殊结构来混淆或隐藏原程序的控制流信息,但这会导致大量的额外开销,此外针对控制流中其他敏感信息,常用的混淆技术并没有完善的保护方案。针对这些问题,提出了基于隐式跳转的控制流混淆技术。分析建立程序的控制流图,获取每个基本块的依赖关系,建立状态转移模型,为每个基本块分配一个运行时状态,并根据该状态生成的密钥来对控制流的跳转、函数的调用及变量的引用等敏感信息进行加密保护,使之转换为需要在运行时解密才能使用的隐式形式,从而实现反静态分析。此外,针对相同对象的密文重复问题,提出了基
其他文献
在视觉SLAM中,特征点的提取和准确的特征匹配对机器人的位姿推断具有重要作用。针对传统ORB算法特征点分布不均匀,容易出现簇集的问题和Qtree_ORB算法特征点过均匀等问题,提出了一种基于四叉树改进的ORB特征提取算法。对每层图像金字塔进行自适应网格划分,采用自适应阈值来进行特征点提取;根据每层图像金字塔所提取特征点数目对四叉树的划分深度进行限制,减少冗余特征点;设定最小阈值来减少低质量特征点的提取;在Mikolajczyk数据集上对改进算法的均匀度和匹配性能进行测试,在TUM数据集上对改进算法在ORB
在目标检测中,框回归损失函数的设定直接影响预测框的定位准确性。预测框与目标框的交并比(IOU)被设定为优化预测框的损失函数,但是当两框无重叠面积时无法进行梯度回传。广义的交并比(GIOU)在IOU损失函数的基础上增加非重叠面积部分,将两部分优化项作为损失函数调整预测框位置,解决了无法梯度回传的情况。但当两框是包含关系时,GIOU的第二部分优化项消失,损失函数退化为IOU。为了解决以上问题,提出了一种重新定义的广义交并比损失函数(RGIOU),将非重叠部分面积定义为两框之并减去两框之交,再除以两框形成的最小
针对密度峰值聚类算法DPC(clustering by fast search and find of density peaks)时间复杂度高、准确度低的缺陷,提出了一种基于Ball-Tree优化的快速密度峰值聚类算法BT-DPC。算法利用第k近邻度量样本局部密度,通过构建Ball-Tree加速密度ρ及距离δ的计算;在类簇分配阶段,结合k近邻思想设计统计学习分配策略,将边界点正确归类。通过在UCI数据集上的实验,将该算法与原密度峰值聚类算法及其改进算法进行了对比,实验结果表明,BT-DPC算法在降低时间
针对受灾山区运输物资的三维无人机路径规划问题,提出了一种精英扩散蚁群优化算法EDACO,首先通过极值限定策略限定了信息素浓度的范围,防止算法前期陷入局部最优;然后采用精英策略改进信息素浓度更新公式,加强优质个体对种群的影响力;再引入信息素扩散策略,加强距离较近个体间的交流协作,以防止蚂蚁个体间联系不紧密造成的算法停滞。最后,将精英扩散蚁群优化算法、传统蚁群算法、遗传算法和萤火虫算法运用于4个山区受灾无人机运输实例中,结果表明了EDACO的优越性和有效性,且该算法对无人机三维路径规划问题有着良好的适应性。
采样技术与ELM分类算法进行结合可提高少数类样本的分类精度,但现有的大多数结合ELM的采样方法并未考虑到样本的不平衡程度及样本内部的分布情况,采样技术过于单一,导致分类模型的效率低下,少数类样本的识别率不高。针对此问题,提出了一种基于DPC聚类的重采样技术结合ELM的不平衡数据分类算法,首先根据数据集的不平衡程度分2种情况构建一个混合采样模型来平衡数据集;然后在此模型上运用DPC聚类算法分别对多数类样本和少数类样本进行分析处理,解决数据中存在的类内不平衡和噪声问题,使得2类样本相对均衡;最后使用ELM分类
地方性网络论坛是网络热点舆情话题信息传播的一个重要平台。对其传播机制的研究有助于对网络舆情进行管控。但是,现有的信息传播机制的研究都是基于对信息的“转发”行为进行的,无法适用于网络论坛中信息传播机制的研究。针对这一问题,通过普通的大型论坛和地方性论坛进行数据对比分析,得到了地方性论坛信息传播机制的三个特点。根据论坛中信息传播与帖子回复量呈正相关的特点,在SIR模型的基础上,加入新的浏览者(Browser)节点,引入兴趣指数函数P(m),建立了UBIR(Unknow-Browser-Infected-Rem
迁移学习是机器学习中一种新的学习范式,它可以克服深度学习需要大量样本的缺陷,能够解决医学图像分析中数据集较小导致模型不准确的问题,因而成为继深度学习之后在医学图像分析领域的研究热点。对迁移学习进行概要阐述,按照目前医学图像分析中应用的主要迁移学习方法,即基于数据的迁移学习、基于模型的迁移学习、对抗式迁移学习和混合迁移学习,对医学图像分析领域的重要文献进行整理和归纳,分析每种迁移学习的机制、适用范围
短语结构的语法关系判定是自然语言处理领域的关键问题之一,应用支持向量机进行分类判定,其核心问题是如何将汉语短语结构转换为适合支持向量机使用的数值向量的形式。在自建N1+N2结构语料库的基础上,利用《同义词词林》对N1+N2结构内部两个名词进行语义编码,并将编码转换为数值向量,运用支持向量机的方法判定该结构的语法关系,按照训练集与测试集9∶1的比例使用随机交叉验证的方法进行检验,平均正确率达到86.2%。实验结果证明了所提算法的有效性,也证明了运用人工智能方法处理自然语言处理领域的问题势在必行。
近年来,FPGA的应用愈加广泛。为确保FPGA中数据安全可信,在基于环形振荡器的硬件木马检测方法之上,提出一种在Altera FPGA中使用增量编译技术实现环形振荡器和木马植入的方法以及使用归一化差值算法发现并定位木马的数据分析方法。设计基于环形振荡器的硬件木马检测电路,根据系统规模共部署6级振荡环,每级环形振荡器由121个与非门构成。根据木马电路类型和功耗来源,在电路中依次植入四种典型硬件木马,使用归一化差值算法分析环形振荡器振荡频率,最终实现所有类型的木马定位与检测。检测结果表明,基于环形振荡器的硬件
针对决策信息为犹豫模糊语言元素形式、属性权重完全未知的多属性决策问题,提出了一种基于后悔理论和ELECTRE Ⅲ的多属性决策方法。利用灰色关联分析和极大熵原理确定属性权重。确定犹豫模糊语言信息的后悔-欣喜函数,凭借该函数确定方案对的后悔-欣喜和谐指数与不和谐指数,进而确定方案对的可信度指数。通过方案对的可信度指数确定各方案的净可信度,依此对方案进行排序。通过算例说明了所提方法的可行性和有效性。由于该方法同时考虑了决策者的心理行为和属性间的部分可补偿性,因此决策结果更加贴近现实且更为合理。对后悔规避系数μ的