微光刻与微/纳米加工技术

介绍了微电子技术的关键工艺技术——微光刻与微/纳米加工技术,回顾了中国制版光刻与微/纳米加工技术的发展历程与现状,讨论了微光刻与微/纳米加工技术面临的挑战与需要解决的关键技术问题,并介绍了光学光刻分辨率增强技术、下一代光刻技术、可制造性设计技术、纳米结构图形加工技术与纳米CMOS器件研究等问题。近年来,中国科学院微电子研究所通过光学光刻系统的分辨率增强技术(RET),实现亚波长纳米结构图形的制造,并通过应用光学光刻系统和电子束光刻系统之间的匹配与混合光刻技术及纳米结构图形加工技术成功研制了20～50nm CMOS器件和100nm HEMT器件。     

隐私保护机器学习的密码学方法

新一代人工智能技术的特征,表现为借助GPU计算、云计算等高性能分布式计算能力,使用以深度学习算法为代表的机器学习算法,在大数据上进行学习训练,来模拟、延伸和扩展人的智能。不同数据来源、不同的计算物理位置,使得目前的机器学习面临严重的隐私泄露问题,因此隐私保护机器学习(PPM)成为目前广受关注的研究领域。采用密码学工具来解决机器学习中的隐私问题,是隐私保护机器学习重要的技术。该文介绍隐私保护机器学习中常用的密码学工具,包括通用安全多方计算(SMPC)、隐私保护集合运算、同态加密(HE)等,以及应用它们来解决机器学习中数据整理、模型训练、模型测试、数据预测等各个阶段中存在的隐私保护问题的研究方法与研究现状。     

网络入侵检测系统的设计与实验

伴随着工业因特网的迅速发展,越来越多基于网络的应用融入人们的日常生活和工作,在这样的背景下,因特网安全保障系统的重要性日益突出。基于此,文章针对工业因特网环境下的网络入侵检测系统设计问题,从保护模式、系统组成、技术方向和响应方式等方面进行了深入的分析,并对工控系统资产识别/机器学习等问题进行了探讨。     

基于机器学习的服务组合技术研究进展

服务组合是服务计算领域内的经典研究问题,在工业及学术领域内受到广泛关注。随着云原生和微服务技术不断普及,服务组合领域涌现出一系列富有创新性的研究。随着计算机技术和人工智能的快速发展,深度学习、强化学习等机器学习算法被越来越多地应用于传统服务组合问题中。文中介绍了服务组合问题常见的分类及面临的挑战,并对近年来涌现的机器学习算法在服务组合问题中的应用进行了归纳介绍。此外,文中还总结了基于机器学习算法解决服务组合问题时所面临的问题,并对今后的发展方向进行了展望。     

基于表面等离子体的微纳光刻技术

首先介绍了光刻技术的发展及其面临的挑战。随着纳米加工技术的发展,纳米结构器件必将成为未来集成电路的基础,而纳米光刻技术是纳米结构制作的基础,基于表面等离子体的纳米光刻作为一种新兴技术有望突破45nm节点从而极大提高光刻的分辨力。介绍了表面等离子体的特性,对表面等离子体(SPs)在光刻中的应用作了回顾和分析,指出在现有的利用表面等离子体进行纳米光刻的实验装置中,或采用单层膜的超透镜(Superlens),或采用多层膜的Super-lens,但都面临着如何克服近场光刻这一难题;结合作者现有课题分析了表面等离子体光刻的发展方向,认为结合多层膜的远场纳米光刻方法是表面等离子体光刻的发展方向。     

基于机器学习的网络异常流量检测研究

异常流量检测需要在海量的数据流中检测出网络流量异常,传统的异常流量检测无法自学习和自演进,在复杂、多变的网络环境下面临巨大挑战。机器学习的方法在完成异常流量检测的同时,可以不断地对新的异常流量进行标记和学习,不断地完善异常流量检测系统,提高异常流量检测系统的准确度,并可对未知的异常进行预测与分类。文章对基于机器学习的网络异常流量检测进行分析和比较,包括监督学习、非监督学习、半监督学习下的异常流量检测,指出了基于机器学习的异常流量检测技术的未来发展方向。     

支持向量机理论研究

支持向量机(support vector machines,SVM)是一种基于小样本统计理论的机器学习方法,在解决非线性及高维模式识别中表现出明显的优势,是近年来机器学习领域的研究热点。文中介绍了支持向量机的原理,对经典的训练算法和一些新型的学习模型进行了阐述,最后指出所面临的问题和研究方向。     

光刻与微纳制造技术的研究现状及展望

首先介绍了微纳制造的关键工艺技术——光刻技术。回顾了光刻技术的发展历程,介绍了各阶段主流光刻技术的基本原理和特点。阐述了国内外对光刻技术的研究现状,并讨论了光刻与微纳制造技术面临的挑战及其需要解决的关键性技术问题。然后重点介绍了浸没光刻、极紫外光刻、电子束光刻、离子束光刻、X射线光刻、纳米压印光刻等技术的概念、发展过程和特点,并对不同光刻技术的优缺点和生产适用条件进行了比较。最后结合国内外生产商、工程师和研究学者的研究成果,对光刻技术的未来发展做出展望。     

一种基于梯度提升树算法的DGA域名检测方法

勒索病毒、僵尸网络等恶意软件在互联网日益泛滥,已成为威胁网络安全运行的重要因素。域名作为恶意软件与命令和控制（Command and Control,C&C）服务器的主要通信方式,是检测和防范的重要途径。但域名生成算法（Domain Generation Algorithm,DGA）的不断改进发展,给传统的基于威胁情报的检测方式带来了巨大挑战,而机器学习技术逐渐成为应对DGA域名的主要途径。梯度提升树算法作为机器学习中重要的分类算法,能够适应DGA域名检测场景。基于XGBoost框架,采用开放域名数据作为样本集,研究了基于梯度提升树算法的DGA域名检测方法,并通过域名向量转换、检测模型训练、参数调优,实现了一个高效的DGA域名检测模型。     

基于卷积神经网络的Android流量分类方法

深度学习就是机器学习研究的过程,主要通过模拟人脑分析学习的过程对数据进行分析。目前,深度学习技术已经在计算机视觉、语音识别、自然语言处理等领域获得了较大发展,并且随着该技术的不断发展,为网络流量分类和异常检测带来了新的发展方向。移动智能手机与大家的生活息息相关,但是其存在的安全问题也日益凸显。针对传统机器学习算法对于流量分类需要人工提取特征、计算量大的问题,提出了基于卷积神经网络模型的应用程序流量分类算法。首先,将网络流量数据集进行数据预处理,去除无关数据字段,并使数据满足卷积神经网络的输入特性。其次,设计了一种新的卷积神经网络模型,从网络结构、超参数空间以及参数优化方面入手,构造了最优分类模型。该模型通过卷积层自主学习数据特征,解决了传统基于机器学习的流量分类算法中的特征选择问题。最后,通过CICAndmal2017网络公开数据集进行模型测试,相比于传统的机器学习流量分类模型,设计的卷积神经网络模型的查准率和查全率分别提高了2.93%和11.87%,同时在类精度、召回率以及F1分数方面都有较好的提升。