基于概要数据结构的全网络持续流检测方法

持续流是隐蔽的网络攻击过程中显现的一种重要特征，它不产生大量流量且在较长周期内有规律地发生，给传统的检测方法带来极大挑战。针对网络攻击的隐蔽性、单监测点的重负荷和信息有限的问题，提出全网络持续流检测方法。首先，设计一种概要数据结构，并将其部署在每个监测点；其次，当网络流到达监测点时，提取流的概要信息并更新概要数据结构的一位；然后，在测量周期结束时，主监测点将来自其他监测点的概要信息进行综合；最后，提出流持续性的近似估计，通过一些简单计算为每个流构建一个位向量，利用概率统计方法估计流持续性，使用修正后的持续性估计检测持续流。通过真实的网络流量进行实验，结果表明，与长持续时间流检测算法（TLF）相比，所提方法的准确性提高了50%，误报率和漏报率分别降低了22%和20%，说明全网络持续流检测方法能够有效监测高速网络流量。     

面向“专升本”学生的《数据结构》课程教学改革的探讨

本文结合笔者在针对专升本学生讲授《数据结构》课程的一些心得体会,根据专升本学生的特点,从教材选取、先修课程巩固、学生学习兴趣激发、问题驱动教学法、实践环节设计与考核方法等方面对数据结构课程教学改革提出了一些个人的建议和意见,希望能对该课程的教学改革起到积极的参考和促进意义。     

基于图形处理器的形态学重建系统

形态学重建是医学图像处理中非常基础和重要的操作。它根据掩膜图像的特征对标记图像反复进行膨胀操作，直到标记图像中的像素值不再变化为止。对于传统基于中央处理器（CPU）的形态学重建系统计算效率不高的问题，提出了使用图形处理器（GPU）来加速形态学重建。首先，设计了适合GPU处理的数据结构：并行堆集群；然后，基于并行堆集群，设计和实现了一套基于GPU的形态学重建系统。实验结果表明，相比传统基于CPU的形态学重建系统，基于GPU的形态学重建系统可以获取超过20倍的加速比。基于GPU的形态学重建系统展示了如何把基于复杂数据结构的软件系统高效地移植到GPU上。     

面向应用场景的数据结构线上实践教学案例

针对疫情下的数据结构线上实践教学需要,为进一步激发学生编程兴趣和参与热情,例举3个与实际应用紧密结合的、基于在线评测的数据结构线上实践教学案例并进行相关分析,最后说明取得的教学效果。     

以学为中心的混合式教学方式实施与评价——以数据结构与算法课程为例

分析数据结构与算法课程的教学现状,提出一种以学为中心的混合式教学方式,介绍该方式的设计、实施过程及评价方式,最后说明教学效果。